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

* Correspondance : [email protected]
515
 EL-SADEK et İRVEM / Turk J Agric pour

Vu et coll. (2011) ont utilisé l'ensemble de données GLCC ainsi que d'autres Les charges de sédiments, d’azote et de phosphore total sont fortement affectées
ensembles de données basés sur Internet pour dériver le modèle SWAT par l’ensemble de données sur la couverture terrestre utilisé ainsi que par la
pour la simulation du débit de la rivière Da à travers les régions résolution spatiale de ces données. Par exemple, Huang et al. (2013) ont comparé
transfrontalières de la Chine et du Vietnam, Chen et al. (2005) ont comparé 3 types d'ensembles de données sur la couverture terrestre dérivés de l'imagerie
les résultats de la simulation SWAT de l'ensemble de données sur la satellitaire du mappeur thématique Landsat de 2007 et 2010 et d'une image ETM+
couverture terrestre du GLCC et les données nationales sur la couverture de 2002. Ils ont utilisé 3 catégories différentes de détails sur la couverture
terrestre sur la zone continentale des États-Unis, et Schoul et al. (2008) ont terrestre (10, 5, et 3) dans le modèle SWAT. Le modèle a été appliqué au bassin de
appliqué SWAT pour modéliser les eaux bleues et vertes de 1 496 sous- la rivière Jiulong en Chine. Leurs résultats ont montré qu'il y a relativement peu
bassins sur l’ensemble du continent africain. d'impact sur le débit quotidien et mensuel en utilisant les 3 ensembles de
En 2005, l'Agence spatiale européenne, en collaboration avec l'Agence données sur la couverture terrestre à différents niveaux de détail. Cependant, les
européenne pour l'environnement (AEE), l'Organisation pour l'alimentation charges d'ammoniac-azote (NH4+-N) et de phosphore total (TP) étaient fortement
et l'agriculture (FAO), l'Observation mondiale de la dynamique des forêts et affectées par le choix de l'ensemble de données sur la couverture terrestre. Les
de la couverture terrestre, le Programme international géosphère- différences relatives dans les prévisions mensuelles de NH4+–N à l’aide des
biosphère et le Centre commun de recherche (JRC) de la Commission ensembles de données LULC de 2007 et de 2010 étaient de −11,0 % et de −7,8 %
européenne. , et le Programme des Nations Unies pour l'environnement, par rapport à l’ensemble de données LULC de 2002, respectivement. Cependant,
ont développé le projet GlobCover (Arino et al., 2007), dont le but était de pour les charges mensuelles prévues de TP, elles étaient respectivement de -4,8 %
créer une carte de la couverture terrestre basée sur le spectromètre à -9,0 % en utilisant les deux ensembles de données LULC de 2007 et 2010 par
imageur à moyenne résolution d'Envisat (MERIS). La période couverte par rapport à celui de 2002. Cotter et al. (2003) ont également montré que le débit des
cet ensemble de données s'étend de janvier 2005 à juin 2006. Il a été publié cours d'eau n'est pas affecté de manière significative par la résolution des
en 2008 sous le nom de GlobCover 2005. Les données ont une résolution données sur la couverture terrestre ; cependant, les sédiments, NO –N et TP ont
spatiale de 300 m. Une deuxième version mise à jour des données a été été fortement affectés par la résolution de la couverture terrestre avec des erreurs

livrée en 2010. Sa carte de couverture terrestre est dérivée d'une relatives de 19 %, 11 % et 41 %, respectivement, lorsque les données de
3
classification automatique et adaptée au niveau régional d'une série couverture terrestre les plus grossières ont été utilisées (1 000 m) par rapport à la

chronologique de mosaïques mondiales MERIS en pleine résolution pour résolution de la couverture terrestre. Données de résolution 30 m.

