ESTIMATION OF RUNOFF INDEX USING LANDSAT (TM) DATA AND AN ARTIFICIAL NEURAL NETWORK SYSTEM

Abstract

Water resources managers require information on the amount and spatial distribution of surface runoff. This information can be estimated by using a hydrologic model such as the one developed by the U.S. Soil Conservation Service. Most inputs to the model can be defined as runoff indices or runoff curve numbers (CN values) which were derived by using recorded data from a number of experimental watersheds. For a large area, CN values can be estimated from Landsat (TM) data. In conventional methods, two steps are required. First, brightness values of Landsat data are transformed to represent land cover classes by using ’supervised’ classification methods. Next, with the classified land cover classes, CN values can be read directly from a standard CN table. However, CN values can also be directly estimated from Landsat data using an Artificial Neural Network System. By using the Artificial Neural Network System, the accuracy of the estimation can be improved. Results of this investigation show that the Artificial Neural Network System gives more accurate results than those obtained by using the minimum distance and maximum likelihood approaches.

Pour diriger les ressources hydrographiques il faut connaître la quantité et la distribution spatial de l’écoulement de surface. Il est possible d’estimer ces données en utilisant un modèle hydrologique tel que le modèle développé par le "U.S. Soil Conservation Service." Les résultats auxquels on arrive en utilisant ce modèle peuvent donner un indice de l’écoulement ou ceux-ci peuvent servir de chiffres de courbe dérivés de données obtenues d’expériences sur la ligne de partage des eaux.On propose une méthode de détection à distance et un système neural artificiel pour estimer la valeur CN. On peut estimer la distribution de l’écoulement sur la ligne de partage d’eau une fois que les valeurs CN et les données de la précipitation sont connus. Les résultats de cette investigation indiquent que la méthode proposée donnerait des résultats plus exacts que ceux obtenus par des méthodes conventionnelles.