A physically based, variable contributing area model of basin hydrology / Un modèle à base physique de zone d'appel variable de l'hydrologie du bassin versant

Abstract

Abstract.A hydrological forecasting model is presented that attempts to combine the important distributed effects of channel network topology and dynamic contributing areas with the advantages of simple lumped parameter basin models. Quick response flow is predicted from a storage/contributing area relationship derived analytically from the topographic structure of a unit within a basin. Average soil water response is represented by a constant leakage infiltration store and an exponential subsurface water store. A simple non-linear routing procedure related to the link frequency distribution of the channel network completes the model and allows distinct basin sub-units, such as headwater and sideslope areas to be modelled separately. The model parameters are physically based in the sense that they may be determined directly by measurement and the model may be used at ungauged sites. Procedures for applying the model and tests with data from the Crimple Beck basin are described. Using only measured and estimated parameter values, without optimization, the model makes satisfactory predictions of basin response. The modular form of the model structure should allow application over a range of small and medium sized basins while retaining the possibility of including more complex model components when suitable data are available.Un modèle à base physique de zone d'appel variable de l'hydrologie du bassin versant Résumé. On présente un modèle pour la prévision hydrologique ce qui essaie de combiner les effets significatifs de la topologie du réseau des cours et les zones d'appel dynamiques aux avantages des modèles simples de bassin à paramètres composés. L'écoulement à réponse rapide est prévu d'un rapport stockage/zone d'appel qu'on trouve pour analyse de la structure topographique d'un groupe à travers un bassin. La réponse moyenne de l'eau du sol est représentée par un emmagasinement constant d'infiltration par écoulement et un emagasinement exponentiel de l'eau souterraine. On complète le modèle en utilisant un processus simple du cheminement non linéaire ayant rapport à la répartition fréquence de connexion du réseau des cours ce qui permet de modeler séparément des sous-groupes du bassin versant bien distincts, comme par exemple les zones des cours supérieurs et des pentes latérales. Les paramètres du modèle sont à base-physique au sens qu'on peut les déterminer directement en utilisant des mesures, et on peut se servir du modèle aux explacements pas jaugés. On décrit des processus pour l'application du modèle et pour des tests aux données du bassin versant de Crimple Beck. En utilisant des valeurs mesurées et estimées des paramètres seulement, sans optimisation, le modèle donne des estimations assez bonnes de la réponse du bassin. La forme modulaire de la structure du modèle devrait faciliter l'application tout à travers une gamme des basins, petits ou de grandeur moyenne, tout en retenant la possibilité d'y incorporer des composants de modèle plus complexes quand on dispose des données convenables.

Landscape genetics identifies streams and drainage infrastructure as dispersal corridors for an endangered wetland bird

“…Two additional hypotheses, with a total of four resistance surfaces, were based on the TWI (Beven & Kirkby, 1979). The TWI is a simple hydrological model that uses a digital elevation model (a spatial representation of elevation across a landscape) to approximate the likelihood that water would accumulate at any single point under uniform rainfall conditions.…”

Accounting for rainfall systematic spatial variability in flash flood forecasting

“…The first module allows separating surface runoff and infiltration with the Green-Ampt model. The second module represents subsurface downhill flow, and is driven by the TOPMODEL Darcy law adjustment (Beven and Kirkby, 1979). Finally the third module represents overland and channel flows.…”

Sensitivity analysis and calibration of a dynamic physically based slope stability model

“…The landslide depths were measured in the field after the triggering event in May 1999 (Andrecs et al, 2002) and derived from the analysis of a dDTM for the landslides triggered in August 2005 (Zieher et al, 2016). The final depths of the DCPTs were used to train generalized linear models (GLMs) with local morphometric parameters as predictors, including elevation, slope angle, minimum and maximum curvature (Wood, 1996), and the topographic wetness index (Beven and Kirkby, 1979). A stepwise backward predictor selection revealed a linear model with the slope angle yielding the best agreement with the cumulative landslide depths from 1999 and 2005 (Fig.…”