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 Connu comme le plus long fleuve du pays qui se jette dans la
peuvent être téléchargées gratuitement depuis http://due.esrin.esa.int/ mer Méditerranée, le fleuve Seyhan est situé dans la région
globcover/. L'ensemble de données GlobCover a été utilisé pour fournir des méditerranéenne orientale de la Turquie et s'étend des
informations sur la couverture terrestre pour la modélisation SWAT du débit montagnes du Taurus au nord jusqu'à la mer Méditerranée au
et de la qualité de l'eau dans le réservoir de Kaiping, en Chine (Nielsen et al., sud. Le bassin compte 4 barrages le long de la rivière Seyhan et
2013). de ses affluents : le barrage Seyhan, le barrage Çatalan et le
La plus haute résolution sur la couverture terrestre qui existe barrage Nergizlik situés au sud du bassin et le barrage Bahçelik
pour l'Europe est la troisième version de l'ensemble de données au nord du bassin. Le lac du barrage de Çatalan a une capacité de
CORINE (CLC 2006 ; coordination des informations sur stockage de 2,1 km3avec une superficie de réservoir de 82 km2. Le
l'environnement) de données sur la couverture terrestre pour 2006 débit annuel moyen du barrage de Çatalan est de 163 m3s-1(Acar
(les versions précédentes concernaient 1990 et 2000) produit par l'AEE. et Dincer 2005). Le rendement moyen en sédiments mesuré pour
Les données couvrent la plupart des pays de l'UE et 13 pays la station numéro 1818 (30 km en amont du barrage de Çatalan),
partenaires d'Europe centrale et orientale, dont la Turquie. CLC 2006 a qui a une superficie contributive de 13 846 km2, soit 1,51 t ha-1
été réalisé à partir d'une combinaison d'images de 2 satellites (Spot année-1et la quantité totale de sédiments est de 2 090 746 t par an
4&5 français et IRS P6 indien) dans une couverture d'images satellite -1 (Irvem et al., 2007).
multitemporelles. Ces données couvrent 38 pays européens avec une Le modèle de bassin versant utilisé dans cette étude est SWAT. Les
résolution spatiale de 100 m (http://www.eea.europa.eu/data-and- données de couverture terrestre de SWAT sont utilisées en interaction avec
maps/data/corine-land-cover-2006-raster-2). De nombreuses études les données de sol et de terrain pour créer les unités de réponse
de recherche ont utilisé l'ensemble de données CORINE comme entrée hydrologique (HRU) qui sont utilisées pour évaluer les rendements en eau,
pour SWAT pour modéliser l'hydrologie des bassins versants en sédiments et en produits chimiques. Dans cette étude, nous décrivons
européens ; des exemples de telles études incluent Nasr et al. (2007) comment les données sur la couverture terrestre provenant de différentes
en Irlande, Candela et al. (2012) en Italie, et Koch et al. (2013) en sources peuvent affecter les résultats du modèle SWAT pour le bassin de la
Allemagne. rivière Seyhan. L'objectif de cette étude était de déterminer l'impact de
Les impacts relatifs des différents ensembles de données sur la couverture terrestre l'utilisation de 3 ensembles de données différents sur la couverture
sur le débit fluvial et le rendement en sédiments n'ont pas encore été suffisamment terrestre, à savoir GLCC, GlobCover et CORINE, qui sont différents en
décrits. De nombreuses études ont montré que le débit n'est pas fortement affecté ni par termes de période de temps représentée et de détails spatiaux sur le débit
l'origine de l'ensemble de données choisi ni par la résolution spatiale de l'ensemble de du cours d'eau et le rendement en sédiments du Seyhan. Bassin fluvial basé
données sur la couverture terrestre ; cependant, sur la simulation du modèle SWAT.

516
 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
 EL-SADEK et İRVEM / Turk J Agric pour

unités (HRU) qui comprennent des caractéristiques similaires d’utilisation des et radiomètre à réflexion - modèle numérique global d'élévation) a été
terres, de pente et de sol (Arnold et al., 2012). Les résultats du modèle incluent le obtenu pour la zone d'étude à partir de http://asterweb.jpl. nasa.gov/
ruissellement de surface, l'évapotranspiration, les eaux souterraines, l'écoulement gdem.asp, et la couche DEM est présentée dans la figure 2. L'ensemble de
latéral, les rendements en sédiments, en nutriments et en pesticides. données a été utilisé pour obtenir des informations sur les caractéristiques
Le ruissellement de surface peut être simulé en utilisant la topographiques du bassin versant : élévation, limite du bassin versant,
méthode des numéros de courbe du USDA Natural Resources chemin d'écoulement, superficie du sous-bassin, pente et élévation du
Conservation Service (USDA-NRCS, 2004) ou le modèle chenal de la rivière. . Huit années de données météorologiques
d'infiltration de Green et Ampt (Green et Ampt, 1911). quotidiennes (c'est-à-dire température minimale et maximale quotidienne,
L'évapotranspiration peut être estimée en utilisant la méthode rayonnement solaire, humidité relative et vitesse moyenne du vent) ont été
Hargreaves, Priestly-Taylor et/ou Penman-Monteith. Les eaux obtenues du National Climatic Data Center des États-Unis, résumé global de
souterraines, y compris la recharge des aquifères peu profonds et la journée pour la période de 2000 à 2007. Les données sont disponibles en
profonds, sont acheminées à l'aide de techniques empiriques et ligne sur ftp://ftp. ncdc.noaa.gov/pub/data/gsod/. Cependant, la mission de
analytiques dans le cadre du SWAT (Neitsch et al., 2005). Le cycle mesure des précipitations tropicales (produit 3B42) décrite dans Huffman et
hydrologique dans SWAT est basé sur l’équation du bilan al. (2007) a été utilisée comme source des données sur les précipitations
hydrique (équation (1)) : quotidiennes. Ces données ont une résolution spatiale de

SWt = SW 0+∑t(R-Q-E-W-Q,
jour un je = 1 le surf 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
oùLogicielest
t
la teneur finale en eau du sol (mm),Logicielest
0
la les données sur les sols ont été obtenues à partir du CD-ROM FAO/UNESCO
teneur initiale en sol et en eau (mm),test le temps (jours),R. est la
jour
Carte des sols du monde 2003 ; la carte des sols de notre zone d’étude est
quantité de précipitations du jour i (mm),Qest la quantitéle surf
de présentée à la figure 2.
ruissellement de surface par jourje(mm),Eest la quantité
un 2.4. Ensembles de données sur la couverture terrestre

d'évapotranspiration quotidienneje(mm),West la quantité d'eau infiltrer Trois sources d'ensembles de données sur la couverture terrestre ont été utilisées,
entrant dans la zone vadose à partir du profil du sol chaque jourje à savoir GLCC, GlobCover et CORINE. Les tableaux 1 à 3 et la figure 3 montrent la
(mm), etQest la quantité
gw
de flux de retour le jourje (mm). répartition des différentes classes de couverture terrestre de chaque ensemble de

données sur la zone d'étude et les codes de couverture terrestre SWAT

L'érosion est estimée à l'aide de l'équation universelle modifiée de correspondants qui ont été utilisés dans la simulation. Étant donné que chacun
perte de sol (MUSLE) (Williams, 1975 ; Neitsch et al., 2005), telle que des ensembles de données sur la couverture terrestre comporte un nombre
donnée par l'équation. (2) : 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,

