Traduit de Anglais vers Français - www.onlinedoctranslator.

com

Consultez les discussions, les statistiques et les profils d’auteurs pour cette publication sur :https://www.researchgate.net/publication/262560407

Évaluation de l'impact de l'incertitude relative à l'utilisation des terres sur le débit simulé et le
rendement en sédiments du bassin de la rivière Seyhan à l'aide du modèle SWAT

ArticledansTurk Tarim ve Ormancilik Dergisi/Journal turc de l'agriculture et de la foresterie · Mai 2014

DOI : 10.3906/tar-1309-89

CITATIONS LECTURE

31 12 409

2 auteurs :

Achraf El-Sadek Ahmet Irvem

Centre de recherche sur le désert Université Hatay Mustafa Kemal

23PUBLICATIONS237CITATIONS 27PUBLICATIONS416CITATIONS

VOIR PROFIL VOIR PROFIL

Tout le contenu suivant cette page a été téléchargé parAchraf El-Sadekle 24 septembre 2015.

L'utilisateur a demandé l'amélioration du fichier téléchargé.

 Journal turc de l'agriculture et de la foresterie Turk J Agric pour
(2014) 38 : 515-530
http://journals.tubitak.gov.tr/agriculture/
© TÜBITAK
est ce que je:10.3906/tar-1309-89
article de recherche

Évaluation de l'impact de l'incertitude liée à l'utilisation des terres sur le débit fluvial et les sédiments simulés
rendement du bassin de la rivière Seyhan en utilisant le modèle SWAT

Achraf EL-SADEK1,*, Ahmet IRVEM2

1Centre de recherche sur le désert, Division de l'écologie et de l'agriculture des zones arides, Le Caire, Égypte
2Département de génie des biosystèmes, Faculté d'agriculture, Université Mustafa Kemal, Antakya, Turquie

Reçu:26.09.2013 Accepté:29.12.2013 Publié en ligne :27.05.2014 Imprimé:26.06.2014

Abstrait:En raison de la disponibilité accrue d’informations spatiales dans la modélisation des bassins versants, plusieurs ensembles de données spatiales faciles à utiliser
et largement accessibles ont été développés. Pourtant, il n’est pas facile de décider quelle source de données est la meilleure et comment les données provenant de
différentes sources affectent les résultats du modèle. Dans cette étude, les résultats de la simulation du débit des cours d'eau et de l'apport en sédiments du bassin de la
rivière Seyhan en Turquie à l'aide de 3 types différents d'ensembles de données sur la couverture terrestre via le modèle de l'outil d'évaluation des sols et de l'eau (SWAT)
sont discutés et comparés aux données observées. Les 3 ensembles de données sur la couverture terrestre utilisés comprennent la coordination des informations sur
l'ensemble de données sur l'environnement (CORINE ; CLC2006), l'ensemble de données de caractérisation de la couverture mondiale (GLCC) et l'ensemble de données
GlobCover. L'étalonnage du débit fluvial et des sédiments a été effectué à intervalles mensuels pour la période 2001-2007 au numéro de jauge 1818 (30 km en amont du
barrage de Çatalan). La simulation du modèle de débit mensuel a donné lieu à de bonnes valeurs d'efficacité Nash-Sutcliffe (NSE) de 0,73, 0,71 et 0,68 pour les ensembles
de données GLCC, GlobCover et CORINE, respectivement, pour la période d'étalonnage. De plus, le modèle a simulé le rendement mensuel en sédiments avec des valeurs
NSE satisfaisantes de 0,48, 0,51 et 0,46 pour les ensembles de données de couverture terrestre GLCC, GlobCover et CORINE, respectivement. Les résultats suggèrent que la
sensibilité du modèle SWAT aux ensembles de données sur la couverture terrestre avec différentes résolutions spatiales et à différentes périodes était très faible dans les
simulations mensuelles de débit et de sédiments du bassin de la rivière Seyhan. L'étude a conclu que ces ensembles de données peuvent être utilisés avec succès pour
prédire le débit des cours d'eau et le rendement en sédiments.

Mots clés:CORINE, GLCC, GlobCover, sédiments, rivière Seyhan, SWAT

1. Introduction
Les modèles hydrologiques distribués basés sur un système d'information
géographique (SIG) simulent les processus hydrologiques à l'aide de
paramètres spatiaux dérivés de données géospatiales. Ces données
contiennent principalement des informations sur le relief, les types de sols
et de couverture terrestre, ainsi que l'intensité. L’occupation du sol a un
impact important sur la quantité et la qualité de l’eau dans un bassin fluvial.
Une meilleure estimation des paramètres de couverture terrestre améliore
les performances du modèle hydrologique utilisé. Une résolution spatiale et
temporelle appropriée de la couverture terrestre utilisée améliore la
prévision du modèle hydrologique (Huang et al., 2013). Plusieurs études ont
été menées pour étudier l'impact du changement de couverture terrestre
sur l'hydrologie et la qualité de l'eau en (1) utilisant des données facilement
disponibles (Cai et al., 2012 ; Yan et al., 2013), (2) en utilisant des scénarios
de couverture artificielle des terres. y compris les pratiques agricoles
(Chaplot et al., 2004 ; De Girolamo et Lo Porto, 2012 ; Mbonimpa et al.,
2012), et (3)générer des scénarios de changement d'affectation des terres à
l'aide des modèles de changement d'affectation des terres (l'un de ces
modèles de changement d'affectation des terres est le modèle de
conversion de l'utilisation des terres et de ses effets (CLUE-s, Verburg et al.,
2002, 2004), utilisée par Lin et al. (2007), Zhang et coll.
(2011), Zhou et coll. (2013) et Park et coll. (2011).
L'ensemble de données sur la couverture terrestre mondiale le
plus ancien et le plus largement utilisé, la caractérisation mondiale de
la couverture terrestre (GLCC), a été produit par l'US Geological
Survey, l'Université du Nebraska-Lincoln et le Centre commun de
recherche (JRC) de la Commission européenne. Les résultats à une
résolution de 1 km sont basés sur une classification non supervisée du
radiomètre avancé à très haute résolution de 1 km (AVHRR ;
Eidenshink et Faundeen, 1994) composites d'indices de végétation par
différence normalisée sur 10 jours couvrant la période d'avril 1992 à
mars 1993. La première version (version 1.2) de la base de données
GLCC a été rendue publique en novembre 1997. La version mise à jour
(version 2.0 ; Loveland et al., 2000) représente la même période (d'avril
1992 à mars 1993) et est celle utilisée pour notre étude. Les données
peuvent être obtenues sur http://edc2.usgs.gov/glcc/glcc.php. De
nombreuses études hydrologiques utilisant le modèle de l’outil
d’évaluation des sols et de l’eau (SWAT) se sont appuyées sur
l’ensemble de données GLCC comme source d’informations sur la
couverture terrestre. Par exemple,

