EFFECTS OF WATERSHED LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS IN THE 

SOUTHERN BLUE RIDGE MOUNTAINS 

by 

KATIE PRICE 

(Under the Direction of Albert J. Parker and C. Rhett Jackson) 

ABSTRACT 

The current understanding in watershed hydrology does not provide insight into prediction of low‐flow 

hydrologic response to land‐use change in developing regions like the Blue Ridge of north Georgia and 

western North Carolina.  To address this problem, three separate but complementary studies were 

conducted.   In the first study, the hydraulic characteristics of soils underlying forest, pasture and 

turfgrass (lawn) land use were compared.  Forest soils were shown to have substantially greater 

hydraulic conductivity, greater water holding capacity, and lower bulk density than lawn and pasture 

soils.  These differences in soil characteristics associated with land‐use change are of sufficient 

magnitude to alter watershed hydrology and decrease baseflows.   In the second study, 35 watersheds 

representing the range of human impact in the study area were instrumented for continuous discharge 

measurement over a 16‐month period, and multiple regression analysis was used to relate watershed 

geomorphic and land‐use characteristics to baseflow metrics.  Watersheds with greater forest cover 

were shown to have higher baseflow, counteracting the theory that forest cover reduces baseflows, due 

to the high evapotranspiration rates of trees.  Watershed geomorphic characteristics of drainage 

density, slope variability, and colluvium were also shown to have significant impact on stream 

baseflows.  In the third study, the distributed, GIS‐based hydrologic model WetSpa was used to simulate 

30 years of streamflow for four watersheds, under eight land use scenarios.  More‐developed 

watersheds were associated with greater baseflow magnitude, countering a great deal of empirical data 

that shows the opposite relationship.  Less‐developed watersheds demonstrated a higher proportion of 

baseflow to total streamflow.    The model contained embedded theoretical assumptions about the 

importance of evapotranspirative losses from forest land use, without adequately accounting for the far 

greater hydraulic conductivities of forest soils in contributing to subsurface storage recharge and 

baseflow.   Overall, the results of this dissertation demonstrate that land‐use conversion from natural 

forest to pasture, low‐, and medium‐intensity development are associated with reduced baseflows, and 

that factors of watershed geomorphology are also important.  The modeling results should serve as a 

strong caution to potential users of complex hydrologic models regarding the possible inaccuracies of 

underlying assumptions within the model.  

 

 INDEX WORDS:  Baseflow, Land‐Use Change, Watershed Hydrology, Soil Hydrology, Distributed 

Models, Watershed Geomorphology, Human Impacts, Low Flow, Appalachian Mountains, Blue Ridge Mountains 

 

 

EFFECTS OF LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS IN THE SOUTHERN  

BLUE RIDGE MOUNTAINS 

 

 

by 

 

KATIE PRICE 

B.A., The University of Georgia, 2000 

M.S., The University of Georgia, 2004 

 

 

 

 

 

A Dissertation Submitted to the Graduate Faculty of The University of Georgia in Partial Fulfillment of 

the Requirements for the Degree 

 

DOCTOR OF PHILOSOPHY 

 

ATHENS, GEORGIA 

2009 

   

                                  

© 2009 

Kate Marie Price 

All Rights Reserved 

   

 

 

EFFECTS OF LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS IN THE SOUTHERN 

BLUE RIDGE MOUNTAINS  

 

 

by 

 

 

KATIE PRICE 

          

Major Professor:  Albert J. Parker   C. Rhett Jackson     

 Committee:  George A. Brook 

Marguerite Madden Todd C. Rasmussen 

    Electronic Version Approved:  Maureen Grasso Dean of the Graduate School The University of Georgia December 2009    

iv

 

 

DEDICATION 

This dissertation is dedicated to my parents, Kay and Charles Price, whose support, love, and 

humor never cease.  I am incredibly lucky to have such generous and wonderful parents, who have 

always encouraged me to make the most out of life.  

v

 

 

ACKNOWLEDGEMENTS 

The primary financial support for my doctoral education and research was provided by the U.S. 

Environmental Protection Agency Science to Achieve Results (STAR) Fellowship Program and National 

Science Foundation (NSF) Doctoral Dissertation Improvement Grant BCS‐0702857.  Additional support 

was provided by the Coweeta LTER program (NSF Cooperative Agreement DEB‐0218001), The University 

of Georgia Research Foundation, and the University of Georgia Women’s Club Scholarship Fund. 

  I would foremost like to thank my endlessly tolerant, loving, and supportive husband David for 

bountiful encouragement and moral support over the past several years.  I owe enormous thanks to my 

co‐advisors, Al Parker and Rhett Jackson, for the invaluable experience and knowledge they have shared 

with me.  They eagerly gave very insightful and prompt feedback throughout the entire process of 

planning and completing my dissertation research.  The rest of my committee, George Brook, 

Marguerite Madden, and Todd Rasmussen all greatly improved this work.  My wonderful, sweet, and 

silly family and all of my good friends have provided comic relief and support throughout my education. 

The Department of Geography (faculty, staff, and students), has been a wonderful support network 

throughout the course of my graduate education.  Everyone’s smiling faces and generous attitudes have 

been great for my morale!  I would especially like to thank Audrey Hawkins for kindly keeping me and 

everyone else on track, Donna Johnson for accounting support, and Jodie Guy for crisis aversion and 

beaurocracy‐wrangling.   

  This research would not have been possible without generous assistance from many people.  

Permission for site use was provided by the U.S. Forest Service, North Carolina Department of 

Transportation, Jackson County Parks and Recreation Department, Friends of the Little Tennessee 

Greenway, and a large number of private landowners.  Jim Vose and Stephanie Laseter of the U.S. Forest 

vi

Service Coweeta Hydrologic Laboratory provided streamflow and climate data.  Substantial expertise 

and insights were generously provided by Larry Morris, Larry West, Tom Mote, Wayne Swank, John 

Chamblee, Tommy Jordan, Mu Lan, and Kelli Coleman.  Field help was provided by Todd Headley, 

Shelley Robertson, Clint Collins, Julia Ruth, Gregoryian Willocks, Raina Sheridan, Jason Love, Jason 

Meador, Jim Kitchner, Jake McDonald, Amber Ignatius, and Ryan Ignatius.   Generous resource support 

was supplied by the Hydrology Laboratory in the Warnell School of Forestry and Natural Resources and 

the Geomorphology Laboratory in the Department of Geography.  This research was conducted in 

affiliation with the Coweeta Long Term Ecological Research (LTER) Program ‐ I am truly grateful to have 

had the opportunity to work with this interdisciplinary group.  I would especially like to offer my sincere 

thanks to the lead principal investigator of the LTER, Ted Gragson of the Department of Anthropology, 

who has generously provided encouragement and resources for this project from the very beginning.    

Finally, I would like to acknowledge Josh Romeis, who was one year ahead of me in my doctoral 

education and a wonderful source of advice and commiseration, who tragically passed away in August 

2009. 

vii

 

 

TABLE OF CONTENTS 

Page 

ACKNOWLEDGEMENTS ................................................................................................................................. v 

LIST OF TABLES .............................................................................................................................................. x 

LIST OF FIGURES ............................................................................................................................................ xi 

CHAPTER 

1  INTRODUCTION ......................................................................................................................... 1 

2  INFLUENCES OF WATERSHED LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS: 

A REVIEW .............................................................................................................................. 5 

2.1 Introduction .................................................................................................................... 7 

2.2 Geomorphic controls on baseflow ................................................................................. 9 

2.3 Effects of human land use on baseflow........................................................................ 15 

2.4 Summary and conclusions ............................................................................................ 24 

2.5 References .................................................................................................................... 25 

3  VARIATION OF SURFICIAL SOIL HYDRAULIC PROPERTIES ACROSS LAND USES IN THE 

SOUTHERN BLUE RIDGE MOUNTAINS, USA ....................................................................... 40 

3.1 Introduction .................................................................................................................. 42 

3.2 Study area ..................................................................................................................... 46 

3.3 Methods ....................................................................................................................... 47 

3.4 Results .......................................................................................................................... 51 

3.5 Discussion ..................................................................................................................... 54 

3.6 Conclusions ................................................................................................................... 60 

viii

3.7 Acknowledgements ...................................................................................................... 60 

3.8 References .................................................................................................................... 61 

4  EFFECTS OF LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS IN THE SOUTHERN 

BLUE RIDGE MOUNTAINS OF GEORGIA AND NORTH CAROLINA, USA .............................. 79 

4.1 Introduction and Background ....................................................................................... 81 

4.2 Study Area .................................................................................................................... 84 

4.3 Methods ....................................................................................................................... 85 

4.4 Results .......................................................................................................................... 91 

4.5 Discussion ..................................................................................................................... 95 

4.6 Conclusions ................................................................................................................. 106 

4.7 References .................................................................................................................. 108 

5  A TEST OF A DISTRIBUTED, GIS‐BASED HYDROLOGIC MODEL FOR EVALUATING BASEFLOW 

RESPONSE TO LAND USE CHANGE IN THE SOUTHERN BLUE RIDGE MOUNTAINS OF 

NORTH CAROLINA ............................................................................................................ 132 

5.1 Introduction ................................................................................................................ 134 

5.2 Model Description ...................................................................................................... 136 

5.3 Methods ..................................................................................................................... 139 

5.4 Results ........................................................................................................................ 144 

5.5 Discussion ................................................................................................................... 145 

5.6 Conclusions ................................................................................................................. 150 

5.7 References .................................................................................................................. 151 

6  SUMMARY AND CONCLUSIONS ............................................................................................. 168 

APPENDICES .............................................................................................................................................. 172 

A  Discharge Rating Curves ........................................................................................................ 172 

ix

B  Hydrographs .......................................................................................................................... 179 

C  WetSpa Parameterization and Flow Routing ........................................................................ 198 

x

 

 

LIST OF TABLES 

Page 

Table 2.1: Anthropogenic impacts on baseflow ......................................................................................... 37 

Table 2.2: Recharge response to various effects of urbanization .............................................................. 38 

Table 2.3: Summary of studies assessing the response of baseflow and recharge to urbanization .......... 39 

Table 3.1: Land use – Macon Co. and Jackson Co., NC ............................................................................... 67 

Table 3.2: Site characteristics: Land use, soil series, elevation, and aspect of soil sampling sites ............. 68 

Table 3.3: National Cooperative Soil Survey Official Series Descriptions ................................................... 69 

Table 3.4: Hydraulic properties of upper (0‐7.5 cm) and lower (7.5‐15 cm) soil cores .............................. 70 

Table 3.5: Soil physical characteristics by categories of parent material and land use .............................. 71 

Table 3.6: Paired locations (adjacent locations with different land uses) .................................................. 72 

Table 4.1: General topographic and land use characteristics of study watersheds ................................. 116 

Table 4.2: Explanation of watershed characteristics considered for use in regression modeling ........... 117 

Table 4.3: Correlations among independent variables included in regression analysis ........................... 119 

Table 4.4: Precipitation stations ............................................................................................................... 120 

Table 4.5: Best models for each dependent variable ............................................................................... 121 

Table 4.6: Comparison of paired watershed flows ................................................................................... 122 

Table 4.7: Correlations between land use and baseflow metrics ............................................................. 123 

Table 5.1: 2006 land use of study watersheds and explanation of reclassification of NLCD land use 

scheme .................................................................................................................................... 155 

Table 5.2: Flow summary values for varied land use scenarios ................................................................ 156 

 

xi

 

 

LIST OF FIGURES 

Page 

Figure 3.1: Study area and soil sampling locations: Macon Co. and Jackson Co., NC ................................ 73 

Figure 3.2: Soil physical characteristics by parent material and land use .................................................. 74 

Figure 3.3: Particle size distributions of forest, lawn, and pasture soils .................................................... 75 

Figure 3.4: Comparison of saturated hydraulic conductivity (Ksat) measurements by field and laboratory 

methods. ................................................................................................................................... 76 

Figure 3.5: Saturated hydraulic conductivity among sites .......................................................................... 77 

Figure 3.6: Comparison of soil saturated hydraulic conductivities with precipitation intensities occurring 

in western North Carolina ......................................................................................................... 78 

Figure 4.1: Study area and monitored watersheds .................................................................................. 124 

Figure 4.2: Representative example of rating curves developed using different rating curve fitting 

methods .................................................................................................................................. 125 

Figure 4.3: Hydrologic conditions during the study period ...................................................................... 126 

Figure 4.4: Examples of Bayesian power law rating curves used in this study ......................................... 127 

Figure 4.5: Interpolations of precipitation for the three time periods in this study ................................ 128 

Figure 4.6: Ranges of values for baseflow metrics across all study watersheds ...................................... 129 

Figure 4.7: Difference of mean baseflows between lower‐ and higher‐ forest cover watersheds  ......... 130 

Figure 4.8: Examples of varied recharge response to Tropical Storm Fay ................................................ 131 

Figure 5.1: Study areas and watersheds used for streamflow simulation ............................................... 157 

Figure 5.2: Summary of WetSpa spatial parameterization ....................................................................... 158 

Figure 5.3: Simulated land use scenarios .................................................................................................. 159 

xii

Figure 5.4 Comparison of simulated vs. observed streamflow ................................................................ 160 

Figure 5.5: Flow duration curves for the varied land use scenarios ......................................................... 162 

Figure 5.6: Recurrence intervals of 7‐day annual low flows ..................................................................... 164 

Figure 5.7: Streamflow summary metrics for each of the progressive land use scenarios ...................... 166 

Figure 5.8: Streamflow summary metrics for each of the spatial land use scenarios .............................. 167 

 

1  

CHAPTER 1 

INTRODUCTION 

 

Baseflow is the portion of streamflow that is sustained between precipitation events, fed to 

stream channels by subsurface pathways.  Baseflow is influenced by natural factors such as climate, 

geology, relief, soils, and vegetation.  Human impacts on the landscape may modify some or all of these 

factors, in turn affecting baseflow timing and quantity.  Understanding baseflow is of great importance, 

as these flows are critical to issues of water quality, water supply, and aquatic habitat.  Baseflow has 

been shown to be strongly influenced by watershed characteristics of geomorphology and land use, but 

the relative influences of these factors has remained unresolved.  Within a given setting of climate and 

geology, watershed geomorphology affects baseflow by influencing the amount, type, and distribution 

of subsurface storage reservoirs, and channel network characteristics that relate to the rates of removal 

of stored water from the catchment.  Upon this natural template, human land use also exerts strong 

influence on baseflow.   Compared with natural vegetation, human land use alters many aspects of the 

hydrologic system.  Additions of impervious surface and soil compaction accompany most forms of 

human land use, thereby decreasing infiltration of rainwater and recharge of the subsurface storage 

reservoirs that sustain baseflows.  Additionally, changes in land cover result in changes in 

evapotranspiration rates, altering catchment water budgets.  A thorough review of literature addressing 

watershed influences on baseflow is presented in Chapter 2.  

  The primary objective of this research was to assess the relative impacts of watershed 

geomorphology and land use on baseflows in the southern Blue Ridge Mountains, within the upper Little 

Tennessee River system, upstream of Lake Fontana (2628 km2).  This region is characterized by 

2  

pronounced topographic relief, with valley floors of 500 masl and peaks nearing 2000 masl.  Land use in 

the region contains significant areas of protected National Forest, but there is rapid growth and 

development occurring in unprotected portions of the region.  This area provides an ideal setting for 

addressing linkages between surface characteristics and baseflow for several key reasons:  1) The 

mountainous relief in this area is associated with pronounced topographic variability, allowing 

comparison of diverse morphometric settings.  2) The region is underlain by crystalline bedrock, 

avoiding complicated hydrology associated with porous or soluble sedimentary terrain.  3) There 

exists an acute need for heightened understanding of stream response to human impact in this 

rapidly developing region, especially due to the presence of many threatened aquatic species.  4) 

The presence of the Coweeta Hydrologic Laboratory and Long Term Ecological Research Station 

(LTER) in the within the study area allows for a large quantity and variety of related background 

data and connects this research to ongoing monitoring and assessment of human impacts on the 

landscape.     

  The main objective of assessing the roles of human land use and watershed geomorphology 

on stream baseflows in the southern Blue Ridge was accomplished via three separate but 

complementary specific research questions: 

1) How does human land use alter the hydrologic characteristics of soils, and what are the 

implications of these impacts on watershed baseflow processes? 

2) What is the observed range of baseflow variability among southern Blue Ridge watersheds, 

and which watershed geomorphic and land use characteristics are linked to this variability? 

3) How will stream baseflows respond to human impact that exceeds current levels of 

development, and do differences in watershed topography elicit differences in baseflow 

response to land‐use change? 

3  

 The research conducted to address these three questions are presented as separate manuscripts in 

this dissertation (Chapters 3‐5).   

 Chapter 3 addresses the influence of human land use on soil hydraulic characteristics.  Soils 

under three land use classes (forest, pasture, and turfgrass) in equivalent slope and parent material 

were compared.   Forest soils were shown to have significantly lower bulk density and greater 

hydraulic conductivities and water holding capacities than pasture or lawn soils.  Differences 

between the hydraulic characteristics under forest vs. nonforest soils were of a magnitude to carry 

significant implications for watershed function.  Chapter 4 presents an empirical assessment of the 

overall variability in baseflow among watersheds with varied geomorphic and land use 

characteristics.  Overall, geomorphic characteristics exerted a greater influence on stream 

baseflows than land use in this region.  Watershed geomorphic characteristics of drainage density, 

slope variability, and colluvium were shown to significantly influence baseflows.  Watersheds with 

greater forest cover were associated with higher baseflow, despite the substantial water use of 

mature trees.  This underscores the importance of high infiltration and subsurface recharge in 

undisturbed soils.  Chapter 5 contains the results of GIS‐based, fully distributed modeling of stream 

baseflow response to land‐use change in three watersheds of varied topography.  The WetSpa 

model was used to explore baseflow response to varied land use change scenarios among four 

watersheds. Simulated streamflow over a 30‐year period, under eight land use scenarios, showed 

increasing baseflow magnitudes under land use scenarios.  These results contradict the empirical 

data, and result from the structure of the model, which assigns higher evapotranspiration rates to 

forest land cover, without adequately accounting for the much higher infiltration rates in forest 

soils, compared with nonforest soils.  These results serve as a strong caution regarding the use of 

4  

hydrologic models. Finally, Chapter 6 presents the overarching summary points and conclusions of 

the dissertation.  

  

5

CHAPTER 2 

INFLUENCES OF WATERSHED LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS: A REVIEW1 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

________ 1K. Price.  To be submitted to Progress in Physical Geography

6

ABSTRACT 

Baseflow is the portion of streamflow that is sustained between precipitation events, fed to stream 

channels by subsurface pathways.  Understanding baseflow is of great importance, as these flows are 

critical to issues of water quality, water supply, and aquatic habitat.  There is a large body of literature 

investigating the relationships between watershed characteristics and stream baseflow, and this paper 

seeks to synthesize the findings of case studies throughout the world.  This review emphasizes literature 

research covering the relationships between baseflow and watershed geomorphology and land use 

(emphasizing forest, agriculture, and urbanization), which are key controls on baseflow through their 

influence on infiltration, rates of water removal from the catchment, and subsurface storage properties.   

The literature shows that there is much that remains to be resolved toward a solid understanding of 

how watershed properties influence baseflow.  While it is clear that watershed topography and 

geomorphology influence baseflow, there is no consensus on which geomorphic parameters are most 

closely linked to subsurface storage and baseflow.  Similarly, there is little consistency among studies 

investigating the effects of land‐use change on baseflow.  Many studies associate higher watershed 

forest cover with lower baseflows, attributed to high evapotranspiration rates of forests, while other 

studies indicate increased baseflow with higher watershed forest cover due to higher infiltration and 

recharge of subsurface storage.  The demonstrated effects of agriculture and urbanization are also 

inconsistent, due to varied additions of imported water and extremely variable natural background 

conditions.  This review underscores the need for more research that addresses multiple aspects of the 

watershed system in explaining baseflows, and for methodological consistency to allow for more fruitful 

comparisons across case studies.  

 

7

 2.1. Introduction  

Baseflow is influenced by natural factors such as climate, geology, relief, soils, and vegetation.  

Human impacts on the landscape may modify some or all of these factors, in turn affecting baseflow 

timing and quantity.  The need for a greater understanding of streamflow response to external change 

has been recognized for decades, but previous research has tended to emphasize flood response to 

increased human pressures on the landscape (e.g., Knox, 2001; Choi, 2004). In this respect, the literature 

is under‐represented in studies investigating baseflow response to human impact.  A scientific 

understanding of watershed processes and baseflow is critical to effective water policy and 

management.  Population growth is associated with increasing demands on freshwater resources for 

industry, agriculture, and human consumption, and water shortages are not uncommon in the United 

States, even in humid regions (Hornbeck et al., 1993).  A firmer grasp on the controls of baseflow is 

pivotal in issues of contaminant dilution (Novotny and Olem, 1994; Jordan et al., 1997; Barnes and 

Kalita, 2001), stream ecology (Klein, 1979; Boulton, 2003; Konrad and Booth, 2005), and adequate water 

supply to population centers (Hornbeck et al., 1993, Illinois EPA, 2002).  Human waste allocation 

requires accurate estimation of baseflow discharge (Smakhtin, 2001), and contaminants that enter 

stream systems via soil or groundwater storage are most highly concentrated during baseflow.  These 

factors carry negative implications for stream biota and human consumption if baseflows are reduced 

(Novotny and Olem, 1994; Barnes and Kalita, 2001; Dewson et al., 2007).  Reduced baseflow is also 

associated with reduced stream width, warmer temperatures, lower dissolved oxygen, and higher 

nutrient concentrations that may promote excessive growth of habitat‐choking algae.  These conditions 

are often fatally stressful for sensitive, endemic species, and low water levels in streams have been 

associated with decreases in richness of aquatic macroinvertebrate and fish species (Boulton, 2003; 

Mote et al., 2004). 

 

8

2.1.1 Baseflow overview ‐ Within the literature, there is inconsistent terminology usage, with “baseflow” 

and “low flow” commonly used interchangeably to denote streamflow occurring between precipitation 

and/or snowmelt events, resulting from sustained subsurface inputs to the stream channel. These and 

other terms are also inconsistently differentiated within the literature to specify the lowest annual 

streamflow within a watershed or region.  In this review, the term “baseflow” will be used generally to 

represent streamflow fed from deep subsurface and delayed shallow subsurface storage between 

precipitation and/or snowmelt events (Ward and Robinson, 1990), with “annual low flow” specifying dry 

season minimum flow (Smakhtin, 2001).  Several sources emphasize that “baseflow” is not synonymous 

with groundwater flow, as it includes water transmitted from shallow unsaturated storage in addition to 

significant contributions from phreatic storage (Anderson and Burt, 1980; Ward and Robinson, 1990; 

Buttle, 1998; Brutsaert, 2005).  Baseflow is also derived from the drainage of near‐surface valley soils 

and riparian zones, as water concentrates in these areas during and following precipitation events 

(Smakhtin, 2001; Brutsaert, 2005).  Baseflow is naturally influenced by a wide range of factors 

(Brutsaert, 2005): 

• Basin physiographic characteristics 

• Distribution of storage in river channels and groundwater aquifers 

• Evapotranspiration(ET) from stream banks and throughout the catchment 

• Geomorphology of the landscape and stream network 

• Configuration and nature of the riparian aquifers and near surface soils 

Many of these factors may be altered with human impact on the landscape, and it thus becomes critical 

to understand not only the relationships between basin physical properties and stream baseflow, but 

also the ways in which anthropogenic impact affects these physical properties. 

 

9

2.1.2 Limits and scope of this review ‐ This review emphasizes literature covering geomorphic and 

anthropogenic effects on baseflow in humid regions of the world, avoiding, for example, arid and polar 

settings.  Additionally, karst environments (or other settings with disconnected groundwater and surface 

water systems) are not covered, and there is bias toward representation of upland systems with shallow 

groundwater storage.  While climate is a clear factor in determining stream baseflow, via direct 

influence on precipitation input and evaporation and indirect influence via vegetation and drainage 

network response, the effects of climate on baseflow are not addressed.  Furthermore, this review 

highlights directions (as opposed to magnitudes) of baseflow response to human impact, because of 

inconsistent methodologies and metrics in the studies presented. 

A section on geomorphic controls on baseflow discharge will cover the influences of basin 

geology, surface topography, subsurface topography, and soils.  This section is followed by an overview 

of anthropogenic effects on baseflow, with emphases on forest removal, agriculture, and urbanization, 

because of the large body of research on those topics.   

 

2.2. Geomorphic controls on baseflow 

2.2.1 Bedrock geology ‐ Catchment geology substantially affects baseflow‐generating processes 

(Farvolden, 1963; Freeze, 1972; Smakhtin, 2001; Tague and Grant, 2004; Neff et al., 2005).  In regions 

underlain by permeable, soluble, or highly fractured bedrock, groundwater storage volumes within the 

bedrock itself may be highly significant, and the connectivity to the surface water network may be 

extremely complex.  In contrast, areas underlain by crystalline or massive bedrock with minor fracturing 

may not store significant quantities of water and thus contribute to relatively short water residence 

times.  In karst environments, a losing effect on baseflow has been observed (White, 1977), due to the 

often very high storage capacities in limestone and dolomite solution cavities.  The idea that the 

hydrogeologic properties of catchment bedrock influence storage, residence times, and baseflow is 

10

straightforward, but catchment geology also indirectly affects basin hydrology in its influence on 

drainage network structure.  Easily eroded bedrock lends itself more readily to channel formation and 

pedogenesis, both affecting storage capacities and rates of water transmission (Farvolden, 1963). 

 

2.2.2 Surface topography – Thorough assessment of basin topography is often missing from watershed 

analyses. Surface topography is a key control on baseflow, both directly and indirectly, and the influence 

of topography is most pronounced in relatively high relief settings (Tetzlaff et al., 2009). Exceptions exist 

in karst or highly porous settings, such as volcanic or glacial terrain, where water can move freely in the 

subsurface below surface drainage divides (Devito et al., 2005). Topographic gradients control the rate 

at which soil water moves downslope, thereby determining whether stormwater is flushed to the 

channel network or retained in the soil post‐event.  The effect of land‐use change on streamflow may be 

mitigated or amplified by basin surface and/or subsurface topography, and ideally these factors should 

be considered in assessment of stream response to human impact (Dubé et al., 1995; Iroumé et al., 

2005).  Little is known regarding which specific topographic variables are most useful for predicting 

baseflow and/or explaining baseflow variability response to land use change, but many metrics have 

been demonstrated as beneficial components of hydrologic models.   

Metrics of surface topography in hydrologic modeling are often reduced to single indices, with 

Beven and Kirkby’s (1979) topographic index (TI) the most common.  TI is computed as ln(α/tan β), 

where α = specific contributing area to a given site, and β = the local slope angle at that site.  TI 

increases as contributing area increases and slope angle decreases.  Increasing drainage area should 

increase groundwater contributions, and decreasing slope angle should reduce the rate of groundwater 

transmission, assuming that surface topography approximates the hydraulic gradient for shallow 

groundwater systems (Buttle et al., 2001).  Troch et al. (1993) reported that the TOPMODEL approach 

using TI and soil transmissivity yielded accurate depths to shallow water tables. However, many studies 

11

that test predicted versus observed water table depths, streamflows, or other related factors using this 

approach have reported limited success (Burt and Butcher, 1985; Jordan, 1994; Moore and Thompson, 

1996; Rodhe et al., 2006; Buttle et al., 2001).  Furthermore, the index is so highly generalized that basin 

mean TI values may not vary greatly within a study region (McGuire et al., 2005), limiting its use in cross‐

site comparisons. The lack of total success of such an approach does not by any means negate the 

importance of surface topography in the storage and transmission of baseflow, although some of these 

authors arrive at that conclusion.  The lack of success is at least partially due to the insufficiency of the 

index in characterizing basin topography.  Though obviously simplistic, TI is readily computed from 

digital terrain data and incorporated into spatial models, and is thus widely used in popular applications, 

such as TOPMODEL (Beven and Kirkby, 1979), SWAT (Anderson et al., 1993), and WetSpa (Liu et al., 

2003).  

Several studies have demonstrated that parameters expressing catchment geometry (e.g, 

hypsometric integral, metrics expressing degree of stream network development, and indices of 

flowpath length and gradient) are beneficial in prediction and analysis of baseflow and related factors 

(Farvolden, 1963; Woods et al., 1997; McGuire et al, 2005).  Among many influences addressed, 

Farvolden (1963) found potential discharge (a flow component related to baseflow) to be most strongly 

correlated to basin geometry in a mountainous region of Nevada.  Woods et al. (1997) devised a 

subsurface flow index based on surface topography, which the authors report to efficiently describe the 

time‐varying spatial pattern in subsurface runoff generation, ideal for use in steep forested catchments 

in humid climates.  Corroborating the idea that catchment‐scale flow path distribution is largely a 

function of catchment geometry (Kirchner et al., 2001; Lindgren et al., 2004), McGuire et al. (2005) 

found strong correlations between catchment terrain indices representing flow path distance and 

gradient to the stream network in the Oregon Cascades.  Santhi et al. (2008) found topographic relief to 

be a predictor of baseflow index (proportion of total streamflow as baseflow) on a regional scale. 

12

However, dimensionless topographic parameters were shown to have no relationship with baseflow 

index in southeastern Australia (Lacey and Grayson, 1997).   Drainage density, or the length of stream 

network per unit watershed area, has been shown to have a negative relationship to baseflow in many 

settings (Farvolden, 1963; Gregory and Walling, 1968; Marani et al., 2001; Warner et al., 2003).  Higher 

drainage density is synonymous with greater contact area between subsurface storage and stream 

channels.  Presumably, this greater contact area facilitates removal of water and reduced baseflows 

during drier times of year.  

In addition to its influence on subsurface flowpath distribution and transit times, surface 

topography also relates to the distribution of shallow storage.  Surface topographic characteristics may 

express the amount of alluvial bottomland and floodplain storage (Brown et al., 2005), and the presence 

and extent of colluvium available for subsurface water storage.  Alluvial aquifers are understood to be a 

key source of streamflow in many settings (Larkin and Sharp, 1992).  In theory, the presence and extent 

of alluvial valleys is closely linked with baseflow quantity, though few studies have directly addressed 

this relationship (Brown et al, 2005; Soulsby et al., 2006).  Schilling (2009) showed that amounts of 

groundwater recharge were highly dependent on topographic position, with the greatest quantities of 

recharge observed in alluvial zones.  Using geochemical and isotopic tracers, Tetzlaff and Soulsby (2008) 

demonstrated that the upper 54% of a large river catchment in Scotland supplied 71% of the system 

baseflow, and that the groundwater of the lower slopes of montane headwaters (where colluvium 

deposits occur) provide a major source of baseflow to the river system.   Colluvium has also been shown 

to be an important shallow reservoir in the Cascades (Galster and Leprade, 1991; Shulz et al., 2008).   

 

2.2.3 Subsurface topography and soil characteristics‐ Subsurface topography, in addition to surface 

relief, exerts strong influence on water storage and throughflow pathways, and thus influences 

baseflow. Throughflow processes require a confining layer through which water cannot easily infiltrate, 

13

thereby initiating lateral subsurface flow (Hutchinson and Moore, 2000).  It is these confining layers that 

prevent continued infiltration of water, thereby allowing shallow storage contributions to baseflow.  In 

hydrologic modeling, topographic indices to estimate soil moisture properties and rates of throughflow 

are generally limited to metrics of surface topography, despite the influence of confining layers on 

flowpaths.  Many studies have indicated substantial influence of subsurface topography on hillslope 

hydrology and soil moisture characteristics (e.g. McDonnell et al., 1996; Gburek and Folmar, 1999; 

Hutchinson and Moore, 2000; Chaplot and Walter, 2003; Chaplot et al., 2004).  During or immediately 

following storm or snowmelt events, when water table elevations are relatively high, the soil moisture 

surface is more likely to parallel the surface topography than that of the confining layer (Hutchinson and 

Moore, 2000).  However, the influence of subsurface topography is of particular importance during 

relatively low moisture conditions, when the topography of the confining layer may be the predominant 

control on moisture retention, and, thus, an important factor for baseflow.  However, no known studies 

have specifically addressed the influence of subsurface topographic characteristics on stream baseflows. 