Sed = 11,8(Q ×q ×zone ) 0,56
le surf culminer salut (2) 10 % pour le sol et 20 % pour la pente pour l'utilisation dominante du sol,
×K USLE ×C USLE ×P USLE × LSUSLE × CFRG, 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),
oùSédest le rendement en sédiments un jour donné [t],Q est le le surf ce qui révèle que le type de couverture terrestre le plus dominant est la prairie (42
volume de ruissellement de surface [mm ha-1],q culminer
est le sommet %). Pour l'ensemble de données GlobCover, les terres cultivées en mosaïque et la
taux de ruissellement [m3s-1] (équation (3)),zoneest la superficie d'une HRU classe de végétation sont les types d'utilisation des terres dominants (52,72 %).
salut

[ha],K
USLE
est le facteur d'érodabilité du sol USLE,C facteur
USLE
est le Cela a produit 519 HRU représentant 13 classes d'utilisation des terres (tableau 2).
de couverture du sol USLE,P. facteur,Lest la pratique de support USLE Il était évident que l’ensemble de données CORINE sur la couverture terrestre, qui
USLE
est le facteur de forme du terrain (pente et longueur de comporte le plus grand nombre de classes d’utilisation des terres (28), produirait
SUSLE
une pente), etCFRGest le facteur de fragment grossier. le plus grand nombre de HRU (595). Les types dominants de couverture terrestre
Le débit de ruissellement maximal dans le modèle SWAT est donné par sont les zones à végétation clairsemée (18,44%), les zones naturelles

un #q #A
q =
culminer
360#tc, (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

oùq culminer
est le débit de ruissellement maximal (m3s-1),qest le ruissellement (mm),
modifiant les fichiers utilisateur de sol et de couverture terrestre.
UNest la superficie HRU (ha),TCest le temps de concentration (h), et α Pour comparer plus facilement l'impact des différents ensembles de
est un paramètre sans dimension qui exprime la proportion des données sur la couverture terrestre sur les résultats du modèle, les
précipitations totales qui se produisent pendantTC. catégories de couverture terrestre de chaque ensemble de données ont été
2.3. Entrée SWAT classées selon le système bien établi de classification de l'utilisation des
Une interface SIG vers SWAT, ArcSWAT (Winchell et al., 2009), a terres et de la couverture terrestre d'Anderson (Anderson et al., 1976), tel
été utilisée pour automatiser le développement des paramètres que présenté. dans les tableaux 1 à 3. Le système comprend 9 catégories de
d'entrée du modèle. Un modèle numérique d'élévation de 30 m couverture terrestre (urbaine ou bâtie, agricole, parcours, forêt, eau, zones
d'ASTER-GDEM (Advanced Spaceborne Thermal Emission humides, aride, toundra et neige et glace pérennes), et

518
 EL-SADEK et IRVEM / Turk J Agric Pour

UN)

B) C)

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 d'échantillonnage, connue sous le nom de courbe d'évaluation des
comme les terres cultivées, les pâturages et les vignobles). sédiments pour chaque station de jaugeage. Les données mensuelles de la

2.5. Données observées période 2001 à 2007 ont été utilisées pour l'étalonnage du modèle avec une

Les données de débit mensuel moyen et l'apport mensuel total de période de préchauffage d'un an.

sédiments pour la station 1818 (37°22'50″Nord, 35°28'05″E) ont été 2.6. Calibrage du modèle
obtenus auprès de l’Administration d’enquête et de développement L'auto-étalonnage a été effectué à l'aide du programme d'incertitude
des ressources électriques de Turquie (EIE). La mesure du débit moyen d'étalonnage SWAT (SWAT-CUP; Abbaspour et al., 2007a) utilisant
journalier effectuée par l'EIE est calculée à partir de la courbe de l'algorithme d'ajustement d'incertitude séquentiel (SUFI-2) (Abbaspour
tarage de la station hydrométrique concernée. Cependant, et al., 2004, 2007b). SUFI-2 prend en compte toutes les sources
l'échantillonnage des sédiments en suspension (exprimé en ppm) est d'incertitudes ; par exemple, la structure du modèle, l'erreur des
collecté mensuellement par la méthode intégrée en profondeur à données d'observation et l'entrée du modèle. Une description
l'aide des équipements d'échantillonnage USDH-48 et USD-49. Les détaillée de la procédure est donnée dans Abbaspour et al. (2007b). Le
échantillons de sédiments en suspension sont ensuite utilisés pour modèle a été calibré simultanément pour le débit fluvial et le
développer une relation entre la charge sédimentaire (t jour-1) et le rendement en sédiments. Pour l'étalonnage, 14 paramètres de débit
rejet d'eau au moment de 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 Moriasi et coll. (2007) suggèrent que NSE, PBIAS et RSR sont
hydrologique et dans quelle mesure le graphique de la valeur de meilleures statistiques quantitatives pour évaluer les
observée par rapport à la valeur simulée correspond à la ligne 1:1. La performances du modèle. Ils ont également examiné la plage de
valeur de NSE = 1 correspond à une correspondance parfaite entre les valeurs de ces statistiques et ont dérivé les évaluations de
données prédites et observées, tandis que les valeurs ≤ 0 indiquent performance qualitatives correspondantes. Ils ont conclu que la
que la valeur moyenne observée est un meilleur prédicteur que la simulation du modèle pour le débit mensuel est satisfaisante si
valeur simulée (Moriasi et al., 2007). 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.