* Correspondance : elsadek@nmsu.edu
515
 EL-SADEK et İRVEM / Turk J Agric pour
Vu et coll. (2011) ont utilisé l'ensemble de données GLCC ainsi que d'autres
ensembles de données basés sur Internet pour dériver le modèle SWAT
pour la simulation du débit de la rivière Da à travers les régions
transfrontalières de la Chine et du Vietnam, Chen et al. (2005) ont comparé
les résultats de la simulation SWAT de l'ensemble de données sur la
couverture terrestre du GLCC et les données nationales sur la couverture
terrestre sur la zone continentale des États-Unis, et Schoul et al. (2008) ont
appliqué SWAT pour modéliser les eaux bleues et vertes de 1 496 sous-
bassins sur l’ensemble du continent africain.
En 2005, l'Agence spatiale européenne, en collaboration avec l'Agence
européenne pour l'environnement (AEE), l'Organisation pour l'alimentation
et l'agriculture (FAO), l'Observation mondiale de la dynamique des forêts et
de la couverture terrestre, le Programme international géosphère-
biosphère et le Centre commun de recherche (JRC) de la Commission
européenne. , et le Programme des Nations Unies pour l'environnement,
ont développé le projet GlobCover (Arino et al., 2007), dont le but était de
créer une carte de la couverture terrestre basée sur le spectromètre
imageur à moyenne résolution d'Envisat (MERIS). La période couverte par
cet ensemble de données s'étend de janvier 2005 à juin 2006. Il a été publié
en 2008 sous le nom de GlobCover 2005. Les données ont une résolution
spatiale de 300 m. Une deuxième version mise à jour des données a été
livrée en 2010. Sa carte de couverture terrestre est dérivée d'une
classification automatique et adaptée au niveau régional d'une série
chronologique de mosaïques mondiales MERIS en pleine résolution pour
l'année 2009 (Arino et al., 2010). La carte mondiale de la couverture
terrestre fournit 22 classes de couverture terrestre définies avec le système
de classification de la couverture terrestre des Nations Unies. Les données
peuvent être téléchargées gratuitement depuis http://due.esrin.esa.int/
globcover/. L'ensemble de données GlobCover a été utilisé pour fournir des
informations sur la couverture terrestre pour la modélisation SWAT du débit
et de la qualité de l'eau dans le réservoir de Kaiping, en Chine (Nielsen et al.,
2013).
La plus haute résolution sur la couverture terrestre qui existe
pour l'Europe est la troisième version de l'ensemble de données
CORINE (CLC 2006 ; coordination des informations sur
l'environnement) de données sur la couverture terrestre pour 2006
(les versions précédentes concernaient 1990 et 2000) produit par l'AEE.
Les données couvrent la plupart des pays de l'UE et 13 pays
partenaires d'Europe centrale et orientale, dont la Turquie. CLC 2006 a
été réalisé à partir d'une combinaison d'images de 2 satellites (Spot
4&5 français et IRS P6 indien) dans une couverture d'images satellite
multitemporelles. Ces données couvrent 38 pays européens avec une
résolution spatiale de 100 m (http://www.eea.europa.eu/data-and-
maps/data/corine-land-cover-2006-raster-2). De nombreuses études
de recherche ont utilisé l'ensemble de données CORINE comme entrée
pour SWAT pour modéliser l'hydrologie des bassins versants
européens ; des exemples de telles études incluent Nasr et al. (2007)
en Irlande, Candela et al. (2012) en Italie, et Koch et al. (2013) en
Allemagne.
Les impacts relatifs des différents ensembles de données sur la couverture terrestre
sur le débit fluvial et le rendement en sédiments n'ont pas encore été suffisamment
décrits. De nombreuses études ont montré que le débit n'est pas fortement affecté ni par
l'origine de l'ensemble de données choisi ni par la résolution spatiale de l'ensemble de
données sur la couverture terrestre ; cependant,
516
Les charges de sédiments, d’azote et de phosphore total sont fortement affectées
par l’ensemble de données sur la couverture terrestre utilisé ainsi que par la
résolution spatiale de ces données. Par exemple, Huang et al. (2013) ont comparé
3 types d'ensembles de données sur la couverture terrestre dérivés de l'imagerie
satellitaire du mappeur thématique Landsat de 2007 et 2010 et d'une image ETM+
de 2002. Ils ont utilisé 3 catégories différentes de détails sur la couverture
terrestre (10, 5, et 3) dans le modèle SWAT. Le modèle a été appliqué au bassin de
la rivière Jiulong en Chine. Leurs résultats ont montré qu'il y a relativement peu
d'impact sur le débit quotidien et mensuel en utilisant les 3 ensembles de
données sur la couverture terrestre à différents niveaux de détail. Cependant, les
charges d'ammoniac-azote (NH4+-N) et de phosphore total (TP) étaient fortement
affectées par le choix de l'ensemble de données sur la couverture terrestre. Les
différences relatives dans les prévisions mensuelles de NH4+–N à l’aide des
ensembles de données LULC de 2007 et de 2010 étaient de −11,0 % et de −7,8 %
par rapport à l’ensemble de données LULC de 2002, respectivement. Cependant,
pour les charges mensuelles prévues de TP, elles étaient respectivement de -4,8 %
à -9,0 % en utilisant les deux ensembles de données LULC de 2007 et 2010 par
rapport à celui de 2002. Cotter et al. (2003) ont également montré que le débit des
cours d'eau n'est pas affecté de manière significative par la résolution des
données sur la couverture terrestre ; cependant, les sédiments, NO –N et TP ont
été fortement affectés par la résolution de la couverture terrestre avec des erreurs
relatives de 19 %, 11 % et 41 %, respectivement, lorsque les données de
3
couverture terrestre les plus grossières ont été utilisées (1 000 m) par rapport à la
résolution de la couverture terrestre. Données de résolution 30 m.
Connu comme le plus long fleuve du pays qui se jette dans la
mer Méditerranée, le fleuve Seyhan est situé dans la région
méditerranéenne orientale de la Turquie et s'étend des
montagnes du Taurus au nord jusqu'à la mer Méditerranée au
sud. Le bassin compte 4 barrages le long de la rivière Seyhan et
de ses affluents : le barrage Seyhan, le barrage Çatalan et le
barrage Nergizlik situés au sud du bassin et le barrage Bahçelik
au nord du bassin. Le lac du barrage de Çatalan a une capacité de
stockage de 2,1 km3avec une superficie de réservoir de 82 km2. Le
débit annuel moyen du barrage de Çatalan est de 163 m3s-1(Acar
et Dincer 2005). Le rendement moyen en sédiments mesuré pour
la station numéro 1818 (30 km en amont du barrage de Çatalan),
qui a une superficie contributive de 13 846 km2, soit 1,51 t ha-1
année-1et la quantité totale de sédiments est de 2 090 746 t par an
-1 (Irvem et al., 2007).
Le modèle de bassin versant utilisé dans cette étude est SWAT. Les
données de couverture terrestre de SWAT sont utilisées en interaction avec
les données de sol et de terrain pour créer les unités de réponse
hydrologique (HRU) qui sont utilisées pour évaluer les rendements en eau,
en sédiments et en produits chimiques. Dans cette étude, nous décrivons
comment les données sur la couverture terrestre provenant de différentes
sources peuvent affecter les résultats du modèle SWAT pour le bassin de la
rivière Seyhan. L'objectif de cette étude était de déterminer l'impact de
l'utilisation de 3 ensembles de données différents sur la couverture
terrestre, à savoir GLCC, GlobCover et CORINE, qui sont différents en
termes de période de temps représentée et de détails spatiaux sur le débit
du cours d'eau et le rendement en sédiments du Seyhan. Bassin fluvial basé
sur la simulation du modèle SWAT.
 EL-SADEK et IRVEM / Turk J Agric Pour

2. Matériels et méthodes 2.2. Description du modèle

2.1. Zone d'étude SWAT est un modèle continu dans le temps, semi-distribué, basé sur la

Le bassin de la rivière Seyhan est situé entre 34,25 et 37,0°E et physique, conçu pour prédire l'impact des pratiques de gestion des terres

36,5 et 39,25°N, et le bassin couvre une superficie de 20 164 km2. sur le rendement en eau, en sédiments et en produits chimiques agricoles

La zone d'étude comprend l'aire de drainage de la station numéro dans les grands bassins fluviaux (Arnold et al., 2012). Les principaux

1818 (13 910 km2), qui est situé à 30 km en amont du barrage de composants du modèle décrivent les processus associés aux conditions

Çatalan (Figure 1). Le type de sol dominant est le limon (49,69%). météorologiques, à l'hydrologie, aux propriétés du sol, au mouvement de

Le bassin versant reçoit des précipitations annuelles moyennes l'eau, à la croissance des plantes, aux nutriments, aux pesticides, aux

de 708,5 mm avec des températures annuelles moyennes bactéries et aux agents pathogènes, ainsi qu'à la gestion des terres. Le

maximales et minimales de 19,78 et 7,74 °C, respectivement, modèle utilise un modèle numérique d'élévation (DEM) pour délimiter le
telles que déterminées par les données de la période 2000 à bassin versant et diviser le bassin versant en plusieurs sous-bassins
2012. versants qui sont ensuite subdivisés en réponse hydrologique.

Figure 1.Localisation de la zone d'étude, de la station de jaugeage (G1818) et des stations météorologiques.