Subsurface strata that induce throughflow are widely varied, but are most often associated with 

pedogenically unaltered parent material.  Dense bedrock (Hursh and Fletcher, 1943), impermeable 

saprolite (Chaplot et al., 2004), heavily compacted till (Hutchinson and Moore, 2000; Reuter and Bell, 

2003), and hydraulically restrictive loess layers (O’Geen et al., 2004) have all been demonstrated to 

influence soil and hillslope hydrology.  Additionally, pedogenic features such as claypans (Wilkison and 

Blevins, 1999), well‐developed argillic horizons (Perillo et al., 1999), fragipans (Parlange et al., 1989), and 

relatively dense mineral horizon development beneath loose organic layers (Kim et al., 2005) have been 

shown to limit vertical infiltration, although the effect is generally not adequately widespread to 

significantly impact meso‐ or macroscale hydrology.  Pedogenic features generally fail to function as true 

confining layers, primarily due to macropore and preferential flow path development across the 

hydraulically restrictive horizon.  Soil pipeflow has been demonstrated as extremely significant in humid 

14

areas (Bryan and Jones, 1997).  As macropores and pipes serve as conduits for a substantial share of soil 

water, networks that perforate less‐permeable layers undermine their confining potential.  Such 

networks commonly disrupt potential pedogenic confining layers, such as argillic horizons.  Tree root 

growth, animal burrowing, and other bioturbation processes affect soil horizons to a much greater 

extent than seen with parent material confining layers such as bedrock, saprolite, or compacted till.  

Wilkison and Blevins (1999) used chemical tracers to demonstrate vertical preferential flow paths 

through a claypan to outweigh lateral throughflow above the claypan.  Similarly, Perillo et al. (1999) 

identified vertical preferential flow pathways created by decayed roots through a well‐developed argillic 

horizon that partially induced lateral flow.  Thus, it seems that extreme circumstances are required for 

pedogenic features to serve as broadly‐influential confining layers.  These circumstances seem 

particularly unlikely to be met in humid forested environments, where biological activity is abundant 

and disruptive to hydraulically resistant horizons.  Thus, it is assumed that lithologic contacts underlying 

soil, such as the soil/bedrock or saprolite/bedrock interface (Hatcher, 1998; McDonnell et al., 1996), are 

more important in governing subsurface flow and contributions to baseflow than pedogenic features in 

the soil itself. 

 

2.2.4 Combined influences of topography and soils ‐ Soil properties influence the distribution of water 

storage, but correlations between soil properties and topography typically hinder isolation of the 

influence of soil characteristics on water storage and baseflow.  Primarily, variation in soil texture plays a 

significant role in the rate of moisture loss due to surface or subsurface topographic gradients (Dodd 

and Lauenroth, 1997; Yeakley et al., 1998).  Spatially dependent soil texture and hydraulic conductivity is 

often present in settings with substantial subsurface flow (Wilson et al., 1989).  Soil textural variability 

undoubtedly affects the rate at which water is transmitted through subsurface pathways, particularly 

during unsaturated conditions (Famiglietti et al., 1998).  Spatial variability of soil moisture is most 

15

pronounced during unsaturated conditions between storm events (Van Ommen et al., 1989; Hutchinson 

and Moore, 2000; Sidle et al., 2000; Kim et al., 2005), and such variability is partially attributable to soil 

texture.  However, determining the strength of this influence is complicated by the theoretical 

correlations between topography and soil texture.  Systematic downslope variation in soil texture 

commonly occurs, as the result of decreasing slope and corresponding slowed rates of water movement 

from ridge to toeslope positions (Schaetzl and Anderson, 2005).  Thus, correlations between soil texture 

and hillslope position are likely to exist, with finer particle size, thicker soils, and low slope gradients 

combining their influences to encourage soil moisture retention.  Conversely, steep upper slopes are 

likely characterized by coarser, less developed, and thinner soils, thereby more rapidly transmitting 

water.  Furthermore, soil hydrology is strongly affected by spatial variability of soil moisture, which may 

be predominantly controlled by surface and/or subsurface topography (Woods et al., 1997).  From this 

perspective, isolating the influence of soil characteristics from topography is problematic. 

 

2.3. Effects of human land use on baseflow 

Widespread vegetation change and soil disturbance accompany most forms of land‐use change, 

and such impacts are often sufficient to alter the timing and quantity of baseflow.  Additionally, human 

impact may involve direct water removal or inputs to streams or catchments.  Table 2.1 summarizes 

baseflow response to several common forms of human impact.  Extreme impact (e.g., urbanization) may 

be associated with a total rearrangement of surface and subsurface pathways, in addition to changes in 

soil properties, vegetation, etc.  This section on anthropogenic controls on baseflow addresses patterns 

observed with forest removal, urbanization, and agriculture.  

 

2.3.1 Forest removal ‐ There is an apparent conflict in the literature regarding baseflow response to 

forest removal (Johnson, 1998; Smakhtin, 2001; Brujinzeel, 2004; Brown et al., 2005).  Globally inclusive 

16

literature investigating the role of basin forest cover on flow in headwater stream catchments (i.e., < 2 

km2) indicates an increase in mean annual flow in response to removal of basin vegetation (examples of 

reviews: Hibbert, 1967; Bosch and Hewlett, 1982; Swank et al., 1988; Sahin and Hall, 1996; Jones and 

Post, 2004; Brown et al., 2005), with many studies specifically indicating increases in baseflow (Harr et 

al., 1982; Keppeler and Ziemer, 1990; Hicks et al., 1991; Smith, 1991).  This relationship is attributed to 

greater interception and evapotranspiration rates associated with forest cover, and a solid consensus 

exists regarding the greater water use of mature trees compared with other vegetation types (Bosch and 

Hewlett, 1982; Calder, 1990; McCulloch et al., 1993).  In some cases, these results have been interpreted 

as a potentially dangerous suggestion that watershed management approaches could include 

deforestation to increase water yield for public use (Brooks et al., 1991; Chang, 2003).  

Despite the prevailing literature for headwater streams, there is a sound theoretical basis for 

decreased baseflow in response to forest removal, as forest cover is associated with higher infiltration 

and recharge of basin subsurface storage.  Additionally, the high water holding capacity of forest soils 

allows for high water storage and slow drainage, theoretically sustaining higher baseflows (Ohnuki et al., 

2008; Price et al., in review).  The negative relationship between watershed forest cover and baseflow 

volume for headwater streams presumably results from experimentation methods where the surface 

infiltration characteristics are not drastically altered, thus isolating evapotranspiration changes as the 

key influence on recharge and baseflow (Bruijnzeel, 2004; Brown et al., 2005).  In fact, some studies 

investigating permanent land‐use change have shown decreased baseflow from conversion of forest to 

nonforest land use (e.g., Bruijnzeel, 2004; Line and White, 2007).   Data from 30 streams in the 

Piedmont and Blue Ridge provinces of the southern Appalachian Highlands indicate a significant positive 

relationship between basin forest cover and baseflow discharge (Price and Jackson, 2007).  Due to the 

relative lack of soil disturbance associated with paired‐catchment studies emphasizing forest regrowth, 

17

very few studies in the experimental forestry literature demonstrate increases in baseflow with greater 

forest cover (Smakhtin, 2001; Brown et al., 2005).  

The above forestry experimentation studies relating forest removal to increased streamflow 

assess response in very small basins, rarely larger than 2 km2, and generally one to two orders of 

magnitude smaller.  It is unclear whether or not these relationships demonstrate the same direction and 

magnitude in larger watersheds (Blöschl, 2001; Sivapalan, 2003; Shaman et al., 2004).  Studies relating 

forest cover to baseflow in larger systems are extremely rare, and there is no empirical basis for 

extrapolating the results of small experimental catchment studies to larger, more heterogeneous basins 

(Pilgrim et al., 1982; Smakhtin, 2001; Costa et al., 2003), whereas there is evidence that upscaling from 

hillslope/small catchment studies to larger basins leads to erroneous interpretation (Farvolden, 1963; 

Sivapalan, 2003; Soulsby et al., 2004).  The few examples assessing baseflow response at larger scales 

have demonstrated mixed results (e.g. Wilk et al., 2001; Costa et al., 2003), indicating a need for further 

investigation.  It is probable that increasing topographic complexity with increasing scale may allow for 

water storage units (e.g., alluvial bottomlands) that do not exist in the small headwater catchments 

emphasized in the forestry experimentation literature.   Such storage could potentially offset ET losses 

associated with forest cover and sustain higher baseflow in forested settings where sufficient infiltration 

occurs, creating a positive relationship between forest cover and baseflow. Additionally, non‐forest land 

use in larger basins may be associated with more intensive soil compaction and losses, impervious 

surface, etc., that decrease infiltration, recharge, and baseflow beyond the impacts associated with 

forest hydrology experimentation (Brujinzeel, 2004; Price et al., in review).   

In addition to spatial scale, there are issues of temporal scale.  The nature of paired catchment 

studies prevalent in the experimental forestry literature generally involves the application of a 

treatment and measurement of a response; this is followed by return of the vegetation to pre‐treatment 

conditions (Swank et al., 1988).  Sub‐ and exurban land uses are generally far more permanent than 

18

forestry experimentation, and a complete understanding of long‐term baseflow response to forest 

removal is lacking. 

 

2.3.2 Urbanization ‐ Urbanization involves a wide range of impacts, and specific stream response 

depends on many factors (Doyle, 2000).  Anthropogenic impacts on watershed hydrology accompanying 

urbanization involve widespread and drastic re‐organization of surface and subsurface pathways, and 

frequently are complicated by importation of water from other watersheds or previously disconnected 

groundwater reservoirs.  Following urbanization, water is more quickly flushed through catchments due 

to reduced hydraulic resistance of land surfaces and channels associated with impervious surface 

coverage, channelization, and subsurface storm drainage networks.  Intuitively, it follows that 

accelerating water removal from stream systems would be linked with corresponding decreases in 

recharge and baseflow in urban systems.  This assumption dominated hydrologic understanding of 

urban impacts for decades, largely due to the influence of Leopold’s (1968) widely cited urban hydrology 

guidebook (Brandes et al., 2005).  In this benchmark publication, management implications center on 

baseflow reduction associated with urbanization, based more on theory than observed trends. While 

the assumption that increased impervious surface decreases infiltration, recharge, and ultimately 

baseflow is theoretically solid, Leopold’s conceptual model has proven to be overly simplistic and is not 

well‐supported by published data (Ferguson and Suckling, 1990).  While event flows do consistently 

increase and result in faster recession to baseflow with increased impervious surface (Ferguson and 

Suckling, 1990; Konrad, 2003; Brandes et al., 2005; Burns et al., 2005), the intuitive corollary of baseflow 

decline does not behave quite as neatly, as a result of additional urban effects on subsurface recharge.  

The complete picture of hydrologic response to urbanization is extremely complex, with some factors 

acting to reduce recharge and others to increase recharge (Table 2.2).   

19

Assumptions that urbanization decreases baseflow are generally based on reduced recharge due 

to increased impervious surface, which is indeed a dominant factor in urban hydrology.  Impervious 

surface coverage in urban basins drastically exceeds that of basins experiencing other land‐use types.  

Road networks, parking lots, rooftops, etc., all contribute to increased impervious percentages, with 

individual cities demonstrating different degrees of greenspace to offset the impacts of impervious 

surface.  While impervious coverage undoubtedly has an enormous effect on urban hydrology, it is 

unrealistic to view urban systems in a surface‐based framework as is commonly applied to systems 

experiencing lower‐intensity impacts.  In more moderately impacted settings, surface hydrology remains 

dominated by natural processes (e.g., evapotranspiration, soil hydrology) following landscape change.  

In most urban settings, however, water is completely redistributed to accommodate human activities 

and prevent flood damage.  Water is routed across the surface and through the subsurface via ditching, 

storm drains, water mains, wastewater sewers, and other means, completely altering the rates and 

paths of water transmission through urban basins.  Such re‐working of the hydrologic system precludes 

explanation of baseflow response to urban land use solely in terms of the effects of vegetation removal 

and increased impervious surface (Lerner, 2002; Meyer, 2005), although such simplification is still 

commonplace. 

   A major additional complication occurs in urban systems:  virtually all major cities import water 

(Lerner, 2002).  The importation of water may include pumping from deep groundwater that is 

otherwise disconnected from the surface water system, piping of water from other watersheds, and/or 

withdrawal of water from downstream reservoirs.  This water is redistributed throughout cities via pipe 

networks that have been consistently demonstrated to lose substantial quantities of water (Lerner, 

2002).  Lerner (1986) reports water main leakage rates of 20‐25% to be common, with rates reaching as 

high as 50%.  Wastewater sewer systems have also been observed to leak substantial amounts of water, 

which often originates outside the drainage basin.  Such leakage, along with surface inputs of imported 

20

water (e.g., septic drainage, lawn/garden watering, and other forms of outdoor domestic water usage) 

may enter subsurface storage and can significantly offset or overshadow storage losses due to other 

urbanization effects.  Sustained baseflow with urbanization has also been attributed to ET reduction 

associated with vegetation removal (e.g., Appleyard et al., 1999; Rose and Peters, 2001).  However, the 

role of ET in urban systems remains largely unresolved.  For example, Oke (1979) demonstrated ET rates 

to remain steady despite decreased vegetation cover in Vancouver, B.C., due to advection of heat from 

non‐vegetated surfaces.  While such processes may act significantly in suburban areas or cities with 

abundant vegetation, they cannot be assumed to dominate in all urban areas.   

All of the factors addressed above may be expressed to varying degrees in different cities or 

regions, resulting in inconsistent hydrologic response to urbanization throughout the world (Table 2.3). 

It seems that there is no truly predictable response of annual low flow, proportion of baseflow to total 

streamflow, or groundwater recharge to urbanization, as demonstrated by the case studies outlined 

below.    Of the studies reviewed that directly address annual low flow response to urbanization, none 

demonstrated a pronounced decrease in discharge (e.g. Harris and Rantz, 1964; Rose and Peters, 2001; 

Konrad and Booth, 2002). Harris and Rantz (1964) attribute increased annual low flow to distribution 

and leakage of imported water, an insight issued decades before most hydrologists accepted such a 

source to be significant.  Rose and Peters (2001) attribute the lack of annual low flow response in 

Atlanta, Georgia, to an offsetting of the effects of impervious surface by reduced ET associated with 

vegetation removal.  Finally, Konrad and Booth (2002) interpret inconsistent annual low flow response 

in the Puget Sound basin to varying degrees of development, implying that in some cases a development 

threshold necessary to induce response has not been reached.   

 The response of baseflow proportion shows a weak tendency toward decline among the case 

studies reviewed.  Streams in Pennsylvania, New York, Georgia, and Orgeon, all demonstrated baseflow 

reduction associated with urbanization (Leopold, 1968; Simmons and Reynolds, 1982; Rose and Peters, 

21

2001; Chang, 2007).  In all cases, the authors attribute observed declines to recharge loss associated 

with impervious surface coverage, and Simmons and Reynolds (1982) additionally cite the removal of 

wastewater from stream basins.  In contrast, streams in Harlow, Great Britain, and southern New York 

demonstrated baseflow increases with urbanization, presumably due to distribution and leakage of 

imported water (Hollis, 1977; Burns et al., 2005).  The wide variety of factors controlling baseflow 

discharge and system response to urbanization likely explains the disagreement among these studies.  A 

lack of consistent results or no response was observed in the majority of the reviewed studies 

addressing baseflow (Beran and Gustard, 1977; Ferguson and Suckling, 1990; Brandes et al., 2005; 

Konrad and Booth, 2005).  Explanations for the lack of clear trends include effects from pronounced 

seasonality in the Pacific Northwest (Konrad and Booth, 2005), marked variability of background 

conditions and specific impacts in the Mid‐Atlantic region (Brandes et al., 2005), and the offsetting of 

rapid transmission of stormwater by distribution and leakage of imported water (Ferguson and Suckling, 

1990). 

 Additional case studies were reviewed that address recharge to subsurface storage, as this is 

inextricably linked with baseflow.  Results from these studies generally indicate a more consistent 

response to urbanization than seen with annual low flow or baseflow proportion.  Four of the studies 

reviewed, conducted in Caracas, Venezuela; Perth, Australia; Wolverhampton, UK; and northeastern 

Illinois demonstrate increased recharge with urbanization (Appleyard et al., 1999; Hooker et al., 1999; 

Seiler and Alvarado‐Rivas, 1999; Meyer, 2005).  In all of these cases, recharge increases are attributed to 

distribution of imported water and/or infrastructure leakage, with Appleyard et al. (1999) additionally 

citing reduced ET as a factor.  Decreases in recharge were observed in Long Island, New York (Koszalska, 

1975); Atlanta, Georgia (Rose and Peters, 2001); and the Kleine Nete basin in Belgium (Dams et al., 

2008) attributed to export of wastewater in New York and reduced infiltration in the latter two studies.  

Two studies in southern New York failed to demonstrate a clear direction of response to urbanization 

22

(Ku et al., 1992; Burns et al., 2005).  It is noteworthy that a larger percentage of recharge studies 

demonstrated increase than was seen in the baseflow studies. The fact that increases in recharge were 

slightly more common than increases in baseflow may indicate that urban manipulation detectibly 

complicates the pathways between subsurface recharge and channel flow.  However, the only study 

that explicitly addressed both baseflow and recharge demonstrated the same direction of response in 

both components (Rose and Peters, 2001), which suggests that the discrepancies seen among recharge 

and baseflow studies may simply be further evidence of lack of consistent response to urbanization in 

different settings.   

Interpretation of baseflow response to urbanization is further complicated by several 

considerations.  Comparison of urban response across cities and regions is problematic, based on 

differences in natural hydrologic background variability, unique infrastructure systems, and varied 

management approaches.  Research design and choice of parameters assessed is not universally 

consistent, clouding cross‐study comparison.  Investigators tend to seek clear trends in response to 

urbanization, and in the process may overlook complex patterns associated with geographic variability 

in physical setting, a point reinforced by more comprehensive analyses (e.g., Ferguson and Suckling, 

1990; Rose and Peters, 2001; Konrad and Booth, 2005). Relatively intense, long‐term urbanization has 

been the focus of most urban hydrology research, and far less is known about the impacts of lower‐

density or carefully mediated urban development.  Land‐use activities associated with moderate impact 

or episodic disturbance may not result in detectible stream response, given other background sources of 

hydrologic variability (Konrad and Booth, 2002).  The conceptual model outlined by Leopold (1968) does 

not include consideration of these and other factors, and it unfortunately appears that baseflow 

response to urbanization cannot be predicted by a highly simplified set of parameters.   

 

23

2.3.3 Agriculture ‐ As seen with urbanization, baseflow response to agricultural land use may be positive 

or negative, depending on management practices. First, there is the obvious confounding factor of 

irrigation (Dow et al., 2007; He et al., 2009).  If crops are irrigated from the surface water resources 

linked to the stream network, increased ET may reduce baseflows.  However, if irrigation water is drawn 

from disconnected groundwater resources or from outside the drainage basin, increases in baseflow 

may occur.  Furthermore, varied management practices are associated with a wide range in associated 

soil impacts (e.g., conventional tillage practices vs. no‐till and conservation tillage), differing temporal 

patterns to intensive cropping (e.g., perennial vs. seasonal cultivation), and whether or not crop residue 

or other soil cover are used during the fallow season (Kent, 1999).  Drainage tiling may also have strong 

impacts on baseflow in agricultural areas (Schilling and Helmers, 2008). 

   Accordingly, studies investigating baseflow response to agricultural land use have demonstrated 

mixed results.  Schilling and Libra (2003) showed that many Iowa rivers have seen increases in annual 

baseflow and baseflow index, and additional work has shown that these increases were significantly 

related to increasing row crop intensity (Schilling, 2005). Increases in baseflow over the past 60 years 

within the upper Mississippi River basin have been attributed to reductions in ET associated with 

conversion from perennial to seasonal cultivation (Ling and Slack, 2005; Zhang and Schilling, 2006), and 

changes in tillage practices (Potter, 1991; Kent, 1999).   Using rainfall simulation experiments, Rasiah 

and Kay (1995) showed that minimum tillage practices were associated with lower overland flow and 

increased infiltration compared with conventional tillage of corn crops in Canada.   Charlier et al. (2008) 

showed that greater overland flow in agricultural areas of Guadeloupe reduced recharge and decreased 

baseflows.  Decreased agricultural land use in Georgia and Wisconsin has been linked with increased 

baseflows attributed to higher infiltration rates (Knox et al., 2001; Juckem et al., 2008), while large scale 

conversion of forest to agricultural land in Thailand demonstrated no significant changes in baseflow 

(Wilk et al., 2001).  Overall, the literature addressing baseflow response to agricultural influence 

24

demonstrates two main trends:  Watersheds that have been under agricultural land use for extended 

periods show baseflow increases in response to improved cropping and tillage practices.  However, the 

variety of management practices, variable uses and sources of irrigation, and other background sources 

of variability prevent any clear influence of agricultural land use on baseflows when compared with 

other land uses.  

 

2.4. Summary and conclusions 

Within a given setting of climate and geology, watershed topography and geomorphology 

influence baseflow by affecting the storage properties and rates of water transmission within a 

catchment.  The influence of factors of slope, relief, and drainage density are particularly noteworthy.  

However, it remains unclear whether these factors are themselves strong drivers of baseflow, or 

whether they instead correlate to other aquifer properties that more directly control baseflow.  More 

research is needed to understand the role of subsurface topography on baseflow, and very little is 

known about water storage in varied geomorphic units (e.g., colluvial deposits and alluvial bottomlands) 

and their linkages to baseflow.   

Research investigating anthropogenic controls on baseflow has tended to disproportionately 

emphasize forestry experimentation and urbanization, and within these studies the natural background 

controls on baseflow are often downplayed or ignored.  Several recent studies emphasize the 

importance of considering changes in soil hydrology when assessing streamflow response to land‐use 

change.  Very little is known about baseflow response to land‐use change in larger, more complex 

systems, or in settings affected by development of moderate intensity, information which is essential for 

effective water resources protection and management.  It is increasingly clear that the results of forestry 

experimentation studies demonstrating baseflow increase with forest removal should not be 

extrapolated to more complex system with long‐term land‐use change and extensive soil disturbance.  It 

25

is difficult to draw overarching conclusions regarding the influence of watershed characteristics on 

baseflow from the existing body of literature, given the enormous diversity of natural background 

conditions, watershed parameters, and baseflow metrics among case studies.   This highlights a clear 

need for more studies investigating the relative influences of watershed geomorphology and land use 

within a given natural template, and for efforts to be made toward developing consistent methodologies 

for watershed characterization and baseflow quantification.   

 

2.5. References 

Anderson, J.G., Allen, P.M. and Bernhardt, G., 1993. A comprehensive surface‐groundwater flow model. Journal of Hydrology, 142: 47‐69.  Anderson, M.G. and Burt, T.P., 1980. Interpretation of recession flow. Journal of Hydrology, 46: 89‐101.  Appleyard, S.J., Davidson, W.A. and Commander, D.P., 1999. The effects of urban development on the utilisation of groundwater resources in Perth, Western Australia. In: J. Chilton (Editor), Groundwater in the urban environment ‐ selected city profiles. A.A. Balkerma, Rotterdam, pp. 97‐104.  Barnes, P.L. and Kalita, P.K., 2001. Watershed monitoring to address contamination source issues and remediation of the contamination impairments. Water Science and Technology, 44(7): 51‐56.  Beran, M.A. and Gustard, A., 1977. A study into the low‐flow characteristics of British rivers.  Journal of Hydrology, 35: 147‐157.  Beven, K.J. and Kirkby, M.J., 1979. A physically based, variable contributing area model of basin hydrology. Hydrological Sciences Bulletin, 24(1): 43‐69.  Blodgett, J.C., Walters, J.R. and Borchers, J.W., 1992. Streamflow gains and losses and selected flow characteristics of Cottonwood Creek, north central California, 1982‐1985. U.S. Geological Survey Water‐Resources Investigation Report 92‐4009. 19 pp.  Blöschl, G., 2001. Scaling in hydrology. Hydrological Processes, 15: 709‐711.  Bosch, J.M. and Hewlett, J.D., 1982. A review of catchment experiments to determine the effect of vegetation changes on water yield and evapotranspiration. Journal of Hydrology, 55: 3‐23.  

26

Boulton, A.J., 2003. Parallels and contrasts in the effects of drought on stream macroinvertebrate assemblages. Freshwater Biology, 48: 1173‐1185.  Brandes, D., Cavallo, G.J. and Nilson, M.L., 2005. Base flow trends in urbanizing watersheds of the Delaware River basin. Journal of the American Water Resources Association: 1277‐1291.  Brooks, K.N.,  Ffolliot, P.F., Gregersen, H. M., and Thames, J. L., 1991. Hydrology and the Management of Watersheds. Iowa State University Press, Ames, IA, 402 pp.  Brown, A. E., Zhang, L., McMahon, T. A., Western, A. W., and Vertessy, R. A., 2005. A review of paired catchment studies for determining changes in water yield resulting from alterations in vegetation.  Journal of Hydrology 310: 28‐61.  Bruijnzeel, L. A., 2004. Hydrological functions of tropical forests: not seeing the soil for the trees? Agriculture, Ecosystems, and Enviroment, 104(1): 185‐228.  Brutsaert, W., 2005. Hydrology: an introduction. Cambridge University Press, Cambridge, 605 pp.  Bryan, R.B. and Jones, J.A.A., 1997. The significance of soil piping processes: inventory and prospect. Geomorphology, 20(3‐4): 209‐218.  Burns, D., Vitvar, T., McDonnell, J., Hassett, J., Duncan, J. and Kendall, C., 2005. Effects of suburban development on runoff generation in the Croton River basin, New York, USA. Journal of Hydrology, 311: 266‐281.  Burt, T.P. and Butcher, D.P., 1985. Topographic controls of soil moisture distribution. Journal of Soil Science, 36: 469‐486.  Buttle, J.M., 1998. Fundamentals of small catchment hydrology. In: C. Kendall and J.J. McDonnell (Editors), Isotope tracers in catchment hydrology. Elsevier, Amsterdam, pp. 1‐49.  Buttle, J.M., Hazlett, P.W., Murray, C.D., Creed, I.F., Jeffries, D.S. and Semkin, R., 2001. Prediction of groundwater characteristics in forested and harvested basins during spring snowmelt using a topographic index. Hydrological Processes, 15: 3389‐3407.  Calder, L.R., 1990. Evaporation in the uplands. Wiley, Chichester, UK, 166 pp.  Chang, M., 2003. Forest Hydrology: an Introduction to Water and Forests. CRC Press, Boca Raton, FL, 373 pp.  Chang, H., 2007. Comparative streamflow characteristics in urbanizing basins in the Portland Metropolitan Area, Oregon, USA. Hydrological Processes, 21: 211‐222. 

27

 Chaplot, V. and Walter, C., 2003. Subsurface topography to enhance the prediction of the spatial distribution of soil wetness. Hydrological Processes, 17(13): 2567‐2580.  Chaplot, V., Walter, C., Curmi, P., Lagacherie, P. and King, D., 2004. Using the topography of the saprolite upper boundary to improve the spatial prediction of the soil hydromorphic index. Geoderma, 123(3‐4): 343‐354.   Charlier, J. B., Catlan, P., Moussa, R., and Voltz, M., 2008.  Hydrological behavior and modeling of a volcanic tropical cultivated catchment.  Hydrological Processes 22(22): 4355‐4370.  Choi, W., 2004. Climate change, urbanisation, and hydrological impacts. International Journal of Global Environmental Issues, 4(4): 267‐286.  Costa, M.H., Botta, A. and Cardille, J.A., 2003. Effects of large‐scale changes in land cover on the discharge of the Tocantins River, Southeastern Amazonia. Journal of Hydrology, 283: 206‐217.  Dams, J., Woldeamlak, S. T., and Batelaan, O. 2008. Predicting land‐use change and its impact on the groundwater system of the Kleine Nete catchment, Belgium.  Hydrology and Earth System Sciences 12: 1369‐1385.  Davies, B.R., O'Keefe, J.H. and Snaddon, C.D., 1993. A synthesis of the ecological functioning, conservation, and management of South African river ecosystems. Water Research Commission Report 62/93, Pretoria, South Africa. 232 pp.  Devito, K., Creed, I., Gan, T., Mendoza, C., Petrone, R., Silins, U., and Smerdon, B. 2005. A framework for broad‐scale classification of hydrologic response units on the Boreal Plain: is topography the last thing to consider? Hydrological Processes 19: 1705‐1714.   Dewson, Z. S., James, A. B. W., Death, R. G., 2007. Journal of the North American Benthological Society, 26(4): 754‐766.  Dodd, M.B. and Lauenroth, W.K., 1997. The influence of soil texture on the soil water dynamics and vegetation structure of a shortgrass steppe ecosystem. Plant Ecology, 133(1): 13‐28.  Dow, C. L., 2007.  Assessing regional land‐use/cover influences on New Jersey Pinelands streamflow through hydrograph analysis. Hydrological Processes 21(2): 211‐222.  Doyle, M.W., Harbor, J.M., Rich, C.F. and Spacie, A., 2000. Examining the effects of urbanization on streams using indicators of geomorphic stability. Physical Geography, 21(2): 155‐181.  

28

Dubé, S., Plamondon, A.P. and Rothwell, R.L., 1995. Watering‐up after clear‐cutting on forested wetlands of the St. Lawrence Lowlands. Water Resources Research, 31: 1741‐1750.  Famiglietti, J.S., Rudnicki, J.W. and Rodell, M., 1998. Variability in surface moisture content along a hillslope transect: Rattlesnake Hill, Texas. Journal of Hydrology, 210(1‐4): 259‐281.  Farvolden, R.N., 1963. Geologic controls on ground‐water storage and base flow. Journal of Hydrology, 1: 219‐249.  Ferguson, B.K. and Suckling, P.W., 1990. Changing rainfall‐runoff relationships in the urbanizing Peachtree Creek watershed, Atlanta, Georgia. Water Resources Bulletin, 26(2): 313‐322.  Freeze, R.A., 1972. Role of subsurface flow in generating surface runoff: 1. Base flow contributions to channel flow. Water Resources Research, 8(3): 609‐623.  Gburek, W.J. and Folmar, G.J., 1999. Flow and chemical contributions to streamflow in an upland watershed: a baseflow survey. Journal of Hydrology, 217(1‐2).  Galster, R. W. and Leprade, W. T. 1991. Geology of Seattle, Washington, United States of America.  Bulletin of the Association of Engineering Hydrologists 28(3): 235‐302.  Gustard, A., 1989. Compensation flows in the UK: a hydrological review. Regulated Rivers Resource Management, 3(1‐4): 49‐59.  Gustard, A. and Wesselink, A.J., 1993. Impact of land‐use change on water resources: Balquhidder catchments. Journal of Hydrology, 145: 389‐401.  Harr, R.D., Levno, A. and Mersereau, R., 1982. Streamflow changes after logging 130‐year‐old douglas fir in two small watersheds. Water Resources Research, 18(3): 644‐647.  Harris, E.E. and Rantz, S.E., 1964. Effect of urban growth on streamflow regime of Permanente Creek, Santa Clara County, California. U.S. Geological Survey Water‐Supply Paper 1591‐B, Washington, D.C.  Hatcher, R.D., 1988. Bedrock geology and regional geologic setting of Coweeta Hydrologic Laboratory in the eastern Blue Ridge. In: W.T. Swank and D.A. Crossley, Jr. (Editors), Forest Hydrology and Ecology at Coweeta. Springer‐Verlag, New York, pp. 81‐92.  He, B., Wang, Yi., Takase, K., Mouri, G., and Razafindrabe, B. H. N. 2009. Estimating land use impacts on regional scale urban water balance and groundwater recharge. Water Resources Management 23: 1863‐1873.  

29

Hibbert, A.R., 1967. Forest treatment effects on water yield. In: W.E. Sopper and H.W. Lull (Editors), Forest Hydrology. Pergamon, Oxford, UK, pp. 527‐543.  Hicks, B.J., Beschta, R.L. and Harr, R.D., 1991. Long‐term changes in streamflow following logging in western Oregon and associated fisheries implications. Water Resources Bulletin, 27(2): 217‐226.  Hollis, G.E., 1977. Water yield changes after the urbanization of the Canon's Brook Catchment, Harlow, England. Hydrological Sciences Bulletin, 22: 61‐75.  Hooker, P.J., McBridge, D., Brown, M.J., Lawrence, A.R. and Gooddy, D.C., 1999. An integrated hydrological case study of a post‐industrial city in the West Midlands of England. In: J. Chilton (Editor), Groundwater in the urban environment ‐ selected city profiles. A.A. Balkerma, Rotterdam, pp. 145‐150.  Hornbeck, J.W., Adams, M.B., Corbett, E.S., Verry, E.S. and Lynch, J.A., 1993. Long‐term impacts of forest treatment on water yield: a summary for northeastern USA. Journal of Hydrology, 150: 323‐344.  Hursh, C.R. and Fletcher, P.W., 1943. The soil profile as a natural reservoir. Soil Science Society of America Proceedings, 7: 480‐486.  Hutchinson, D.G. and Moore, R.D., 2000. Throughflow variability on a forested hillslope underlain by compacted glacial till. Hydrological Processes, 14(10): 1751‐1766.  Illinois EPA, 2002. Quantity joins quality as a major water focus in Illinois. Environmental Progress, 27(1). http://www.epa.state.il.us/environmental‐progress/v27/n1/water‐focus.html.  Iroumé, A., Huber, A. and Schulz, K., 2005. Summer flows in experimental catchments with different forest covers, Chile. Journal of Hydrology, 300(1‐4): 300‐313.  Johnson, R., 1998. The forest cycle and low river flows: a review of UK and international studies. Forest Ecology and Management, 109: 1‐7.  Jones, J.A. and Post, D.A., 2004. Seasonal and successional streamflow response to forest cutting and regrowth in the northwestern and eastern United States. Water Resources Research, 40: 1‐19.  Jordan, J.P., 1994. Spatial and temporal variability of stormflow generation processes on a Swiss catchment. Journal of Hydrology, 153: 357‐382.  Juckem, P. F., Hurt, R. J., Anderson, M. P., and Robertson, D. M. 2008. Effects of climate and land management on streamflow in the Driftless Area of Wisconsin.  Journal of Hydrology, 355: 12‐30.  Kent, C.A., 1999. The influence of changes in land cover and agricultural land management practice on baseflow in southwest Wisconsin, 1968‐1998. Ph.D. Dissertation, University of Wisconsin, Madison, WI. 