Un pourcentage plus élevé de parcours pour l'ensemble de données GLCC
RSR est un indice d'erreur couramment utilisé qui est calculé est dû au fait qu'une vaste zone est identifiée comme prairie (41,99 %),
comme un rapport entre le RMSE et l'écart type des données comme le montre le tableau 1. Cela suggère que les terres stériles dans les
mesurées. La valeur RSR varie de la valeur optimale de 0, qui ensembles de données GlobCover et CORINE, qui représentent
indique 0 RMSE ou variation résiduelle et une simulation parfaite respectivement 10,18 % et 23,54 %, ont été classés comme superficie de
du modèle, à une grande valeur positive. Plus le RSR est bas, prairies dans l'ensemble de données GLCC.
meilleures sont les performances du modèle. 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 (Figure 4) montre que le modèle a simulé de manière adéquate le
l'ensemble de données GLCC représente 0,17 % de la superficie du bassin débit pendant toute la période de simulation et a capturé tous les pics,
versant ; cependant, cette classe n'a pas été incluse dans les autres à l'exception d'avril 2002, au cours duquel le débit simulé a été sous-
ensembles de données. Les terres à végétation clairsemée et stériles estimé à près de la moitié du débit observé (405,13 m3s-1) pour tous les
couvraient respectivement une superficie de 10,18 % et 23,59 % de la ensembles de données sur la couverture terrestre utilisés.
superficie du bassin versant selon GlobCover et CORINE, mais n'étaient pas 3.2.2. Simulation de sédiments
représentées dans le bassin versant selon le GLCC.
L'effort d'étalonnage a considérablement amélioré la précision de la prévision du
3.2. Calibrage du modèle rendement en sédiments du modèle, en particulier lorsque l'ensemble de

3.2.1. Sortie Streamflow données GlobCover a été utilisé. Le modèle a été calibré pour le rendement

Le tableau 6 répertorie les valeurs des mesures mensuel en sédiments à l'aide des paramètres répertoriés dans le tableau 4. Les

statistiques pour les performances du modèle. La figure 4 statistiques du modèle SWAT calibré pour le rendement mensuel en sédiments

présente la comparaison entre le débit mensuel simulé et sont présentées dans le tableau 6. Sur la base des valeurs NSE, le modèle a simulé

mesuré pour la période d'étalonnage de 2001 à 2007. le rendement sédimentaire de manière satisfaisante avec un rendement

Les débits mensuels simulés et observés correspondaient bien au légèrement meilleur. précision en utilisant l'ensemble de données GlobCover par

cours de la période d'étalonnage avec de bonnes valeurs NSE de 0,73, rapport aux ensembles de données GLCC et CORINE. La valeur mensuelle NSE du

0,71 et 0,68 pour les ensembles de données GLCC, GlobCover et rendement en sédiments était de 0,51 lorsque l'ensemble de données GlobCover

CORINE, respectivement. Le R2les valeurs de la simulation mensuelle a été utilisé, tandis que les valeurs NSE des ensembles de données de couverture

du débit lors de l'étalonnage étaient respectivement de 0,76, 0,73 et terrestre GLCC et CORINE étaient respectivement de 0,48 et 0,45.

0,69 pour les ensembles de données GLCC, GlobCover et CORINE. Le

NSE et R2les valeurs indiquent que le modèle a fonctionné légèrement Selon les évaluations qualitatives proposées par Moriasi et al.
mieux lorsque le GLCC a été utilisé comme source d'informations sur (2007), les trois ensembles de données sur la couverture terrestre ont
la couverture terrestre que lorsque les ensembles de données donné des résultats similaires en ce qui concerne les autres mesures
GlobCover et CORINE ont été utilisés, ce qui indique que la sensibilité statistiques ; par exemple, les 3 ensembles de données ont produit
de la modélisation SWAT des ensembles de données LULC avec des valeurs PBIAS comprises dans la plage de bonnes (15±≥ PBIAS <±
différentes résolutions de données spatiales et temporelles est très 30), RSR satisfaisant dans la plage 0,60 < RSR ≤ 0,7, et R2valeurs > 0,5
faible. pour la simulation du débit. (tableau 6). Les valeurs négatives du PBIAS indiquent que le
Selon Moriasi et al. (2007), en considérant le PBIAS, rendement en sédiments a été surestimé. La figure 5 montre la
l’ampleur moyenne des valeurs mensuelles simulées du débit comparaison entre le rendement mensuel en sédiments simulé et
fluvial se situait dans une très bonne fourchette (PBIAS <±10) observé. Le débit fluvial et le rendement en sédiments sont fortement
avec des valeurs de 1,07 %, 2,52 % et –0,495 % pour les corrélés ; c'est-à-dire que des pics de débit mensuels élevés sont
ensembles de données GLCC, GlobCover et CORINE, associés à une charge sédimentaire élevée. Le modèle a pu simuler le
respectivement. Pour RSR, il n'y avait aucune différence pic de sédiments pendant la majeure partie de la période de
(0,523, 0,537 et 0,562) entre les ensembles de données GLCC, simulation, à l'exception d'avril 2002 et mars 2004, sans différences
GlobCover et CORINE, respectivement, et ils sont jugés bons dues à l'utilisation de différents ensembles de données sur la
selon Moriasi et al. (2007). Inspection visuelle de la couverture terrestre, ce qui peut s'expliquer en partie par la sous-
comparaison entre le débit mensuel simulé et observé prévision du débit pour ces 2 mois.