517

unités (HRU) qui comprennent des caractéristiques similaires d’utilisation des
terres, de pente et de sol (Arnold et al., 2012). Les résultats du modèle incluent le
ruissellement de surface, l'évapotranspiration, les eaux souterraines, l'écoulement
latéral, les rendements en sédiments, en nutriments et en pesticides.
Le ruissellement de surface peut être simulé en utilisant la
méthode des numéros de courbe du USDA Natural Resources
Conservation Service (USDA-NRCS, 2004) ou le modèle
d'infiltration de Green et Ampt (Green et Ampt, 1911).
L'évapotranspiration peut être estimée en utilisant la méthode
Hargreaves, Priestly-Taylor et/ou Penman-Monteith. Les eaux
souterraines, y compris la recharge des aquifères peu profonds et
profonds, sont acheminées à l'aide de techniques empiriques et
analytiques dans le cadre du SWAT (Neitsch et al., 2005). Le cycle
hydrologique dans SWAT est basé sur l’équation du bilan
hydrique (équation (1)) :
SWt = SW 0+∑t(R-Q-E-W-Q,
jour un je = 1 le surf
oùLogicielest
t
la teneur finale en eau du sol (mm),Logicielest
0
la
teneur initiale en sol et en eau (mm),test le temps (jours),R. est la
jour
quantité de précipitations du jour i (mm),Qest la quantitéle surf
de
ruissellement de surface par jourje(mm),Eest la quantité
un
d'évapotranspiration quotidienneje(mm),West la quantité d'eau
entrant dans la zone vadose à partir du profil du sol chaque jourje
(mm), etQest la quantité
gw
de flux de retour le jourje (mm).
L'érosion est estimée à l'aide de l'équation universelle modifiée de
perte de sol (MUSLE) (Williams, 1975 ; Neitsch et al., 2005), telle que
donnée par l'équation. (2) :
Sed = 11,8(Q ×q ×zone ) 0,56
le surf culminer salut
×K USLE ×C USLE ×P USLE × LSUSLE × CFRG,
oùSédest le rendement en sédiments un jour donné [t],Q est le
volume de ruissellement de surface [mm ha-1],q
taux de ruissellement [m3s-1] (équation (3)),zoneest la superficie d'une HRU
salut
[ha],K
USLE
est le facteur d'érodabilité du sol USLE,C facteur
de couverture du sol USLE,P. facteur,Lest la pratique de support USLE
USLE
est le facteur de forme du terrain (pente et longueur de
SUSLE
une pente), etCFRGest le facteur de fragment grossier.
Le débit de ruissellement maximal dans le modèle SWAT est donné par
un #q #A
q =
culminer
360#tc,
oùq culminer
est le débit de ruissellement maximal (m3s-1),qest le ruissellement (mm),
UNest la superficie HRU (ha),TCest le temps de concentration (h), et α
est un paramètre sans dimension qui exprime la proportion des
précipitations totales qui se produisent pendantTC.
2.3. Entrée SWAT
Une interface SIG vers SWAT, ArcSWAT (Winchell et al., 2009), a
été utilisée pour automatiser le développement des paramètres
d'entrée du modèle. Un modèle numérique d'élévation de 30 m
d'ASTER-GDEM (Advanced Spaceborne Thermal Emission
518
EL-SADEK et İRVEM / Turk J Agric pour
et radiomètre à réflexion - modèle numérique global d'élévation) a été
obtenu pour la zone d'étude à partir de http://asterweb.jpl. nasa.gov/
gdem.asp, et la couche DEM est présentée dans la figure 2. L'ensemble de
données a été utilisé pour obtenir des informations sur les caractéristiques
topographiques du bassin versant : élévation, limite du bassin versant,
chemin d'écoulement, superficie du sous-bassin, pente et élévation du
chenal de la rivière. . Huit années de données météorologiques
quotidiennes (c'est-à-dire température minimale et maximale quotidienne,
rayonnement solaire, humidité relative et vitesse moyenne du vent) ont été
obtenues du National Climatic Data Center des États-Unis, résumé global de
la journée pour la période de 2000 à 2007. Les données sont disponibles en
ligne sur ftp://ftp. ncdc.noaa.gov/pub/data/gsod/. Cependant, la mission de
mesure des précipitations tropicales (produit 3B42) décrite dans Huffman et
al. (2007) a été utilisée comme source des données sur les précipitations
quotidiennes. Ces données ont une résolution spatiale de
infiltrer gw
(1) 0,25° × 0,25°, de sorte que 17 points de grille (un à chacun des 17
emplacements de pixels) couvrant la zone d’étude ont été utilisés. Toutes
les données sur les sols ont été obtenues à partir du CD-ROM FAO/UNESCO
Carte des sols du monde 2003 ; la carte des sols de notre zone d’étude est
présentée à la figure 2.
2.4. Ensembles de données sur la couverture terrestre
infiltrer Trois sources d'ensembles de données sur la couverture terrestre ont été utilisées,
à savoir GLCC, GlobCover et CORINE. Les tableaux 1 à 3 et la figure 3 montrent la
répartition des différentes classes de couverture terrestre de chaque ensemble de
données sur la zone d'étude et les codes de couverture terrestre SWAT
correspondants qui ont été utilisés dans la simulation. Étant donné que chacun
des ensembles de données sur la couverture terrestre comporte un nombre
différent de classes de couverture terrestre, un nombre différent de HRU a été
défini en utilisant les valeurs seuils de 10 % pour l'utilisation des terres,
(2) 10 % pour le sol et 20 % pour la pente pour l'utilisation dominante du sol,
sol et pente des zones de sous-bassins individuels. Pour les données GLCC, 357
HRU ont été définies représentant 11 classes de couverture terrestre (tableau 1),
le surf ce qui révèle que le type de couverture terrestre le plus dominant est la prairie (42
culminer
est le sommet %). Pour l'ensemble de données GlobCover, les terres cultivées en mosaïque et la
classe de végétation sont les types d'utilisation des terres dominants (52,72 %).
USLE
est le Cela a produit 519 HRU représentant 13 classes d'utilisation des terres (tableau 2).
Il était évident que l’ensemble de données CORINE sur la couverture terrestre, qui
comporte le plus grand nombre de classes d’utilisation des terres (28), produirait
le plus grand nombre de HRU (595). Les types dominants de couverture terrestre
sont les zones à végétation clairsemée (18,44%), les zones naturelles
(3) prairies (13,23 %) et terres arables (11,77 %). Nous avons inclus nos classes de couverture
terrestre et nos types de sols dans la base de données du modèle SWAT en
modifiant les fichiers utilisateur de sol et de couverture terrestre.
Pour comparer plus facilement l'impact des différents ensembles de
données sur la couverture terrestre sur les résultats du modèle, les
catégories de couverture terrestre de chaque ensemble de données ont été
classées selon le système bien établi de classification de l'utilisation des
terres et de la couverture terrestre d'Anderson (Anderson et al., 1976), tel
que présenté. dans les tableaux 1 à 3. Le système comprend 9 catégories de
couverture terrestre (urbaine ou bâtie, agricole, parcours, forêt, eau, zones
humides, aride, toundra et neige et glace pérennes), et
 EL-SADEK et IRVEM / Turk J Agric Pour
B)
Figure 2.Carte montrant A) les sous-bassins, B) le modèle numérique d'élévation et C) les types de sols.
37 sous-catégories (par exemple, variétés de classes de terres agricoles
comme les terres cultivées, les pâturages et les vignobles).
2.5. Données observées
Les données de débit mensuel moyen et l'apport mensuel total de
sédiments pour la station 1818 (37°22'50″Nord, 35°28'05″E) ont été
obtenus auprès de l’Administration d’enquête et de développement
des ressources électriques de Turquie (EIE). La mesure du débit moyen
journalier effectuée par l'EIE est calculée à partir de la courbe de
tarage de la station hydrométrique concernée. Cependant,
l'échantillonnage des sédiments en suspension (exprimé en ppm) est
collecté mensuellement par la méthode intégrée en profondeur à
l'aide des équipements d'échantillonnage USDH-48 et USD-49. Les
échantillons de sédiments en suspension sont ensuite utilisés pour
développer une relation entre la charge sédimentaire (t jour-1) et le
rejet d'eau au moment de
UN)
C)
d'échantillonnage, connue sous le nom de courbe d'évaluation des
sédiments pour chaque station de jaugeage. Les données mensuelles de la
période 2001 à 2007 ont été utilisées pour l'étalonnage du modèle avec une
période de préchauffage d'un an.
2.6. Calibrage du modèle
L'auto-étalonnage a été effectué à l'aide du programme d'incertitude
d'étalonnage SWAT (SWAT-CUP; Abbaspour et al., 2007a) utilisant
l'algorithme d'ajustement d'incertitude séquentiel (SUFI-2) (Abbaspour
et al., 2004, 2007b). SUFI-2 prend en compte toutes les sources
d'incertitudes ; par exemple, la structure du modèle, l'erreur des
données d'observation et l'entrée du modèle. Une description
détaillée de la procédure est donnée dans Abbaspour et al. (2007b). Le
modèle a été calibré simultanément pour le débit fluvial et le
rendement en sédiments. Pour l'étalonnage, 14 paramètres de débit
et 9 paramètres de rendement en sédiments ont été
519
 EL-SADEK et İRVEM / Turk J Agric pour

Tableau 1.Répartition de la couverture terrestre pour la zone d'étude basée sur les classes GLCC et les classes de couverture terrestre modifiées du niveau I d'Anderson.