30

 Keppeler, E.T. and Ziemer, R.R., 1990. Logging effects on streamflow: water yield and summer low flows at Caspar Creek in northwestern California. Water Resources Research, 26(7): 1669‐1679.  Kim, H.J., Sidle, R.C. and Moore, R.D., 2005. Shallow lateral flow from a forested hillslope: Influence of antecedent wetness. Catena, 60(3): 293‐306.  Kirchner, J.W., Feng, X. and Neal, C., 2001. Catchment‐scale advection and dispersion as a mechanism for fractal scaling in stream tracer concentrations. Journal of Hydrology, 254: 82‐101.  Klein, R.D., 1979. Urbanization and stream quality impairment. Water Resources Bulletin, 15: 948‐963.  Knox, J.C., 2001. Agricultural influence on landscape sensitivity in the Upper Mississippi River Valley. Catena, 42(2‐4): 193‐224.  Konrad, C.P., 2003. Effects of Urban Development on Floods. U.S. Geological Survey Fact Sheet 076‐03. 4 pp.  Konrad, C.P. and Booth, D.B., 2002. Hydrologic trends associated wtih urban development for selected streams in the Puget Sound Basin, Western Washington. U.S. Geological Survey Water‐Resources Investigation Report 02‐4040, Tacoma, WA.  Konrad, C.P. and Booth, D.B., 2005. Hydrologic changes in urban streams and their ecological significance. American Fisheries Society Symposium, 47: 157‐177.  Koszalska, E.J., 1975. Water‐table on Long Island, New York, in March 1974 Long Island Water Resources Bulletin LIWR‐5.  Kottegoda, N.T. and Natale, L., 1994. Two component log‐normal distribution of irrigation affected low flows. Journal of Hydrology, 158: 187‐199.  Ku, H.F.H., Hagelin, N.W. and Buxton, H.T., 1992. Effects of Urban Storm‐Runoff Control on Ground‐Water Recharge in Nassau County, New York. Ground Water, 30(3): 507‐514.  Lacey, G. C. and Grayson, R. B., 1997. Relating baseflow to catchment properties in South‐Eastern Australia. Journal of Hydrology 204: 231‐250.  Larkin, R. G. and Sharp, J. M. 1992. On the relationship between river‐basin geomorphology, aquifer hydraulics, and ground‐water flow direction in alluvial aquifers.  Geological Society of America Bulletin 104: 1608‐1620.  

31

Leopold, L.B., 1968. Hydrology for Urban Land Planning ‐ A Guidebook on the Hydrologic Effects of Urban Land Use. U.S. Geological Survey Circular 554, Washington, D.C. 18 pp.  Lerner, D.N., 1986. Leaking pipes recharge groundwater. Ground Water, 24(5): 654‐662.  Lerner, D.N., 2002. Identifying and quantifying urban recharge: a review. Hydrogeology Journal, 10: 143‐152.  Lindgren, G.A., Destouni, G. and Miller, A.V., 2004. Solute transport through the integrated groundwater‐stream system of a catchment. Water Resources Research, 40(W03511): 1‐13.  Line, D. E. and White, N. M., 2007. Effects of development on runoff and pollutant export. Water Environment Research 79(2): 185‐190.  Lins, H. F. and Slack, J. R., 2005. Seasonal and regional characteristics of  US streamflow trends in the United States from 1940 to 1999. Physical Geography 26(6): 489‐501.  Liu, Y.B., Pfister, L., Gebremeskel, S., DeSmedt, F. and Hoffman, L., 2003. A diffusive transport approach for flow routing in GIS‐based flood modeling. Journal of Hydrology, 238(1‐4): 91‐106.  Marani, M., Eltahir, E., and Rinaldo, A. 2001. Geomorphic controls on regional base flow. Water Resources Research, 37(10): 2619‐2630.  Mayden, R. L., 1987. Historical ecology and North American highland fishes: a research program in community ecology. In Matthews, W. J. and Heins, D. C. (eds.), Community and Evolutionary Ecology of North American Stream Fishes, University of Oklahoma Press, Norman, OK.  McCulloch, J.S.G. and Robinson, M., 1993. History of forest hydrology. Journal of Hydrology, 150: 189‐216.  McDonnell, J.J., Freer, J., Hooper, R., Kendall, C., Burns, D., Beven, K. and Peters, J., 1996. New method developed for studying flow on hillslopes. EOS, Transactions of the Americal Geophysical Union, 77: 465‐472.  McGuire, K.J., McDonnell, J.J., Weiler, M., Kendall, C., McGlynn, B.L., Welker, J.M. and Seibert, J., 2005. The role of topography on catchment‐scale water residence time. Water Resources Research, 41(W05002): 1‐14.  Meyer, S.C., 2002. Impacts of urbanization on base flow and recharge rates, Northeastern Illinois: summary of year 2 activities. In: Proceedings of the 12th Annual Research Conference: Research on Agricultural Chemicals and Groundwater Resources in Illinois, Makanda, IL.  

32

Meyer, S.C., 2005. Analysis of base flow trends in urban streams, northeastern Illinois, USA. Hydrogeology Journal, 13(5‐6): 871‐885.   Moore, R.D. and Thompson, J.C., 1996. Are water table variations in a shallow forest soil consistent with the TOPMODEL concept? Water Resources Research, 32(3): 663‐669.  Mote, P.W., Parson, E., Hamlet, A.F., Keeton, W.S., Lettenmaier, D., Mantua, N., Miles, E.L., Peterson, D., Peterson, D.L., Slaughter, R. and Snover, A.K., 2004. Preparing for climatic change: The water, salmon, and forests of the Pacific Northwest. Climate Change, 61(1‐2): 45‐88.  Neff, B. P., Day, S. M., Piggott, A. R. and Fuller, L. M., 2005. Base Flow in the Great Lakes Basin.U.S. Geological Survey Scientific Investigations Report, 2005‐2517.  Novotny, V. and Olem, H., 1994. Water quality: prevention, identification, and management of diffuse polution. Van Nostrand Reinhold, New York City, 1054 pp.  O'Geen, A.T., McDaniel, P.A., Boll, J. and Brooks, E., 2003. Hydrologic processes in valley soilscapes of the eastern Palouse Basin in northern Idaho. Soil Science, 168(12): 846‐855.  Oke, T.R., 1979. Advectively‐assisted evapotranspiration from irrigated urban vegetation. Boundary Layer Meteorology, 17: 167‐173.  Owen, M., 1991. Groundwater abstraction and river flows. Journal of the Institute of Water Environmental Management, 5(6): 697‐702.  Parlange, M.B., Bryan, R.B., Steenhuis, T.S., Timlin, D.J. and Stagnitti, F., 1989. Subsurface flow above a fragipan horizon. Soil Science, 148(2): 77‐86.  Perillo, C.A., Gupta, S.C., Nater, E.A. and Moncrief, J.F., 1999. Prevalence and initiation of preferential flow paths in a sandy loam with argillic horizon. Geoderma, 89(3‐4): 307‐331.  Pilgrim, D.H., Cordery, I. and Baron, B.C., 1982. Effects of catchment size on runoff relationships. Journal of Hydrology, 58: 205‐221.  Pirt, J. and Simpson, M., 1983. The estimation of river flows. Trent Water Authority, UK. 41 pp.  Potter, K.W., 1991. Hydrological impacts of changing land‐management practices in a moderate‐sized agricultural catchment. Water Resources Research, 27(5): 845‐855.  Price, K. and Jackson, C.R.,  2007. Effects of forest conversion on baseflows in the southern Appalachians: A cross‐landscape comparison of synoptic measurements. Proceedings of the 2007 

33

Georgia Water Resources Conference. <http://cms.ce.gatech.edu/gwri/uploads/proceedings/2007/2.3.4.pdf>  Price, K., C. R. Jackson, and A. J. Parker, Variation of surficial soil hydraulic properties across land uses in the southern Blue Ridge Mountains, USA, submitted to J. Hydrol.  Reuter, R.J. and Bell, J.C., 2003. Hillslope hydrology and soil morphology for a wetland basin in south‐central Minnesota. Soil Science Society of America Journal, 67(1): 365‐372.  Rasiah, V., and Kay, B. D., 1995. Runoff and soil loss as influenced by selected stability parameters and cropping and tillage practices. Geoderma 68: 321‐329.  Riggs, H.C., 1976. Effects of man on low flows. In: Proceedings of the Conference on Environment, Aspects Irrigation and Drainage, University of Ottawa. pp. 306‐314.  Rodhe, A., Nyberg, L. and Bishop, K., 1996. Transit times for water in a small till catchment from a step shift in the oxygen 18 content of the water input. Water Resources Research, 32(12): 3497‐3511.  Rose, S. and Peters, N.E., 2001. Effects of urbanization on streamflow in the Atlanta area (Georgia, USA): a comparative hydrological approach. Hydrological Processes, 15: 1441‐1457.  Sahin, V. and Hall, M.J., 1996. The effects of afforestation and deforestation on water yields. Journal of Hydrology, 178: 293‐309.  Santhi, C., Allen, P.M., Mattiahi, R. S., Arnold, J. G., and Tuppiad, P., 2008. Regional estimation of base flow for the conterminous United States by hydrologic landscape regions. Journal of Hydrology 351: 139‐153.  Schaetzl, R.J. and Anderson, S., 2005. Soils: Genesis and Geomorphology. Cambridge, 817 pp.  Schilling, K. E., 2005. Relation of baseflow to row crop intensity in Iowa.  Agriculture, Ecosystems, and Environment, 105: 433‐438.  Schilling, K. E. 2009. Investigating local variation in groundwater recharge along a topographic gradient, Walnut Creek, Iowa, USA. Hydrogeology Journal 17: 397‐407.  Schilling, K. E. and Libra, R. D., 2003. Increased baseflow in Iowa over the second half of the 20th century. Journal of the American Water Resources Association, 39: 851‐860.  Schilling, K. E. and Helmers, M. 2008. Effects of subsurface drainage tiles on streamflow in Iowa agricultural watersheds: Exploratory hydrograph analysis. Hydrological Processes 22(23): 4497‐4506.  

34

Schulz, W. H., Lidke, D. J., and Godt, J. W. 2008. Modeling the spatial distribution of landslide‐prone colluvium and shallow groundwater on hillslopes of Seattle, WA. Earth Surface Processes and Landforms 33: 123‐141.  Seiler, K.‐P. and Alvarado Rivas, J., 1999. Recharge and discharge of the Caracas aquifer, Venezuela. In: J. Chilton (Editor), Groundwater in the urban environment: selected city profiles. A.A. Balkerma, Rotterdam, pp. 233‐238.  Shaman, J., Stieglitz, M. and Burns, D., 2004. Are big basins just the sum of small catchments? Hydrological Processes, 18(16): 3195‐3206.  Sidle, R.C., Tsuboyama, Y., Noguchi, S., Hosoda, I., Fujieda, M. and Shimizu, T., 2000. Stormflow generation in steep forested headwaters: a linked hydrogeomorphic paradigm. Hydrological Processes, 14: 369‐385.  Simmons, D.L. and Reynolds, R.J., 1982. Effects of urbanization on base flow of selected south‐shore streams, Long Island, New York. Water Resources Bulletin, 18(5): 797‐805.  Sivapalan, M., 2003. Process complexity at hillslope scale, process simplicity at the watershed scale: is there a connection? Hydrological Processes, 17: 1037‐1041.  Smakhtin, V.U., 2001. Low flow hydrology: a review. Journal of Hydrology, 240: 147‐186.  Smith, R.E., 1991. Effect of clearfelling pines on water yield in a small eastern Transvaal catchment, South Africa. Water SA, 17(3): 217‐224.  Soulsby, C., Rodgers, P.J., Petry, J., Hannah, D.M., Malcolm, I.A. and Dunn, S.M., 2004. Using tracers to upscale flow path understanding in mesoscale mountainous catchments: two examples from Scotland. Journal of Hydrology, 291: 174‐196.  Soulsby, C., Tetzlaff, D., Rodgers, P., Dunn, S., and Waldron, S. 2006. Runoff processes, stream water residence times and controlling landscape characteristics in a mesoscale catchment: An initial evaluation. Journal of Hydrology 325: 197‐221.  Sutherland, A. S., Meyer, J. L., and Gardiner, E. P., 2002. Effects of land cover on sediment regime and fish assemblage structure in four southern Appalachian streams. Freshwater Biology, 47: 1791‐1805.  Swank, W.T., Swift, L.W., Jr. and Douglass, J.E., 1988. Streamflow changes associated with forest cutting, species conversions, and natural disturbances. In: W.T. Swank and D.A. Crossley, Jr. (Editors), Forest Hydrology and Ecology at Coweeta. Springer‐Verlag, New York, pp. 297‐312.  

35

Tague, C. and Grant, G.E., 2004. A geological framework for interpreting the low‐flow regimes of Cascade streams, Willamette River Basin, Oregon. Water Resources Research, 40(W0403).  Tetzlaff, D. and Soulsby, C. 2008. Sources of baseflow in larger catchments – Using tracers to develop a holistic understanding of runoff generation.  Journal of Hydrology 359: 287‐302.  Tetzlaff, D., Siebert, J., McGuire, K. J., Laudon, H., Burns, D. A., Dunn, S. M., and Soulsby, C.  2009. How does landscape structure influence catchment transit time across different geomorphic provinces?  Hydrological Processes 23: 945‐953.  Trimble, S.W., Weirich, F.H. and Hoag, B.L., 1987. Reforestation and the reduction of water yield on the southern piedmont since circa 1940. Water Resources Research, 23(3): 425‐437.  Troch, P.A., Mancini, M., Paniconi, C. and Wood, E.F., 1993. Evaluation of a catchment scale water balance model. Water Resources Research, 29: 1805‐1817.  Van Ommen, H.C., Hulsof, J., Van Den Heuvel, M., Dijksma, R., Hendrick, J.M.H. and Dekker, L.W., 1989. Experimental assessment of preferential flow paths in a field soil. Journal of Hydrology, 105(3‐4): 253‐262.  Vogt, A. E. 2004. Responses of instream habitat and fishes to modest changes in forest cover in southeastern streams.  M.S. Thesis, The University of Georgia, Athens, GA.   Ward, R.C. and Robinson, M., 1990. Principles of Hydrology. McGraw Hill, Maidenhead, U.K., 365 pp.  White, E.L., 1977. Sustained flow in small Appalachian watersheds. Journal of Hydrology, 32(71‐86).  Wilk, J., Andersson, L. and Plermkamon, V., 2001. Hydrological impacts of forest conversion to agriculture in a large river basin in northeast Thailand. Hydrological Processes, 15(14): 2729‐2749.  Wilkison, D.H. and Blevins, D.W., 1999. Observations on preferential flow and horizontal transport of nitrogen fertilizer in the unsaturated zone. Journal of Environmental Quality, 28(5): 1568‐1580.  Wilson, G.V., Alfonsi, J.M. and Jardine, P.M., 1989. Spatial variability of saturated hydraulic conductivity of the subsoil of two forested watersheds. Soil Science Society of America Journal, 53(3): 679‐685.  Woods, R.A., Sivapalan, M. and Robinson, J.S., 1997. Modeling the spatial variability of subsurface runoff using a topographic index. Water Resources Research, 33(5): 1061‐1073.  Yeakley, J.A., Swank, W.T., Swift, L.W., Jr., Hornberger, G.M. and Shugart, H.H., 1998. Soil moisture gradients and controls on a southern Appalachian hillslope from drought through recharge. Hydrology and Earth System Sciences, 2(1): 41‐49. 

36

 Zhang, Y.‐K., and Schilling, K. E., 2006. Increasing streamflow and baseflow in Mississippi River since the 1940s: Effect of land use change.  Journal of Hydrology, 324: 412‐422. 

37

.Table 2.1 – Anthropogenic impacts on baseflow (Smakhtin, 2001)  

Impact  Attributed Effect Baseflow Response 

Reference(s) 

Groundwater abstraction   lowers water tables  decrease  Owen, 1991 Wetland drainage  accelerated removal of water from 

valley bottoms decrease  Riggs, 1976 

Valley bottom vegetation change   ET change, dependent on specific impact 

increase or decrease 

Swank et al., 1988; Keppeler and Ziemer, 1990 

Catchment afforestation  increased ET  decrease  Trimble et al., 1987; Gustard and Wesselink, 1993 

Catchment forest harvest  decreased ET  increase  Harr et al., 1982; Swank et al., 1988; Hicks et al.,1991 

Catchment forest conversion   decreased ET, increased infiltration  increase or decrease 

Wilk et al., 2001; Costa et al., 2003 

River abstraction  direct removal of water from channel  decrease  Kottegoda and Natale, 1994 Effluent discharge to rivers  direct input of water to channel  increase  Pirt and Simmons, 1983 Irrigation return flow   direct input of water to channel  increase  Blodgett et al., 1992; Dow et 

al, 2007 Importation of water  surface and subsurface water inputs  increase  Davies et al., 1993 Flow regulation  channel impoundment with regulated 

release increase or decrease 

Gustard, 1989 

38

 Table 2.2– Recharge response to various effects of urbanization (Meyer, 2002) 

 

INCREASED RECHARGE 

Surface distribution of imported water (irrigation and other outdoor water use) Infrastructure leakage of imported water Stormwater detention Leakage of event water into shallow  groundwater via storm sewers 

DECREASED RECHARGE 

Impervious surface coverage and soil compaction Rapid transmission of event water through storm sewers and modified channels Leakage of shallow groundwater into storm sewers Shallow groundwater withdrawal Removal of waste water outside of catchment 

39

 Table 2.3 – Summary of studies assessing the response of baseflow and recharge to urbanization 

  

Location Response to Urbanization 

Attributed mechanism(s)  Reference 

Atlanta, Georgia  decrease  reduced infiltration  Rose and Peters, 2001 Coatesville, Pennsylvania  decrease  reduced infiltration  Leopold, 1968 Long Island, New York  decrease  reduced infiltration + export of sewerage water  Simmons and Reynolds, 1982 Portland, Oregon  decrease  reduced infiltration  Chang, 2007 Atlanta, Georgia  decrease  reduced infiltration  Rose and Peters, 2001 Long Island, New York  decrease  export of sewerage water  Koszalska, 1975 Western Washington state  inconsistent  insufficient impact in some of the study basins  Konrad and Booth, 2002  Western Washington state  inconsistent  seasonality effects  Konrad and Booth, 2005  Delaware River Basin  inconsistent  varied influences among basins  Brandes et al., 2005 Long Island, New York  inconsistent  seasonality effects  Ku et al., 1992 Santa Clara County, California  increase  distribution and leakage of imported water  Harris and Rantz, 1964 Southern New York state  increase  septic effluent   Burns et al., 2005 Harlow, Great Britain  increase     Hollis, 1977 Caracas, Venezuela   increase  infrastructure leakage  Siler and Alvarado‐Rivas, 1999 Northeastern Illinois  increase  distribution and leakage of imported water  Meyer, 2005 Perth, Australia  increase  reduced ET + distribution and leakage of imported 

water Appleyard et al., 1999 

Wolverhampton, U.K.  increase  distribution and leakage of imported water  Hooker et al., 1999 Atlanta, Georgia  no response  reduced infiltration offset by reduced summer ET  Rose and Peters, 2001 Great Britain  no response     Beran and Gustard, 1977 Atlanta, Georgia  no response  reduced infliltration offset by distribution and leakage 

of imported water Ferguson and Suckling, 1990 

Southern New York state  no response  insufficient impact (suburban)  Burns et al., 2005 

40  

CHAPTER 3  

VARIATION OF SURFICIAL SOIL HYDRAULIC PROPERTIES ACROSS LAND USES IN THE SOUTHERN BLUE RIDGE MOUNTAINS, USA1 

                                     

__________ 1Price, K., Jackson, C. R., and Parker, A. J. Submitted to Journal of Hydrology 9/27/2008

41  

ABSTRACT  

A full understanding of hydrologic response to human impact requires assessment of land‐use 

impacts on key soil physical properties such as saturated hydraulic conductivity, bulk density, and 

moisture retention. Such properties have been shown to affect watershed hydrology by influencing 

pathways and transmission rates of precipitation to stream networks. Human land use has been shown 

to influence these soil physical properties as a result of erosion, compaction, and pore structure 

evolution. Our objective was to characterize soil physical properties under three land‐use classes (forest, 

pasture, and managed lawn) in the southern Blue Ridge Mountains of southwestern North Carolina. A 

total of 90 points were sampled (30 in each land use classes) throughout a 983 km2 study area.  

Saprolitic and alluvial soils were emphasized, and sites were selected that showed consistent land use 

history over a period of at least 30 years. Particle size distribution, in situ saturated hydraulic 

conductivity (measured using an Amoozemeter compact constant head permeameter), bulk density, and 

volumetric moisture content at field capacity were measured at each point. Forest soils demonstrated 

markedly lower bulk densities and higher infiltration rates, and water holding capacities, than lawn and 

pasture soils.  No soil property significantly differed between pasture and lawn. Mean values for each 

property were as follows (forest = F, lawn = L, pasture = P): saturated hydraulic conductivity (mmh‐1) – 

F=63, L=7, P=8; bulk density (gcm‐3) – F=0.8, L=1.2, P=1.2; volumetric water holding capacity (%) – 

F=72%, L=42%, P=39%.  Particle size distributions did not significantly differ among land use classes or 

parent materials, and the differences between the hydraulic properties of forest vs. nonforest soils were 

attributed to compaction associated with land management practices. The magnitudes of differences 

between forest and nonforest infiltration rates suggest that widespread conversion of forest to other 

land uses in this region will be accompanied by decreased infiltration and increased overland flow, 

potentially significantly altering water budgets and leading to reduced baseflows and impaired water 

quality. 

42  

Keywords: soil hydrology, saturated hydraulic conductivity, infiltration, Amoozemeter, land use change, 

Appalachian 

 

3.1. Introduction 

The inter‐related soil traits of texture, saturated hydraulic conductivity, bulk density, and 

macroporosity influence hillslope and watershed hydrology (Farres, 1987; Rawls et al., 1993; Cerda, 

1996). Through their effects on infiltration rates, these characteristics determine the proportion of 

precipitation entering and retained in subsurface storage and the rates of transmission of water to 

stream networks, thus affecting both stormflow production and baseflow maintenance (Hewlett, 1961; 

Zimmerman et al., 2006; Tetzlaff et al., 2007).  Land use practices have been shown to be of key 

importance to soil hydrology, attributed to the effects of tillage, erosion, compaction, and pore 

structure evolution (Rasiah and Kay, 1995; Harden, 2006). Such disturbances, in some cases, outweigh 

genoform traits (e.g. those inherited from parent material, topographic setting, etc.) in determining soil 

water movement (Schwartz et al., 2003; Zhou et al., 2008).  

Compared with soils impacted by human land use, soils underlying native vegetation (e.g., 

undisturbed forest) generally feature low bulk density and high saturated hydraulic conductivity, total 

porosity, and macroporosity, as a result of ample litter cover, organic inputs, root growth and decay, and 

abundant burrowing fauna (Lee and Foster, 1991). In contrast, soils exposed to human impact are often 

stripped of organic‐rich upper horizons and compacted by heavy equipment or livestock, increasing bulk 

density and reducing infiltration rates (Celik, 2005; Li and Shao, 2006).  In many cases, soils impacted by 

land use change may demonstrate marked disparities from the original soil (Jiménez et al., 2006, Zhou et 

al., 2008).  Replacement of native vegetation with managed land cover is generally associated with 

decreased rooting networks and faunal activity, thereby reducing the potential for well‐developed 

macropore networks (Reiners et al.; 1994, Schwartz et al., 2003). The rooting systems of woody 

43  

vegetation such as forest and shrubland demonstrate substantially greater depth, diameter, dispersion, 

and biomass than rooting systems of herbaceous plants or cultivated crops (Lee and Lauenroth, 1994; 

Jackson et al. 1996; Messing et al. 1997).  Conversion of native vegetation to managed land is also 

commonly associated with decrease in litter accumulation and soil organic matter (Solomon et al., 1999; 

Richter and Markewitz, 2001), which significantly influences soil water retention characteristics and soil 

structure (Berglund, 1980; Buytaert et al., 2005; Harden, 2006). Such impacts have shown to be best 

expressed in the upper portion of the soil column, with land‐use invariance in soil physical 

characteristics repeatedly demonstrated at depths greater than approximately 15‐30 cm (e.g., Grossman 

et al., 2001; Godsey and Elsenbeer, 2002; Li and Shao, 2006; Zhou et al., 2008). 

Studies investigating soil physical response to land use change have heavily emphasized 

comparison of cultivated cropland soils versus soils underlying native forest, shrubland, or grassland. 

However, current development pressures in many regions of suburban and exurban growth do not 

include conversion of native vegetation to cropland, and in fact are often associated with decline of 

cultivated land (Richter and Markewitz, 2001; Gragson and Bolstad, 2006).  Land use change in such 

settings is likely to involve conversion of native or secondary vegetation to pasture or managed 

turfgrass. As seen with cultivated soils, studies comparing soils under native vegetation to pasture or 

lawn have also shown degradation of soil physical properties. A distinction is apparent between soils 

underlying woody vegetation, such as forest or shrubland, versus herbaceous land cover, such as 

pasture or grassland, even under varied management practices and degrees of compaction (Jiménez et 

al., 2006). 

Forest cover has been associated with lower bulk density and greater saturated hydraulic 

conductivity than pasture in varied climates and parent materials throughout the world (Reiners et al., 

1994; Godsey and Elsenbeer, 2002; Jiménez et al., 2006; Li and Shao, 2006; Abbasi et al., 2007). Less is 

known regarding soil physical response to conversion of native vegetation to turfgrass.  Impacts 

44  

associated with residential development or the creation of golf courses, parks, ball fields, etc., typically 

involve topsoil removal and/or compaction associated with grading and sod‐laying. It is probable that 

observed soil changes in response to land use conversion to lawn grass are predominantly due to these 

initial disturbances (Wigmosta, 1991; Hamilton and Waddington, 1999). Furthermore, the nature of 

lawn grass and associated management do not encourage soil recovery post‐disturbance. Lawn grass 

typically demonstrates shallow rooting depth, low organic matter accumulation, and is generally 

associated with lower faunal activity than pasture or forest (Pizl and Josens, 1995). The few studies 

addressing the physical properties of soils underlying lawn grass have shown exceptionally low 

infiltration rates and high bulk densities, (Hamilton and Waddington, 1999; Oliveira and Merwin, 2001). 

Comparison of soil physical properties across a land use gradient in Baltimore that included forest, 

pasture, and managed lawn showed that soils underlying lawn grass demonstrated higher bulk density 

and lower porosity than forest or pasture soils (Pouyat et al., 2007).  

Cumulatively, these changes in soil physical characteristics associated with conversion of native 

to managed vegetation reduce soil infiltration and storage capacities, possibly resulting in increased 

overland flow and reduced subsurface storage. Along with factors such as increased road density and 

impervious surface coverage, such soil changes are often important contributors to the flashier 

hydrologic regimes typically associated with watersheds impacted by anthropogenic land cover change.  

Decreased infiltration and increased Hortonian overland flow resulting from conversion of woody 

vegetation to human land use has been demonstrated in many settings to be a direct consequence of 

altered soil hydrology (Bens et al., 2007; Zimmermann et al., 2006; Ilstedt et al., 2007; Leblanc et al., 

2008).  Booth et al. (2002) emphasized that the conversion of forests to lawns in urbanizing watersheds 

caused substantial hydrologic change often neglected with respect to the effects of impervious surface 

coverage.  Given the increase in managed lawn associated with low‐ and medium‐density urban growth 

45  

occurring in many regions, it is of immediate importance to understand the effects of such land use 

change on soil physical properties and the associated implications for watershed hydrology. 

This research sought to determine the magnitudes of differences among soil physical properties 

under three land uses (forest, pasture, and managed lawn) and across two parent materials (alluvium 

and saprolite) in the southern Blue Ridge Mountains, a region currently experiencing pronounced 

growth. Cultivated land was avoided due to its declining presence in the study area, the pronounced 

cross‐site inconsistency in management practices, and the temporal variation in properties through the 

cropping cycle. We attempted to avoid legacy effects from past land uses by limiting sites to those 

demonstrating land use consistency for 30+ years.  Particle size distribution, saturated hydraulic 

conductivity, bulk density, total porosity, and water holding capacity were determined for 90 surface soil 

samples all taken within one geologic unit and related to land use (forest, pasture, and lawn) and parent 

material (saprolite and alluvium).   Five sites were selected for each land cover/parent material 

combination to represent regional variation and three points were sampled within each site to 

represent local variation.   

Variability in soil physical properties due to land use differences were expected to have resulted 

from two mechanisms: 1) direct compaction by heavy equipment and/or livestock associated with 

nonforest land uses, and 2) variation in macropore development, organic matter, and soil structure 

associated with different vegetation types and associated fauna. 

Thus it was expected that nonforest land use (pasture and lawn) would be associated with increased 

bulk density and reduced saturated hydraulic conductivity, porosity, water holding capacity, and organic 

carbon, and that soils underlying managed lawn would demonstrate greater contrast to forest soils than 

would pasture soils. Understanding such differences is necessary for the development of a full 

understanding of how land use change in this region is affecting watershed hydrologic processes, and is 

46  

additionally necessary for providing data for use in regional hydrologic modeling to forecast hydrologic 

response to land‐use change.   

  

3.2. Study area 

This research was conducted in Macon and Jackson counties in southwestern North Carolina 

(Figure 3.1).  These counties are located within the Tallulah Falls thrust sheet of the East Flank Blue 

Ridge lithotectonic belt (Robinson et al., 1992), a sub‐unit of the Blue Ridge physiographic province.  All 

bedrock types within the thrust sheet are crystalline, specifically consisting of intrusive igneous rocks 

and varied metasedimentary assemblages, metamorphosed 350‐450 mya (Robinson et al., 1992; 

Wooten et al., 2003). A sub‐area of Macon and Jackson counties underlain by a complex of biotite gneiss 

and amphibolite will be emphasized in this study (Figure 3.1).  Macon and Jackson counties are 

characterized by moderate relief (540 to 1952 m), which is the product of bedrock weathering, fluvial 

erosion, and mass wasting during the period of tectonic stability since the early Cenozoic (Leigh and 

Webb, 2006). A saprolite mantle up to 30 m thick drapes the ridges and slopes throughout the study 

area, and substantial deposits of colluvium are present on benches, coves, and footslopes (Hewlett, 

1961; Hadley and Goldsmith, 1963; Southworth, 2003).  

Soil parent materials in the study area are saprolite (75.0% by area), colluvium (19.4%), alluvium 

(2.2%), and mixed colluvium/alluvium (1.3%), with the remaining 2.1% characterized by open water, 

earthen fill, and mining pits (Soil Survey Staff – NRCS, 2007).  Most soils are classified as udepts (60.8% 

by area) forming at high elevations and in younger colluvial and alluvial landforms.  Udults commonly 

occur on saprolite backslopes of intermediate elevation and comprise 37.0% of the study area.  Much 

smaller areas of aqualfs, udalfs, aquepts, psamments, and udorthents are also present.  

The climate is humid subtropical at the lowest elevations and marine humid temperate at higher 

elevations, according to the Köppen classification.  The 1971‐2000 average annual temperature at the 

47  

Coweeta Experiment Station (weather station elevation = 685.5 m), in the southern portion of the study 

area, is 12.7 ◦C, with average January and July temperatures of 2.7 ◦C and 22.1 ◦C, respectively (NCDC, 

2007). The 30‐year average annual precipitation is 183 cm, with a high monthly average of 20 cm 

occurring in March (NCDC, 2007).   

In the absence of human disturbance, regional land cover would be nearly 100% forest (Yarnell, 

1998; Delcourt and Delcourt, 2004).  Present‐day land use is predominantly forest, with nonforest land 

cover occurring primarily as pasture and low‐density development (Table 3.1).  Pronounced human 

impact has occurred since Euro‐American settlement, with expansion of bottomland agriculture 

occurring since the early nineteenth century (Gragson and Bolstad, 2006). The region experienced 

intensive, widespread timber harvest and agriculture during the late nineteenth and early twentieth 

century, followed by forest regrowth on mountain slopes (Davis, 2000). Agricultural land abandonment 

and vegetation regrowth have been common since the 1960s, accompanied by population growth and 

associated expansion of residential and low‐ to medium‐density urban landcover (Wear and Bolstad, 

1998; Gragson and Bolstad, 2006). The largest town in the study area is Franklin, with a 2006 population 

of 3618 (U.S. Census Bureau, 2007). 

