Abstract
This work proposes an approach to automatically adjust the curve number (CN) to account for changes in vegetation density. Precipitation–runoff pairs from the MOdel Parameter Estimation EXperiment (MOPEX) dataset were used to estimate monthly simulated CNs (CNsim). Remotely sensed greenness fraction (GF) was used as a proxy for vegetation density. A relationship was established between CNsim and GF values, and an adjustment factor was introduced. The coefficients of determination (R2) between the simulated and observed runoff when using the unadjusted and adjusted CNs were 0.63 and 0.80, respectively. Likewise, Nash-Sutcliffe coefficients of –0.17 and 0.67, and root mean square error (RMSE) of 5.22 and 2.75 were also obtained for the unadjusted and adjusted CNs, respectively. The results demonstrate how the adjustments compensate for the runoff overestimation when the standard CN (CNstd) is used, and also imply that the adjustment is crucial for improved hydrological modelling, particularly, for flood and flash flood monitoring and forecasting.
Editor Z.W. Kundzewicz
Résumé
Ce travail propose une approche pour régler automatiquement le numéro de courbe (CN) pour tenir compte des changements dans la densité de la végétation. Paires précipitations-ruissellement de l’ensemble de données de paramètres de modèle Estimation expérience (MOPEX) ont été utilisés pour estimer simulé mensuel SNC (CNsim). Fraction verdure de télédétection (GF) a été utilisé comme un proxy pour la densité de la végétation. Une relation a été établie entre les valeurs CNsim et GF, et un facteur d’ajustement a été introduit. Les coefficients de détermination (R2) entre l’écoulement simulé et observé lorsque vous utilisez le CN ajustés et non ajustés étaient de 0,63 et 0,80, respectivement. De même, les coefficients de Nash-Sutcliffe de -0,17 et 0,67, et erreur quadratique moyenne (RMSE) de 5,22 et 2,75 ont également été obtenus pour le système nerveux central ajustés et non ajustés, respectivement. Les résultats montrent comment les ajustements compenser la surestimation de ruissellement lorsque le CN standard (CNstd) est utilisé, et impliquent aussi que l’ajustement est cruciale pour l’amélioration de la modélisation hydrologique, en particulier, pour les inondations éclair et la surveillance des inondations et de la prévision.