Classes de couverture terrestre modifiées du

Code Taper Code SWAT % du bassin versant
niveau I d'Anderson

100 Terrain urbain ou bâti Terrains urbains et bâtis URBAIN 0,12

211 Zones arides et pâturages Terres CRDY 10.61

212 cultivées et pâturages irrigués Terres CRIR 3,79

Terre agricole
280 cultivées/prairies en mosaïque Terres CRGR 21.72

290 cultivées/boisées en mosaïque CRWO 9.56

311 Prairie GRAS 41,99

321 Arbustes SHRB 1,85

Parcours
330 Savane mixte arbustive/ MIGS 0,37
332 prairie SAVA 8.31
411 Forêt de feuillus feuillus Forêt FODB 0,01
422 Forêt sempervirente de feuilles en OFEV 0,47
430 aiguilles Forêt mixte FOMI 0,69
500 Eau Plans d'eau WATB 0,34
810 Toundra boisée TUWO 0,15
Toundra
850 Toundra mixte TUMI 0,02

Tableau 2.Répartition de la couverture terrestre pour la zone d'étude basée sur les classes GlobCover et les classes de couverture terrestre modifiées du niveau I d'Anderson.

Couverture terrestre modifiée ÉCRASER % de la

Code Taper
cours d'Anderson niveau I code bassin versant

Surfaces artificielles et zones associées

190 Terrain urbain ou bâti URBAIN 0,06
(zones urbaines >50%)

14 Cultures pluviales CRDY 4.22

Terres cultivées en mosaïque (50 à 70 %) / végétation (prairies/
20 AGRR 16h41
Terre agricole broussailles/forêt) (20 à 50 %)

Végétation en mosaïque (prairies/arbrisseaux/forêts) (50 % à

30 CRGR 36.31
70 %) / terres cultivées (20 % à 50 %)

Forêt ou broussailles en mosaïque (50 à 70 %) / prairies

110 MISG 5h35
(20 à 50 %)

Prairies mosaïques (50 à 70 %) / forêt ou broussailles

120 Parcours MIGS 1,89
(20 à 50 %)

Arbustes fermés à ouverts (> 15 %) (à feuilles larges ou

130 SHRB 14.5
en aiguilles, persistants ou caducs) (< 5 m)

50 Forêt fermée (>40 %) de feuillus feuillus (>5 m) FRSD 0,30

70 Forêt sempervirente fermée (> 40 %) à feuilles en aiguilles (> 5 m) FRSE 9.58
Forêt
Forêt mixte fermée à ouverte (> 15 %) de
100 FRST 0,64
feuillus et d'aiguilles (> 5 m)

150 Végétation clairsemée (<15%) BSVG 8.10

Terre stérile
200 Zones dénudées NU 2.08
210 Eau Plans d'eau WATB 0,55

520
 EL-SADEK et IRVEM / Turk J Agric Pour

Tableau 3.Répartition de la couverture terrestre pour la zone d'étude basée sur les classes de couverture terrestre CORINE et les classes de couverture terrestre modifiées du niveau I
d'Anderson.

CTC Classes de couverture terrestre modifiées % de la

Type (niveau 3) Code SWAT
Code du niveau I d'Anderson bassin versant

111 Tissu urbain continu Tissu urbain URHD 0,05

112 discontinu Unités industrielles ou URL 0,62
121 commerciales Aéroports UCOM 0,1
124 UTRN 0,03
Terrain urbain ou bâti
131 Sites d'extraction minière UIDE 0,08
133 Chantiers de construction URLD 0,04
141 Zones urbaines vertes GRUR 0
142 Installations sportives et de loisirs FESC 0,05
211 Terres arables non irriguées CRDY 11h77

212 Terres irriguées en permanence AGRC 6.04

221 Vignobles GRAP 0,07
222 Terre agricole Arbres fruitiers et plantations de ORCD 0,43
231 petits fruits PASSÉ 0,91
242 Des modèles de culture complexes AGRL 5.24
243 Agriculture mixte et végétation naturelle CRGR 11.5
321 Prairies naturelles RNGE 13.23
Parcours
324 Arbuste boisé de transition SHRB 11h55

311 Forêt de feuillus (feuillus) Forêt FRSD 0,7

312 Forêt de conifères (sempervirentes) FRSE 8.21
313 Forêt mixte FRST 4,93
331 Plages, dunes, sables BESU 0,06
332 Terre stérile Rochers nus NU 5.09
333 Zones peu végétalisées BSVG 18h44

411 Marais intérieurs WEHB 0,04

511 Cours d'eau WATC 0,06
512 Eau Plans d'eau WATB 0,75
521 Lagons côtiers WTCL 0
522 Estuaires WATM 0

optimisé pour obtenir le meilleur ajustement entre le débit mensuel R.2décrit le degré de colinéarité entre les données
simulé et mesuré et le rendement en sédiments, comme indiqué dans simulées et mesurées et décrit la proportion de la variance
le tableau 4, qui montre les paramètres sélectionnés avec leurs plages des données mesurées expliquée par le modèle. R.2varie de 0
d'étalonnage et leurs valeurs finales. à 1, les valeurs plus élevées indiquant une moindre variance
2.7. Évaluation du modèle
d’erreur.
Pour évaluer les performances du modèle et comparer les 7/ nje=1(O –O)
je (P –P)je 2 UN
R 2= , (4)
résultats simulés aux résultats observés, 4 mesures statistiques
7/Ônje=1( je–O)A7/n (P.
2
je=1
je
2
–P)UN
ont été utilisées : le coefficient de détermination (R2), l'efficacité
de Nash – Sutcliffe (NSE) (Nash et Sutcliffe, 1970), le pourcentage où P sontjeles valeurs prédites, O sont les valeurs observées
je -
de biais (PBIAS ; Gupta et al., 1999) et le rapport d'écart type (SR) valeurs, n est le nombre total d'observations, O est la moyenne
-
de l'erreur quadratique moyenne (RMSE) de l'observation, des données observées, et P est la moyenne des valeurs prédites
collectivement appelés RSR. (équations (4) – (7)). données.

521
 EL-SADEK et İRVEM / Turk J Agric pour

UN)

B)

C)

Figure 3.Cartes d'utilisation des terres issues des ensembles de données A) GLCC, B) GlobCover et C) CORINE.

522
 EL-SADEK et IRVEM / Turk J Agric Pour

Tableau 4.Liste des paramètres du modèle SWAT, leurs descriptions, plages d'étalonnage et valeurs de paramètres les mieux adaptées utilisées pour l'étalonnage du débit fluvial et du
rendement en sédiments.

Plage d'étalonnage Valeurs ajustées

Paramètres Définition
Min. Min. GLCC GlobCover CORINE

Flux de flux

ALPHA_BF Facteur alpha du débit de base (jours) 0 1 0,12 0,11 0,11

Ch_K2 Conductivité hydraulique effective du canal (mm h-1) 0 150 131,8 101,79 103,9

Ch_N2 Coefficient d'effectif pour le canal principal 0,01 0,3 0,11 0,15 0,17

CN2* Numéro de courbe SCS pour la condition d'humidité II – 50 50 14.51 10.05 17.63

ESCO Facteur de compensation de l'évaporation du sol 0 1 0,97 0,99 0,59

GW_DELAY Retard des eaux souterraines (jours) 0 500 477.4 312.63 207.1

GW_REVAP Coefficient de régénération des eaux souterraines 0,02 0,2 0,2 0,14 0,12

Profondeur seuil d'eau dans l'aquifère peu profond nécessaire pour que
GWQMN 0 5000 1204 97.64 1949
l'écoulement de retour se produise (mm)

Profondeur seuil d'eau dans l'aquifère peu profond

REVAPMN 0 500 232 265 312
nécessaire à la refonte (mm)

SOL_AWC* Capacité en eau disponible de la couche de sol (mm mm-1) – 50 50 50 – 21h48 – 14h62

SOL_K* Conductivité hydraulique saturée du sol (mm h-1) – 50 50 37,77 49.57 11.3

SOL_Z* Profondeur de la surface du sol au fond de la couche (mm) – 50 50 – 50 – 49,79 – 20h77

OV_N* Rugosité d'Overland Manning 0 0,8 0,17 0,39 0,28

HRU_SLP* Inclinaison moyenne de la pente (mm-1) – 20 20 6,72 12h48 3.42

Sédiment

USLE_K Facteur d’érodabilité du sol en USLE 0 0,65 0,22 0,18 0,16

Paramètre linéaire pour calculer le cheminement des sédiments du

SPCON 0,0001 0,01 0,009 0,003 0,009
canal

Paramètre d'exposant pour calculer le cheminement des

SPEXP 1 1,5 1.08 1,37 1.17
sédiments du canal

CH_EROD Facteur d'érodabilité du canal 0 1 0,24 0 0,34

CH_COV Facteur de couverture des canaux 0 1 0,88 0,88 0,05

USLE_P Paramètre de prise en charge de l'équation USLE 0 1 0,48 0,008 0,006

FRP Facteur d’ajustement du débit de pointe pour le transport des sédiments 0 2.0 0,11 0,58 0,96

Valeur minimale du facteur USLE C applicable à la couverture du

USLE_C 0,001 0,5 0,12 0,29 0,26
terraineuh/usine

Facteur d’ajustement du débit de pointe pour le transport des sédiments

ADJ_PKR 0,5 2 1,61 1.24 0,93
dans le sous-bassin(chenaux affluents)

Type de changement : * = changement relatif, tous les autres paramètres ont un changement absolu.