 

3.3. Methods 

3.3.1 Site selection: 

Ninety sites were identified for sampling, 30 within each of the three land use classes of forest, 

lawn and pasture.  All forest sites were under deciduous forest cover, pasture sites were open graminoid 

fields either grazed by livestock or maintained for hay production, and lawn sites were managed 

turfgrass. All sites were within the “biotite gneiss and amphibolite” unit on the regional 1:250 000‐scale 

surficial bedrock map (Robinson et al., 1992), comprising a 983 km2 area within Macon and Jackson 

Counties (Figure 3.1).  Site selection was limited to an elevation range of 600‐800 m. Higher elevations 

48  

were not included to avoid significant cross‐site differences in temperature and precipitation associated 

with elevation. Digital Light Detection and Ranging (LiDAR) coverage of each county (0.305 m vertical 

resolution, 6.1 m pixel length) was obtained from the North Carolina Department of Transportation 

(NCDOT, 2007a,b).  From the parent materials within the study area, only saprolite and alluvium 

were examined.  Colluvium was excluded due to its characteristic textural heterogeneity.  Sites were 

evenly distributed among saprolite and alluvium, resulting in 15 sites in each land use class located 

within each parent material (Table 3.2). Alluvial sites were within Dystrudepts (Rosman, Reddies, and 

Cullowhee series), and saprolite sites were within Typic Hapludults (Cowee‐Evard and Evard‐Cowee 

series complexes and Fannin series; Table 3.3). Digital soil coverages of Macon and Jackson counties 

were obtained from the Soil Data Mart (USDA‐NRCS, 2005; USDA‐NRCS, 2007). The parent material of 

each soil series in these counties was identified from the corresponding Offical Series Description (Soil 

Survey Staff ‐ NRCS, 2007).  The mapped series was verified by field profile descriptions. In a small 

number of cases, the designated map unit was determined to be incorrect and a different series was 

assigned based on profile description. 

Alluvial sites were limited to flat, undissected portions of late‐prehistoric or historic terraces, 

avoiding active floodplains or very old terrace surfaces. In order to avoid wide variability in insolation or 

textural and morphological differences associated with hillslope position, saprolite sites were limited to 

backslopes of generally south‐facing aspect (100‐260⁰) and similar gradient (15‐35%).  LiDAR elevation 

data were used to determine the aspect and gradient , which were field‐confirmed using a magnetic 

compass and clinometer.  

ArcGIS 9.2 was used to identify 30 locations meeting all site selection criteria (Figure 3.1). These 

30 sites were evenly distributed among parent materials and land uses, with five sites in each parent 

material/land use combination (e.g., five alluvial forest sites, five saprolite forest sites, five alluvial lawn 

sites, etc.; Table 3.2).  At each site, three randomly‐selected points at least 10 m apart were sampled 

49  

and treated as independent, resulting in a total of 90 sampling points. The minimum distance of 10 m 

separating sampling points was determined following the design of similar studies (e.g. Jiménez et al., 

2006), and from the results of previous studies demonstrating the absence of spatial autocorrelation of 

soil physical characteristics at distances greater than 1 m (Di et al., 1989; Lal, 1996; Webb et al., 2000; 

Zhou et al., 2008). Analysis of 1:62 500‐scale 1970s aerial photography and published land use 

classifications from 1992 and 2001 (USGS, 2000; USGS, 2003) confirmed consistency of land use at each 

site over the past 30+ years.   

Where possible, locations were identified where two land uses were adjacent within the same 

soil unit. Ten such pairs of locations were identified: three pairs each of adjacent forest/lawn and 

lawn/pasture locations and four pairs of adjacent forest/pasture locations. For the pair analyses, the 

three sites were grouped to represent each location. 

 

3.3.2 Field data collection methods: 

At each sampling point, the organic matter was cleared from the mineral soil surface 

surrounding the sampling point, and three 25‐cm deep, 5‐cm radius boreholes were dug within 50 cm of 

the sampling point. A compact constant head permeameter (Amoozegar, 1989a) was used to measure 

the infiltration rate in each borehole. These values were converted to saturated hydraulic conductivities 

(Ksat) using the Glover Solution (Amoozegar, 1989b), and the geometric mean of the three Ksat values was 

used to represent each sampling point. A ring corer was used to extract two undisturbed 331.3 cm3 core 

samples per point (from depths 0‐7.5 cm and 7.5‐15 cm ) for laboratory analysis of bulk density, total 

porosity, water holding capacity, and saturated hydraulic conductivity  (for comparison with field Ksat). 

Mineral soil bulk samples of 100 g were collected from the zones of 0‐7.5 cm and 7.5‐15 cm for particle 

size analysis.  

 

50  

3.3.3 Laboratory methods: 

A 50 g subsample of each bulk soil sample was crushed, passed through a 2 mm sieve, oven‐

dried, dispersed in sodium hexametaphosphate, and analyzed for particle size distribution by 

hydrometer method (Gee and Bauder, 1986).  Agro‐Services International performed laboratory 

analyses of bulk density (ρB), water holding capacity, and saturated hydraulic conductivity (Ksat‐L). Ring 

core samples of known volume were oven dried and weighed to determine ρB (Blake and Hartge, 1986). 

Gravimetric water holding capacity was determined by saturating the soil core for 24 hours, following 

standard methods of soil wetting for determination of the initial drainage curve (Klute, 1986). Cores 

were allowed to drain for 24 hours, and gravitational moisture content at field capacity was determined 

by subtracting the drained core weight from the saturated weight.  The gravitational moisture content 

(GMC) was converted to volumetric moisture capacity at field capacity (VMCfc) by VMCfc = GMC/ρB.  Ksat‐L 

was determined using the constant head method (Klute and Dirksen, 1986).  Total porosity (φT) was 

calculated from the ρB:  φT = 1 – ρB/ρP, where ρP = particle density.  Particle density was assumed to be 

2.65 gcm‐3 (Danielson and Sutherland, 1986; Li and Shao, 2006). 

 

3.3.4 Statistical Analyses: 

Two‐way analysis of variance (ANOVA) was used to determine the relative roles of parent 

material and land‐use class on soil hydrologic properties. One‐way ANOVA was used to evaluate 

differences in soil physical characteristics as a function of land use and to test the variability among sites 

within a given land use. Normality was tested using the Kolmogorov‐Smirnov test.  Standard statistical 

transformations (log10, inverse, and square root) were used to achieve normal distributions where 

possible. In cases where such transforms failed to normalize a given parameter, the nonparametric 

ANOVA on Ranks test was used. Particle size data (as fractions summing to unity for each point) were 

arcsine‐square root transformed prior to statistical analyses. T‐tests or nonparametric Mann‐Whitney 

51  

Rank Sum tests were performed to test significance of difference between mean values of parameters 

for each parent material (alluvium vs. saprolite), and to test pairwise differences between the land use 

classes of forest, lawn, and pasture. Paired t‐tests or nonparametric Wilcoxon signed rank tests were 

used to compare means of the upper and lower cores. For all tests, a threshold of p < 0.05 was used to 

define statistical significance. All statistical analyses were performed using SigmaStat 3.5.  

 

3.4. Results 

The physical characteristics of forest soils clearly and strongly differed from pasture and lawn 

soils in this study area. Forest soils demonstrated significantly lower ρB and higher φT, Ksat, and VMCfc 

than soils in the other two land uses (Figure3.2). For no parameter did pasture and lawn soils 

significantly differ from each other. Soil texture was very similar among parent materials and land‐use 

classes, removing the need for separate analyses for the two parent materials.   

 

3.4.1 Particle size: 

The sand, silt, and clay percentages of the surface soil (average of 0‐7.5 and 7.5‐15 cm samples) 

ranged from 29‐47%, 27‐39%, and 26‐32% among all 90 sites. The vast majority (83 of 90 sites) classified 

as sandy loam or loam, with the remainder falling into loamy sand, silt loam, and clay loam (Figure 3.3). 

On average, the bottom core (7.5‐15 cm) contained slightly less sand and silt than the upper core, and 

contained an average 2% more clay (Table 3.4). Differences in silt and clay between the upper and lower 

cores were statistically significant, whereas differences in sand content were not.  Differences in the 

sand, silt, and clay percentages among forest, lawn, and pasture soils were not significant, nor were 

textural differences among the parent materials (Table 3.5). The similarity of the particle size 

distributions among these samples allows comparison of the physical characteristics of ρB, φT, Ksat, and 

52  

VMCfc as a function of land use without concerns that systematic textural differences may be 

complicating the relationships. 

 

3.4.2 Bulk density and porosity: 

The ρB of all soil sites ranged widely from 0.41 to 1.51 gcm‐3 in the upper 7.5 cm and from 0.72 

to 1.66 gcm‐3 in the 7.5‐15 cm depth. Overall, the mean ρB of the upper cores was significantly lower 

than the lower cores (1.10 vs. 1.30 gcm‐3, T = 6349.0, p < 0.001). The φT ranged from 42.9 to 84.5% in the 

upper core and 37.2 to 72.9% in the lower core. The mean φT values of the upper and lower cores were 

significantly different (58.4 vs. 50.9%, t = 5.77, p < 0.001). The ρB and φT of alluvial and saprolite soils 

were highly similar and did not significantly differ at either depth (ρB from 0‐15cm: 1.18 vs. 1.22 gcm‐3, T 

= 1930.5, p = .347; φT from 0‐15 cm: 55.5 vs. 53.9%, t = ‐0.87, p = 0.388). 

One‐way ANOVA demonstrated that ρB and φT significantly differed among the land use classes 

at both depths (Table 3.5), and pairwise comparisons indicate significant differences between forest 

soils and the other two land uses at both depths. The average ρB  of the upper and lower cores in forest 

soils was 0.96 gcm‐3, 38% lower than lawn and pasture soils, which were essentially equal (1.33 and 1.32 

gcm‐3. Correspondingly, the average φT of lawn and pasture soils did not significantly differ (49.9 vs 

50.3%; T = 923.5; p = 0.906), but the φT of forest soils was significantly higher than the lawn and pasture 

soils. 

 

3.4.3 Saturated hydraulic conductivity: 

A paired t‐test indicated that the mean saturated hydraulic conductivities determined by the in 

situ method (Ksat) and laboratory method ( Ksat‐L) were significantly different (mean = 33 vs 55 mmh‐1; t = 

6.59; p < 0.001). Because the field measurement represented the upper 25 cm, the average of the upper 

and lower core laboratory measurements was used for comparison with the field measurement (Figure 

53  

3.4). The laboratory method indicated a larger range in conductivites than the field method (2.18 – 

327.83 mmh‐1 compared with 1.06 – 197.21 mmh‐1). The field Ksat values correlated more strongly with 

the ρB and VMCfc than did the laboratory measurements (r = ‐0.63 vs. ‐0.67 with ρB, r = 0.49 vs. 0.59 for 

VMCfc), despite the fact that Ksat‐L, ρB, and VMCfc were all measured from the same core sample.  For this 

reason, field Ksat is emphasized herein.  The average Ksat‐L of the upper core was nearly twice as great as 

the lower core (75 vs. 35 mmh‐1; t = 6.86; p < 0.001).  

Forest soils demonstrated far greater Ksat than lawn or pasture soils by both field and lab 

methods (Table 3.5). The average field Ksat of the forest soils was approximately seven times greater 

than the lawn and pasture soils, which were equivalent (forest = 77 mmh‐1, lawn = 11 mmh‐1, pasture = 

12 mmh‐1).  ANOVA results indicate significant difference in Ksat among the land uses, with pairwise 

results indicating that forest soils had significantly higher Ksat than lawn and pasture soils, which did not 

significantly differ (Table 3.5).   

 

3.4.4 Water holding capacity: 

VMCfc ranged from 37.7 to 74.0% in the upper core and from 32.6 to 87.8% in the lower core. 

The VMCfc of the upper core was significantly greater than that of the lower core (50.7 vs. 46.2%; t = 

7.36; p  < 0.001). As seen with the other variables, the VMCfc of forest soils differed significantly from 

pasture and lawn soils, which again did not significantly differ from each other (Table 3.5).  Forest soil 

VMCfc was nearly 10% greater than pasture and lawn soils (54.8 vs 45.4 and 45.2%).  

 

3.4.5 Paired locations: 

Pair comparisons corroborate the results using all 90 sites (Table 3.6). In all forest/pasture and 

forest/lawn pairs, the forest soils demonstrated lower ρB and higher φT, Ksat, and VMCfc than the 

nonforest soils.  In no pair was the directionality of difference reversed. Differences within 

54  

forest/nonforest pairs were of similar magnitude to those reported above, with the greatest contrasts 

between forest and pasture soils. There were very few pronounced within‐pair differences for the 

lawn/pasture pairs, and there was no consistency in directionality of difference between lawn and 

pasture sites for any parameter. 

 

3.4.6 Site Variability of Ksat: 

As a correlate of the other physical parameters, field Ksat was used to evaluate the assumption of 

independence among the sampling points within each site. Within a given land use, the variability 

among sites was not drastically greater than seen among the three points within a given site (Figure 

3.5).  ANOVA on ranks indicated that variability among lawn sites was not statistically significant (H = 

11.38; p = 0.251). While forest and pasture sites did demonstrate statistically significant differences 

among sites (forest: H = 19.065; p = 0.025; pasture: H = 19.146; p = 0.024), in both land uses the 

exclusion of the site with the highest mean Ksat value resulted in a lack of statistically significant 

variability among the sites. However, exclusion of these sites does not negate the statistical significance 

of the ANOVA used to evaluate the differences in Ksat as a function of land use.  Thus, the treatment of 

all 90 sites as independent was deemed to be justifiable.  

 

3.5. Discussion 

The results of this study indicate a clear distinction between the hydraulic properties of forest 

vs. lawn and pasture soils.  This is especially noteworthy given the similarity of textures among the soils 

included in this study. While it was hypothesized that lawn soils would show a greater distinction from 

forest soils than would pasture soils, both nonforest land uses exhibited remarkably similar soil physical 

characteristics. The differences observed in the Ksat, ρB, φT, and VMCfc between forest and nonforest soils 

are interpreted to have resulted from a combination of land management and differences in macropore‐

55  

forming biotic activity. Pasture sites have likely experienced compaction by livestock and/or heavy 

equipment, and lawn site preparation generally involves compaction or removal of topsoil. Forest soils 

typically demonstrate a far greater presence of woody roots and burrowing fauna, resulting in well‐

developed macropore networks (Messing et al., 1997). Such networks can have a profound impact on 

soil conductivities. Several studies have indicated a distinction between soils underlying woody vs. 

herbaceous vegetation, with shrubs and trees supporting much higher macroporosity and Ksat than even 

native, unmanaged grassland (Godsey and Elsenbeer, 2002; Jiménez et al., 2006; Li and Shao, 2006). The 

results of this study corroborate this distinction.  While there are many examples of comparative studies 

between native vegetation and cultivated soils and between forest and pasture soils, far less 

information is available for turfgrass soils. There is a clear need for a more comprehensive 

understanding of the hydrologic effects of forest conversion to turfgrass, given the suburban and 

exurban development pressures facing many areas of the world.  

The results of this study demonstrate pronounced magnitudes of difference between forest and 

nonforest soils, and the discussion that follows compares the magnitudes of difference for the individual 

parameters with differences between forest and nonforest soils in other studies. 

 

3.5.1 Bulk Density: 

In this study, nonforest soils had average ρB as much as 38% higher than forest soils. While a few 

studies have demonstrated only minor differences between the ρB of forest vs. pasture or grassland soils 

(e.g. Agnihotri and Yadav, 1995; Celik, 2005), a greater number of studies have indicated large 

differences under such land covers. Over a range of 0‐15 cm depth, Reiners et al. (1994) reported an 

average ρB of 0.69 gcm‐3 under primary forest soils, in contrast to 0.80 gcm‐3 under active pasture soils in 

the Costa Rican rainforest. Harden (2006) observed ρB of soils under grass cover five times greater than 

those under forest cover in the Ecuadorian parámo. Statistically significant differences of smaller 

56  

magnitude have been observed in the Himalayan foothills of Pakistan (Abbasi et al., 2007) and within 

three of four studied soil series in Pennsylvania (Zhou et al., 2008).  Livestock grazing has been shown to 

directly reduce soil ρB in Argentina (Cisneros et al., 1999. 

Fewer studies have investigated ρB differences between turfgrass and other land uses, but 

differences have been demonstrated in several regions. Pouyat et al. (2007) found ρB to be one of the 

most influential factors for statistically distinguishing forest vs. turfgrass land cover in the Baltimore 

metropolitan area, despite the minor difference in magnitude (average forest ρB = 1.1 gcm‐3, average 

park/golf course/residential/institutional turfrass = 1.2‐1.3 gcm‐3.  Zhou et al (2008) found that 

woodland soils demonstrated lower ρB than urban soils in Pennsylvania.  

 

3.5.2 Saturated hydraulic conductivity: 

On average, forest soils in this study area demonstrated Ksat values approximately seven times 

greater than pasture and lawn soils. Several other studies have shown similar magnitudes of difference 

between forest and pasture. Godsey and Elsenbeer (2002) and Zimmerman et al. (2006) exhibited order 

of magnitude differences between the near‐surface (0‐12.5 cm) conductivities of forest and pasture soils 

in Brazil (250 vs. 15 mmh‐1 and 206 vs. 26 mmh‐1, respectively).   A similar magnitude of difference was 

demonstrated in Peru, where grazed pasture soils were characterized by an average Ksat of 41 mmh‐1, 

compared with 420 mmh‐1  observed in forest soils (Allegre and Cassel, 1996). An even greater 

magnitude of difference was demonstrated in Colombia, where the average Ksat values of fine‐textured 

forest and pasture soils were 143 vs. 2 mmh‐1 and Ksat values of coarse‐textured forest and pasture soils 

were 159 vs. 8 mmh‐1 (Martinez and Zinck, 2004). The results of the Martinez and Zinck (2004) study are 

particularly noteworthy, as they indicate the land use signature on soil Ksat is independent of soil texture.  

Significantly greater Ksat of forest vs. pasture soils has also been demonstrated in the Loess Plateau of 

China (Li and Shao, 2006) and in Nigeria (Ghuman et al., 1991), though not of as great a magnitude as 

57  

demonstrated by the southern Blue Ridge soils or the aforementioned studies. A review of 14 

afforestation studies in the tropics showed an average three‐fold increase in infiltration capacity 

compared with previous disturbed conditions (Ilstedt et al., 2007).  

While pronounced differences in the hydraulic conductivities of forest vs. pasture soils have 

been shown throughout the world, several studies have shown a lack of significant difference between 

forest and pasture or grassland soils (e.g. Messing et al., 1997; Celik, 2005; Zhou et al., 2008).  This 

discrepancy may be a result of complications of legacy effects of prior land use. The lack of difference 

could also be the result of the wide range of impacts characterizing a pasture or grassland site, e.g., 

whether or not the site has been exposed to livestock grazing or heavy equipment. Soil compaction by 

such mechanisms has been shown to reduce infiltration rates and conductivities (Agnihotri and Yadav, 

1995; Allegre and Cassell, 1996).  

While there is a large body of literature addressing differences in Ksat between forest and 

pasture sites, far fewer comparative values exist for forest and lawn sites. Zhou et al. (2008) reported a 

lack of significant difference between the conductivities of lawn and forest soils in Pennsylvania. The 

authors speculate the lack of statistical significance of differences may have resulted from pronounced 

temporal variability and from interactions between land use and other independent variables.  Although 

few studies have compared lawn soils to native land uses directly, several studies have indicated very 

low conductivities of lawn soils, of similar magnitude to those seen in this study (Wigmosta, 1991; 

Hamilton and Waddington, 1999; Oliviera and Merwin, 2001). 

 

3.5.3 Water holding capacity:  

Despite well‐documented correlations between water holding capacity and other soil physical 

parameters, there is much less evidence for land‐use dependence of water holding capacity than seen 

with Ksat, ρB, or φT. This study found consistent and significantly higher VMCfc in forest than pasture and 

58  

lawn soils, by a factor of nearly 20%.  However, several studies have demonstrated no significant 

differences between the water holding capacity at field capacity of disturbed and undisturbed soils (e.g., 

Jusoff, 1989). Harden (2006) showed substantially greater water holding capacity of páramo grassland 

vs. forest soils in the Ecuadorian Andes. Páramo  soils were shown to have VMC three times greater than 

the forest soils, despite the fact that the grassland soils demonstrated five times greater ρB. Soils in the 

Loess Plateau of China had equivalent gravimetric water content at field capacity among shrubland, 

forest, and grassland cover (Li and Shao, 2006).  

 

3.5.4 Implications for altered water budgets: 

The results of this study indicate pronounced reductions in Ksat with nonforest land use in the 

southern Blue Ridge Mountains. This region is currently experiencing development pressures associated 

primarily with exurban growth, and housing density is expected to increase dramatically in coming 

decades (Cho et al., 2003; Gragson and Bolstad, 2006). Land use in Macon and Jackson counties is 

predominantly forest (83% in 2001), and an increase in housing density will inevitably be associated with 

a decline in forest cover. The results of this study indicate that significant changes in watershed land use 

from forest to turfgrass will be associated with major alterations to watershed water budgets. The 

decreased hydraulic conductivity will likely be associated with increased Hortonian overland flow. The 

rainfall intensity/duration/frequency (IDF) curves from Franklin, NC confirm this likely scenario (Figure 

3.6). With Ksat representing the lower bound of the soil infiltration rate, the IDF curves show that, while 

the mean Ksat of forest soils is high enough to accommodate all but very infrequent and short duration 

storm events, rainfall intensities commonly exceed the mean Ksat values of lawn and pasture soils. 

Storms of intensities exceeding the conductivities of lawn and pasture soils also commonly persist for 

significant durations.   

59  

Changes in the proportion of forest and nonforest land use within southern Blue Ridge 

watersheds will be associated with increased overland flow and decreased times of water transmission 

to stream networks. Such changes carry important implications for increased flood hazards, greater 

contaminant and nutrient transport to streams, surface erosion, and increased stream temperatures.  

Correspondingly, increased overland flow is associated with reduced subsurface recharge and decreased 

baseflows, consequences of which include reduced water supply, increased concentration of 

contaminants in streams, and impaired instream aquatic habitat. This is a particular threat in the 

crystalline terrain of the southern Blue Ridge, where there is no significant bedrock aquifer supplying 

baseflow to streams – in this region, the soil and saprolite mantle is the predominant source of 

sustained streamflow (Hewlett, 1961; Velbel, 1985). Furthermore, as indicated by Harden (2006), 

decreases in the surface infiltration capacities of soils in mountainous terrain are particularly 

pronounced, because of the rapid rates of transmission of overland flow to stream systems in steep 

terrain.  

Land use impacts on soil hydrology have been shown to influence watershed processes in 

several studies. Harden (2006) showed that human activities in the Ecuador páramo have altered the 

timing and distribution of infiltration and runoff, specifically attributed to soil compaction.  Increased 

overland flow was observed in King County, Washington, associated with turfgrass land use, attributed 

to topsoil removal and construction compaction (Wigmosta, 1991). Bens et al. (2007) determined that 

soils play a critical role for water retention and overland flow prevention for flood control in the German 

lowlands.  It is clear from this and other studies that the flashier hydrologic regimes typically associated 

with increased impervious surface in human impacted areas are likely partially due to soil alteration  

associated with land use change, and that there is a serious need to address such impacts when 

evaluating or predicting hydrologic response to land use change.  

 

60  

3.6. Conclusions 

Soils in the southern Blue Ridge exhibit marked differences in physical characteristics under 

forest and nonforest land uses (pasture and lawn).   Soil particle size distributions do not differ 

significantly among the parent materials or land uses, and soil hydraulic properties do not differ 

significantly between alluvium and saprolite soils. Among both parent materials, forest soils had 

significantly lower bulk density and higher saturated hydraulic conductivity and water holding capacity 

than pasture and lawn soils, which did not significantly differ from each other. The mean saturated 

hydraulic conductivity among forest sites was approximately seven times greater than in pasture and 

lawn soils. Nonforest soils had hydraulic conductivities lower than the rainfall intensities of common, 

long‐duration storms in the region, and nonforest soils also had reduced water holding capactities.   

Accordingly, altered water budgets and increased Hortonian overland flow should be expected to 

accompany continued land use change in the southern Blue Ridge. These results strongly support the 

concept that soil modification is a significant driver of the watershed hydrologic changes of increased 

floods and reduced baseflows observed with land use change.  

 

3.7. Acknowledgements 

Funding was provided by the U.S. Environmental Protection Agency – Science to Achieve Results 

(STAR) Fellowship program, National Science Foundation (NSF) Doctoral Dissertation Improvement 

Award BCS‐0702857, and The University of Georgia (UGA) Research Foundation. Additional support was 

generously provided by the Coweeta LTER (NSF Cooperative Agreement DEB‐0218001), for which the 

authors would especially like to thank Dr. Ted Gragson of the UGA Department of Anthropology. 

Equipment was provided by the following UGA labs: the Soil Lab of the WSFNR, the Soil Morphology Lab 

of the Department of Crop and Soil Science, and the Geomorphology Lab in the Department of 

Geography. Field assistance was provided by Clint Collins and Julia Ruth. Insightful feedback during the 

61  

course of this research was provided by Dr. David S. Leigh of the UGA Department of Geography, Dr. 

Lawrence A. Morris of the UGA Warnell School of Forestry and Natural Resources (WSFNR) and Dr. Larry 

T. West of the Natural Resource Conservation Service. Dr. Todd Rasmussen of the UGA WSFNR and Dr. 

George A. Brook and Dr. Marguerite Madden of the UGA Department of Geography reviewed a draft of 

this manuscript. The authors express tremendous gratitude to the numerous private landowners 

throughout Macon Co. and Jackson Co., NC, who allowed access and disturbance to their property for 

the purposes of this study. Dr. James Vose of the U.S. Forest Service Coweeta Hydrologic Laboratory also 

granted site use permission for this research.  

 

3.8. References 

Abbasi, M. K., Zafar, M., Khan, S. R., 2007. Influence of different land‐cover types on the changes of selected soil properties in the mountain region of Rawalakot Azad Jammu and Kashmir. Nutrient Cycling in Agroecosystems 78, 97‐110.   Agnihotri, R. C., Yadav, R. C., 1995. Effects of different land uses on infiltration in ustifluvent soil susceptible to gully erosion. Hydrological Sciences 40 (3), 395‐406.   Allegre, J. C., Cassel, D. K., 1996. Dynamics of soil physical properties under alternative systems to slash‐and‐burn. Agriculture, Ecosystems, and Environment 58, 39‐48.   Amoozegar, A. 1989a. A compact constant‐head permeameter for measuring saturated hydraulic conductivity of the vadose zone. Soil Science Society of America Journal 53, 1356‐1361.  Amoozegar, A. 1989b. Comparison of the Glover Solution with the simultaneous‐equations approach for measuring hydraulic conductivity. Soil Science Society of America Journal 53, 1362‐1367.  Bens, O., Wahl, N. A., Fischer, H., Hϋttl, R. F., 2007. Water infiltration and hydraulic conductivity in sandy cambisols: impacts of forest transformation on soil hydrologigal properties. European Journal of Forest Research 126, 101‐109.   Berglund, E. R., Ahyoud, A., Tayaa, M. H., 1980. Comparison of soil and infiltration properties of range and afforested sites in northern Morocco. Forest Ecology and Management 3, 295‐306.   Blake, G. R., Hartge, K. H. 1986. Particle density. In: A. Klute (Ed.), Methods of Soil Analysis: Part 1 ‐ Physical and Mineralogical Methods. 2nd edition, Soil Science Society of America, Madison, WI, pp. 377‐382.   

62  

Bonnin, G.M., Martin, D., Lin, B., Parzybok, T., Yekta, M., Riley, D. 2004. Point precipitation frequency estimates from NOAA Atlas 14: Frankin, NC. Accessed April 11, 2008. <http://hdsc.nws.noaa.gov/hdsc/pfds/orb/nc_pfds.html>  Booth, D. B., Hartley, D., Jackson, R., 2002. Forest cover, impervious surface area, and mitigation of stormwater impacts in King County, WA. Journal of the American Water Resources Association 38 (3), 835‐846.   Buytaert, W., Wyseure, G., De Bièvre, B., Deckers, J., 2005. The effect of land‐use change on the hydrological behaviour of Histic Andisols in south Ecuador. Hydrological Processes 19, 3985‐3997.   Celik, I., 2004. Land‐use effects on organic matter and physical properties of soils in a southern Mediterranean highland of Turkey. Soil and Tillage Research 83, 270‐277.   Cerda, A., 1996. Soil aggregate stability in three Mediterranean environments. Soil Technology 9 (3), 133‐140.   Cho, S., Newman, D. H., Wear, D. N., 2003. Impacts of second home development on housing prices in the southern Appalachian highlands. Review of Urban and Regional Development Studies 15 (3), 208‐225.   Cisneros, J. M., Cantero, J. J., Cantero, A., 1999. Vegetation, soil hydrophysical properties, and grazing relationships in saline‐sodic soils of Central Argentina. Candadian Journal of Soil Science 79 (3), 399‐409.   Danielson, R.E., Sutherland, P.L. 1986. Porosity. In: A. Klute (Ed.), Methods of Soil Analysis: Part 1 ‐ Physical and Mineralogical Methods. 2nd edition, Soil Science Society of America, Madison, WI, pp. 443‐462.   Davis, D. E. 2000. Where there are Mountains: An Environmental History of Appalachia. University of Georgia Press, Athens, GA.   Delcourt, P. A., Delcourt, H. R. 2004. Prehistoric Native Americans and Ecological Change: Human Ecosystems in Eastern North America since the Pleistocene. Cambridge University Press, Cambridge.   Di, H.J., Kemp, R.A., Trangmar, B.B. 1989. Use of geostatistics in designing sampling strategies for soil survey. Soil Science Society of America Journal 53, 1163‐1167.  Elliott, E. T., 1986. Aggregate structure and carbon, nitrogen, and phosphorous in native and cultivated soils. Soil Science Society of America Journal 50, 627‐633.   Farres, P. J., 1987. The dynamics of rainsplash erosion and the role of soil aggregate stability. Catena 14, 119‐130.   Gee, G. W., Bauder, J. W. 1986. Particle‐size analysis. In: A. Klute (Ed.), Methods of Soil Analysis:  Part 1 ‐ Physical and Mineralogical Methods. 2nd edition, Soil Science Society of America, Madison, WI, pp. 383‐412.   

63  

Ghuman, B. S., Lal, R., Shearer, W., 1991. Land clearing and use in the humid Nigerian tropics: I. Soil Physical Properties. Soil Science Society of America Journal 55, 178‐183.   Godsey, S., Elsenbeer, H., 2002. The soil hydrologic response to forest regrowth: a case study from southwestern Amazonia. Hydrological Processes 16, 1519‐1522.   Gragson, T. L., Bolstad, P., 2006. Land use legacies and the future of southern Appalachia. Society and Natural Resources 19 (2), 175‐190.   Grossman, R. B., Harns, D. S., Seybold, C. A., Herrick, J. E., 2001. Coupling use‐dependent and use‐invariant data for soil quality evaluation in the United States. Journal of Soil and Water Conservation 56, 63‐68.   Hadley, J. B., Goldsmith, R.,1963. Geology of the eastern Great Smoky Mountains, North Carolina and Tennessee. U.S. Geological Survey, Professional Paper No. 349‐B.   Hamilton, G. W., Waddington, D. V., 1999. Infiltration rates on residential lawns in central Pennsylvania. Journal of Soil and Water Conservation 54(3), 564‐568.   Harden, C. P., 2006. Human impacts on headwater fluvial systems in the northern and central Andes. Geomorphology 79, 249‐263.   Hewlett, J. D.,1961. Soil moisture as a source of base flow from steep mountain watersheds. U.S. Department of Agriculture ‐ Forest Service, Asheville, NC, Southern Research Station Paper No. 132.   Ilstedt, U., Malmer, A., Verbeeten, E., Murdiyarso, D., 2007. The effect of afforestation on water infiltration in the tropics: A systematic review and meta‐analysis. Forest Ecology and Management 251, 45‐51.   Jackson, R. B., Canadell, J., Ehlerlinger, J. R., Mooney, H. A., Sala, O. E., Schulze, E. D., 1996. A global analysis of root distributions for terrestrial biomes. Oeceologica 108 (3), 389‐411.   Jiménez, C. C., Tejedor, M., Morillas, G., Neris, J., 2006. Infiltration rate in andisols: Effect of changes in vegetation cover (Tenerife, Spain). Journal of Soil and Water Conservation 61 (3), 153‐158.   Jusoff, K., 1989. Physical soil properties associated with recreational use of a forested reserve area in Malaysia. Environmental Conservation 16 (44), 339‐342.   Klute, A. 1986. Water retention: Laboratory methods. In: A. Klute (Ed.), Methods of Soil Analysis: Part 1 ‐ Physical and Mineralogical Methods. 2nd edition, Soil Science Society of America, Madison, WI, pp. 635‐662.   Klute, A., Dirksen, C. 1986. Hydraulic conductivity and diffusivity: Laboratory methods. In: A. Klute (Ed.), Methods of Soil Analysis: Part 1 ‐ Physical and Mineralogical Methods. 2nd edition, Soil Science Society of America, Madison, WI, pp. 687‐734.   Lal, R., 1996. Deforestation and land‐use effects on soil degradation and rehabilitation in western Nigeria. I: Soil physical and hydrological properties. Land Degradation and Development 7, 19‐45.  