Tableau 6.Statistiques de comparaison entre le débit mesuré et simulé.

Statistiques d'évaluation
Ensemble de données sur la couverture terrestre

R.2 SNG PBIAS RSR R.2 SNG PBIAS RSR

Flux de flux Sédiment

GLCC 0,76 0,73 1.07 0,523 0,52 0,48 – 21h69 0,626

COUVERTURE GLOBALE 0,73 0,71 2,52 0,537 0,52 0,51 – 12.21 0,608

CORINE 0,69 0,68 – 0,495 0,562 0,50 0,46 – 18h15 0,637

R.2= le coefficient de détermination, NSE = efficacité de Nash – Sutcliffe,PBIAS = pourcentage de biais, RSR = RMSE – SR.

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 mensuel avec plus de précision selon le NSE et le R.2
ensembles de données GlobCover et CORINE était principalement représentée par valeurs; cependant, la statistique PBIAS indique que l'ensemble de données
4 grandes classes de couverture terrestre : les terres agricoles, les terres de CORINE sur la couverture terrestre se classe au premier rang avec un PBIAS
parcours, les terres forestières et les terres stériles. Dans l'ensemble de données légèrement meilleur par rapport aux 2 autres ensembles de données. Le
de couverture terrestre du GLCC, elle est représentée par seulement 2 classes modèle n'a pas pu faire correspondre tous les pics avec le débit observé,
principales de couverture terrestre (terres agricoles et terres de parcours) en c'est-à-dire en avril 2002 et mars 2004, ce qui est principalement dû aux
raison de la résolution grossière (1 km), ce qui suggère que certaines classes de différences dans les précipitations mesurées. Une évapotranspiration réelle
couverture terrestre ont été combinées avec d'autres classes de couverture (ET) élevée au cours des mois d'avril 2002 et mars 2004, associée à des
terrestre. , c'est-à-dire des vergers/vignobles, à la végétation clairsemée et des précipitations mensuelles insuffisantes de 115 mm et 38,75 mm,
terres stériles. L'ensemble de données CORINE sur la couverture terrestre respectivement, pourrait être la raison d'une simulation inexacte du débit.
contenait le plus grand nombre de classes de couverture terrestre correspondant Cela a entraîné une réduction des valeurs NSE pour les placer dans la bonne
aux classes de couverture terrestre d'Anderson. Par exemple, la couverture fourchette. Cependant, le modèle a réussi à capturer les pointes de faible
terrestre CORINE comporte davantage de classes classées comme terres urbaines débit et le débit de base. En général, on peut conclure que la précision du
(8 classes), terres agricoles (9 classes) et eau (5 classes) qui sont incluses dans le modèle n’a pas été grandement affectée par l’utilisation de différentes
niveau I de couverture terrestre d'Anderson par rapport au GLCC et Ensembles de sources de données sur la couverture terrestre pour simuler le débit du
données GlobCover. 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 des raisons peuvent donner une explication à cela. La première raison
de sédiments était gravement surestimée pendant les mois d'hiver est expliquée par Muleta et al. (2007) et FitzHugh et Mackay (2000), qui
pendant la saison des pluies ; cependant, elle a été sous-estimée ont rapporté que l'augmentation du nombre de HRU diminue la
pendant les mois d'été, lorsqu'il n'y a pas de précipitations ; c'est-à- superficie moyenne des HRU et diminue par la suite le terme de
dire que tous les NSE pour les 3 modèles étaient négatifs. Le ruissellement dans l'équation MUSLE. Cela diminue le rendement en
rendement en sédiments observé obtenu à partir de l'EIE a été estimé sédiments générés. De l'équation. (3), le changement de débit
en utilisant l'approche de la courbe d'évaluation des sédiments, qui est maximal est principalement contrôlé par le changement de la zone
essentiellement contrôlée par une relation débit de sédiments en HRU, indiquant le changement lent du temps de concentration en
suspension/débit. Cependant, le modèle SWAT simule non seulement raison du changement de la zone HRU. La deuxième raison est que la
la charge de sédiments en suspension (particules de matériau de fond majorité du type de terre du GLCC est occupée par des parcours (52,52
plus petites), mais également la fraction de charge de fond (particules %) et des terres agricoles (45,68 %) avec une très faible proportion de
plus grosses transportées par glissement ou saltation), qui ensemble forêt ; par conséquent, ce modèle de couverture terrestre se traduit
sont connues sous le nom de charge de matériau de fond (Ndomba et par un rendement en sédiments très élevé. Les jeux de données
van Griensven, 2011). . GlobCover et CORINE contiennent une partie importante de forêt, ce
La charge de sédiments non calibrés la plus élevée était qui a entraîné une légère diminution du rendement en sédiments.
associée à l'utilisation de la couverture terrestre GLCC, suivie de L'influence des changements de type de couverture terrestre sur le
GlobCover et enfin de l'ensemble de données CORINE. Deux 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 conclusion, les résultats de simulation ne montrent pas de différences

en Chine est fortement affecté par les changements intervenus dans significatives en utilisant des ensembles de données sur la couverture terrestre