523
 EL-SADEK et İRVEM / Turk J Agric pour

NSE, compris entre –∞ et 1, mesure le pouvoir prédictif du modèle
hydrologique et dans quelle mesure le graphique de la valeur
observée par rapport à la valeur simulée correspond à la ligne 1:1. La
valeur de NSE = 1 correspond à une correspondance parfaite entre les
données prédites et observées, tandis que les valeurs ≤ 0 indiquent
que la valeur moyenne observée est un meilleur prédicteur que la
valeur simulée (Moriasi et al., 2007).
Moriasi et coll. (2007) suggèrent que NSE, PBIAS et RSR sont
de meilleures statistiques quantitatives pour évaluer les
performances du modèle. Ils ont également examiné la plage de
valeurs de ces statistiques et ont dérivé les évaluations de
performance qualitatives correspondantes. Ils ont conclu que la
simulation du modèle pour le débit mensuel est satisfaisante si
0,5 < NSE ≤ 0,65, 0,60 < RSR ≤ 0,70 et ±15 ≤ PBIAS < ±25.
Cependant, il est satisfaisant pour le rendement en sédiments si

/ n
(Ô je–O) –/ 2
n (P. je –O je)
2 ±30 ≤ PBIAS < ±55 avec les mêmes valeurs pour NSE et RSR.
SNG= je=1 je=1
, (5) tel que rapporté pour le débit. D'autres études ont suggéré
/ n
je=1
(Ôje–O)
2
qu'un R2une valeur supérieure à 0,5 est considérée comme acceptable
(Santhi et al., 2001 ; Van Liew et al., 2003)
Le PBIAS mesure le pourcentage d’écart entre les données
simulées et observées. Un PBIAS négatif indique que les valeurs 3. Résultats

simulées sont supérieures aux valeurs observées (surestimation 3.1. Comparaison des ensembles de données sur la couverture terrestre

du biais du modèle) et un PBIAS positif indique que les valeurs La distribution des 3 ensembles de données sur la couverture terrestre au
simulées sont inférieures aux valeurs observées (sous-estimation sein des 7 classes Anderson a été analysée pour déterminer l'accord. Nos
du biais) (Gupta et al., 1999). résultats montrent que le bassin versant était dominé par les terres
agricoles pour les jeux de données GlobCover et CORINE (56,97 % et 35,89

/ n (O –Pje) *100
je
%, respectivement) ; cependant, la dominante
PBIAS = >
1
H,
je= / n
je=1
(Ô je)
(6) la couverture terrestre selon le GLCC est constituée de terres de parcours (52,52 %)

et les terres agricoles représentent 45,68 %, comme le montre le tableau 5.

RSR est un indice d'erreur couramment utilisé qui est calculé
comme un rapport entre le RMSE et l'écart type des données
mesurées. La valeur RSR varie de la valeur optimale de 0, qui
indique 0 RMSE ou variation résiduelle et une simulation parfaite
du modèle, à une grande valeur positive. Plus le RSR est bas,
meilleures sont les performances du modèle.
Un pourcentage plus élevé de parcours pour l'ensemble de données GLCC
est dû au fait qu'une vaste zone est identifiée comme prairie (41,99 %),
comme le montre le tableau 1. Cela suggère que les terres stériles dans les
ensembles de données GlobCover et CORINE, qui représentent
respectivement 10,18 % et 23,54 %, ont été classés comme superficie de
prairies dans l'ensemble de données GLCC.
Une autre différence entre les ensembles de données sur la
couverture terrestre est la superficie des terres forestières, qui occupe

RMSE 8/ n
je=1
(Ô je –P. je)B
2 10,52 % et 13,84 % de la superficie totale pour GlobCover et CORINE.
= , (7) respectivement ; cependant, il n'en occupe que 1,17% selon
RSR = STDEV obs.
8/ n
je=1
(Ô je–O)B
2
GLCC. Les ensembles de données sur la couverture terrestre s'accordaient
généralement sur la taille de la classe de masse d'eau, qui occupait
où STDEV obs.
est l'écart type de l'observation respectivement 0,34 %, 0,55 % et 0,85 % pour les ensembles de données
valeurs. GLCC, GlobCover et CORINE. Il manque 2 classes de couverture terrestre

Tableau 5.Représentation des classes d'utilisation des terres/couverture des terres d'Anderson de niveau I dans chacun des ensembles de données sur la couverture terrestre.

Classes de couverture terrestre modifiées du niveau I d'Anderson GLCC Couverture Glob CORINE

Terrain urbain ou bâti (1) 0,12 0,06 0,97

Terrain agricole (2) 45,68 56,94 35,89

Parcours (3) 52.52 21.74 24h78

Terrain forestier (4) 1.17 10.52 13.84

Eau (5) 0,34 0,55 0,85

Terre aride (7) – 10.18 23h59

Toundra (8) 0,17 – –

Les chiffres entre parenthèses représentent les codes d'occupation du sol.

524
 EL-SADEK et IRVEM / Turk J Agric Pour
à partir de certains ensembles de données. La classe toundra dans
l'ensemble de données GLCC représente 0,17 % de la superficie du bassin
versant ; cependant, cette classe n'a pas été incluse dans les autres
ensembles de données. Les terres à végétation clairsemée et stériles
couvraient respectivement une superficie de 10,18 % et 23,59 % de la
superficie du bassin versant selon GlobCover et CORINE, mais n'étaient pas
représentées dans le bassin versant selon le GLCC.
3.2. Calibrage du modèle
3.2.1. Sortie Streamflow
Le tableau 6 répertorie les valeurs des mesures
statistiques pour les performances du modèle. La figure 4
présente la comparaison entre le débit mensuel simulé et
mesuré pour la période d'étalonnage de 2001 à 2007.
Les débits mensuels simulés et observés correspondaient bien au
cours de la période d'étalonnage avec de bonnes valeurs NSE de 0,73,
0,71 et 0,68 pour les ensembles de données GLCC, GlobCover et
CORINE, respectivement. Le R2les valeurs de la simulation mensuelle
du débit lors de l'étalonnage étaient respectivement de 0,76, 0,73 et
0,69 pour les ensembles de données GLCC, GlobCover et CORINE. Le
NSE et R2les valeurs indiquent que le modèle a fonctionné légèrement
mieux lorsque le GLCC a été utilisé comme source d'informations sur
la couverture terrestre que lorsque les ensembles de données
GlobCover et CORINE ont été utilisés, ce qui indique que la sensibilité
de la modélisation SWAT des ensembles de données LULC avec
différentes résolutions de données spatiales et temporelles est très
faible. pour la simulation du débit.
Selon Moriasi et al. (2007), en considérant le PBIAS,
l’ampleur moyenne des valeurs mensuelles simulées du débit
fluvial se situait dans une très bonne fourchette (PBIAS <±10)
avec des valeurs de 1,07 %, 2,52 % et –0,495 % pour les
ensembles de données GLCC, GlobCover et CORINE,
respectivement. Pour RSR, il n'y avait aucune différence
(0,523, 0,537 et 0,562) entre les ensembles de données GLCC,
GlobCover et CORINE, respectivement, et ils sont jugés bons
selon Moriasi et al. (2007). Inspection visuelle de la
comparaison entre le débit mensuel simulé et observé
Tableau 6.Statistiques de comparaison entre le débit mesuré et simulé.
Statistiques d'évaluation
Ensemble de données sur la couverture terrestre
R.2 SNG
Flux de flux
GLCC 0,76 0,73
COUVERTURE GLOBALE 0,73 0,71
CORINE 0,69 0,68
R.2= le coefficient de détermination, NSE = efficacité de Nash – Sutcliffe,PBIAS = pourcentage de biais, RSR = RMSE – SR.
(Figure 4) montre que le modèle a simulé de manière adéquate le
débit pendant toute la période de simulation et a capturé tous les pics,
à l'exception d'avril 2002, au cours duquel le débit simulé a été sous-
estimé à près de la moitié du débit observé (405,13 m3s-1) pour tous les
ensembles de données sur la couverture terrestre utilisés.
3.2.2. Simulation de sédiments
L'effort d'étalonnage a considérablement amélioré la précision de la prévision du
rendement en sédiments du modèle, en particulier lorsque l'ensemble de
données GlobCover a été utilisé. Le modèle a été calibré pour le rendement
mensuel en sédiments à l'aide des paramètres répertoriés dans le tableau 4. Les
statistiques du modèle SWAT calibré pour le rendement mensuel en sédiments
sont présentées dans le tableau 6. Sur la base des valeurs NSE, le modèle a simulé
le rendement sédimentaire de manière satisfaisante avec un rendement
légèrement meilleur. précision en utilisant l'ensemble de données GlobCover par
rapport aux ensembles de données GLCC et CORINE. La valeur mensuelle NSE du
rendement en sédiments était de 0,51 lorsque l'ensemble de données GlobCover
a été utilisé, tandis que les valeurs NSE des ensembles de données de couverture
terrestre GLCC et CORINE étaient respectivement de 0,48 et 0,45.
Selon les évaluations qualitatives proposées par Moriasi et al.
(2007), les trois ensembles de données sur la couverture terrestre ont
donné des résultats similaires en ce qui concerne les autres mesures
statistiques ; par exemple, les 3 ensembles de données ont produit
des valeurs PBIAS comprises dans la plage de bonnes (15±≥ PBIAS <±
30), RSR satisfaisant dans la plage 0,60 < RSR ≤ 0,7, et R2valeurs > 0,5
(tableau 6). Les valeurs négatives du PBIAS indiquent que le
rendement en sédiments a été surestimé. La figure 5 montre la
comparaison entre le rendement mensuel en sédiments simulé et
observé. Le débit fluvial et le rendement en sédiments sont fortement
corrélés ; c'est-à-dire que des pics de débit mensuels élevés sont
associés à une charge sédimentaire élevée. Le modèle a pu simuler le
pic de sédiments pendant la majeure partie de la période de
simulation, à l'exception d'avril 2002 et mars 2004, sans différences
dues à l'utilisation de différents ensembles de données sur la
couverture terrestre, ce qui peut s'expliquer en partie par la sous-
prévision du débit pour ces 2 mois.
PBIAS RSR R.2 SNG PBIAS RSR
Sédiment
1.07 0,523 0,52 0,48 – 21h69 0,626
2,52 0,537 0,52 0,51 – 12.21 0,608
– 0,495 0,562 0,50 0,46 – 18h15 0,637
525
 EL-SADEK et İRVEM / Turk J Agric pour