64  

 Leblanc, J. C., Gonçalves, E. R., Mohn, W. W., 2008. Global response to desiccation stress in the soil actinomycete Rhodococcus jostii RHA1. Applied Environmental Microbiology 74 (9), 2627‐2636.   Lee, C. A., Lauenroth, W. K., 1994. Spatial distributions of grass and shrub root systems in the shortgrass steppe. The American Midland Naturalist 132 (1), 117‐123.   Lee, K. E., Foster, R. C., 1991. Soil fauna and soil structure. Australian Journal of Soil Research 29 (6), 745‐775.   Leigh, D. S., Webb, P. A., 2006. Holocene erosion, sedimentation, and stratigraphy at Raven Fork, Southern Blue Ridge Mountains. Geomorphology 78, 161‐177.   Li, Y. Y., Shao, M. A., 2006. Change of soil physical properties under long‐term natural vegetation restoration in the Loess Plateau of China. Journal of Arid Environments 64, 77‐96.   Martínez, L. J., Zinck, J. A., 2004. Temporal variation of soil compaction and deterioration of soil quality in pasture areas of Colombian Amazonia. Soil and Tillage Research 75 (1), 3‐18.   Messing, I., Alrikkson, A., Johansson, W., 1997. Soil physical properties of afforested and arable land. Soil use and Management 13, 209‐217.   NCDC, 2003. Climatography of the United States no. 84, 1971‐2000. Accessed September 12, 2007. <http://cdo.ncdc.noaa.gov/cgi‐bin/climatenormals/>   NCDOT, 2007a. Jackson County ‐ Elevation Grid. Accessed September 15, 2007. <http://www.ncdot.org/it/gis>   NCDOT, 2007b. Macon County ‐ Elevation Grid. Accessed September 15, 2007. <http://www.ncdot.org/it/gis>   Oliviera, M. T., Merwin, I. A., 2001. Soil physical conditions in a New York orchard after eight years under different groundcover management systems. Plant and Soil 234 (2), 233‐237.   Pizl, V., Josens, G., 1995. Earthworm communities along a gradient of urbanization. Environmental Pollution 90 (1), 7‐14.   Pouyat, R. V., Yesilonis, I. D., Russell‐Anelli, J., Neerchal, N. K., 2007. Soil chemical and physical properties that differentiate urban land‐use and cover types. Soil Science Society of America Journal 71 (3), 1010‐1019.   Rasiah, V., Kay, B. D., 1995. Runoff and soil loss as influenced by selected stability parameters and cropping and tillage practices. Geoderma 68, 321‐329.   Rawls, W. J., Ahuja, L. R., Brakensiek, D., Shirmohammadi, A. 1993. Infiltration and soil water movement. In: D. Maidment (Ed.), Handbook of Hydrology.McGraw‐Hill, New York, pp. 5.1‐5.51.   

65  

Reiners, W. A., Bouwman, A. F., Parsons, W. F. J., Keller, M., 1994. Tropical rain forest conversion to pasture: changes in vegetation and soil properties. Ecological Applications 4 (2), 363‐377.   Richter, D. D., Jr., Markewitz, D. 2001. Understanding Soil Change. Cambridge University Press, Cambridge.   Robinson, G. R., Jr., Lesure, F. G., Marlowe, J. I., II, Foley, N. K., Clark, S. H.,1992. Bedrock geology and mineral resources of the Knoxville 1 degree by 2 degrees quadrangle, Tennessee, North Carolina, and South Carolina. U.S. Geological Survey, Bulletin No. 1979.   Schwartz, R. C., Evett, S. R., Unger, P. W., 2003. Soil hydraulic properties of cropland compared with reestablished and native grassland. Geoderma 116, 47‐60.  Soil Survey Staff ‐ NRCS, 2007. Official Soil Series Descriptions. Accessed September 15, 2007. <http://soils.usda.gov/technical/classification/osd/index.html>   Solomon, D., Lehmann, J., Zech, W., 2000. Land use effects on soil organic matter properties of chromic luvisols in semi‐arid northern Tanzania: carbon, nitrogen, lignin, and carbohydrates. Agriculture, Ecosystems, and Environment 78, 203‐213.   Southworth, S., Schultz, A., Denenney, D., Triplett, J.,2003. Surficial geologic map of the Great Smoky Mountains National Park. U.S. Geological Survey, Reston, Open File Report No. 03‐081.   Tetzlaff, D., Soulsby, C., Waldron, S., Malcolm, I. A., Bacon, P. J., Dunn, S. M., Lilly, A., Youngson, A. F., 2007. Conceptualization of runoff processes using a geographical information system and tracers in a nested mesoscale catchment. Hydrological Processes 21, 1289‐1307.   U.S. Census Bureau, 2007. 2006 Population Estimates. Accessed Ocober 28, 2007. <http://factfinder.census.gov>   USDA‐NRCS, 2005. Soil Survey Geographic (SSURGO) Database for Macon County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USDA‐NRCS, 2007. Soil Survey Geographic (SSURGO) Database for Jackson County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USGS, 2000. North Carolina Land Cover Data Set: First Edition. Accessed September 20, 2007. <www.seamless.usgs.gov>   USGS, 2003. North Carolina Land Cover Database Zone 57 Land Cover Layer. Accessed September 20, 2007. <www.seamless.usgs.gov>   Velbel, M. A., 1985. Geochemical mass balances and weathering rates in forested watersheds of the southern Blue Ridge. American Journal of Science 285, 904‐930.   Wear, D. N., Bolstad, P., 1998. Land‐use changes in the Southern Appalachian landscapes: spatial analysis and forecast evolution. Ecosystems 1 (6), 575‐594.   

66  

Webb, T. H., Claydon, J. J., Harris, S. R., 2000. Quantifying variability of soil physical properties within soil series to address modern land‐use issues on the Canterbury Plains, New Zealand. Australian Journal of Soil Research 38, 1115‐1129.   Wigosta, M. S. (1991). Modeling and monitoring to predict spatial and temporal characteristics in small catchments. University of Washington, Seattle, WA, Ph.D.  Wooten, R. M., Carter, M. W., Merschat, C. E.,2003. Geology of Gorges State Park. North Carolina Geological Survey, Information Circular No. 31.   Yarnell, S. L.,1998. The southern Appalachians: a history of the landscape. U.S. Department of Agiculture Forest Service Southern Research Station, Asheville, NC, General Technical Report No. SRS‐18.   Zhou, X., Lin, H. S., White, E. A., 2008. Surface soil hydraulic properties in four soil series under different land uses and their temporal changes. Catena 73 (2), 180‐188.   Zimmermann, B., Elsenbeer, H., De Moraes, J. M., 2006. The influence of land‐use change on soil hydraulic properties: Implications for runoff generation. Forest Ecology and Management 222, 29‐38.   

   

67  

Table 3.1 Land use – Macon Co. and Jackson Co., NC (Source: USGS, 2003)     

Land Use % Area

Open Water 0.6%

Developed 5.9%     Open 5.3%     Low‐intens i ty 0.5%     Medium‐intens i ty 0.1%     High‐intens i ty 0.0%

Forest 85.6%     Deciduous 80.8%     Evergreen 3.1%     Mixed 1.7%

Shrub/Scrub 1.4%

Grassland/Pasture 6.3%

Cultivated Cropland .1%

Woody Wetlands .1%

68  

Table 3.2 – Site characteristics: Land use, soil series, elevation, and aspect of soil sampling sites.  Elevation, slope, and aspect values represent the range of the three sites at each location.  Site numbers correspond to Figure 3.1. 

    

# Name Land Use Series Elev. (m) # Name Land Use Series Elev. (m) Slope (%) Aspect (⁰)

1 Beasley Creek Forest Reddies 687‐689 16 Chapel Hill Forest Evard‐Cowee Complex 668 21‐26 170‐178

2 Caney Fork Forest Rosman 673 17 Gibson Cove Forest Evard‐Cowee Complex 673‐681 20‐30 205‐210

3 Rabbit Creek Forest Reddies 643‐644 18 Olive Hill Forest Evard‐Cowee Complex 710‐718 26‐33 100‐145

4 Tuckasegee River Forest Rosman 646‐647 19 Shope Fork Forest Fannin 701‐703 21‐26 204‐210

5 Weather Station Forest Reddies 687‐688 20 Wayah Road Forest Evard‐Cowee Complex 749‐787 33‐34 214‐245

6 Beasley Creek Lawn Reddies 691 21 Ledford Lane Lawn Evard‐Cowee Complex 668‐670 18‐32 162‐165

7 Fairgrounds Lawn Rosman 616 22 Olive Hill Lawn Evard‐Cowee Complex 701‐703 17‐21 111‐135

8 Mark Watson Park Lawn Cullowhee 614‐615 23 Speedwell Acres Lawn Evard‐Cowee Complex 697‐699 32‐35 240

9 Watauga Hazard Lawn Reddies 619‐620 24 Walnut Creek Lawn Evard‐Cowee Complex 661‐664 21‐28 140‐180

10 Weather Station Lawn Reddies 686‐687 25 WCU Lawn Cowee‐Evard Complex 674‐679 20‐24 178‐182

11 Killian Farm Pasture Rosman 658 26 Chapel Hill Pasture Evard‐Cowee Complex 661‐664 26‐29 144‐157

12 Rocky Branch Pasture Rosman 600 27 Gibson Cove Pasture Evard‐Cowee Complex 673‐675 17‐25 194‐209

13 Rabbit Creek Pasture Reddies 643 28 Speedwell Acres Pasture Evard‐Cowee Complex 691‐693 19‐22 235‐255

14 Tuckasegee River Pasture Rosman 648 29 Sunny Lane Pasture Evard‐Cowee Complex 668‐670 17‐32 183‐200

15 Watauga Hazard Pasture Reddies 619 30 Walnut Creek Pasture Evard‐Cowee Complex 673‐681 23‐33 152‐185aFor a l l  al luvium s i tes : s lope  = 0‐2%, aspect = n/a

ALLUVIUM SITESa SAPROLITE SITES

69  

Table 3.3 – National Cooperative Soil Survey Official Series Descriptions (Source: Soil Survey Staff, 2007)   

Series Taxonomic Class Typical Texture Official DescriptionAlluvium

Cullowhee Coarse‐loamy over sandy or sandy‐skeleta l , mixed, superactive, mesic Fluvaquentic Dystrudepts

Fine  Sandy Loam Somewhat poorly drained, moderately rapidly permeable  soi l s  on floodpla ins  in the  Southern Appalachian Mounta ins . They formed in recent al luvium that i s  loamy in the  upper part and i s  moderately deep to sandy strata  that conta in more  than 35 percent by volume  rock fragments . They are  very deep to bedrock. Slope  ranges  from 0 to 3%. 

Reddies Coarse‐loamy over sandy or sandy‐skeleta l , mixed, superactive, mesic Oxyaquic Dystrudepts

Fine  Sandy Loam Moderately wel l  drained, moderately rapidly permeable  soi ls  on floodpla ins  in the  Blue  Ridge. They formed in recent al luvium that i s  loamy in the  upper part and i s  moderately deep to sandy strata  conta ining more  than 35 percent by volume  gravel  and/or cobbles . Slope  ranges  from 0 to 3%.

Rosman Coarse‐loamy, mixed, superactive, mesic Fluventic Humic Dystrudepts

Loam Very deep, wel l  drained to moderately wel l  drained, moderately rapidly permeable  soi l s  on floodpla ins  in the  Southern Appalachian Mountains . They formed in loamyal luvium. Slopes  range  from 0 to 3%.

Saprolite

Cowee Fine ‐loamy, parasesquic, mes ic Typic Hapludul ts

Gravel ly Sandy Loam Moderately deep, wel l  drained, moderately permeable  soi l s  on ridges  and s ide  s lopes  of the  Blue  Ridge  . They formed in res iduum affected by soi l  creep in the  upper part, and weathered from fels ic to mafic, igneous  and high‐grade  

hi k Sl f 2 95%Evard Fine ‐loamy, parasesquic, 

mes ic Typic Hapludul tsSandy Loam Very deep, wel l  drained, moderately permeable  soi l s  on 

ridges  and s ides lopes  of the  Blue  Ridge. They formed in res iduum affected by soi l  creep in the  upper part

Fannin Fine ‐loamy, paramicaceous , mes ic Typic Hapludul ts

Loam Very deep, wel l  drained soi l s  on gently s loping to very s teep ridges  and s ide  s lopes  of the  Blue  Ridge. They formed in res iduum that i s  affected by soi l  creep in the  upper part, and i s  weathered from high‐grade  metamorphic rocks  that are  high in mica  content such as  mica  gneiss  and mica  schis t. Slopes  are  6 to 95%.

70  

Table 3.4 – Hydraulic properties of upper (0‐7.5 cm) and lower (7.5‐15 cm) soil cores      

0‐7.5 cma 7.5‐15 cma

⎯x   (σ) ⎯x    (σ) t or Z* p trans .

Ksat‐L (mm h‐1)c 42 (3) 20 (3) 6.59 <0.001 log10

ρB  (g cm‐3) 1.10 (.25) 1.30 (.23) ‐12.47 <0.001 ‐

φT  (%)c 57.5 (1.17) 50.2 (1.18) 12.83 <0.001 log10

VMCfc (%)c 50.1 (1.15) 45.5 (1.19) 7.36 <0.001 log10

Sandd (%) 57.0 (11.8) 56.5 (13.2) 1.15* 0.251 asr

Siltd (%) 28.7 (8.2) 27.5 (8.4) 3.79* <0.001 asr

Clayd (%)  14.4 (5.2) 16.1 (6.4) ‐5.31* <0.001 asran=90; b178 degrees  of freedom; symbols  defined in section 3.3t = paired t‐test stati s ti c; *Z = Wilcoxon Signed Rank test s tatis ticc Geometric mean/standard deviation; das  percent of <2mm masstrans . = transformation used to achieve  normal  dis tributionasr = arcs ine  square  root transformation

Diff. of Meansb

71  

Table 3.5 – Soil physical characteristics by categories of parent material and land use   

Alluviuma Saprolitea Forestc  Lawnc Pasturec 

t or T* p t or T* p t or T* p

Ksat  (mm h‐1)f 0‐25 cm 15† (4)† 15† (4)† 0.07 0.941 log10 63† (2)† 7† (3)† 8† (3)† 55.26 <0.001 9.43 <0.001 8.74 <0.001 0.69 0.493 log10

ρB (g cm‐3) 0‐7.5 cm 1.09 (0.25) 1.11 (0.3) 1941.5* 0.395 ‐ 0.83 (0.17) 1.23 (0.14) 1.24 (0.17) 63.42 <0.001 9.60 <0.001 9.90 <0.001 0.29 0.771 ‐

7.5‐15 cm 1.27 (0.25) 1.33 (0.2) 1921.5* 0.311 ‐ 1.08 (0.21) 1.43 (0.12) 1.39 (0.17) 36.70** <0.001 536.0* <0.001 591.0* <0.001 958.5* 0.525 ‐

Average 1.18 (0.23) 1.22 (0.2) 1930.5* 0.347 ‐ 0.96 (0.16) 1.33 (0.12) 1.32 (0.16) 60.99 <0.001 9.71 <0.001 9.40 <0.001 0.30 0.765 ‐

φT  (%) 0‐7.5 cm 59.0 (9.3) 57.8 (9.5) ‐0.69 0.492 1/x 68.7 (6.5) 53.6 (5.4) 53.1 (6.3) 50.85** <0.001 494.0* <0.001 504.0* <0.001 873.0* 0.539 ‐

7.5‐15 cm 51.9 (9.2) 49.9 (7.9) ‐0.95 0.344 1/x 59.1 (7.8) 46.2 (4.7) 47.5 (6.2) 31.86 <0.001 7.25 <0.001 6.52 <0.001 0.73 0.468 1/x

Average 55.5 (8.8) 53.9 (8.3) ‐0.87 0.388 1/x 63.8 (6.2) 49.9 (4.5) 50.3 (5.9) 48.78** <0.001 491.5* <0.001 523.0* <0.001 923.5* 0.906 ‐

VMCfc (%) 0‐7.5 cm 53.0 (8.4) 48.3 (5.7) ‐2.99 0.004 1/x 56.2 (7.7) 48.5 (5.1) 47.3 (6.2) 17.24 <0.001 5.87 <0.001 5.38 <0.001 0.48 0.629 ‐

7.5‐15 cm 47.2 (8.9) 45.3 (8.7) ‐0.95 0.345 1/x 53.3 (9.5) 42.3 (5.0) 43.2 (6.5) 21.20 <0.001 5.41 <0.001 4.68 <0.001 0.73 0.470 ‐

Average 50.1 (8.2) 46.8 (6.3) ‐2.00 0.050 1/x 54.8 (7.2) 45.4 (4.6) 45.2 (6.0) 24.64 <0.001 6.13 <0.001 6.03 <0.001 0.09 0.925 ‐

Sandg  (%) 0‐7.5 cm 58 (14) 56 (9) 1932.0* 0.353 asr 61 (9) 58 (10) 52 (14) 2.16 0.122 1.03 0.306 2.01 0.051 1.08 0.285 asr

7.5‐15 cm 57 (16) 56 (10) 1930.5* 0.347 asr 60 (11) 58 (11) 52 (15) 1.33 0.271 0.43 0.669 1.55 0.128 1.16 0.250 asr

Average 57 (15) 56 (9) 2145.5* 0.429 asr 60 (10) 58 (11) 52 (15) 1.36 0.262 0.44 0.659 1.56 0.125 1.17 0.246 asr

Siltg (%) 0‐7.5 cm 29 (10) 29 (6) 1971.5* 0.542 asr 26 (7) 28 (7) 32 (10) 3.36** 0.186 863.0* 0.446 893.0* 0.080 856.5* 0.243 asr

7.5‐15 cm 28 (11) 27 (6) 2055.5* 0.952 asr 25 (7) 26 (7) 31 (10) 3.49** 0.174 939.0* 0.728 881.5* 0.117 886.5* 0.099 asr

Average 28 (10) 28 (6) 2087.5* 0.745 asr 26 (7) 27 (7) 31 (10) 5.84** 0.054 976.5* 0.353 926.5* 0.200 879.0* 0.118 asr

Clayg (%)  0‐7.5 cm 14 (6) 15 (5) 2206.0* 0.201 asr 13 (4) 14 (5) 16 (6) 1.63 0.202 ‐0.74 0.462 ‐1.79 0.079 ‐1.05 0.299 asr

7.5‐15 cm 15 (7) 17 (6) 1814.5* 0.060 asr 15 (6) 16 (6) 18 (7) 0.28 0.761 ‐0.42 0.674 ‐0.73 0.467 ‐0.33 0.741 asr

Average 15 (6) 16 (5) 1926.0* 0.315 asr 14 (5) 15 (6) 17 (7) 3.97** 0.137 930.0* 0.823 901.0* 0.052 873.0* 0.143 asr

an=45; b88 degrees of freedom; cn=30; d89 degrees of freedom; e58 degrees of freedom; fgeometric mean/standard deviation; gas percent of <2mm masstrans. = statistical transformation used to achieve normal distribution; asr = arcsine square root transformation; parameter symbols defined in text*Mann‐Whitney Rank Sum test T‐statistic; **ANOVA on Ranks test H‐Statistic

F or H** p

ANOVAd

trans .

Difference of Meansb Pairwise Differece of Meanse

trans .

LAND USEPARENT MATERIAL

 ⎯x   (σ)  ⎯x   (σ) t or T* p  ⎯x   (σ)Forest vs . Lawn Fores t vs . Pasture Lawn vs . Pasture

⎯x   (σ)  ⎯x   (σ)

72  

Table 3.6 –Paired locations (adjacent locations with different land uses)  

    

Locationa Parent Material

Forest Lawn Forest Lawn Forest Lawn Forest Lawn

Beasley Creek Alluvium 78 13 1.06 1.31 60.0 50.6 54.2 46.7

Weather Station Alluvium 96 32 0.79 1.11 70.3 58.1 60.2 52.2

Olive Hill Saprolite 66 8 0.98 1.32 63.2 50.2 51.7 44.6

Forest Pasture Forest Pasture Forest Pasture Forest Pasture

Rabbit Creek Alluvium 22 3 0.99 1.49 62.6 43.7 56.2 38.6

Tuckasegee River Alluvium 69 22 0.97 1.44 63.3 45.6 52.2 42.9

Chapel  Hill Saprolite 68 4 1.01 1.44 61.8 45.8 53.2 42.5

Gibson Cove Saprolite 41 9 1.19 1.41 55.1 46.7 44.8 40.6

Lawn Pasture Lawn Pasture Lawn Pasture Lawn Pasture

Watauga Hazard Alluvium 8 4 1.38 1.37 48.1 48.2 40.0 41.8

Speedwell  Acres Saprolite 14 10 1.31 1.21 50.6 54.5 46.6 47.4

Walnut Creek Saprolite 7 22 1.48 1.36 44.1 48.6 42.1 43.5aThe value for each location represents  the mean of three sites; symbols  defined in section 3.3Ksat values  represent 0‐25 cm depth; Bulk density, porosity, and VMC values  represent 0‐15 cm depth 

VMCfc (%)ρB (g cm‐3)Ksat (mm h‐1) φT (%)

73  

Figure 3.1. Study area and soil sampling locations: Macon Co. and Jackson Co., NC. The white band across the counties represents a geologic zone of interlayered biotite gneiss and amphibolite (Robinson et al., 1992) – site selection was limited to this zone. Vertical exaggeration is 3X. Each mapped sampling location represents three sampling points, and location numbers correspond to the site characteristics in Table 3.2.     

74  

Figure 3.2.  Soil physical characteristics by parent material and land use. The boxes represent the inter‐quartile range, with the black line across each box indicating the median value. The white dotted line represents the arithmetic mean, and the whiskers represent the 5th and 95th percentiles.    

75  

 

  Figure 3.3. Particle size distributions of forest, lawn, and pasture soils. Textural classes corresponding to particle  size distributions observed in these soils are bounded by solid black lines (e.g., Loam, Clay Loam).     

Clay Loam

Silt Loam

Loam

Sandy Loam

Loamy Sand

Sand (%)

76  

 

 

 

 

 

 

 

 

 

 

 

Figure 3.4. Comparison of saturated hydraulic conductivity (Ksat) measurements by field and laboratory methods. Saturated hydraulic conductivity (Ksat) was measured by two methods: 1) in situ at each field sampling point using a compact constant head permeameter at a depth of 0‐25 cm, and 2) by standard laboratory methods on 10 cm‐diameter intact soil cores. The laboratory Ksat values presented here are the average of the two cores from each sampling point (0‐7.5 cm and 7.5‐15 cm).  The R2 and p‐value reflect results from polynomial regression analysis performed on the log10‐transformed variables (y = 1.296‐0.1215x+0.2212x2).   

77  

Figure 3.5. Saturated hydraulic conductivity among sites. The field saturated hydraulic conductivities (Ksat) at the three sampling points at each location are shown, demonstrating the similar variability within a given locations to that seen among all locations within each land use and the similarity in Ksat between the parent materials (saprolite and alluvium).    

78  

 

Figure 3.6. Comparison of soil saturated hydraulic conductivities with precipitation intensities occurring in western North Carolina. The solid lines represent the recurrence intervals (RI) of storm events of given precipitation intensity and duration in Franklin, NC (re‐created from Bonnin et al., 2004). The dashed lines represent the mean saturated hydraulic conductivity (Ksat) of soils underlying each land use (n = 30 sites per land use, mean = geometric). As Ksat represents the lower bound of the soil infiltration rate, the figure demonstrates the far greater likelihood of Hortonian overland flow in lawn and pasture soils, especially associated with sustained storm events, during which overland flow is of greatest concern to watershed hydrologic processes.   

79  

    

 CHAPTER 4  

EFFECTS OF LAND USE AND GEOMORPHOLOGY ON STREAM BASEFLOWS IN THE SOUTHERN BLUE RIDGE MOUNTAINS OF GEORGIA AND NORTH CAROLINA, USA1 

                                      __________ 1Price, K., Jackson, C. R., Parker, A. J., Reitan, T. and Dowd, J.  To be submitted to Hydrological Processes. 

80  

ABSTRACT 

 

While it has been shown in many settings that both human land use and natural topographic variability 

influence stream baseflows, their interactions and relative influences have remained unresolved.  Our 

objective was to determine the influence of human land use and watershed geomorphic characteristics 

in explaining baseflow variability in the southern Blue Ridge Mountains of North Carolina and Georgia.  

Continuous discharge data for 35 streams (watershed area 3 to 146 km2) was obtained for a period of 

1.5 years, including two late‐summer low flow seasons.  Various baseflow metrics were calculated (1‐

day, 7‐day, and 14‐day minimum daily flows, 1 percentile flow, and baseflow index) for three time 

subsets of the gage records (low flow season 2007, low flow season 2008, and water year 2008).  A 

comprehensive suite of watershed characteristics, including factors of watershed topography, channel 

network morphometry, soils, land use, and precipitation were used in multiple regression analysis of 

baseflow variability among the 35 watersheds.  Overall, geomorphic factors of drainage density and 

slope variability showed the strongest relationships to baseflow in this region, with watershed forest 

cover and colluvium also demonstrating significant influence.  Forest cover showed a consistent positive 

relationship with baseflow, despite the higher evapotranspiration rates generally associated with forest 

compared with other landcovers,  which highlights the importance of infiltration and recharge under 

undisturbed landcover in sustaining baseflows.  The baseflow metrics used in this study demonstrated 

inconsistent results in model development, with the 1 percentile flows and BFI indicating a stronger land 

use response than the minimum flow metrics, which were most strongly explained by topographic 

characteristics.   

 

   

81  

4.1. Introduction and Background 

Baseflow refers to the portion of streamflow that enters stream channels via subsurface 

pathways and sustains streamflow between precipitation events, supplied by storage reservoirs such as 

bedrock, saprolite, colluvium, alluvium, and soil.  Natural catchment physical characteristics, such as 

geology, geomorphology, and soils, exert important influence on baseflow and serve as the template 

upon which other important factors, such as land use and climate, are superimposed [Johnson, 1998].   

As many regions are currently experiencing rapid land use change, concurrent with increased demands 

on public water supply, a better understanding of watershed function and baseflow is critical to issues of 

contaminant dilution, aquatic habitat, and public water use [Barnes and Kalita, 1991; Hornbeck et al., 

1993; Smakhtin, 2001; Konrad and Booth, 2005].  Anthropogenic changes to the landscape alter 

baseflow timing and quantity.  Aside from direct manipulations, such as impoundments and water 

withdrawals from streams and subsurface storage, human activity influences baseflow by indirect 

mechanisms associated with changes in land use and land cover.  Conversion of native vegetation to 

other vegetative covers or artificial surfaces can drastically alter evapotranspiration (ET) [Liu et al., 

2008].  Land use change also may alter surface permeability characteristics, through soil compaction 

associated with human land use and addition of impervious surface to watersheds [Rose and Peters, 

2001; Price et al., in review].   Of all the important factors relating to recharge and baseflow, ET and 

surface permeability are the most susceptible to alteration by human impact.  Within a given region, 

geology and precipitation may be relatively consistent, but geomorphic characteristics may vary 

considerably among watersheds, especially in rugged terrain.  It is thus important to evaluate how 

anthropogenic and geomorphic characteristics interact, in order to fully understand how land use 

change affects baseflows in regions of variable topography.   Thus, the goal of research presented here 

is to quantitatively resolve the effects of land use change and varied topography on baseflow in small to 

mesoscale watersheds of the southern Blue Ridge Mountains. 

82  

  There is a vast body of literature demonstrating reduced streamflow associated with greater 

watershed forest cover [e.g., Bosch and Hewlett, 1982; Sahin and Hall, 1996; Jones and Post, 2004], with 

many studies specifically demonstrating lower baseflow with higher watershed forest cover [Harr et al., 

1982; Keppeler and Ziemer, 1990; Hicks et al., 1991; Smith, 1991; Black et al., 1995].  This negative 

relationship between watershed forest cover and baseflow is attributed to greater interception and 

water use by mature trees compared with other land cover types [Bosch and Hewlett, 1982; Calder, 

1990; McCullough and Robinson, 1993; Johnson, 1998].   These results have occasionally been 

interpreted as a suggestion that watershed management approaches could include deforestation to 

increase water yield for public use [Brooks et al., 1991; Chang, 2003].  However, the bulk of this 

literature derives from experimental forestry, where soil disturbance is far less pronounced than occurs 

when forest is converted to more permanent land uses, such as pasture, residential development, etc.  

There is a sound theoretical basis and growing empirical evidence that long‐term forest conversion 

reduces baseflows, because the intensive soil compaction and impervious surface increases that 

accompany human land uses decrease infiltration rates and subsurface storage recharge [Bruijnzeel, 

2004; Price et al., in review].  These changes in surface infiltration may outweigh the reductions in ET 

ascribed to removal of mature forest stands.   Furthermore, the majority of these studies have focused 

on very small systems (generally smaller than 1 km2), and there is evidence that upscaling results from 

such studies to larger, more heterogeneous basins is problematic [Blöschl, 2001; Sivapalan, 2003; 

Soulsby et al., 2004].  Understanding baseflow response to  long‐term land use change at scales relevant 

to watershed management and policy is critical, and it is increasingly clear that extrapolation of results 

from short‐term vegetation disturbance at the forestry‐plot scale is not appropriate for understanding 

the response of larger systems to long‐term forest conversion to other land use types.   

  A major complication of analyzing and predicting baseflow response to land use change is the 

breadth of other factors that influence infiltration rates and transmission rates from subsurface storage 

83  

to the channel network.  Within a context of consistent bedrock geology, topography may exert 

substantial influence on baseflow processes, particularly in areas of pronounced relief [Tetzlaff et al., 

2009].  Spatial variability in ET and precipitation may result from differences in topographic 

characteristics such as aspect and elevation among watersheds [Kovner, 1956].  Furthermore, 

topographic slope and channel network development influence transmission rates of water [Tetzlaff et 

al., 2009].  Climatic and topographic variability additionally influence the storage reservoir itself, through 

their effects on bedrock weathering and soil development.  The effects of land use change on baseflow 

timing and quantity may be mitigated or amplified by basin topography, and there may be situations in 

which topographic conditions exert such strong control on baseflow that drastic changes in land use are 

required to induce detectible changes in baseflow [Konrad and Booth, 2002]. Furthermore, spatial 

variability in precipitation may mask baseflow vegetation caused by vegetation or soil disturbance. 

Little is known regarding which specific topographic variables are most useful for explaining 

baseflow variability among watersheds.  Several studies have identified various watershed topographic 

and channel network morphometric variables as key influences on baseflow.  These studies have 

demonstrated that factors such as relief, slope, drainage density, and watershed shape, which all 

influence the ability of water to flow to the channel network and out of the watershed, significantly 

relate to stream baseflow [Farvolden, 1963; Thomas and Benson, 1970; Vogel and Kroll, 1992; Woods et 

al., 1997; Marani et al., 2001; Warner et al., 2003; Cherkauer and Ansari, 2005].  While not directly 

addressing variability of baseflow quantity, many additional studies have shown that the residence time 

of water in subsurface storage is determined by flowpath length and water transit times, which are 

primarily a function of catchment topography [Rodhe et al., 1996; Asano et al., 2002; McGuire et al., 

2005; Tetzlaff et al., 2009].  However, there remains little understanding about which metrics expressing 

basin topography and morphometry are most useful for explaining baseflow variability, and it remains 

unclear how variables of topography and land use interact to influence baseflow.  Thus, the specific 

84  

objective of this study was to monitor the streamflow of mesoscale watersheds in the southern Blue 

Ridge Mountains for a period of 1.5 years, including 2 annual low flow periods, and relate the variability 

of baseflow discharge among these systems to land use characteristics and a thorough suite of 

topographic metrics.  