les terres agricoles, les forêts et les zones urbaines entre 1978 et 2007 avec des détails spatiaux et temporels différents pour les simulations

avec des coefficients de régression de 0,232, –0,147 et 1,256, d'écoulement fluvial et de sédiments. Cela conduit à l'idée qu'un ensemble de

respectivement, et une influence variable sur la projection. (VIP) données très détaillé, comme CORINE, ne fournit pas nécessairement les

meilleurs résultats ; en outre, des informations importantes pourraient être

valeurs supérieures à 1. Cependant, le rendement en sédiments est
perdues en raison de l'agrégation des principales classes de couverture terrestre
principalement influencé par les changements dans les terres
(Romanowicz et al., 2005). Les différents ensembles de données sur la couverture
agricoles (avec un VIP et un coefficient de régression de 1,762 et
terrestre ont eu peu d’impact car les conditions de couverture terrestre ont peu
14,343, respectivement) et des forêts (avec un VIP et un coefficient de
changé au cours de la période d’étude. Pour contribuer davantage à la
régression de 1,517 et –7,746, respectivement).
compréhension du changement de couverture terrestre dans le bassin, la
Les faibles performances du modèle en matière de charge
détection des changements de couverture terrestre a été effectuée à l'aide des
sédimentaire pour les différents ensembles de données sur la
cartes CORINE de changement de couverture terrestre pour les années 1990-2000
couverture terrestre peuvent être liées à l'utilisation de la simple
et 2000-2006 (Figure 6). Ces données montrent que la proportion de la superficie
équation MUSLE pour l'estimation des sédiments dans le modèle
ayant connu un changement de couverture terrestre au cours de la période
SWAT. Le modèle suppose que tout le sol érodé par le ruissellement
1990-2000 était de 2,63 % de la superficie totale du bassin, et de 1,03 % sur la
sera déversé dans le canal, ignorant le processus de dépôt de période 2000-2006.
sédiments dans le bassin versant de surface (Oeurng et al., 2011). De Des améliorations des prévisions de charge de sédiments pourraient
plus, nous n'avons pas reçu suffisamment d'informations sur les être possibles grâce à de meilleures informations sur les pratiques agricoles
sédiments et les structures de contrôle de l'érosion, ce qui pourrait et de gestion telles que le pâturage, le travail du sol et l'irrigation, de
expliquer la faible charge de sédiments observée à la station de concert avec un enregistrement plus long d'échantillonnage de sédiments.
jaugeage par rapport aux résultats du modèle. Cela améliorera le modèle SWAT pour fournir

UN) B)

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
 EL-SADEK et IRVEM / Turk J Agric Pour

une meilleure compréhension des sources et des puits potentiels de Remerciements

sédiments. Nous suggérons que davantage d'études puissent être menées Cette recherche a été financée par une bourse de recherche
pour examiner l'effet de la mise en œuvre des meilleures pratiques de postdoctorale du Conseil de recherche scientifique et
gestion structurelles et non structurelles, c'est-à-dire les terrasses de technologique du Département des sciences de Turquie
niveau, les bandes tampons végétalisées le long des cours d'eau, des (TÜBİTAK – BIDEB). Des remerciements particuliers vont à
étangs et des structures de stabilisation du niveau sur le débit et la charge Max Bleiweiss (directeur du Centre de télédétection appliquée
de sédiments dans la rivière. En outre, des recherches plus approfondies à l'agriculture, à la météorologie et à l'environnement
sont nécessaires pour évaluer les différents ensembles de données sur la (CARSAME) et chercheur agricole au Département
couverture terrestre dans des conditions de changement important de la d'entomologie, de phytopathologie et de lutte contre les
couverture terrestre et pour étudier l'effet de ces ensembles de données mauvaises herbes, Université d'État du Nouveau-Mexique)
sur l'estimation d'autres paramètres de qualité de l'eau tels que l'azote total pour ses précieuses suggestions. et aider à la révision
et le phosphore total. éditoriale de la langue de l'article.

Les références

Abbaspour KC, Johnson CA, van Genuchten MT (2004). Estimation Candela C, Freni G, Mannina G, Viviani G (2012). Recevoir de l'eau
paramètres d'écoulement et de transport incertains à l'aide d'une procédure évaluation de la qualité corporelle : une approche mathématique intégrée
d'ajustement d'incertitude séquentielle. Zone Vadose J 3 : 1340-1352. appliquée à une étude de cas italienne. J Hydroinform, 14 : 30-47.

Abbaspour KC, Vejdani M, Haghighat S (2007a). SWATCUP Chaplot V, Saleh A, Jaynes D, Arnold J (2004). Prédire l'eau,
programmes d’étalonnage et d’incertitude pour SWAT. Dans : charges de sédiments et de NO -N selon des scénarios d'utilisation des terres et
3
Oxley L, Kulasiri D, éditeurs. Actes MODSIM 2007 du Congrès de pratiques de gestion dans un bassin versant plat. Sondage eau-air-sol 154 :

international sur la modélisation et la simulation, Société de 271-293.

modélisation et de simulation d'Australie et de Nouvelle- Chen PY, Di Luzio M, Arnold JG (2005). Évaluation spatiale de deux
Zélande, décembre 2007 ; Melbourne, Australie, pp. 1603-1609. ensembles de données sur la couverture terrestre largement utilisés sur la zone continentale des

États-Unis. IEEE T Geosci Remote 43 : 2396-2404.