450
400
350 un
300

Débit (m3/s)
250
200
150
100
50
0

Mois

450
400
350 b
300
Débit (m3/s)

250
200
150
100
50
0

Mois
450
400
350 c
300
Débit (m3/s)

250
200
150
100
50
0

Mois
Graphique 4.Comparaison entre le débit mensuel simulé (ligne continue) et observé (ligne
pointillée) à l'aide des ensembles de données A) GLCC, B) GlobCover et C) CORINE.

4. Discussion Les résultats suggèrent que le GLCC a simulé le débit

Les résultats montrent que la répartition de la couverture terrestre dans les
ensembles de données GlobCover et CORINE était principalement représentée par
4 grandes classes de couverture terrestre : les terres agricoles, les terres de
parcours, les terres forestières et les terres stériles. Dans l'ensemble de données
de couverture terrestre du GLCC, elle est représentée par seulement 2 classes
principales de couverture terrestre (terres agricoles et terres de parcours) en
raison de la résolution grossière (1 km), ce qui suggère que certaines classes de
couverture terrestre ont été combinées avec d'autres classes de couverture
terrestre. , c'est-à-dire des vergers/vignobles, à la végétation clairsemée et des
terres stériles. L'ensemble de données CORINE sur la couverture terrestre
contenait le plus grand nombre de classes de couverture terrestre correspondant
aux classes de couverture terrestre d'Anderson. Par exemple, la couverture
terrestre CORINE comporte davantage de classes classées comme terres urbaines
(8 classes), terres agricoles (9 classes) et eau (5 classes) qui sont incluses dans le
niveau I de couverture terrestre d'Anderson par rapport au GLCC et Ensembles de
données GlobCover.
mensuel avec plus de précision selon le NSE et le R.2
valeurs; cependant, la statistique PBIAS indique que l'ensemble de données
CORINE sur la couverture terrestre se classe au premier rang avec un PBIAS
légèrement meilleur par rapport aux 2 autres ensembles de données. Le
modèle n'a pas pu faire correspondre tous les pics avec le débit observé,
c'est-à-dire en avril 2002 et mars 2004, ce qui est principalement dû aux
différences dans les précipitations mesurées. Une évapotranspiration réelle
(ET) élevée au cours des mois d'avril 2002 et mars 2004, associée à des
précipitations mensuelles insuffisantes de 115 mm et 38,75 mm,
respectivement, pourrait être la raison d'une simulation inexacte du débit.
Cela a entraîné une réduction des valeurs NSE pour les placer dans la bonne
fourchette. Cependant, le modèle a réussi à capturer les pointes de faible
débit et le débit de base. En général, on peut conclure que la précision du
modèle n’a pas été grandement affectée par l’utilisation de différentes
sources de données sur la couverture terrestre pour simuler le débit du
bassin de la rivière Seyhan.

526
 EL-SADEK et IRVEM / Turk J Agric Pour

9h00E+05
8h00E+05
7h00E+05 un
6h00E+05

Sédiment (t)
5h00E+05
4h00E+05
3h00E+05
2h00E+05
1.00E+05
0.00E+00

Mois
9h00E+05
8h00E+05
7h00E+05 b
6h00E+05
Sédiment (t)

5h00E+05
4h00E+05
3h00E+05
2h00E+05
1.00E+05
0.00E+00

Mois

9h00E+05
8h00E+05
7h00E+05 c
6h00E+05
Sédiment (t)

5h00E+05
4h00E+05
3h00E+05
2h00E+05
1.00E+05
0.00E+00

Mois
Graphique 5.Comparaison entre les rendements mensuels de sédiments simulés (ligne continue) et
observés (ligne pointillée) à l'aide des ensembles de données A) GLCC, B) GlobCover et C) CORINE.

Les résultats non calibrés ont révélé que la production mensuelle
de sédiments était gravement surestimée pendant les mois d'hiver
pendant la saison des pluies ; cependant, elle a été sous-estimée
pendant les mois d'été, lorsqu'il n'y a pas de précipitations ; c'est-à-
dire que tous les NSE pour les 3 modèles étaient négatifs. Le
rendement en sédiments observé obtenu à partir de l'EIE a été estimé
en utilisant l'approche de la courbe d'évaluation des sédiments, qui est
essentiellement contrôlée par une relation débit de sédiments en
suspension/débit. Cependant, le modèle SWAT simule non seulement
la charge de sédiments en suspension (particules de matériau de fond
plus petites), mais également la fraction de charge de fond (particules
plus grosses transportées par glissement ou saltation), qui ensemble
sont connues sous le nom de charge de matériau de fond (Ndomba et
van Griensven, 2011). .
La charge de sédiments non calibrés la plus élevée était
associée à l'utilisation de la couverture terrestre GLCC, suivie de
GlobCover et enfin de l'ensemble de données CORINE. Deux
des raisons peuvent donner une explication à cela. La première raison
est expliquée par Muleta et al. (2007) et FitzHugh et Mackay (2000), qui
ont rapporté que l'augmentation du nombre de HRU diminue la
superficie moyenne des HRU et diminue par la suite le terme de
ruissellement dans l'équation MUSLE. Cela diminue le rendement en
sédiments générés. De l'équation. (3), le changement de débit
maximal est principalement contrôlé par le changement de la zone
HRU, indiquant le changement lent du temps de concentration en
raison du changement de la zone HRU. La deuxième raison est que la
majorité du type de terre du GLCC est occupée par des parcours (52,52
%) et des terres agricoles (45,68 %) avec une très faible proportion de
forêt ; par conséquent, ce modèle de couverture terrestre se traduit
par un rendement en sédiments très élevé. Les jeux de données
GlobCover et CORINE contiennent une partie importante de forêt, ce
qui a entraîné une légère diminution du rendement en sédiments.
L'influence des changements de type de couverture terrestre sur le
débit fluvial et les sédiments est présentée par Yan et al.