 

4.2. Study Area 

This study was conducted within the watersheds of the upper sections of the Tuckasegee, 

Nantahala, and Little Tennessee Rivers, which together comprise the majority of the Little Tennessee 

River system upstream of Lake Fontana, a Tennessee Valley Authority (TVA) reservoir (Figure 4.1).  This 

study area contains the entirety of Macon County, North Carolina (NC), and portions of Clay and Jackson 

Counties, NC and Rabun County, Georgia (GA). These watersheds are located within the Tallulah Falls 

thrust sheet of the East Flank Blue Ridge lithotectonic belt [Robinson et al., 1992], a sub‐unit of the Blue 

Ridge physiographic province.  Regional bedrock consists of intrusive igneous rocks and varied 

metasedimentary assemblages [Wooten et al., 2008].  The regional geology is characterized by 

crystalline bedrock with minimal fracture flow [Velbel, 1985; Santhi et al., 2008], and the hydraulic 

conductivities of all bedrock types are of similar magnitudes [Daniel and Payne, 1990; Mesko et al., 

1999].  A saprolite mantle 1‐30 m thick drapes the ridges and slopes throughout the study area [Hewlett, 

1961], and substantial deposits of colluvium are present on benches, coves, and footslopes  

[Southworth, 2003; Leigh and Webb, 2006]. The saprolite‐bedrock contact, which largely parallels the 

surface topography, is believed to be the predominant subsurface topographic control on hillslope 

hydrology [Hatcher, 1988].  The average depth to solid bedrock in the Coweeta Creek basin in the 

southern part of the study area is six meters [Swank and Douglass, 1975]. 

Precipitation in this region typically is quite high but spatially variable, with the general trend of 

highest precipitation toward the southern escarpment of the Blue Ridge and lower precipitation toward 

85  

the northern part of the study area. The 30‐year average precipitation at the Coweeta Experiment 

Station’s low elevation rain gage (686 masl) is 1826 mm, whereas 38 km to the northeast in Cullowhee, 

NC (elevation = 668 masl), the 30‐year average is only 1313 mm (Figure 4.1).  The 30‐year average 

annual daily mean temperatures at these stations are quite similar: 19.8 ⁰C at Coweeta and 19.6 ⁰C at 

Cullowhee.  The study period coincided with a severe drought affecting the southeastern United States.  

The average deficits from 30‐year precipitation normals at the Coweeta and Cullowhee stations were 

18% for 2007 and 19% for 2008 [NCDC, 2004].  

In the absence of human impact, regional land cover would be nearly 100% forest [Yarnell, 1998; 

Delcourt and Delcourt, 2004].  Present‐day land cover is predominantly forest, with nonforest land cover 

occurring primarily as pasture and low‐density development.  The region experienced intensive, 

widespread timber harvest and agriculture during the late nineteenth and early twentieth century, 

followed by forest regrowth on mountain slopes [Davis, 2000]. In some areas, agricultural land 

abandonment and vegetation regrowth have been common since the 1960s, but exurban population 

growth and associated expansion of residential and low‐ to medium‐density urban land cover has 

affected substantial portions of the region [Wear and Bolstad, 1998; Cho et al., 2004; Gragson and 

Bolstad, 2006]. The largest town in the study area is Franklin, with a 2006 population of 3618 [U.S. 

Census Bureau, 2007]. 

 

4.3. Methods 

4.3.1 Site Selection and instrumentation: Over one hundred watersheds were delineated upstream of 

public access points and characterized in terms of watershed forest cover and maximum elevation.  For 

this original characterization, watersheds were delineated manually using USGS digital raster graphics 

(DRGs) in ArcView 3.3, and percent forest cover and maximum elevation were calculated using 2001 

National Land Cover Database (NLCD) data [USGS, 2003] and 10 m DEM data.  A subset of 36 sites was 

86  

selected for instrumentation with stage recorders.  All sites representing land use and topographic end 

members within the study area were included.  For selection of intermediate sites, K‐means cluster 

analysis was used to identify groups of similar watersheds, and study sites were randomly selected from 

within each cluster, with number of sites selected proportional to cluster size.  No nested watersheds 

were included in these 36 sites, which range from 2.68 to 34.10 km2 in watershed area and 44.4 to 99.9 

percent watershed forest cover (Table 4.1).   Four pairs of sites were identified, in which topographic 

characteristics were very similar but watershed forest cover was different.  These sites were used for 

pairwise comparison of baseflow under different land use conditions with topographic variability 

removed.  

The majority of these watersheds (35 of 36 sites) were instrumented with Odyssey capacitance 

water level recorders.  This was achieved by suspending the recorder in 38 mm diameter PVC tubing in 

the stream bank, connected to the stream thalweg with a lateral 25 mm diameter PVC pipe, or by 

suspending the probe directly into the stream channel by attaching the PVC housing to a wooden bridge 

support.  Because of shallow bedrock and a lack of a bridge attachment, one site (Fulcher Branch) was 

not suitable for Odyssey probe use.  At this site, a HOBO pressure transducer was situated under a 

bedrock ledge within the stream bed, with an additional transducer installed on the bank for barometric 

pressure adjustment.  All instruments recorded water level every 10 minutes, with the period of data 

recording spanning August 5, 2007 to January 20, 2009.   Additionally, three USGS gaged watersheds 

(Nantahala River at Rainbow Springs, Cartoogechaye Creek, and Cullasaja River near Highlands) and one 

watershed gaged as part of the USFS Coweeta Hydrologic Laboratory network (Shope Fork) were 

included.  Six of the smaller watersheds are nested within the USGS watersheds.  The Coweeta 

laboratory maintains a trapezoidal weir on Shope Fork, with a pressure transducer used for continuous 

inflection‐point stage monitoring for Shope Fork.  This site was additionally instrumented with an 

Odyssey capacitance water level recorder for accuracy assessment of the discharge calculation method 

87  

by comparison with weir data.  The USGS gages record instantaneous stage data every 15 minutes.  

Efforts were made to limit site selection to watersheds within a large bedrock unit of biotite gneiss and 

amphibolite spanning a southwest‐northeast transect across the study area.  However, to increase the 

number of watersheds included in the study, additional sites with significant portions of different gneiss‐

granite and some fraction of schist‐sandstone assemblages were included from the western portion of 

the study area.  

 

4.3.2 Flow measurement and rating curve development ‐ For each of the watersheds instrumented with 

Odyssey and HOBO recorders, stage‐discharge rating curves were developed.  Several methods were 

tested, including ordinary least squares regression and power law curve fitting, but Bayesian power law 

curve fitting produced the best results and was applied to all sites (Figure 4.2) [Moyeed and Clarke, 

2005; Reitan and Petersen‐Øverlier, 2008; Reitan and Petersen‐Øverlier, 2009].  Discharge was measured 

for rating curves using the midsection method [Mosley and McKerchar, 1993], with an acoustic doppler 

velocity meter used for 0.6‐depth velocity measurement at no fewer than 13 points per cross‐section.  

Discharge was measured at least 10 times for each stream during the study period.   For measurement 

of high flows on the largest streams, it was necessary to use dye for velocity measurements within five 

sections of the channel, with channel area determined by probe stage and laser‐level channel survey.  

Additionally, bankfull discharge was modeled using Manning’s equation.  Channel dimension parameters 

for Manning’s equation were calculated from cross‐sectional and slope data from laser‐level channel 

survey, and Manning’s n was calculated from the highest measured discharge value at each site.  The 

corresponding bankfull stream stage was paired with the Manning’s equation modeled bankfull 

discharge and included in rating curve development.  Several sites had problems with the stage‐

discharge fit, due to intermittent beaver dams, flood scour, etc.  Ultimately, sites included in the analysis 

were limited to 35 watersheds, including the USGS and USFS sites.   

88  

 

4.3.3 Streamflow analysis ‐ Streamflow records were divided into three time periods for statistical 

analysis of topographic and land use influences on baseflow: 1) Low flow season 2007 ‐ August 5 to 

November 12, 2007 (LF07), 2) low flow season 2008 ‐ August 1 to November 12, 2008 (LF08), and Water 

Year 2008 ‐ October 1, 2007 to September 30, 2008 (WY08).  The designation of ‘low flow season’ does 

not imply 100% baseflow during the time period, but instead designates the season generally containing 

the lowest flows of the year [Smakhtin, 2001].  Low flow season was defined based on regional long 

term trends, data availability, and 2007‐2008 conditions (Figure 4.3).  Because installation of the stage 

recording capacitance probes was not complete until early August, 2007, the LF2007 was assigned a 

slightly later start date of August 5.  Sites with missing data totaling 5% of a given low flow season or 

10% of the water year were not included in the analyses corresponding to that time period.  Because of 

statistical circularity issues that would arise from filling missing data values with estimations from 

neighboring sites, missing data values totaling less than the 5 and 10% thresholds were left as null 

values.  Ten‐minute interval stage data were available for all Odyssey probe and HOBO transducer sites.  

The inflection‐point record of the USFS site at Shope Fork was converted to 10‐minute data by linear 

interpolation.  Five baseflow metrics were calculated for each stream: 1) the flow exceeded 99% of the 

time (Q99), 2) minimum daily mean flow (Qmin1), 3) minimum 7‐day mean flow, (Qmin7) 4) minimum 14‐

day mean flow (Qmin14), and Baseflow Index (BFI).  Q99 was calculated from the instantaneous stage 

records.  Qmin1, Qmin7, and Qmin14 were calculated from daily mean flows.   Qmin1 represents the minimum 

daily flow value within the specific time period, and Qmin7 and Qmin14 were determined from the 7‐ and 

14‐day moving averages of daily mean flow.   Daily mean flows were also used for calculation of the 

baseflow index (BFI), which is the ratio of baseflow to total streamflow.  Baseflow was separated using 

the Eckhardt recursive digital filter method [Lim et al., 2005; Eckhardt, 2008].  Additionally, the mean 

daily flow from each of the time periods was calculated, to provide context for the baseflow metrics 

89  

(Qmean).  For comparison of flow magnitudes across stream systems of different scales, all metrics except 

BFI were standardized by dividing by watershed area.  Hereafter, Q99, Qmin1, Qmin7, Qmin14, and Qmean 

represent the area‐adjusted flows (m3s‐1km‐2).  As a proportion of baseflow to total flow, BFI was not 

area‐standardized.  

 

4.3.4 Watershed precipitation summary data ‐ Daily precipitation data for the study period were 

obtained for 35 stations throughout the region, from the Coweeta Hydrologic Laboratory, the National 

Climatic Data Center (NCDC), the State Climate Office of North Carolina, and the National Weather 

Service Integrated Flood Warning System (IFLOWS).   Missing data values were filled using double‐mass 

curve analysis combining precipitation totals from three neighboring stations [Brutsaert, 2005].  For 

spatial interpolations of precipitation data, ordinary kriging, inverse‐distance weighting, and Thiessen 

polygons (or Voronoi  diagrams) were compared.  Interpolations were produced for a short time period 

for which nine additional gages were available (total n = 44), and the results of the interpolations with 

this more dense station network were compared with results of the same time period using the primary 

set of stations (n= 35).  Ordinary kriging produced the closest match to the results from the larger set of 

stations, and produced the lowest overall RMSE values, confirming the findings of other interpolation 

comparisons [Nour et al., 2006].  The mean precipitation depth of all pixels within a watershed was used 

to represent the total precipitation during the period of analysis.  

 

4.3.5 Selection of topographic and landscape variables for analysis ‐ For final site characterization, 

watersheds were delineated using the Basin 1 extension in Arc View 3.3 [Petras, 2003].  To define 

watershed land use, a classification of 2006 Landsat imagery following the NLCD classification scheme 

was obtained from the Coweeta Long Term Ecological Research (LTER) program.  The NLCD categories 

were reduced to 5 more general land use categories: 1) forest and shrub, 2) developed, 3) pasture and 

90  

agriculture, 4) barren, and 5) open water.  Topographic and morphometric variables were selected from 

classic and recent literature, based on those which have a strong theoretical relationship to streamflow, 

a legacy of inclusion in watershed characterization, and/or have previously been demonstrated to have 

statistically significant relationships to streamflow metrics (Table 4.2).  Topographic and morphometric 

characteristics were calculated from LiDAR data for all sites in NC, for which LiDAR was available (33 of 

35 sites) [NCDOT, 2007a,b,c]. For the remaining sites, a 10 m DEM was used.  The Basin 1 extension for 

ArcView 3.2 was used to delineate the regional stream network, using a threshold of 18,050 m2, which 

was shown to best match the ground‐truthed stream network available for a small portion of the study 

area [N.C. Department of Environment and Natural Resources, 2009].  Soil parameters were calculated 

from STATSGO soils data [USDA‐NRCS, 2005; USDA‐NRCS, 2006, USDA‐NRCS, 2007, USDA‐NRCS, 2008].  

Bedrock geology was classified by hydraulic conductivity, following the Blue Ridge regional scheme 

presented by Mesko et al. [1999], using digital 1:250,000 maps available for the North Carolina 

watersheds [Robinson et al., 1992], and a digital 1:500,000 map available for the state of Georgia 

[Georgia Geologic Survey, 1999].  

Watershed characterization included calculation of 66 metrics of basin and channel network 

geomorphology, soils and bedrock, land use, and precipitation (Table 4.2).  Simple correlation analysis 

was used to identify strongly correlated variables (operationally defined as |R|> 0.8) among the 

watershed characteristics and precipitation totals, of which only one was retained.  Preference was 

given to variables with previously demonstrated or strong theoretical linkages to streamflow.  Principal 

Components Analysis (PCA) was used to examine the data structure of the 43 remaining independent 

variables.  The PCA rotated factor loadings from were used to further reduce the data to 14 candidate 

variables for inclusion in multiple regression modeling (Table 4.3).    

 

91  

4.3.6 Multiple regression modeling ‐ Separate analyses were performed for each of the five dependent 

variables (Q99, Qmin‐1, Qmin‐7, Qmin‐14, and BFI).  Each of the three time periods (LF07, LF08, and WY08) 

were analyzed separately.   From the 14 independent variables, best subsets regression was used to 

identify the 3‐5 most promising models, as judged by values of adjusted R2 and Mallow’s Cp.  

Determination of the final model was based on overall goodness of fit, significance and direction of 

influence of independent variables, parsimony, and logic.  Watershed area was only included in the 

modeling for BFI, because the flow magnitude metrics were normalized by watershed area (having 

demonstrated bivariate correlations 0.87 and greater with watershed area).  Standard t‐tests were used 

to compare the means baseflows of relatively higher‐ and lower‐forest watersheds, with categories of 

higher‐ and lower‐forest determined by K‐means cluster analysis.  Significance was defined as p ≤ 0.05 

for all analyses, except for within the t‐tests comparing higher‐ and lower‐forest watersheds, in which a 

Bonferroni correction established significance at p < 0.0167. Simple correlation analyses were 

performed between watershed forest cover and all baseflow metrics.  

 

4.4. Results 

4.4.1 Rating Curves – Bayesian power law curve fitting produced a range of goodness of fits for the 

rating curves, due to varying amounts of scatter in the stage‐discharge relationships among the sites 

(Figure 4.4).  Curve fit was evaluated using R2 values along with visual evaluation of credibility.  Sites 

with intolerable point scatter and poorest fits were not included in further analyses.   (Rating curves for 

all sites are presented in Appendix A, and stream hydrographs are presented in Appendix B.)  Results 

from discharge calculations using the velocity‐area method and Bayesian rating curve development at 

Shope Fork were compared with measured discharge at the USFS weir, located approximately 50 m 

downstream from the capacitance probe gaging site. These results indicated a 7.2% average difference 

between 10‐minute interval data from the two methods, and an average 6.5% difference between the 

92  

daily mean flows.  Differences were minor during low flows and most pronounced during high flows, in 

which the weir discharge was generally higher than the discharge calculated using the capacitance probe 

and natural cross section. 

 

4.4.2 Precipitation interpolation – The 35 regional precipitation stations encompass an area of 6545 km2, 

and station elevation ranged from 580 m to 1663 m (Table 4.4).  Because of a prevalent south to north 

track of large tropical storms from the Atlantic Ocean and Gulf of Mexico, there is much greater rainfall 

in the southern part of the study area.  Significant spatial autocorrelation of precipitation was present 

for all time periods and confirmed kriging as an appropriate approach to spatial interpolation of 

precipitation.  The insignificant correlation between precipitation and elevation precluded the use of 

cokriging to account for elevation in the interpolation.  While it is generally assumed that precipitation 

increases with elevation [Drogue et al., 2002], the spatial variability of regional rainfall overwhelms local 

relationships between elevation and precipitation at this spatial scale and station density.  The 

correlations between total precipitation and elevation were significant but not strong (LF07: R = 0.381, p 

= .024; LF08: R = .421, p = .012; R = 0.357, p =.035), and similarly low correlations were evident for five 

individual storms that included nine additional precipitation stations.   Ordinary kriging of precipitation 

totals over the three time periods demonstrated significant precipitation variability across the study 

watersheds (Figure 4.5).   

 

4.4.3 Independent variable reduction –  Watershed forest cover emerged as the key land use metric for 

inclusion in multiple regression.  Two metrics of watershed elevation were included: median elevation 

and “hypsometric index 1”, a metric of watershed elevation distribution (Table 4.2).  Elongation and 

south‐facing slopes (as fraction of the watershed hillslope pixels with aspect between 135 and 215⁰) 

were the sole variables included from each of the categories of basin morphometry and aspect.  Within 

93  

the study area, there is a very strong correlation between most watershed hillslope metrics and land use 

(as low‐slope land is easier to convert to pasture or developed use than high‐slope land).  As a result, 

only the fraction of watershed area with slope lower than 2% rise and slope standard deviation (as a 

metric of complexity of watershed slope and topography) were included from the suite of slope metrics 

originally characterized.   Several channel network morphometric variables were included in the multiple 

regression modeling: drainage density, percent of stream length that is first order stream, and 

bifurcation ratio, all of which express various aspects of channel distribution and potentially relate to 

the ability of the watershed to remove water in subsurface storage.   The areal percentage of two soil 

parent materials (alluvium and colluvium), and clay‐dominant soil texture were selected.  Lastly, mean 

watershed total precipitation from the three separate time periods was also included as an independent 

variable for statistical modeling.  More detailed information for these variables is presented in Table 4.2. 

 

4.4.4 Multiple regression modeling of baseflow metrics‐   Area‐adjusted flow magnitudes varied 

considerably across sites, spanning an order of magnitude for all flow metrics (Figure 4.6).   Models were 

created independently for each of the three time periods within each of the five baseflow metrics, 

yielding a total of 15 models.  While parameters of land use, geomorphology, and/or precipitation were 

able to be combined to create statistically significant models for all baseflow metrics, all models left 

significant variability unexplained.  The weakest model, developed for Qmin1 LF08, only produced an R2 of 

0.192 (p=0.007), while the strongest model, developed forQmin1 WY08, produced an R2 of 0.515 

(p=0.001). 

Regression modeling demonstrated a predominant influence of geomorphic parameters on 

stream baseflows in this study area, as opposed to watershed forest cover (Table4.5).  Drainage density 

and watershed slope standard deviation (an indicator of topographic complexity) were selected in the 

greatest number of models.   The models indicate that greater drainage density, indicating greater 

94  

fluvial dissection and connectivity of subsurface storage to the channel network, is associated with 

reduced baseflows.  Greater slope variability was consistently associated with higher baseflow.  Forest 

cover, colluvium, and precipitation were also selected in a substantial number of the models and were 

positively related to baseflow.  Elongation, alluvium, and hypsometric index 1 were not included in any 

of the best models.  

The three time periods (LF07, LF08, and WY08) showed varied degrees of success with multiple 

regression modeling.  Among the time periods for a given baseflow metric, the LF07 model was 

generally the strongest, often accounting for twice the variance as the models for LF08 or WY08.   Qmin1 

was the only baseflow metric for which LF07 did not show the strongest results, but for this variable the 

fit for both LF07 and WY08 were also relatively strong.  Variable selection was inconsistent among the 

baseflow metrics.  Forest was consistently important in the regression models for Q99 and BFI, but not 

for the minimum daily flow metrics.  For all of the minimum daily flow metrics, the geomorphic 

parameters of drainage density, slope standard deviation, colluvium, and first order streams were 

consistently important.  BFI demonstrated consistent dependence on watershed area, forest cover, 

median elevation, and clay soils.  

 

4.4.5 Difference of means tests and watershed pair comparisons of forest cover influence‐  The results of 

the K‐means cluster analysis established two distinct groups of watersheds based on forest cover 

(F=60.20, p=0.000).  The lower‐forest group included 15 sites and ranged from 44.4 to 86.0% forest 

cover, with a center of 75%, and the higher‐forest group included 20 sites and ranged from 90.1 to 

99.9% forest cover, with a center of 94%.  Standard t‐tests were performed to compare the mean 

baseflow of lower‐ and higher‐forest watersheds, with separate analyses performed for each baseflow 

metric (Figure 4.7).  Because of the replication of tests for each baseflow metric over the three time 

periods of analysis, a Bonferroni correction was required.  With the a priori significance established at p 

95  

≤ 0.05, correcting for performing three replicate tests produced a threshold significance level of p = 

0.017 for these t‐tests.  Results showed that the mean baseflow of higher forest watersheds was greater 

than that of the lower forest watersheds, across all baseflow metrics and all time periods.  These 

differences were statistically significant below the p = 0.017 threshold for the Q99 flows, over all 3 time 

periods.  The Qmin1, Qmin7, and Qmin14 flows for LF07 were also significant. No time period produced 

statistically significant differences in BFI for lower‐ and higher forest streams.  

  Comparison of the four pairs of topographically similar watersheds also indicated consistently 

higher baseflow in the higher‐forested pair member, among all of the flow magnitude metrics (Table 

4.6).   However, the pairs and time periods demonstrate inconsistent direction of difference for BFI.   

Values of Q99, Qmin1, Qmin7, and Qmin14 range from 7 to 132% higher in the higher forest watershed.  

Among the four pairs, the difference in forest cover ranged from 6 to 24%, and these results indicate 

that greater reductions in forest cover are associated with greater differences in baseflow.   Simple 

correlation analysis indicated consistently greater baseflow with higher forest cover and reduced 

baseflow with greater nonforest land use, especially pasture (Table 4.7).   

 

4.5. Discussion 

  The expected results for this study were that a mixture of land use and geomorphic variables 

would emerge as significant explanatory variables for stream baseflows in the southern Blue Ridge 

Mountains.  While this generally proved to be the case, the influence of land use was less influential in 

the regression modeling than expected, and the amount of baseflow variability left unexplained by 

geomorphology, land use, and precipitation (widely understood as the key controls on streamflow) was 

high for many of the metrics.  This study area is characterized by relatively low human impact, so that 

the range of watershed land use among sites included in this study is relatively narrow.  Overall, forest 

cover ranges from 44.4 ‐99.9% among the sites, but only one watershed has less than 70% forest cover.  

96  

Despite this relatively small range of conditions and relatively low level of watershed disturbance, forest 

cover demonstrated a consistent positive relationship with all baseflow metrics, and showed statistically 

significant influence on Q99 and BFI.  While the influence of land use is clearly present on stream 

basflows, the results of this study indicate the geomorphic influences in this highly variable topographic 

setting outweigh the influence of land use.   The discussion that follows will emphasize the differences in 

models among the time periods, the explanatory models for the five baseflow metrics, the potential 

reasons for the unexplained variability, and the insights these results shed on watershed function.  

 

4.5.1 Differences in explanatory models among the time periods of Low Flow Season 2007 (LF07), Low 

Flow Season 2008 (LF08), and Water Year 2008 (WY08) – An interesting pattern demonstrated by these 

results is that the LF07 period consistently produced stronger multiple regression models , which 

incorporated more independent variables, than seen with the later time periods.  One possible 

explanation for this is the pronounced drought that affected the region during 2007‐2008, along with a 

very large tropical storm that coincided with both the LF08 and WY08 periods.  It is highly likely that the 

LF07 period is more representative of average conditions in this region than the later time periods, 

during which the systems were under greater stress from the sustained drought conditions.  Under such 

conditions, it is probable that the predominant control on baseflow is the availability of long‐term 

subsurface storage, which was not directly measured by any of the independent variables included in 

this study.  

  The LF08 period included low flows in mid‐August that were the lowest on all available long‐

term USGS records in the study area, going back as far as the 1940s (Figure 4.3).  The Qmin1, Qmin7, and 

Qmin14 values for both LF08 and WY08 include values from this period, and the Q99 for both LF08 and 

WY08 were both undoubtedly strongly affected by these extremely low flows.   Baseflows during these 

anomalously intense conditions likely reflect the availability of long residence time storage among the 

97  

watersheds.  Introducing further complexity to these time periods, the remnants of a large Gulf of 

Mexico storm system (Tropical Storm Fay), passed directly over the study area on 28‐29 August 2008, 

with storm totals in excess of 250 mm in parts of the study area.  This storm generated overbank floods 

throughout the region.  Watershed responses to the intense drought, punctuated by an intense storm 

event, were highly variable.  For some watersheds, the late‐August 2008 period immediately prior to Fay 

were no lower than LF07 minimum flows, whereas others demonstrate reductions from LF07 levels 

greater than an order of magnitude.  While direct water withdrawals during this period of water scarcity 

may have introduced variability, it is also clear that some watersheds have apparently greater drought 

resilience, which is likely due to greater long term storage capacity in the watersheds.  The watersheds 

also accumulated highly variable amounts of recharge from Fay and a smaller storm that occurred 

immediately afterward (a small remnant of Hurricane Gustav).  Many sites demonstrated much higher 

baseflow following the storm series.  In contrast, several sites immediately receded to levels even lower 

than flows prior to Fay (Figure 4.8).  Spatial variability of rainfall during the storm and widely varying 

infiltration and retention characteristics among the watersheds explain the wide range of shallow 

subsurface recharge as a result of these storms.  This pronounced variability in system response to both 

the intense drought and the very large storm event introduced baseflow variability that is likely far 

greater than in a typical year, and may partially explain the relative weak statistical results for LF08 and 

for the minimum flow metrics of WY08.   

Similarly, the predominance of the major storm event during the LF08 period likely explains why 

precipitation was a significant variable for Q99 in LF08 and WY08, but not for LF07.  While the overall 

mean precipitation depths among the watersheds do not differ greatly between the two time periods 

(206 mm in LF07 vs. 217 mm in LF08), the coefficients of variation (CV) of mean watershed precipitation 

depths indicates nearly double variability during LF08 (CV = 0.131 in LF07 vs. 0.209 in LF08).  The 

minimum flow metrics (Qmin1, Qmin7, and Qmin14) strongly emphasize the period of regionally very low 

98  

flows prior to the impact of Tropical Storm Fay remnants, and are thus not significantly influenced by the 

precipitation totals.  

 

4.5.2 Differences in independent variable selection among the baseflow metrics – Five separate baseflow 

metrics were included in these analyses, because there is no consensus within the hydrologic sciences 

on any single metric as the best measure of baseflow in the absence of long‐term records.  This partially 

arises from the dual need to analyze baseflow in terms of a low flow season, and also in terms of 

season‐independent recession flows [Smakhtin, 2001].   For the latter, the literature favors the baseflow 

index (BFI) [Beran and Gustard, 1977; Nathan et al., 1996; Neff et al., 2005], but there is no such 

consensus for characterizing minimum flows.  The results of this study do not indicate that any one of 

the baseflow metrics (Q99, Qmin1, Qmin7, or Qmin14) is inherently superior for relating watershed 

characteristics to baseflow quantity.  Instead, these results demonstrate that these metrics are actually 

responding to distinct sets of factors and suggest the metrics might represent different aspects of the 

hydrologic system.   

  Overall, Q99 responded most strongly to forest cover, precipitation, and areal percentage of flat 

terrain (slope < 2%).  Forest cover demonstrated a positive relationship with baseflow, underscoring the 

importance of high‐infiltration‐capacity forest soils in recharging shallow subsurface storage [Price et al., 

in review].  Area of slopes < 2% demonstrated a negative relationship with Q99 for LF08, presenting a 

relationship contrary to the expectation that flatter terrain would allow for greater infiltration and 

recharge [Thomas and Cervione, 1970; Neff et al., 2005; Santhi et al., 2008].  In this study area of 

significant relief and historically low population pressures, development has historically concentrated in 

flatter areas.  Using Cartoogechaye Creek as an example, the area of slope less than 2% is comprised of 

11% forest, 19% developed land, and 70% pasture/agriculture.  While the correlation between low slope 

area and forest cover was below the threshold value of 0.8 used for variable reduction, the relationship 

99  

is nevertheless quite strong (R =  ‐0.787).  As various studies have shown that nonforest land use is 

associated with reduced infiltration and recharge [e.g., Godsey and Elsenbeer, 2002; Jiménez, 2006; Price 

et al., in review], it is highly probable that the negative influence of low slope area on baseflow is in 

reality a representation of a negative relationship between nonforest land use and baseflow (which 

complies with the positive relationship shown between forest cover and Q99 during the other two time 

periods).  As discussed above, the low precipitation variability during LF07 likely explains why 

precipitation significantly influences Q99 for LF08 and WY08, but not LF07.  

  All of the minimum daily flow metrics (Qmin1, Qmin7, and Qmin14) relate most strongly to drainage 

density,  slope standard deviation, and, to a lesser extent, colluvium.  Drainage density, or the length of 

stream channel per unit watershed area, emerged as the single most selected variable overall.  It is quite 

logical and theoretically viable that greater fluvial dissection and, thus, greater connectivity between 

subsurface storage and the channel network, would have a negative relationship with minimum flows 

[Smakhtin, 2001].   The results of several other studies corroborate the negative relationship between 

drainage density and baseflow [Gregory and Walling, 1968; Warner et al., 2003].  Greater contact area 

between stored water and stream channels facilitates removal of water, thus leaving less water in 

subsurface storage when systems are stressed during warmer and drier times of year.   Additionally, the 

negative relationship between drainage density and baseflow is at least partially due to negative 

correlations between subsurface characteristics and drainage density.  For example, drainage density is 

theoretically greater in watersheds with shallower confining layers, in which channel development 

occurs more readily due to a lack of subsurface storage capacity.  Thus, it is possible that drainage 

density not only relates negatively to baseflow because it facilitates removal of water in subsurface 

storage, but also because it is a direct reflection of the subsurface storage conditions.  

Topographic complexity (as slope standard deviation) shows a consistently positive relationship 

to the minimum flows metrics.  Topographic complexity implies a variety of potential storage units, and 

100  

can be understood through the extreme cases of topographic uniformity.   A uniformly steep watershed 

would favor rapid transfer of water out of the watershed, while a uniformly flat watershed may not 

contain sufficient subsurface storage volume to sustain high baseflows.  Furthermore, low slope areas 

favor deeper infiltration and the possibility that down‐valley movement of water in alluvial aquifer flows 

through the aquifer, below and alongside the stream network itself.  High toographic variability reflects 

the intermediate condition, in which watersheds contain a range of slopes.  This variability results from a 

mixture of hillslope and fluvial deposits, such as colluvium and alluvium, favoring greater storage of 

subsurface watersheds.  This is corroborated by the fact that amount of watershed colluvium also 

emerged as an important explanatory variable.  The positive relationship between baseflow and 

colluvium suggests that colluvium is an important subsurface reservoir in this system dominated by 

shallow storage.  This corroborates recent findings in Scotland that groundwater storage at lower slopes 

in mountainous headwaters (where colluvium accumulates) to be a major source of baseflow [Tetzlaff 

and Soulsby, 2008], and to a recent study indicating substantial colluvial water storage in the Cascades 

[Schultz et al., 2008]. 

  BFI was consistently influenced by forest, watershed area, clay, and median elevation across the 

three time periods, and like most of the other metrics, BFI for LF07 showed a stronger relationship to 

watershed characteristics than LF08 or WY08.  As the proportion of baseflow to total flow, BFI reflects 

sustained streamflow behavior, as opposed to the system response during periods of low precipitation.    

As was expected, higher forest cover is associated with higher BFI, indicating a less flashy regime due to 

lower overland flow in forested watersheds.  The corollary to lower overland flow is increased 

subsurface recharge and higher sustained baseflows.  While BFI is generally treated as area‐

independent, these results show that there is a scale‐dependence associated with BFI.  In high relief 

terrain, this relationship arises due to the increased volume of valley bottom storage capacity as systems 

increase in size, with alluvial bottomlands often supplying significant water to stream systems [Larkin 

101  

and Sharp, 1992].  In effect, areal expansion of flat terrain generates an exponential increase in water 

storage volume.  The size range of systems included in this study, from small headwater watersheds less 

than 3 km2 to larger, more complex systems up to 150 km2 likely underscored this effect.   This also 

explains the negative relationship between BFI and median elevation, as the watersheds representing 

the upper part of the system also tend to have higher median elevation.  This interpretation that the BFI 

of upland, headwater systems is lower than that of watersheds including more alluvial bottomland also 

explains the positive relationship between clay and BFI observed in this study.  While several previous 

studies have shown relationships between soil texture and BFI, in these cases finer soil texture was 

associated with lower BFI, due to impeded infiltration [Gustard et al., 1986; Boorman et al., 1995].  In 

the study area of the southern Blue Ridge, soil survey data and field observation indicates a greater 

presence of clay in alluvial terrace soils than in the saprolitic and colluvial soils of the surrounding 

hillslopes [USDA‐NRCS, 2005; USDA‐NRCS, 2006, USDA‐NRCS, 2007, USDA‐NRCS, 2008].  The relationship 

between BFI and clay content is again more likely a correlation expressing presence of alluvial 

bottomland, rather than a causal relationship between soil texture and BFI.  