Abbaspour KC, Yang J, Maximov I, Siber R, Bogner K, Mieleitner Cotter AS, Chaubey I, Costello TA, Soerens TS, Nelson MA (2003).
J, Zobrist J, Srinivasan R (2007b). Modélisation de l'hydrologie et de la Incertitude des résultats du modèle de qualité de l’eau affectée par la résolution
qualité de l'eau dans le bassin versant préalpin ⁄ alpin de la Thur à l'aide de spatiale des données d’entrée. J Am Water Resour Assoc. 39 : 977–986.
SWAT. J Hydrol 333 : 413-430.
De Girolamo AM, Lo Porto A (2012). Développement de scénarios d’utilisation des terres
Acar A, Diner I (2005). Conception du talus amont gauche pour le Catalan comme outil de gestion des bassins versants du bassin du Rio Mannu. Politique
Barrage, Adana, Turquie et son comportement sous charge sismique d'aménagement du territoire 29 : 691-701.
réelle. Eng Geol 82 : 1–11.
Eidenshink JC, Faundeen JL (1994). Le territoire mondial AVHRR de 1 km
Anderson JR, Hardy EE, Roach JT, Witmer RE (1976). Une utilisation du sol ensemble de données : premières étapes de mise en œuvre. Int J Remote Sens

et un système de classification de la couverture terrestre à utiliser avec les données de 15 : 3443-3462.

capteurs à distance. Reston, VA, États-Unis : USGS Professional Paper 964.

FitzHugh TW, Mackay DS (2000). Impacts spatiaux des paramètres d’entrée
Arino O, Gross D, Ranera F, Leroy M, Bicheron P, Brockmann C, agrégation sur un modèle de pollution agricole de source
Defourny P, Bourg L, Latham J, Di Gregorio A et al. (2007). GlobCover : diffuse. J Hydrol 236 : 35-53.
service ESA pour la couverture mondiale des terres de MERIS. Dans : Vert WH, Ampt G (1911). Etudes sur la physique des sols 1 : l'écoulement de l'air
Actes du Symposium international de géoscience et de télédétection et arroser à travers les sols. J Agr Sci 4 : 1–24.
de l'IEEE. IEEE, pages 2412 à 2415.
Gupta HV, Sorooshian S, Yapo PO (1999). Statut automatique
Arino O, Ramos, J, Kalogirou, V, Defourny, P, Achard, F (2010). calibration des modèles hydrologiques : comparaison avec la calibration
GlobCover 2009, Actes du Symposium Living Planet experte multiniveau. J Hydrol Eng. 4 : 135-143.
SP-686, juin 2010.
Huang J, Zhou P, Zhou Z, Huang Y (2013). Évaluer l'influence
Arnold JG, Moriasi DN, Gassman PW, Abbaspour KC, White MJ, d'ensembles de données sur l'utilisation des terres et la couverture terrestre avec
Srinivasan R, Santhi C, Harmel RD, van Griensven A, Van Liew différents moments et niveaux de détail sur la modélisation des bassins versants dans le

MW et al. (2012). SWAT : Utilisation, calibrage et validation du bassin versant de la rivière du Nord, en Chine. Int J Environ Res Santé publique 10 :

modèle, T ASABE 55 : 1491–1508. 144-157.

Cai T, Li Q, Yu M, Lu G, Cheng L, Wei X (2012). Enquête sur le Huffman GJ, Bolvin DT, Nelkin EJ, Wolff DB (2007). Le TRMM
impacts du changement d'affectation des terres sur les caractéristiques de rendement en analyse des précipitations multisatellites (TMPA) : estimations des précipitations

sédiments dans le bassin supérieur de la rivière Huaihe, en Chine. Phys Chem Terre quasi globales, pluriannuelles, à l'aide de capteurs combinés, à des échelles fines.

53-54 : 1-9. J Hydrométéorole 8 : 38–55.

529
 EL-SADEK et İRVEM / Turk J Agric pour

Irvem A, Topaloğlu, F, Uygur, V (2007). Estimation spatiale Park JY, Park MJ, Joh HK, Shin HJ, Kwon HJ, Srinivasan R, Kim SJ
répartition de la perte de sol sur le bassin de la rivière Seyhan en Turquie. J (2011). L'évaluation de MIROC3.2 prend en compte les impacts du changement climatique

Hydrol 336 : 30-37. et du changement de couverture terrestre du CLUE sur l'hydrologie des bassins versants à

l'aide de SWAT. TASABE 54 : 1713-1724.