527
 EL-SADEK et İRVEM / Turk J Agric pour
(2013). Ils ont constaté que le débit du bassin versant supérieur de Du
en Chine est fortement affecté par les changements intervenus dans
les terres agricoles, les forêts et les zones urbaines entre 1978 et 2007
avec des coefficients de régression de 0,232, –0,147 et 1,256,
respectivement, et une influence variable sur la projection. (VIP)
valeurs supérieures à 1. Cependant, le rendement en sédiments est
principalement influencé par les changements dans les terres
agricoles (avec un VIP et un coefficient de régression de 1,762 et
14,343, respectivement) et des forêts (avec un VIP et un coefficient de
régression de 1,517 et –7,746, respectivement).
Les faibles performances du modèle en matière de charge
sédimentaire pour les différents ensembles de données sur la
couverture terrestre peuvent être liées à l'utilisation de la simple
équation MUSLE pour l'estimation des sédiments dans le modèle
SWAT. Le modèle suppose que tout le sol érodé par le ruissellement
sera déversé dans le canal, ignorant le processus de dépôt de
sédiments dans le bassin versant de surface (Oeurng et al., 2011). De
plus, nous n'avons pas reçu suffisamment d'informations sur les
sédiments et les structures de contrôle de l'érosion, ce qui pourrait
expliquer la faible charge de sédiments observée à la station de
jaugeage par rapport aux résultats du modèle.
UN)
Graphique 6.Changements dans la couverture terrestre pour les années A) 1990-2000 et B) 2000-2006 dans le bassin de la rivière Seyhan. (Les chiffres sont produits à partir des cartes
CORINE de changement de couverture terrestre 1990-2000 et 2000-2006.)
528
En conclusion, les résultats de simulation ne montrent pas de différences
significatives en utilisant des ensembles de données sur la couverture terrestre
avec des détails spatiaux et temporels différents pour les simulations
d'écoulement fluvial et de sédiments. Cela conduit à l'idée qu'un ensemble de
données très détaillé, comme CORINE, ne fournit pas nécessairement les
meilleurs résultats ; en outre, des informations importantes pourraient être
perdues en raison de l'agrégation des principales classes de couverture terrestre
(Romanowicz et al., 2005). Les différents ensembles de données sur la couverture
terrestre ont eu peu d’impact car les conditions de couverture terrestre ont peu
changé au cours de la période d’étude. Pour contribuer davantage à la
compréhension du changement de couverture terrestre dans le bassin, la
détection des changements de couverture terrestre a été effectuée à l'aide des
cartes CORINE de changement de couverture terrestre pour les années 1990-2000
et 2000-2006 (Figure 6). Ces données montrent que la proportion de la superficie
ayant connu un changement de couverture terrestre au cours de la période
1990-2000 était de 2,63 % de la superficie totale du bassin, et de 1,03 % sur la
période 2000-2006.
Des améliorations des prévisions de charge de sédiments pourraient
être possibles grâce à de meilleures informations sur les pratiques agricoles
et de gestion telles que le pâturage, le travail du sol et l'irrigation, de
concert avec un enregistrement plus long d'échantillonnage de sédiments.
Cela améliorera le modèle SWAT pour fournir
B)
 EL-SADEK et IRVEM / Turk J Agric Pour
une meilleure compréhension des sources et des puits potentiels de
sédiments. Nous suggérons que davantage d'études puissent être menées
pour examiner l'effet de la mise en œuvre des meilleures pratiques de
gestion structurelles et non structurelles, c'est-à-dire les terrasses de
niveau, les bandes tampons végétalisées le long des cours d'eau, des
étangs et des structures de stabilisation du niveau sur le débit et la charge
de sédiments dans la rivière. En outre, des recherches plus approfondies
sont nécessaires pour évaluer les différents ensembles de données sur la
couverture terrestre dans des conditions de changement important de la
couverture terrestre et pour étudier l'effet de ces ensembles de données
sur l'estimation d'autres paramètres de qualité de l'eau tels que l'azote total
et le phosphore total.
Les références
Abbaspour KC, Johnson CA, van Genuchten MT (2004). Estimation
paramètres d'écoulement et de transport incertains à l'aide d'une procédure
d'ajustement d'incertitude séquentielle. Zone Vadose J 3 : 1340-1352.
Abbaspour KC, Vejdani M, Haghighat S (2007a). SWATCUP
programmes d’étalonnage et d’incertitude pour SWAT. Dans :
Oxley L, Kulasiri D, éditeurs. Actes MODSIM 2007 du Congrès
international sur la modélisation et la simulation, Société de
modélisation et de simulation d'Australie et de Nouvelle-
Zélande, décembre 2007 ; Melbourne, Australie, pp. 1603-1609.
Abbaspour KC, Yang J, Maximov I, Siber R, Bogner K, Mieleitner
J, Zobrist J, Srinivasan R (2007b). Modélisation de l'hydrologie et de la
qualité de l'eau dans le bassin versant préalpin ⁄ alpin de la Thur à l'aide de
SWAT. J Hydrol 333 : 413-430.
Acar A, Diner I (2005). Conception du talus amont gauche pour le Catalan
Barrage, Adana, Turquie et son comportement sous charge sismique
réelle. Eng Geol 82 : 1–11.
Anderson JR, Hardy EE, Roach JT, Witmer RE (1976). Une utilisation du sol
et un système de classification de la couverture terrestre à utiliser avec les données de
capteurs à distance. Reston, VA, États-Unis : USGS Professional Paper 964.
Arino O, Gross D, Ranera F, Leroy M, Bicheron P, Brockmann C,
Defourny P, Bourg L, Latham J, Di Gregorio A et al. (2007). GlobCover :
service ESA pour la couverture mondiale des terres de MERIS. Dans :
Actes du Symposium international de géoscience et de télédétection
de l'IEEE. IEEE, pages 2412 à 2415.
Arino O, Ramos, J, Kalogirou, V, Defourny, P, Achard, F (2010).
GlobCover 2009, Actes du Symposium Living Planet
SP-686, juin 2010.
Arnold JG, Moriasi DN, Gassman PW, Abbaspour KC, White MJ,
Srinivasan R, Santhi C, Harmel RD, van Griensven A, Van Liew
MW et al. (2012). SWAT : Utilisation, calibrage et validation du
modèle, T ASABE 55 : 1491–1508.
Cai T, Li Q, Yu M, Lu G, Cheng L, Wei X (2012). Enquête sur le
impacts du changement d'affectation des terres sur les caractéristiques de rendement en
sédiments dans le bassin supérieur de la rivière Huaihe, en Chine. Phys Chem Terre
53-54 : 1-9.
Remerciements
Cette recherche a été financée par une bourse de recherche
postdoctorale du Conseil de recherche scientifique et
technologique du Département des sciences de Turquie
(TÜBİTAK – BIDEB). Des remerciements particuliers vont à
Max Bleiweiss (directeur du Centre de télédétection appliquée
à l'agriculture, à la météorologie et à l'environnement
(CARSAME) et chercheur agricole au Département
d'entomologie, de phytopathologie et de lutte contre les
mauvaises herbes, Université d'État du Nouveau-Mexique)
pour ses précieuses suggestions. et aider à la révision
éditoriale de la langue de l'article.
Candela C, Freni G, Mannina G, Viviani G (2012). Recevoir de l'eau
évaluation de la qualité corporelle : une approche mathématique intégrée
appliquée à une étude de cas italienne. J Hydroinform, 14 : 30-47.
Chaplot V, Saleh A, Jaynes D, Arnold J (2004). Prédire l'eau,
charges de sédiments et de NO -N selon des scénarios d'utilisation des terres et
3
de pratiques de gestion dans un bassin versant plat. Sondage eau-air-sol 154 :
271-293.
Chen PY, Di Luzio M, Arnold JG (2005). Évaluation spatiale de deux
ensembles de données sur la couverture terrestre largement utilisés sur la zone continentale des
États-Unis. IEEE T Geosci Remote 43 : 2396-2404.
Cotter AS, Chaubey I, Costello TA, Soerens TS, Nelson MA (2003).
Incertitude des résultats du modèle de qualité de l’eau affectée par la résolution