  The lack of consistent independent variable selection among the baseflow metrics implies that 

the metrics express separate aspects of watershed function.  The distinction of BFI from Q99 and the 

minimum flow metrics of Qmin1, Qmin7, and Qmin14 is straightforward.  BFI measures baseflow proportion 

throughout the entire period of record, rather than isolating extremely low flows, and as such the best 

models for BFI emphasize both watershed storage volume (indirectly through watershed area) and 

landcover, with a positive relationship with forest cover consistently shown.  However, it is less 

straightforward why Q99 and the minimum flow metrics selected separate suites of independent 

variables.  Q99 emphasized forest cover and precipitation, while the minimum flow metrics emphasized 

drainage density, slope standard deviation, and amount of colluvium in the watershed.   Perhaps Q99, 

with no fixed temporal constraints within the time period, is a better reflection of sustained watershed 

102  

function than the minimum flow metrics, which isolate extreme conditions.  Results from the multiple 

regression modeling support this interpretation.  The Q99 models showed a positive relationship to both 

forest cover and precipitation, indicating this variable is a reflection of the amount of water allowed to 

enter the subsurface system.  The minimum flow metrics, on the other hand, selected variables relating 

more directly to subsurface storage capacity and retention, which logically relate to the minimum 

amount of water in the stream system during times of low precipitation.   

 

4.5.3 Interpretation of the overall influence of land use, geomorphology, and precipitation on baseflow‐  

General understanding of watershed function holds that factors of land use, climate, and 

geomorphology/geology are the important controls on baseflow discharge.  This study attempted to 

quantify the relative importance of the influences of land use and geomorphology (within similar 

bedrock) by comparing watersheds of varied land use and topographic characteristics and accounting 

for spatial variability of precipitation.  However, the best model that resulted from this accounted for 

only 51.5% of the variability among the sites, and most models were significantly weaker.  These results 

are similar to other studies attempting to statistically model baseflow  [Thomas and Benson,1970; 

Gustard et al., 1989; Kent, 1999; Neff et al., 2005].  While there are studies presenting baseflow 

modeling results with very high R2 values using geomorphic, land use, and climate parameters [Vogel 

and Kroll, 1992; Nathan et al., 1996; Zhu and Day, 2009], these studies have modeled unstandardized 

baseflows, using watershed area as an independent variable.  However, area is responsible for such a 

large amount of baseflow variability, area‐standardized baseflow was used in order to allow for further 

insights into watershed function.   For example, baseflow models with area as the sole independent 

variable produced R2 values ranging from 0.948 to 0.981 for Pennsylvania streams, leaving very little 

variability to explore the influences of other watershed characteristics [Zhu and Day, 2009].  Among the 

watersheds in this study, multivariate models including area as an independent variable produced R2 

103  

values ranging from 0.835 to 0.934 across all metrics of baseflow magnitudes (unstandardized by area, 

and not including BFI).  Area alone accounted for 74.1 to 86.4% of the variability observed.  All of the 

independent variables selected by the best models of the area‐adjusted flows retained their significance 

with area included, and together accounted for 2‐8% of additional variability among the models.  

Overall, the models for LF07 (for both area‐ standardized and unstandardized flows) were most 

successful, likely because the anomalously low flows after multiple years of drought introduced 

additional variability for LF08 and minimum WY08 flows among the stressed systems.   

Precipitation played a lesser role in explaining baseflows than was expected.  Total precipitation 

emerged as an important explanatory variable in only two of the models (Q99 LF08 and Q99 WY08).  As 

explained above, this is likely due to the anomalously low precipitation levels during the study period, 

punctuated by a major tropical storm event with highly spatially variable precipitation.   It was 

additionally surprising that no significant relationship emerged between elevation and precipitation in 

this study area, despite the general understanding that orographic effects lead to higher precipitation 

with increasing elevation [Drogue et al., 2002].  While analysis of major storm precipitation totals in the 

Blue Ridge Mountains has shown significant relationships between elevation and precipitation totals 

[Sturdevant‐Rees et al., 2001; Nykanen and Harris, 2006; Wooten et al., 2008], low and/or insignificant 

correlations between precipitation and elevation have also been demonstrated in mountainous 

environments  [Chang, 1977; Penk and Schaake, 1990; Konrad, 1995].  The relationship between 

elevation and precipitation is clouded in this study area due to the importance of Gulf of Mexico and 

western Atlantic storm systems moving into the region from the south.  While the highest elevations are 

in the northern part of the study area, along the Plott‐Balsam Range and toward the Great Smoky 

Mountains National Park, the highest rainfall totals occur in association with the Blue Ridge Escarpment 

in the southern part of the study area [Konrad, 1996].  It is likely that orographic effects are evident at 

the scale of individual mountains during individual storm events, but that this relationship does not 

104  

upscale to demonstrate a regional trend, because of the greater importance of the predominant south‐

north track of major storm events.  This interpretation is supported by the findings of an analysis of 

topographic setting and precipitation patterns among 44 climate stations in the southern Blue Ridge 

[Konrad, 1996].   The results of this study showed that elevation was found to correlate significantly with 

light precipitation events, but not heavy events.  Heavy events were best explained by 1) southern 

exposure, and 2) distance from the Gulf of Mexico.   

The variability left unexplained by the multiple regression models (Table 4.5) can be accounted 

for by three main factors: 1) data uncertainty, 2) direct water withdrawals and surface inputs of 

imported water, and 3) variable oversimplification.  First, there may be error resulting from the stage‐

discharge method in natural channels, and comparison of this method against discharge calculated from 

a trapezoidal weir demonstrated a 6.5% difference for daily flows.  All GIS‐derived watershed 

characteristics contain some level of uncertainty, with the spatial interpolation of point precipitation 

totals being the most notable.   Second, the lack of precipitation during the low flow seasons of these 

drought years undoubtedly led to some amount of direct water withdrawals from streams for irrigation 

or other uses.  The extent to which this occurred is not known.  The municipal water supplies in this 

study area are sourced from large streams outside of all the watersheds included in this study, with the 

exception of Cartoogechaye Creek.  Non‐municipal water sources are generally wells drilled deep into 

bedrock fractures likely disconnected from the surface water system, given what is known about the 

regional hydrogeologic characteristics [Velbel 1985, Seaton and Burbey, 2005].   The addition of water 

from these sources to the surface water system via septic drainage, outdoor water use, and 

infrastructure leakage could be substantial enough to introduce baseflow variability [Lerner, 2002].  

Additionally, distribution and size of water retention ponds was not accounted for.   

Lastly, the most important reason that these watershed characteristics fail to account for 

greater baseflow variability is that the independent variables themselves are only correlates to the 

105  

actual hydrologic parameters of a basic water budget.   Precipitation can be directly estimated, but the 

other key hydrologic variables of ET and subsurface storage are only crudely approximated by 

watershed characteristics.  Factors of land use, aspect, and elevation relate to ET but do not directly 

quantify it.  Factors of geomorphology relate to subsurface storage capacity, and factors of soil texture 

and land use relate to infiltration and recharge – but subsurface storage volumes and aquifer properties 

are not directly represented.    

  Given all these limitations to attempting to represent the watershed system, the ability to 

explain 20‐50% of baseflow variability with a small set of surficial watershed characteristics sheds 

significant light on watershed function in this study area.  While land use was not selected in the best 

regression model for every baseflow metric, it was clearly influential to both Q99 and BFI.  Its absence in 

the minimum flow models can be explained by the fact that these variables seem to be most directly 

influenced by subsurface water availability to provide baseflow during the driest times of year.  The 

importance of land use was confirmed by the pair comparisons, difference of means tests between 

watersheds of contrasting forest cover, and simple correlation analyses between various land use 

metrics and baseflow variables.    The comparisons of baseflow of streams within topographically similar 

watersheds that differ in forest cover indicated substantially higher baseflow in the more forested pair 

member for all metrics of baseflow magnitude, though not for BFI (Table 4.6).    In many cases, the more 

highly forested watershed demonstrated baseflow levels more than 50% greater than the lower‐forest 

pair member, and there is a clear trend associating greater reductions in watershed forest cover with 

greater reductions in stream baseflow.  These results were corroborated by the difference of means 

tests (Figure 4.7), which demonstrated consistently higher baseflow among the more forested 

watersheds, with statistically significant differences in Q99 observed for all time periods.  Additionally, all 

metrics except BFI showed statistically significant differences between lower‐ and higher‐forest 

watersheds for theLF07 time period.  Simple correlation analysis showed consistent direction of 

106  

difference between baseflow metrics and land use classes (Table 4.7), with higher forest cover 

associated with higher baseflow in all cases.  Again, statistical significance was only demonstrated for 

Q99 (all time periods), and for LF07 minimum flow metrics.    

 

4.6. Conclusions 

The streamflow from 35 watersheds ranging in size from 3 to 146 km2 in the southern Blue 

Ridge of North Carolina was monitored for 1.5 years, encompassing two low flow seasons.   The 

watershed and channel network morphometry, soil characteristics, land use, and precipitation were 

characterized for the 35 watersheds and related to unit‐area baseflow metrics and BFI.  The results of 

this study indicate that baseflow in the southern Blue Ridge is affected most strongly by factors of 

geomorphology, particularly drainage density, topographic variability, and colluvium.  While apparently 

less influential than watershed geomorphology, watershed forest cover demonstrated a consistent, 

positive relationship with baseflow.  Five baseflow metrics were considered in this study: the flow 

exceeded 99% of the time (Q99), the 1‐day, 7‐day, and 14‐day minimum flows (Qmin1, Qmin7, and Qmin14), 

and baseflow index (BFI).  All metrics except BFI were standardized by watershed area, which 

demonstrated very strong correlations to metrics of baseflow magnitude.  Multiple regression modeling 

of various landscape factors of topography, land use, and precipitation was used to explain unit‐area 

baseflow variability during three time periods: 1) low flow season 2007 (LF07, August 5‐November 12), 

2) low flow season 2008 (LF08, August 1‐November 12), and 3) water year 2008 (WY08, October 1, 2007 

to September 30, 2008).  Q99 showed a strong positive relationship to watershed forest cover and 

precipitation, while Qmin1, Qmin7, and Qmin14 were strongly related to drainage density, slope standard 

deviation, and colluvium.  BFI was most strongly related to forest cover, watershed area, median 

elevation, and clay.  The lack of a consistent set of explanatory variables suggests these metrics are 

sensitive to different aspects of watershed function.  Q99 appears to relate to the amount of water that 

107  

enters subsurface storage, while the minimum flow metrics appear to respond to variables linked to the 

storage capacity of the watershed and the connectivity of these reservoirs to the surface water network.  

BFI relates both to land use and to the watershed’s position in the overall system, with smaller, higher 

elevation headwater watersheds demonstrating lower storage capacity and lower BFI.  Regression 

models were stronger for the LF07 than the other two time periods.  This is attributed to a pronounced 

drought that caused severe low flows that were the lowest on regional record in August 2008.  

Moreover, Tropical Storm Fay occurred early in the LF08 period and apparently induced considerable 

regional variability in hydrologic recharge.  Flows during LF07 are more representative of typical 

conditions and may better reflect watershed function.   

The models for all metrics and time periods left considerable variability unexplained.  While the 

model strength is not unusually low for this type of study, the results raise questions about the sources 

of the remaining variability.  It is our contention that the model weakness is caused not by the failure to 

consider important aspects of the watershed system, but instead because the variables included only 

relate to the gains and losses of water from the system without directly measuring them.   The region is 

characterized by fairly low variability in land cover, which is the likely reason that forest cover failed to 

demonstrate a more consistent role in explaining baseflow variability.  The results from t‐tests 

comparing means of lower‐ and higher‐forest cover watersheds, paired comparisons of topographically 

similar watersheds with varied forest cover, and simple correlations between land use and baseflow 

metrics all confirm that higher forest cover is associated with higher baseflow among these watersheds.  

The results of this study suggest that as development continues in this region, further land use change 

will be associated with reductions in baseflow.  This could have negative implications for water 

availability for public use, but is also of great concern due to the high number of endangered aquatic 

species endemic to the southern Blue Ridge [Mayden, 1987; Warren et al., 2000; Sutherland et al., 

2002].    

108  

 

4.7. References 

Apaydin, H., F. Ozturk, H. Merdun, and N. M. Aziz (2006), Determination of the drainage basin characteristics using vector GIS, Nordic Hydrol. 37(2), 129‐142.  Asano, Y., T. Uchida, and N. Ohte (2002), Residence times and flow paths of water in steep unchannelled catchments, Tankami, Japan, J. Hydrol., 261, 173‐192.  Barnes, P. L. and P. K. Kalita (2001), Watershed monitoring to address contamination source issues and remediation of the contamination impairments, Water Sci. and Tech. 44(7), 51‐56.  Batelaan, O. and F. De Smedt (2007), GIS‐based recharge estimation by coupling surface‐subsurface water balances, J. Hydrol. 337(3‐4), 337‐355.  Beran, M.A. and A. Gustard (1977) A study into the low‐flow characteristics of British rivers, J. Hydrol. 35, 147‐157.   Black, A. R., R. C. Johnson, and M. Robinson, (1995), Effects of forestry on low flows in Scotland and Northern Ireland , Report to the Scotland and Ireland Forum for Environmental Research, 52 pp., Institute of Hydrology, Wallingford, UK.  Blöschl, G. (2001), Scaling in hydrology, Hydrological Processes 15, 709‐711.  Boorman, D. B., J. M. Hollis, and A. Lilly (1995), Hydrology of soil types: a hydrologically based classification of the soils of the United Kingdom, Institute of Hydrology Report, 126.  Bosch, J. M. and Hewlett, J. D. (1982), A review of catchment experiments to determine the effect of vegetation changes on water yield and evapotranspiration, J. Hydrol. 55, 3‐23.  Brenning, A. and D. Trombotto (2006), Logistic regression modeling of rock glacier and glacier distribution: Topographic and climatic controls in the semi‐arid Andes, Geomorphology 81(1‐2), 141‐154.  Brooks, K.N., P. F. Ffolliot, H. M. Gregersen, and J. L. Thames (1991), Hydrology and the Management of Watersheds, 402 pp., Iowa State University Press, Ames, IA.  Bruijnzeel, L. A. (2004), Hydrological functions of tropical forests: not seeing the soil for the trees? Agric. Ecosys. Env. 104(1), 185‐228.  Brutsaert, W. (2005), Hydrology: an Introduction, 605 pp., University Press, Cambridge.  Calder, L. R. (1990), Evaporation in the uplands, 166 pp., Wiley, Chichester, UK.  Chang, M. (1977), An evaluation of precipitation gage density in a mountainous terrain, J. Amer. Water Resour. Assoc. 13(1), 39‐46.  

109  

Chang, M. (2003), Forest Hydrology: an Introduction to Water and Forests, 373 pp., CRC Press, Boca Raton, FL.  Cherkauer, D. S. and S. A. Ansari (2005), Estimating ground water recharge from topography, hydrogeology, and land cover, Ground Water 43(1), 102‐112.  Cho, S. H., D. H. Newman, and D. N. Wear (2003), Impacts of second home development on housing prices in the southern Appalachian highlands, Rev. Urb. Reg. Dev. Stud.15(3), 208‐225.  Daniel, C. C. III and R. A. Payne (1990), Hydrogeologic unit map of the Piedmont and Blue Ridge provinces of North Carolina, U.S. Geol. Surv. Water Res. Inv. Rep., 90‐4035.  Davis, D. E. (2000), Where There are Mountains: an Environmental History of Appalachia, 320 pp., University of Georgia Press, Athens.  Delcourt, P. A. and H. R. Delcourt (2004), Prehistoric Native Americans and Ecological Change: Human Ecosystems in Eastern North America since the Pleistocene, 205 pp., University Press, Cambridge.  Drogue, G., J. Humbert, J. Deraisme, N. Mahr, and N. Frelson (2002), Statistical‐topographic model for using an omnidirectional parameterization of the relief for mapping orographic rainfall, Int. J. Climatol. 22, 599‐613.  Eckhardt, K. (2008), A comparison of baseflow indices, which were calculated with seven different baseflow separation methods, J. Hydrol., 352(1‐2), 168‐173.  Farvolden, R. N. (1963), Geologic controls on ground‐water storage and base flow. J. Hydrol. 1, 219‐249.  Fitzpatrick, F. A., I. R. Waite, P. J. D’Arconte, M. R. Meador, M. A. Maupin, and M. E. Gurtz (1998), Revised methods for characterizing stream habitat in the National Water‐Quality Assessment Program, U.S. Geol. Surv. Water Res. Inv. Rep., 98‐4052.  Georgia Geologic Survey (1999), Digital Geology Map of Georgia, 2nd edition, Georgia Geol. Surv. Doc. Report, 99‐20.  Godsey, S.,  and H. Elsenbeer  (2002), The soil hydrologic response to forest regrowth: a case study from southwestern Amazonia, Hydrological Processes 16, 1519‐1522.   Gragson, T. L. and P. Bolstad (2006), Land use legacies and the future of southern Appalachia, Soc. and Nat. Res. 19(2), 175‐190.  Gregory, K. J. and D. E. Walling (1968), The variation of drainage density within a catchment, Int. Assoc. of Scientif. Hydrologists Bull. 13(2), 61‐68.  Gustard, A., D. C. W. Marshall, and F. Sutcliffe (1986), Low flow study of Northern Ireland, 10 pp, Institute of Hydrology, Wallingford, UK.  Gustard, A., L. A. Roald, S. Denuth, H. S. Lumadjeng, and R. Gross (1989), Flow Regimes from Experimental and Network Data (FREND).  Inst. of Hydrol., Hydrological Studies Volume 1. 344 pp. 

110  

 Harr, R. D., A. Levno, and R. Mersereau (1982), Streamflow changes after logging 130‐year‐old douglas fir in two small watersheds, Water Resour. Res. 18(3), 644‐647.  Hatcher, R. D. (1988), Bedrock geology and regional geologic setting of Coweeta Hydrologic Laboratory in the eastern Blue Ridge, in Forest Hydrology and Ecology at Coweeta, edited by W. T. Swank and D. A. Crossley, Jr., pp. 81‐92, Springer‐Verlag, New York.  Hewlett, J. D. (1961), Soil moisture as a source of base flow from steep mountain watersheds, U.S. Dept. of Agric. – Forest Service, Southern Research Station Paper, 132.  Hicks, B. J. , R. L. Beschta, and R. D. Harr (1991), Long‐term changes in streamflow following logging in western Oregon and associated fisheries implications, Water Res. Bull 27(2), 217‐226.  Hornbeck, J. W., M. B. Adams, E. S. Corbett, E. S. Verry, and J. A. Lynch (1993), Long‐term impacts of forest treatment on water yield: a summary for northeastern USA, J. Hydrol. 150, 323‐344.  Jiménez, C. C., M. Tejedor, G. Morillas, and J. Neris (2006), Infiltration rate in andisols: Effect of changes in vegetation cover (Tenerife, Spain), Journal of Soil and Water Conservation 61(3), 153‐158.   Johnson, R., (1998), The forest cycle and low river flows: a review of UK and international studies, Forest Ecology and Management 109, 1‐7.  Jones, J.  A.  and D. A. Post (2004), Seasonal and successional streamflow response to forest cutting and regrowth in the northwestern and eastern United States, Water Resour. Res .40, 1‐19.  Kent, C.A. (1999) The influence of changes in land cover and agricultural land management practice on baseflow in southwest Wisconsin, 1968‐1998. Ph.D. Dissertation, University of Wisconsin, Madison, WI. 

Keppeler, E. T. and R. R. Ziemer (1990), Logging effects and streamflow: water yield and summer low flows at Caspar Creek in northwestern California, Water Resour. Res. 26(7), 1669‐1679.  Konrad, C. E. II (1995), Maximum precipitation rates in the Blue Ridge Mountains of the Southeastern United States, Climate Res.5(2), 159‐166. 

Konrad, C. E. II (1996), Relationships between precipitation event types and topography in the southern Blue Ridge Mountains of the southeastern USA, Int. J. of Climatology 16(1), 49‐62. 

Konrad, C. P. and D. B. Booth (2002), Hydrologic trends associated with urban development for selected streams in the Puget Sound Basin, Western Washington. U.S. Geological Survey, Water‐Resources Investigation Report 02‐4040. 

Konrad, C. P. and D. B. Booth (2005), Hydrologic changes in urban streams and their ecological significance, Am. Fisher. Soc. Symp. 47, 157‐177.  Larkin, R. G. and J. M. Sharp, (1992), On the relationship between river‐basin geomorphology, aquifer hydraulics, and ground‐water flow direction in alluvial aquifers, Geol.  Soc. Am. Bull. 104, 1608‐1620. 

111  

 Leigh, D.S. and P. A. Webb (2006), Holocene erosion, sedimentation, and stratigraphy at Raven Fork, Southern Blue Ridge Mountains, Geomorphology 78, 161‐177.  Lerner, D. N. (2002), Identifying and quantifying urban recharge: a review, Hydrogeol.  J. 10, 143‐152.  Lim, K. J., B. A. Engel, T. Zhenxu, J. Choi, K.‐S. Kim, S. Muthukrishnan, and D. Tripathy (2005), Automated web GIS based hydrograph analysis tool, WHAT, J. Am. Water Res. Assoc., 41(6), 1407‐1416.  Liu, M. L., H. Q. Tian, G. S. Chen, W. Ren, C. Zhang, and J. Y. Liu (2008), Effects of land‐use and land‐cover change on evapotranspiration and water yield in China during 1900‐2000, J. Am. Water. Resour. Assoc. 44(5), 1193‐1207.  Marani, M., E. Eltahir, and A. Rinaldo (2001), Geomorphic controls on regional base flow, Water Resour. Res.37(10), 2619‐2630.  Mayden, R. L. (1987), Historical ecology and North American highland fishes: a research program in community ecology, in Community and Evolutionary Ecology of North American Stream Fishes, edited  by W. J. Matthews and D. C. Heins, pp**, University of Oklahoma Press, Norman, OK.  McCullough, J. S. G. and M. Robinson (1993), History of forest hydrology, J. Hydrol. 150, 189‐216.  McGuire, K. J., J. J. McDonnell, M. Weiler, C. Kendall, B. L. McGlynn, J. M. Welker, and J. Siebert (2005), The role of topography on catchment‐scale water residence time, Water Resour. Res. 41(W05002), 1‐14.  Melton, M. A. (1957), An analysis of the relations among elements of climate, surface properties, and geomorphology,  Colombia University Department of Geology Technical Report, 11.  Mesko, T.O., L. A. Swain, and E. F. Hollyday (1999), Hydrogeology and hydrogeologic terranes of the Blue Ridge and Piedmont physiographic provinces in the eastern United States, U.S. Geol. Surv. Hydrologic Investigations Atlas, HA‐732‐B.  Mosley, M. P. and A. I. McKerchar (1993), Streamflow, in Handbook of Hydrology, edited by D. R. Maidment, pp.** to **, McGraw Hill, **city**.  Moyeed, R. A. and R. T. Clarke (2005), The use of Bayesian methods for fitting rating curves, with case studies, Adv.Water Res.,  28(8), 807‐818.  NCDC – National Climatic Data Center (2004), Monthly Station Climate Summaries, 1971‐2000, Climatography of the U.S., 20.   N.C. Department of Environment and Natural Resources (2009), Lower Little Tennessee /Upper Little Tennessee / Tugaloo Hydrography,  Accessed March 9, 2009, <http://www.ncstreams.org/DataAccess/tabid/257/Default.aspx>  NCDOT, 2007a. Clay County ‐ Elevation Grid. Accessed September 15, 2007. <http://www.ncdot.org/it/gis>   

112  

NCDOT, 2007b. Jackson County ‐ Elevation Grid. Accessed September 15, 2007. <http://www.ncdot.org/it/gis>   NCDOT, 2007c. Macon County ‐ Elevation Grid. Accessed September 15, 2007. <http://www.ncdot.org/it/gis>   Nathan, R. J., K. Austin, D. Crawford, and N. Jayasuriya (1996), The estimation of monthly yield in ungauged catchments using a lumped conceptual model, Australian J. Water Resour., 1(2), 65‐75.  Neff, B. P., S. M. Day, A. R. Piggott, and L. M. Fuller (2005), Base Flow in the Great Lakes Basin, U.S. Geological Survey Scientific Investigations Report, 2005‐2517.  Nour, M. H., D. W. Smit, and M. Gamal El‐Din (2006), Geostatistical mapping of precipitation: implications for rain gauge network design, Water Sci. and Tech. 53(10), 101‐110.  Nykanen, D. K. and D. Harris (2003), Orographic influences on the multiscale statistical properties of precipitation, J. Geophys. Res. 108, 8381  Peck, E. L. and Schaake, J. C. (1990), Network design for water‐supply forecasting in the West  Petras, I. (2003), Arcview Avenue Script: Basin1, Accessed December 12, 2008, <http://arcscripts.esri.com/details.asp?dbid=10668>  Price, K., C. R. Jackson, and A. J. Parker, Variation of surficial soil hydraulic properties across land uses in the southern Blue Ridge Mountains, USA, submitted to J. Hydrol.  Reitan, T. and A. Petersen‐Øverlier (2008), Bayesian power‐law regression with a location parameter, with applications for construction of discharge rating curves, Stoch. Environ. Res. Risk Assess., 22(3), 351‐365.  Reitan, T. and A. Petersen‐Øverlier (2009), Bayesian methods for estimating multi‐segment discharge rating curves, Stoch. Environ. Res. Risk Assess., 23(5), 627‐642.  Robinson, G. R., Jr., F. G. Lesure, J. I. Marlowe II, N. K. Foley, and S. H. Clark (1992), Bedrock geology and mineral resources of the Knoxville 1⁰ x 2⁰ quadrangle, Tennessee, North Carolina, and South Carolina, U.S. Geol. Surv. Bulletin, 1979.  Rodhe, A., L. Nyberg, and K. Bishop (1996), Transit times for water in a small till catchment from a step shift in the oxygen 18 content of the water input, Water Resour. Res., 32(12), 3497‐3511.  Rose, S. and N. E. Peters (2001), Effects of urbanization on streamflow in the Atlanta area (Georgia, USA): a comparative hydrological approach, Hydrol. Processes 15, 1441‐1457.  Sahin, V. and M. J. Hall (1996), The effects of afforestation and deforestation on water yields,  J. Hydrol. 178, 293‐309.  Santhi, C., P. M., R. S. Muttiah, J. G. Arnold, and P. Tuppad (2008), Regional estimation of base flow for the conterminous United States by hydrologic landscape regions,  J. Hydrol., 351(1‐2), 139‐153. 

113  

 Schultz, W. H., D. J. Lidke, and J. W. Godt (2008), Modeling the spatial distribution of landslide‐prone colluvium and shallow groundwater on hillslopes of Seattle, WA, Earth Surf. Proc. and Landforms 33, 123‐141.  Seaton, W. J. and T. B. Burbey (2005), Influence of ancient thrust faults on the hydrogeology of the Blue Ridge Province, Ground Water 43(3), 301‐313.  Shehata, M. A. and F. M. Al‐Ruwaih (2005), Quantitative geomorphological analysis of some watersheds on the Eastern Bank of the River Nile with relation to basin hydrogeology, Egypt, Kuwait J. of Sci. and Eng. 32(1), 195‐212.  Sivapalan, M. (2003), Process complexity at the hillslope scale, process simplicity at the watershed scale: is there a connection? Hydrol. Proc. 17, 1037‐1041.  Smakhtin, V. U. (2001), Low flow hydrology: a review, J. Hydrol. 240, 147‐186.  Smith, R. E. (1991), Effect of clearfelling pines on water yield in a small eastern Transvaal catchment, South Africa, Water S.A. 17(3), 217‐224.  Soulsby, C., P. J. Rodgers, J. Petry, D. M. Hannah, I. A. Malcolm, and S. M. Dunn (2004), Using tracers to upscale flow path understanding in mesoscale mountainous catchments: two examples from Scotland, J. Hydrol. 291, 174‐196.  Southworth, S., A. Schultz, D. Denenney, and J. Triplett (2003), Surficial geologic map of the Great Smoky Mountains National Park, U.S. Geol. Surv. Open File Report, 03‐081.  Sturdevant‐Rees, P., J. A. Smith, J. Morrison, and M. L. Baeck (2001), Tropical storms and the flood hydrology of the central Appalachians, Water Resour. Res. 37(8), 2143‐2168.  Sutherland, A. S., J. L. Meyer, and E. P. Gardiner (2002), Effects of land cover on sediment regime and fish assemblage structure in four southern Appalachian streams, Freshwater Bio. 47, 1791‐1805.  Swank, W. T. and J. E. Douglass (1975), Nutrient flux in undisturbed and manipulated forest ecosystems in the southern Appalachian Mountains, in Proceedings of the Tokyo Symposium on the Hydrologic Characteristics of River Basins, Tokyo, Japan, pp. 445‐456.  Tetzlaff, D. and C. Soulsby (2008), Sources of baseflow in larger catchments – Using tracers to develop a holistic understanding of runoff generation, J. Hydrol. 359, 287‐302.  Tetzlaff, D., J. Siebert, K. J. McGuire, H. Laudon, D. A. Burns, S. M. Dunn, and C. Soulsby (2009), How does landscape structure influence catchment transit times across different geomorphic provinces? Hydrol. Process. 23, 945‐953.  Thomas, D. M. and M. A. Benson (1970), Generalization of streamflow characteristics from drainage‐basin characteristics, U.S. Geol. Surv. Water‐Supply Paper 1975.  

114  

Thomas, M. P. and M. A. Cervione (1970), A proposed streamflow data program for Connecticut, Conn. Water Resour. Bull. 23, **  U.S. Census Bureau (2007), 2006 Population Estimates. Accessed Ocober 28, 2007. <http://factfinder.census.gov>   USDA‐NRCS (2005), Soil Survey Geographic (SSURGO) Database for Macon County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USDA‐NRCS (2006), Soil Survey Geographic (SSURGO) Database for Rabun and Towns Counties, Georgia, Accessed January 20, 2009 <http://soildatamart.nrcs.usda.gov>  USDA‐NRCS (2007), Soil Survey Geographic (SSURGO) Database for Jackson County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USDA‐NRCS (2008), Soil Survey Geographic (SSURGO) Database for Clay County, North Carolina, Accessed January 20, 2009 <http://soildatamart.nrcs.usda.gov>  USGS (2003), North Carolina Land Cover Database Zone 57 Land Cover Layer, Accessed September 20, 2007. <www.seamless.usgs.gov>   Velbel, M. A. (1985), Geochemical mass balances and weathering rates in forested watersheds of the southern Blue Ridge, Am. J. Sci. 285, 904‐930.  Vogel, R. M. and C. N. Kroll (1992), Regional geohydrologic‐geomorphic relationships for the estimation of low‐flow statistics, Water Resour. Res. 28(9), 2451‐2458.  Warner, G. S., A. R. García‐Martinó, F. N. Scatena, and D. L. Civco (2003), Watershed characterization by GIS for Low Flow Prediction, in GIS for Water Resources and Watershed Management, edited by J. G. Lyon, pp. 101‐107, Taylor and Francis, London.  Warren, M. L., B. M. Burr, S. J. Walsh, H. L. Bart, R. C. Cashner, D. A. Etnier, B. J. Freeman, B. R. Kuhajda, R. L. Mayden, H. W. Robison, S. T. Ross, and W. C. Starnes (2002), Diversity, distribution, and conservation status of the native freshwater fishes of the southern United States, Fisheries 25, 7‐31.  Wear, D. N. and P. Bolstad (1998), Land use changes in the Southern Appalachian landscapes: spatial analysis and forecast evolution, Ecosystems 1(6), 575‐594.  White, B. A. and Burbey, T. J. (2007), Evidence for structurally controlled recharge in the Blue Ridge province, Virginia, USA, Hydrogeology Journal 15(5), 929‐943.  Woods, R. A., M. Sivapalan, J. S. Robinson (1997), Modeling the spatial variability of subsurface runoff using a topographic index, Water Resour. Res. 33(5), 1061‐1073.  Wooten, R. M., K. A. Gillon, A. C. Witt, R. S. Latham, T. J. Douglas, J. B. Bauer, S. J. Fuemmeler, and L. G. Lee (2008), Geologic, geomorphic, and meteorological aspects of debris flows triggered by Hurricanes Frances and Ivan during September 2004 in the Southern Appalachian Mountains of Macon County, North Carolina (southeastern USA), Landslides 5, 31‐44. 

115  

 Yarnell, S. L. (1998), The southern Appalachians: a history of the landscape. U.S. Dept. of Agric. – Forest Service, Southern Research Station General Technical Report, SRS‐18.  Zhu, Y. and R. L. Day (2009), Regression modeling of streamflow, baseflow, and runoff using geographic information systems, J. Env .Mgmt. 90, 946‐953.     