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 Romanowicz AA, Vanclooster M, Rounsevell M, La Junesse I (2005).
Sensibilité du modèle SWAT à la paramétrisation des données sur le sol et
de l'Allemagne à l'échelle d'un sous-bassin. Gestion des ressources en eau 27 :
l'utilisation des terres : une étude de cas dans le bassin versant de Thyle,
791-805.
Belgique. Modèle Ecol 187 : 27-39.
Lin YP, Hong NM, Wu PJ, Wu CF, Verburg PH (2007). Impacts de
Santhi C, Arnold JG, Williams JR, Dugas WA, Srinivasan R, Hauck
scénarios de changement d'affectation des terres sur l'hydrologie et les modèles
LM (2001). Validation du modèle SWAT sur un grand bassin
d'utilisation des terres dans le bassin versant de Wu-Tu, dans le nord de Taiwan. Plan
fluvial avec sources ponctuelles et diffuses. J Am Water Resour
d'urbanisme paysager 80 : 111-126.
Assoc. 37 : 1169-1188.
Loveland TR, Reed BC, Brown JF, Ohlen DO, Zhu J, Yang L, Merchant
Schuol J, Abbaspour KC, Yang H, Srinivasan R, Zhender AJB (2008).
JW (2000). Développement d'une base de données mondiale sur les
Modélisation de la disponibilité des eaux bleues et vertes en Afrique. Ressource
caractéristiques de la couverture terrestre et IGBP DISCover à partir de données
en eau Res 44 : 1–18.
AVHRR de 1 km. Int J Remote Sens 21 : 1303-1330.
USDA-NRCS (2004). Partie du manuel national d'ingénierie du NRCS
Mbonimpa EG, Yuan Y, Mehaffey MH, Jackson MA (2012). ÉCRASER 630 : Hydrologie. Chapitre 10 : Estimation du ruissellement direct des
application d'un modèle pour évaluer l'impact de la culture intensive précipitations de tempête : hydraulique et hydrologie : références
du maïs sur le ruissellement, les sédiments et la perte de phosphore techniques. Washington, DC, États-Unis : Service national de conservation
d'un bassin versant agricole du Wisconsin. J Water Res Prot des ressources de l'USDA.
4 : 423-431.
Van Liew MW, Arnold JG, Garbrecht JD (2003). Hydrologique
Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, simulation sur bassins versants agricoles : Choix entre deux
Veith TL (2007). Lignes directrices pour l’évaluation des modèles pour la modèles. TASAE 46 : 1539-1551.
quantification systématique de la précision des simulations de bassins versants. Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V
TASABE 50 : 885–900. (2002). Modélisation de la dynamique spatiale de l'utilisation du territoire
régional : le modèle CLUE-s. Environ Gérer 30 : 391–405.
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 : Verburg PH, van Eck JR, de Hijs TC, Dijst MJ, Schot P (2004).
163-172. Détermination des modèles de changement d'utilisation des terres aux Pays-Bas.
Plan Environ B : Conception du plan 31 : 125-150.
Nash JE, Sutcliffe JV (1970). Prévision du débit des rivières à travers
modèles conceptuels. Partie 1 : discussion des principes. J Hydrol Vu MT, Raghavan SV, Liong SY (2011). Simulation du débit d'un cours d'eau

10 : 282-290. sur des zones où les données sont rares – une application de données basées sur
Internet. Hydrol Earth Syst Sci Discuter 8 : 11015-11037.
Nasr A, Bruen M, Jordan P, Moles R, Kiely G, Byrne P (2007). UN
Williams Jr (1975). Prédiction du rendement en sédiments avec universel
comparaison de SWAT, HSPF et SHETRAN/GOPC pour la modélisation
équation utilisant le facteur d’énergie de ruissellement. Dans : Technologie
des exportations de phosphore de trois bassins versants en Irlande.
actuelle et prospective pour prédire le rendement et les sources des
Eau Res 41 : 1065-1073.
sédiments. Actes d'un atelier sur le rendement des sédiments, 28-30
Ndomba PM, van Griensven A (2011). Adéquation du modèle SWAT novembre 1972 ; Oxford, MS, États-Unis. Laboratoire de sédimentation de
pour la modélisation des rendements en sédiments en Afrique de l'Est l'USDA, ARS-S-40.
Dans : Chen D, éditeur. Avancées des données, méthodes, modèles et leurs
Winchell M, Srinivasan R, Di Luzio M, Arnold JG (2009). ArcSWAT
applications en géosciences. Rijeka, Croatie : InTec, pp. 261-284.
2.3.4 Interface pour SWAT2005. Temple, Texas, États-Unis : Service des prairies,
des sols et de la recherche.

Neilsen A, Trolle D, Me W, Luo L, Han BP, Liu Z, Olesen JE, Yan B, Fang NF, Zhang PC et Shi ZH (2013). Impacts de l'utilisation des terres
Jeppesen (2013). Évaluation des moyens de lutter contre l'eutrophisation changement sur le débit des bassins versants et le rendement en sédiments : une
dans un réservoir d'eau potable chinois à l'aide de SWAT. Mar Freshwater évaluation utilisant la modélisation hydrologique et la régression des moindres
Res : 475–492. carrés partiels. J Hydrol 484 : 26-37.

Neitsch SL, Arnold, JG, Kiniry JR, Williams JR (2005). Sol et Zhang P, Liu Y, Pan Y, Yu Z (2011). Optimisation du modèle d'utilisation des terres
Documentation théorique de l'outil d'évaluation de l'eau, version basé sur les modèles CLUE-S et SWAT pour le contrôle de la
2005. Temple, Texas, États-Unis : Service de recherche agricole et pollution agricole diffuse. Modèle Math Comput 58 : 588-595.
Station d'expérimentation agricole du Texas. Zhou F, Xu Y, Chen Y, Xu CY, Gao Y, Du J (2013). Hydrologique
Oeurng C, Sauvage S, Sanchez-Pérez J (2011). Évaluation de réponse à l'urbanisation à différentes échelles spatio-temporelles

hydrologie, rendement des sédiments et du carbone organique particulaire

simulée par couplage de CLUE-S et du modèle SWAT dans la région
du delta du fleuve Yangtze. J Hydrol 485 : 113-125.
dans un grand bassin versant agricole à l'aide du modèle SWAT. J Hydrol
401 : 145-153.

530

Afficher les statistiques de publication