spatiale des données d’entrée. J Am Water Resour Assoc. 39 : 977–986.
De Girolamo AM, Lo Porto A (2012). Développement de scénarios d’utilisation des terres
comme outil de gestion des bassins versants du bassin du Rio Mannu. Politique
d'aménagement du territoire 29 : 691-701.
Eidenshink JC, Faundeen JL (1994). Le territoire mondial AVHRR de 1 km
ensemble de données : premières étapes de mise en œuvre. Int J Remote Sens
15 : 3443-3462.
FitzHugh TW, Mackay DS (2000). Impacts spatiaux des paramètres d’entrée
agrégation sur un modèle de pollution agricole de source
diffuse. J Hydrol 236 : 35-53.
Vert WH, Ampt G (1911). Etudes sur la physique des sols 1 : l'écoulement de l'air
et arroser à travers les sols. J Agr Sci 4 : 1–24.
Gupta HV, Sorooshian S, Yapo PO (1999). Statut automatique
calibration des modèles hydrologiques : comparaison avec la calibration
experte multiniveau. J Hydrol Eng. 4 : 135-143.
Huang J, Zhou P, Zhou Z, Huang Y (2013). Évaluer l'influence
d'ensembles de données sur l'utilisation des terres et la couverture terrestre avec
différents moments et niveaux de détail sur la modélisation des bassins versants dans le
bassin versant de la rivière du Nord, en Chine. Int J Environ Res Santé publique 10 :
144-157.
Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB (2007). Le TRMM
analyse des précipitations multisatellites (TMPA) : estimations des précipitations
quasi globales, pluriannuelles, à l'aide de capteurs combinés, à des échelles fines.
J Hydrométéorole 8 : 38–55.
529
 EL-SADEK et İRVEM / Turk J Agric pour
Irvem A, Topaloğlu, F, Uygur, V (2007). Estimation spatiale
répartition de la perte de sol sur le bassin de la rivière Seyhan en Turquie. J
Hydrol 336 : 30-37.
Koch S, Bauwe A, Lennartz B (2013). Application du SWAT
modèle pour un bassin versant de plaine drainé par des tuyaux dans le nord-est
de l'Allemagne à l'échelle d'un sous-bassin. Gestion des ressources en eau 27 :
791-805.
Lin YP, Hong NM, Wu PJ, Wu CF, Verburg PH (2007). Impacts de
scénarios de changement d'affectation des terres sur l'hydrologie et les modèles
d'utilisation des terres dans le bassin versant de Wu-Tu, dans le nord de Taiwan. Plan
d'urbanisme paysager 80 : 111-126.
Loveland TR, Reed BC, Brown JF, Ohlen DO, Zhu J, Yang L, Merchant
JW (2000). Développement d'une base de données mondiale sur les
caractéristiques de la couverture terrestre et IGBP DISCover à partir de données
AVHRR de 1 km. Int J Remote Sens 21 : 1303-1330.
Mbonimpa EG, Yuan Y, Mehaffey MH, Jackson MA (2012). ÉCRASER
application d'un modèle pour évaluer l'impact de la culture intensive
du maïs sur le ruissellement, les sédiments et la perte de phosphore
d'un bassin versant agricole du Wisconsin. J Water Res Prot
4 : 423-431.
Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD,
Veith TL (2007). Lignes directrices pour l’évaluation des modèles pour la
quantification systématique de la précision des simulations de bassins versants.
TASABE 50 : 885–900.
Muleta M, Nicklow J, Bekele E (2007). Sensibilité d'un distribué
modèle de simulation de bassin versant à l’échelle spatiale. J Hydrol Eng. 12 :
163-172.
Nash JE, Sutcliffe JV (1970). Prévision du débit des rivières à travers
modèles conceptuels. Partie 1 : discussion des principes. J Hydrol
10 : 282-290.
Nasr A, Bruen M, Jordan P, Moles R, Kiely G, Byrne P (2007). UN
comparaison de SWAT, HSPF et SHETRAN/GOPC pour la modélisation
des exportations de phosphore de trois bassins versants en Irlande.
Eau Res 41 : 1065-1073.
Ndomba PM, van Griensven A (2011). Adéquation du modèle SWAT
pour la modélisation des rendements en sédiments en Afrique de l'Est
Dans : Chen D, éditeur. Avancées des données, méthodes, modèles et leurs
applications en géosciences. Rijeka, Croatie : InTec, pp. 261-284.
Neilsen A, Trolle D, Me W, Luo L, Han BP, Liu Z, Olesen JE,
Jeppesen (2013). Évaluation des moyens de lutter contre l'eutrophisation
dans un réservoir d'eau potable chinois à l'aide de SWAT. Mar Freshwater
Res : 475–492.
Neitsch SL, Arnold, JG, Kiniry JR, Williams JR (2005). Sol et
Documentation théorique de l'outil d'évaluation de l'eau, version
2005. Temple, Texas, États-Unis : Service de recherche agricole et
Station d'expérimentation agricole du Texas.
Oeurng C, Sauvage S, Sanchez-Pérez J (2011). Évaluation de
hydrologie, rendement des sédiments et du carbone organique particulaire
dans un grand bassin versant agricole à l'aide du modèle SWAT. J Hydrol
401 : 145-153.
530
Afficher les statistiques de publication
Park JY, Park MJ, Joh HK, Shin HJ, Kwon HJ, Srinivasan R, Kim SJ
(2011). L'évaluation de MIROC3.2 prend en compte les impacts du changement climatique
et du changement de couverture terrestre du CLUE sur l'hydrologie des bassins versants à
l'aide de SWAT. TASABE 54 : 1713-1724.
Romanowicz AA, Vanclooster M, Rounsevell M, La Junesse I (2005).
Sensibilité du modèle SWAT à la paramétrisation des données sur le sol et
l'utilisation des terres : une étude de cas dans le bassin versant de Thyle,
Belgique. Modèle Ecol 187 : 27-39.
Santhi C, Arnold JG, Williams JR, Dugas WA, Srinivasan R, Hauck
LM (2001). Validation du modèle SWAT sur un grand bassin
fluvial avec sources ponctuelles et diffuses. J Am Water Resour
Assoc. 37 : 1169-1188.
Schuol J, Abbaspour KC, Yang H, Srinivasan R, Zhender AJB (2008).
Modélisation de la disponibilité des eaux bleues et vertes en Afrique. Ressource
en eau Res 44 : 1–18.
USDA-NRCS (2004). Partie du manuel national d'ingénierie du NRCS
630 : Hydrologie. Chapitre 10 : Estimation du ruissellement direct des
précipitations de tempête : hydraulique et hydrologie : références
techniques. Washington, DC, États-Unis : Service national de conservation
des ressources de l'USDA.
Van Liew MW, Arnold JG, Garbrecht JD (2003). Hydrologique
simulation sur bassins versants agricoles : Choix entre deux
modèles. TASAE 46 : 1539-1551.
Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V
(2002). Modélisation de la dynamique spatiale de l'utilisation du territoire
régional : le modèle CLUE-s. Environ Gérer 30 : 391–405.
Verburg PH, van Eck JR, de Hijs TC, Dijst MJ, Schot P (2004).
Détermination des modèles de changement d'utilisation des terres aux Pays-Bas.
Plan Environ B : Conception du plan 31 : 125-150.
Vu MT, Raghavan SV, Liong SY (2011). Simulation du débit d'un cours d'eau
sur des zones où les données sont rares – une application de données basées sur
Internet. Hydrol Earth Syst Sci Discuter 8 : 11015-11037.
Williams Jr (1975). Prédiction du rendement en sédiments avec universel
équation utilisant le facteur d’énergie de ruissellement. Dans : Technologie
actuelle et prospective pour prédire le rendement et les sources des
sédiments. Actes d'un atelier sur le rendement des sédiments, 28-30
novembre 1972 ; Oxford, MS, États-Unis. Laboratoire de sédimentation de
l'USDA, ARS-S-40.
Winchell M, Srinivasan R, Di Luzio M, Arnold JG (2009). ArcSWAT
2.3.4 Interface pour SWAT2005. Temple, Texas, États-Unis : Service des prairies,
des sols et de la recherche.
Yan B, Fang NF, Zhang PC et Shi ZH (2013). Impacts de l'utilisation des terres
changement sur le débit des bassins versants et le rendement en sédiments : une
évaluation utilisant la modélisation hydrologique et la régression des moindres
carrés partiels. J Hydrol 484 : 26-37.
Zhang P, Liu Y, Pan Y, Yu Z (2011). Optimisation du modèle d'utilisation des terres
basé sur les modèles CLUE-S et SWAT pour le contrôle de la
pollution agricole diffuse. Modèle Math Comput 58 : 588-595.
Zhou F, Xu Y, Chen Y, Xu CY, Gao Y, Du J (2013). Hydrologique
réponse à l'urbanisation à différentes échelles spatio-temporelles
simulée par couplage de CLUE-S et du modèle SWAT dans la région
du delta du fleuve Yangtze. J Hydrol 485 : 113-125.