116  

  Table 4.1 – General topographic and land use characteristics of study watersheds.  Site numbers correspond to Figure 4.1   

#  Stream Name  Area  Developed  Forest/Shrub  Pasture/Ag  Max.Elev.  Relief       (km2)  (%)  (%)  (%)  (m)  (m) 

1  Buck Cr.  33.8  3.3  96.5  0.2  1535  555 

2  Roaring Fork  4.7  0.2  99.9  0.0  1590  634 

3  Nantahala River  134.9  2.1  97.5  0.2  1676  739 

4  Wayah Cr.  30.6  2.9  96.7  0.3  1650  964 

5  Poplar Cove Cr.  9.6  8.5  90.1  1.4  1416  743 

6  Allison Cr.  15.2  6.1  90.4  3.4  1514  828 

7  Jones Cr.  15.3  3.3  94.3  2.4  1533  840 

8  Shope Fork  7.8  1.6  98.4  0.0  1593  893 

9  Cartoogechaye Cr.  145.5  8.0  85.9  5.9  1661  1041 

10  Iotla Cr.  23.5  8.8  77.5  13.3  1157  550 

11  Crawford Br.  6.0  48.9  44.4  6.3  886  276 

12  Blaine Br.  3.3  8.4  82.3  9.1  968  341 

13  McDowell Br.  3.5  17.0  70.9  11.9  886  269 

14  North Fork Skeenah Cr.  6.4  6.5  84.7  8.5  1081  447 

15  South Fork Skeenah Cr.  6.0  5.7  90.5  3.8  1113  475 

16  Bates Br.  6.3  10.7  76.8  12.1  996  379 

17  Fulcher Br.  2.7  12.4  76.3  11.1  1170  551 

18  Cowee Cr.  24.3  2.6  95.4  1.9  1510  871 

19  Caler Fork  17.4  4.4  93.4  1.9  1361  742 

20  Watauga Cr.  16.7  13.0  82.4  4.3  1232  614 

21  Rabbit Cr.  22.9  8.5  77.9  13.5  1345  730 

22  Nickajack Cr.  6.1  3.6  95.0  0.5  1281  651 

23  Savannah Cr.  34.1  5.7  93.7  0.6  1422  731 

24  Tathams Cr.  5.9  1.1  98.6  0.3  1311  600 

25  Little Ellijay Cr.  10.8  3.0  96.4  0.4  1464  785 

26  Little Savannah Cr.  10.1  9.1  83.5  7.0  1048  432 

27  Cullowhee Cr.  27.6  3.5  95.6  0.8  1459  797 

28  Buff Cr.  9.3  2.7  96.1  1.0  1840  1152 

29  Blanton Br.  5.3  11.0  86.0  2.7  1147  488 

30  Cope Cr.  8.5  15.4  80.3  4.0  1084  460 

31  Cane Cr.  7.7  4.0  95.0  1.0  1238  613 

32  Wayehutta Cr.  16.3  3.4  95.8  0.7  1469  840 

33  Darnell Cr.  13.7  0.5  99.2  0.0  1405  742 

34  Mud Cr.  13.1  23.4  75.1  0.9  1432  778 

35  Cullasaja River  48.2  26.7  71.6  1.0  1525  544 

117  

Metric Abbreviation Unit Calculation Method Reference Excl. Trans.

Basin topographyBas in elevation ‐ max ElevMax m Elevation at highest point in bas in Petras , 2003 SC ‐Bas in elevation ‐ mean ElevMean m Mean elevation of watershed DEM pixels Petras , 2003 SC ‐Bas in elevation ‐ median ElevMed m Median elevation of watershed DEM pixels ‐ * ‐Bas in elevation ‐ min ElevMin m Elevation at bas in outlet Petras , 2003 SC xBas in elevation ‐ st. dev. ElevSD m Standard deviation of watershed DEM pixels Petras , 2003 SC ‐Bas in relative  relei f RelRel ief ‐ Bas in Rel ief / Bas in perimeter Fi tzpatrick et al ., 1998 SC ‐Bas in rel ief TotRel ief m Maximum elevation ‐ minimum elevation Fitzpatrick et al ., 1998 PCA ‐Hypsometric index 1 Hyp1 ‐ % change  between 25‐75%i le  of curve Warner et a l ., 2003 * log10Hypsometric index 2 Hyp2 km‐2 Hypsometric Index 1 / Area Warner et a l ., 2003 PCA ‐Hypsometric index 3 Hyp3 ‐ Hypsometric Index 1 / % change  between 50‐75%i le  of curve Warner et a l ., 2003 PCA XHypsometric integra l HypInt ‐ Integra l  of hypsometric curve   McGuire  et al ., 2005 PCA ‐Hypsometric kurtos is HypKurt ‐ Kurtos is  of hypsometric curve ‐ PCA ‐Hypsometric skewness HypSkew ‐ Skewness  of hypsometric curve ‐ PCA ‐Topographic Index ‐ mean TImean ‐ Mean TI  of pixels  (ln(tan(s lope))/dim. accumul . area)  McGuire  et al ., 2005 PCA XTopographic Index ‐ st. dev. TISD ‐ Standard deviation of TI  of pixels ‐ PCA X

Basin morphometryBas in area Area km2 Area  enclosed by dra inage  divide Fitzpatrick et al ., 1998 * log10Bas in circulari ty ratio Circ ‐ 4*∏*Bas in area  / (Bas in perimeter)2 Apaydin et al ., 2006 SC ‐

Bas in compactness  ratio Comp ‐ Bas in perimeter / 2*(∏*Bas in Area)0.5 Apaydin et al ., 2006 PCA ‐

Bas in elongation Elong ‐ 2*(Bas in area/∏)0.5 / Bas in length Apaydin et al ., 2006 * ‐Bas in length Length km Length from watershed outlet to dra inage  divide Fitzpatrick et al ., 1998 SC ‐Bas in length ‐ equiva lent L_Equiv km (Bas in perimeter + (Bas in perimeter2 ‐ 16*Bas in area)0.5) / 4 Petras , 2003 SC log10Bas in length ‐ relative L_Rel ‐ Bas in length / (Bas in area)0.5 Petras , 2003 SC log10Bas in perimeter Perim km Length of bas in boundary Warner et a l ., 2003 SC log10Bas in rel ief ratio RelRat ‐ Bas in rel ief / Bas in length*1000 Fitzpatrick et al ., 1998 SC ‐

Bas in ruggedness  1 Rugg1 ‐ Bas in Rel ief / (Bas in area)0.5 Apaydin et al ., 2006 SC ‐Bas in ruggedness  2 Rugg2 ‐ Bas in Rel ief * Drainage  dens ity Melton, 1957 SC ‐Bas in shape Form ‐ Bas in area  / (Bas in length)2 Fi tzpatrick et al ., 1998 SC ‐

Bas in thickness V/A m (Pixel  area  * sum of al l  pixel  elevations ) / Bas in area ‐ SC ‐AspectAspect ‐ east‐facing EF ‐ Fraction of pixels  facing 45‐135 degrees Warner et a l ., 2003 PCA asrAspect ‐ north‐facing NF ‐ Fraction of pixels  facing 315‐45 degrees Warner et a l ., 2003 PCA asrAspect ‐ south‐facing SF ‐ Fraction of pixels  facing 135‐225 degrees Warner et a l ., 2003 * asrAspect ‐ west‐facing WF ‐ Fraction of pixels  facing 225‐315 degrees Warner et a l ., 2003 SC asr, expCos(aspect) cos(asp) ‐ Mean cos(aspect) of watershed pixels Brenning and Tromboto, 2006 PCA ‐Sin(aspect) s in(asp) ‐ Mean s in(aspect) of watershed pixels Brenning and Tromboto, 2006 PCA ‐

Table 4.2 (page 1 of 2) –Explanation of watershed characteristics considered for use in multiple regression modeling.  The "Excl." column conveys the analysis that removed the variable (SC = simple correlation, PCA = principal components analysis, and * = not removed).  The "Trans." column presents the transform that was used to achieve a normal distribution ("‐" = variable was normally distributed raw, "X" =  no standard transform normalized the variable, and  "asr" indicates an arcsin square root transform was used (in cases of proportions).      

118  

Metric Unit Calculation Method Reference Excl. Trans.

Basin slopeSlope  ‐ 95th percenti le Slope95th ‐ 95th percenti le  of pixel  s lope  distribution ‐ SC ‐Slope  ‐ bas in area  < 2% Slope<2 ‐ Fraction of pixels  less  than 2% s lope Warner et a l ., 2003 * log10Slope  ‐ bas in area  < 5% Slope<5 ‐ Fraction of pixels  less  than 5% s lope Warner et a l ., 2003 SC log10Slope  ‐ bas in area  < 10% Slope<10 ‐ Fraction of pixels  less  than 10% s lope Warner et a l ., 2003 SC log10Slope  ‐ bas in area  < 20% Slope<20 ‐ Fraction of pixels  less  than 20% s lope Warner et a l ., 2003 SC log10Slope  ‐ kurtos i s SlopeKurt ‐ Kurtos is  of pixel  s lope  dis tribution ‐ PCA XSlope  ‐ maximum SlopeMax ‐ Maximum pixel  s lope Petras , 2003 * recipSlope  ‐ mean SlopeMean ‐ Mean s lope  of watershed pixels McGuire  et al ., 2005 SC ‐Slope  ‐ median SlopeMed ‐ Median s lope  of watershed pixels ‐ SC ‐Slope  ‐ skewness SlopeSkew ‐ Skewness  of pixel  s lope  distribution ‐ PCA ‐Slope  ‐ standard dev. SlopeSD ‐ Standard deviation of watershed s lope  pixels ‐ * X

Channel network morphometryBifurcation ratio (count) BR_C ‐ Average  (# stream segments  orderx) / (# stream segments   Shehata  and Al ‐Ruwaih, 2005 * ‐Bifurcation ratio (length) BR_L ‐ Average  (sum length orderx) / (sum length orderx+1) ≠ orderx_max ‐ PCA XTributary/trunk ratio ChaTri ‐ Tota l  tributary length / Trunk stream length Warner et a l ., 2003 SC ‐Drainage  dens ity DD km‐1 Tota l  s tream length / Bas in Area Fitzpatrick et al ., 1998 * ‐Entire  s tream gradient Bas inSl ‐ (Elev. at 85% length ‐ elev. at 10% length / (85% ‐ 10% length) Fi tzpatrick et al ., 1998 PCA log10Firs t order s tream fraction %1st ‐ Fi rs t order stream length / Tota l  s tream length ‐ * ‐Tota l  stream length TotLength km Sum of segment lengths  (us ing accum. threshold of 18,050m2) Fi tzpatrick et al ., 1998 SC log10

Soil and bedrockSoi l  ‐ al luvium  Al luv ‐ Fraction of bas in area  mapped as  al luvium parent matera l Tetzlaff and Soulsby, 2008 * asrSoi l  ‐ col luvium Col luv ‐ Fraction of bas in area  mapped as  col luvium parent matera l Tetzlaff and Soulsby, 2008 * asrSoi l  ‐ res iduum  Res id ‐ Fraction of bas in area  mapped as  res iduum parent matera l White  and Burbey,  2007 PCA asr, XSoi l  ‐ sand fraction Sand ‐ Area ‐weighted mean sand fraction of watershed soi l s Batelaan and De  Smedt, 2007 PCA asr, XSoi l  ‐ s i l t fraction Si l t ‐ Area ‐weighted mean s i l t fraction of watershed soi l s Batelaan and De  Smedt, 2007 PCA asr, XSoi l  ‐ clay fraction Clay ‐ Area ‐weighted mean clay fraction of watershed soi l s Batelaan and De  Smedt, 2007 * asr, XBedrock ‐ class  2 conuctivi ty Geol2 ‐ Fraction of watershed bedrock geology mapped as  category 2  ‐ PCA X

Land useImpervious  surface  area Imperv ‐ As  fraction of watershed area, ca lculated from NLCD class   SCDeveloped Dev ‐ Fraction of watershed area  in NLCD classes  21, 22, 23, and 24 SCForest and shrub For ‐ Fraction of watershed area  in NLCD classes  41, 42, 43, and 52 *Pasture  and agricul ture Pas ‐ Fraction of watershed area  in NLCD classes  71, 81, and 82 SCBarren Barren ‐ Fraction of watershed area  in NLCD class  31 PCAWetland Wetland ‐ Fraction of watershed area  in NLCD class  90 PCAOpen Water Water ‐ Fraction of watershed area  in NLCD class  11 PCA

Table 4.2 (page 2 of 2) ‐ Explanation of watershed characteristics considered for use in multiple regression modeling. The "Excl." column conveys the analysis that removed the variable (SC = simple correlation, PCA = principal components analysis, and * = not removed).  The "Trans." column presents the transform that was used to achieve a normal distribution ("‐" = variable was normally distributed raw, "X" =  no standard transform normalized the variable, and  "asr" indicates an arcsin square root transform was used (in cases of proportions).      

119  

    For

ElevM

edHy

p1

Elong

SF Slope

SD

Slope

<2BR

_C

DD %1st

Alluv

Collu

v

Clay

PPTL

F07

PPTL

F08

PPTW

Y08

Area

For R 1 0.667 ‐0.270 0.243 ‐0.083 0.165 ‐0.787 0.297 ‐0.184 ‐0.077 ‐0.752 0.507 ‐0.151 ‐0.126 0.180 0.121 0.178p . 0.000 0.117 0.159 0.634 0.344 0.000 0.083 0.291 0.661 0.000 0.002 0.387 0.472 0.301 0.487 0.307

ElevMed R 0.667 1 ‐0.036 ‐0.029 0.129 ‐0.062 ‐0.583 0.290 ‐0.317 ‐0.208 ‐0.590 0.230 ‐0.112 ‐0.381 0.421 0.357 0.399p 0.000 . 0.839 0.868 0.459 0.723 0.000 0.091 0.064 0.230 0.000 0.184 0.522 0.024 0.012 0.035 0.018

Hyp1 R ‐0.270 ‐0.036 1 0.055 ‐0.029 ‐0.082 0.425 ‐0.182 ‐0.096 ‐0.088 0.218 0.015 ‐0.205 ‐0.141 0.184 0.191 0.469p 0.117 0.839 . 0.755 0.870 0.641 0.011 0.297 0.582 0.616 0.209 0.930 0.236 0.419 0.291 0.271 0.004

Elong R 0.243 ‐0.029 0.055 1 ‐0.012 0.248 ‐0.181 ‐0.139 ‐0.004 ‐0.194 ‐0.277 0.322 ‐0.295 0.242 ‐0.189 ‐0.139 ‐0.022p 0.159 0.868 0.755 . 0.947 0.151 0.297 0.427 0.982 0.264 0.107 0.059 0.086 0.161 0.278 0.427 0.900

SF R ‐0.083 0.129 ‐0.029 ‐0.012 1 0.033 0.124 0.219 ‐0.218 0.058 0.117 ‐0.171 0.123 0.198 ‐0.093 ‐0.073 0.150p 0.634 0.459 0.870 0.947 . 0.850 0.478 0.206 0.209 0.741 0.505 0.326 0.481 0.255 0.597 0.678 0.391

SlopeSD R 0.165 ‐0.062 ‐0.082 0.248 0.033 1 0.081 0.091 0.164 0.118 ‐0.092 0.470 ‐0.237 0.166 ‐0.016 ‐0.009 0.156p 0.344 0.723 0.641 0.151 0.850 . 0.644 0.603 0.348 0.501 0.600 0.004 0.170 0.340 0.926 0.960 0.371

Slope<2 R ‐0.787 ‐0.583 0.425 ‐0.181 0.124 0.081 1 ‐0.182 0.210 0.178 0.687 ‐0.186 0.029 0.048 0.024 0.082 0.155p 0.000 0.000 0.011 0.297 0.478 0.644 . 0.295 0.226 0.307 0.000 0.284 0.867 0.784 0.891 0.640 0.374

BR_C R 0.297 0.290 ‐0.182 ‐0.139 0.219 0.091 ‐0.182 1 ‐0.094 0.039 ‐0.279 0.080 0.044 ‐0.069 0.015 ‐0.024 0.174p 0.083 0.091 0.297 0.427 0.206 0.603 0.295 . 0.591 0.823 0.105 0.649 0.804 0.694 0.933 0.893 0.319

DD R ‐0.184 ‐0.317 ‐0.096 ‐0.004 ‐0.218 0.164 0.210 ‐0.094 1 0.004 0.313 0.073 0.014 0.115 ‐0.215 ‐0.191 ‐0.093p 0.291 0.064 0.582 0.982 0.209 0.348 0.226 0.591 . 0.983 0.067 0.676 0.938 0.512 0.214 0.271 0.595

%1st R ‐0.077 ‐0.208 ‐0.088 ‐0.194 0.058 0.118 0.178 0.039 0.004 1 0.014 ‐0.133 0.103 0.108 ‐0.135 ‐0.174 ‐0.020p 0.661 0.230 0.616 0.264 0.741 0.501 0.307 0.823 0.983 . 0.935 0.448 0.554 0.537 0.439 0.319 0.908

Alluv R ‐0.752 ‐0.590 0.218 ‐0.277 0.117 ‐0.092 0.687 ‐0.279 0.313 0.014 1 ‐0.511 0.525 0.116 ‐0.058 ‐0.007 ‐0.071p 0.000 0.000 0.209 0.107 0.505 0.600 0.000 0.105 0.067 0.935 . 0.002 0.001 0.507 0.740 0.969 0.684

Colluv R 0.507 0.230 0.015 0.322 ‐0.171 0.470 ‐0.186 0.080 0.073 ‐0.133 ‐0.511 1 ‐0.459 ‐0.148 0.138 0.155 0.090p 0.002 0.184 0.930 0.059 0.326 0.004 0.284 0.649 0.676 0.448 0.002 . 0.006 0.395 0.430 0.372 0.605

Clay R ‐0.151 ‐0.112 ‐0.205 ‐0.295 0.123 ‐0.237 0.029 0.044 0.014 0.103 0.525 ‐0.459 1 ‐0.038 ‐0.192 ‐0.208 ‐0.128p 0.387 0.522 0.236 0.086 0.481 0.170 0.867 0.804 0.938 0.554 0.001 0.006 . 0.830 0.270 0.229 0.462

PPTLF07 R ‐0.126 ‐0.381 ‐0.141 0.242 0.198 0.166 0.048 ‐0.069 0.115 0.108 0.116 ‐0.148 ‐0.038 1 ‐0.556 ‐0.573 0.052p 0.472 0.024 0.419 0.161 0.255 0.340 0.784 0.694 0.512 0.537 0.507 0.395 0.830 . 0.001 0.000 0.766

PPTLF08 R 0.180 0.421 0.184 ‐0.189 ‐0.093 ‐0.016 0.024 0.015 ‐0.215 ‐0.135 ‐0.058 0.138 ‐0.192 ‐0.556 1 0.985 0.190p 0.301 0.012 0.291 0.278 0.597 0.926 0.891 0.933 0.214 0.439 0.740 0.430 0.270 0.001 . 0.000 0.275

PPTWY08 R 0.121 0.357 0.191 ‐0.139 ‐0.073 ‐0.009 0.082 ‐0.024 ‐0.191 ‐0.174 ‐0.007 0.155 ‐0.208 ‐0.573 0.985 1 0.139p 0.487 0.035 0.271 0.427 0.678 0.960 0.640 0.893 0.271 0.319 0.969 0.372 0.229 0.000 0.000 . 0.425

Area R 0.178 0.399 0.469 ‐0.022 0.150 0.156 0.155 0.174 ‐0.093 ‐0.020 ‐0.071 0.090 ‐0.128 0.052 0.190 0.139 1p 0.307 0.018 0.004 0.900 0.391 0.371 0.374 0.319 0.595 0.908 0.684 0.605 0.462 0.766 0.275 0.425 .

Table 4.3 – Correlations among independent variables included in regression analysis.  N = 35 for all variables.  Variable abbreviations are defined in Table 4.2, except for PPTLF07, PPTLF08, and PPTWY08, which represent the precipitation totals for Low Flow Season 2007, Low Flow Season 2008, and Water Year 2008 respectively.   Only one precipitation total was included in any given analysis (corresponding to the appropriate time period).  

120  

Table 4.4. Precipitation stations. Coordinates are UTM‐NAD 83.  Data sources are the State Climate Office of North Carolina (SCO), National Climatic Data Center (NCDC), Integrated Flood Warning System (IFLOWS), and the USFS‐Coweeta Hydrologic Laboratory (CHL).  Station numbers correspond to Figure 4.5.    

Station # 

Station Name Elevation 

(m) Easting (m) 

Northing (m) 

Source 

1  Brasstown Bald  991  241770  3854462  SCO 2  Hayesville 1 SW  580  241879  3882247  NCDC 3  Robbinsville Ag 5  678  243547  3909913  NCDC 4  Cheoah  640  243754  3913182  SCO 5  Stecoah Gap  1122  255334  3913631  IFLOWS 6  Robbinsville 1 S  608  255852  3917445  NCDC 7  Wayah Bald Mountain  1663  264956  3895294  SCO 8  Harrison Gap  825  272275  3887741  IFLOWS 9  Potato Knob  1004  272949  3921735  IFLOWS 10  Moody Gap  1364  274786  3879556  CHL 11  Coweeta Exp Station 686 278354 3882470 NCDC 12  Mountain City 2 SSW  1056  278877  3864872  NCDC 13  Bryson City 2  618  279127  3924823  NCDC 14  Macon County Airport  611  279717  3900135  SCO 15  Clayton 1 SSW  584  280633  3860932  NCDC 16  Mountain City 2 N  657  280685  3868728  NCDC 17  Franklin  648  281471  3895566  NCDC 18  Otto  623  282421  3882066  IFLOWS 19  Macon Middle  626  285105  3893706  CHL 20  Wesser  1291  286219  3914016  IFLOWS 21  Oconaluftee  614  291413  3932039  NCDC 22  W Frk Dicks Crk  966  295698  3923137  IFLOWS 23  Pumpkintown  1417  295821  3903772  IFLOWS 24  Sylva Kings Mtn  915  298100  3915523  IFLOWS 25  Highlands  1170  300164  3880792  NCDC 26  Cullowhee  668  301577  3912076  NCDC 27  Soco Gap  1609  305594  3929924  IFLOWS 28  Tuckasegee  1036  306297  3900192  IFLOWS 29  Cedar Cliff  671  308648  3903162  IFLOWS 30  Balsam Gap  1027  311364  3923043  IFLOWS 31  Jocassee 8 WNW  762  311368  3873391  NCDC 32  Argura WS  1012  314258  3904752  IFLOWS 33  Charley Ridge  1256  319027  3906113  IFLOWS 34  Waynesville 1 E  810  321681  3928771  NCDC 35  Lake Toxaway  838  326117  3888363  IFLOWS 

    

121  

Dependent Variable

Time Period R2 Adj. R2 F (p)

Total DF

Independent Variables

Std. Coeff

t (p)

Q99 LF07 0.441 0.377 6.841 (0.002) 29 Forest 0.432 2.848 (0.008)1st order ‐0.318 ‐2.133 (0.043)Slope Std. Dev. 0.314 2.056 (0.050)

Q99 LF08 0.363 0.319 8.269 (0.001) 31 Precipitation 0.496 3.349 (0.002)Slope < 2% ‐0.348 ‐2.357 (0.026)

Q99 WY08 0.265 0.215 5.241 (0.011) 31 Precipitation 0.364 2.256 (0.032)Forest 0.310 2.131 (0.043)

Qmin1 LF07 0.537 0.463 7.238 (0.001) 29 Slope Std. Dev. 0.445 2.79 (0.010)Drainage Density ‐0.395 ‐2.706 (0.012)1st order ‐0.312 ‐2.248 (0.034)Colluvium 0.364 2.311 (0.029)

Qmin1 LF08 0.218 0.192 8.382 (0.007) 31 Drainage Density ‐0.467 ‐2.895 (0.007)

Qmin1 WY08 0.578 0.515 9.232 (0.001) 31 Slope Std. Dev. 0.488 3.789 (0.001)Drainage Density ‐0.332 ‐2.519 (0.018)Bifurcation Ratio 0.274 2.086 (0.047)South‐facing slopes 0.261 2.078 (0.048)

Qmin7 LF07 0.472 0.411 7.742 (0.001) 29 Drainage Density ‐0.409 ‐2.688 (0.012)Colluvium 0.411 2.526 (0.018)Slope Std. Dev. 0.418 2.523 (0.018)

Qmin7 LF08 0.292 0.243 5.982 (0.001) 31 Drainage Density ‐0.444 ‐2.839 (0.008)Colluvium 0.319 2.042 (0.032)

Qmin7 WY08 0.298 0.222 3.955 (0.018) 31 Drainage Density ‐0.459 ‐2.871 (0.022)Slope Std. Dev. 0.361 2.256 (0.023)

Qmin14 LF07 0.542 0.468 1.382 (0.000) 29 Slope Std. Dev. 0.470 2.952 (0.007)Colluvium 0.374 2.402 (0.024)Drainage Density ‐0.360 ‐2.480 (0.027)1st order ‐0.282 ‐2.098 (0.048)

Qmin14 LF08 0.191 0.164 7.102 (0.012) 31 Drainage Density ‐0.438 ‐2.665 (0.012)

Qmin14 WY08 0.281 0.232 5.677 (0.008) 31 Drainage Density ‐0.446 ‐2.787 (0.009)Slope Std. Dev. 0.337 2.355 (0.026)

BFI LF07 0.482 0.399 5.811 (0.002) 29 Forest 0.727 3.551 (0.002)Area 0.524 3.303 (0.003)Clay 0.483 3.027 (0.006)Median Elev. ‐0.519 ‐2.500 (0.019)

BFI LF08 0.314 0.241 4.275 (0.013) 31 Area 0.483 2.832 (0.008)Forest 0.529 2.481 (0.019)Median Elev. ‐0.547 ‐2.409 (0.023)

BFI WY08 0.302 0.227 4.031 (0.017) 31 Area 0.412 2.496 (0.019)Clay 0.414 2.310 (0.028)Forest 0.370 2.124 (0.043)

Table 4.5 ‐ Best models for each dependent variable, as determined by best subsets regression and Mallow’s Cp.  Dependent variable and time period abbreviations are explained in section 3.3 of the text.  

122  

Table 4.6 ‐ Comparison of paired watershed flows. Each pair is comprised of topographically similar, proximal waterhseds, whose forest cover differs.  These pairs demonstrate that greater reductions in watershed forest cover are associated with greater reductions in stream baseflows. All flows are expressed as watershed area‐standardized discharge (m3s‐1km‐2). “ % +/‐ “ indicates differences in flow, calculated as percent of the flow of the lower forest watershed;  watershed forest cover differences (in parentheses) are simple magnitude differences.  Site numbers correspond to Table 4.1 and Figure 4.1.  Flow metric abbreviations are explained in section 4.3.3 of the text.  

Flow Metric 

Time Period 

Site 12   Site 17  % +/‐  Site 24  Site 29  % +/‐  Site 19  Site 21  % +/‐  Site 33  Site 34  % +/‐ 

Mean  LF07  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  9.22E‐03  7.74E‐03  +19    LF08  1.17E‐02  1.21E‐02  ‐3  4.58E‐03  5.26E‐03  ‐13  6.44E‐03  5.15E‐03  +25  1.17E‐02  7.38E‐03  +59    WY08  1.43E‐02  8.91E‐03  +60  9.22E‐03  6.98E‐03  +32  ‐  ‐  ‐  1.93E‐02  1.61E‐02  +20 Q99  LF07  ‐  ‐  ‐  ‐  ‐  .  ‐  ‐  ‐  3.91E‐03  3.31E‐03  +18    LF08  2.79E‐03  2.06E‐03  +36  1.79E‐03  1.22E‐03  +47  3.28E‐03  1.41E‐03  +132  4.17E‐03  2.38E‐03  +78    WY08  2.54E‐03  2.31E‐03  +10  2.06E‐03  1.38E‐03  +49  ‐  ‐  ‐  4.81E‐03  2.62E‐03  +83 Qmin1  LF07  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  4.05E‐03  3.57E‐03  +13    LF08  3.07E‐03  2.46E‐03  +25  1.82E‐03  1.45E‐03  +26  3.46E‐03  1.94E‐03  +78  4.59E‐03  2.60E‐03  +76    WY08  2.64E‐03  2.46E‐03  +7  1.84E‐03  1.45E‐03  +27  ‐  ‐  ‐  4.60E‐03  2.60E‐03  +77 Qmin7  LF07  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  4.38E‐03  3.92E‐03  +12    LF08  3.70E‐03  2.61E‐03  +41  0.00213  0.001548  +38  3.63E‐03  2.08E‐03  +74  5.08E‐03  2.96E‐03  +72    WY08  3.43E‐03  2.61E‐03  +31  2.13E‐03  1.55E‐03  +38  ‐  ‐  ‐  5.08E‐03  2.96E‐03  +72 Qmin14  LF07  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  ‐  4.70E‐03  4.12E‐03  +14    LF08  3.85E‐03  2.83E‐03  +36  2.18E‐03  1.64E‐03  +33  3.71E‐03  2.34E‐03  +58  5.62E‐03  3.12E‐03  +80    WY08  3.49E‐03  2.87E‐03  +22  0.002215  1.64E‐03  +35  ‐  ‐  ‐  5.62E‐03  3.12E‐03  +80 BFI  LF07  ‐  ‐                       7.25E‐01  5.88E‐01  +23    LF08  5.72E‐01  6.66E‐01  ‐14  0.657  7.55E‐01  ‐13  7.58E‐01  7.26E‐01  +4  7.56E‐01  5.39E‐01  +40    WY08  6.85E‐01  7.39E‐01  ‐7  0.72  6.54E‐01  +10           7.62E‐01  6.85E‐01  +11            Watershed Forest (%)  82.3  76.3 (6.0) 98.6 86.0 (12.6) 93.4  77.9 (15.5) 99.2 75.1 (24.1)

123  

Table 4.7 ‐ Correlations between land use and baseflow metrics.  All baseflow metrics except the dimensionless BFI are expressed as watershed area‐standardized discharge (m3s‐1km‐2).  Baseflow metric abbreviations are explained in section 4.3.3 of the text.      

Baseflow Metric 

Time Period 

Forest  Developed  Pasture  Impervious  n 

      R (p)  R (p)  R (p)  R (p)    

Q99  LF07  0.529 (0.003)  ‐0.455 (0.011)  ‐0.496 (0.005)  ‐0.448 (0.013)  30 

Q99  LF08  0.426 (0.015)  ‐0.355 (0.046)  ‐0.472 (0.006)  ‐0.413 (0.019)  32 

Q99  WY08  0.370 (0.037)  ‐0.307 (0.088)  ‐0.390 (0.027)  ‐0.343 (0.054)  32 

Qmin1  LF07  0.379 (0.039)  ‐0.320 (0.085)  ‐0.358 (0.052)  ‐0.308 (0.098)  30 

Qmin1  LF08  0.237 (0.192)  ‐0.159 (0.385)  ‐0.370 (0.037)  ‐0.254 (0.160)  32 

Qmin1  WY08  0.249 (0.170)  ‐0.197(0.279)  ‐0.284 (0.115)  ‐0.231 (0.202)  32 

Qmin7  LF07  0.381 (0.038)  ‐0.323 (0.082)  ‐0.339 (0.067)  ‐0.294 (0.115)  30 

Qmin7  LF08  0.339 (0.058)  ‐0.269 (0.137)  ‐0.413 (0.019)  ‐0.335 (0.061)  32 

Qmin7  WY08  0.341 (0.056)  ‐0.270 (0.135)  ‐0.405 (0.021)  ‐0.303 (0.092)  32 

Qmin14  LF07  0.371 (0.043)  ‐0.309 (0.097)  ‐0.359 (0.052)  ‐0.290 (0.120)  30 

Qmin14  LF08  0.348 (0.051)  ‐0.282 (0.118)  ‐0.414 (0.019)  ‐0.354 (0.047)  32 

Qmin14  WY08  0.287 (0.111)  ‐0.228 (0.209)  ‐0.329 (0.066)  ‐0.267 (0.139)  32 

BFI  LF07  0.276 (0.140)  ‐0.303 (0.104)  ‐0.059 (0.756)  ‐0.183 (0.333)  30 

BFI  LF08  0.251 (0.167)  ‐0.272 (0.131)  ‐0.122 (0.508)  ‐0.200 (0.273)  32 

BFI  WY08  0.264 (0.144)  ‐0.261 (0.149)  ‐0.157 (0.391)  ‐0.256 (0.158)  32 

124  

  Figure 4.1 ‐ Study area and monitored watersheds.  Watershed numbers correspond to site numbers in Table 4.1.  Points A and B are the Coweeta and Cullowhee climate stations, respectively, for which long‐term normals are presented in the text.   

   

125  

  Figure 4.2 ‐ Representative example of rating curves developed using different curve fitting methods. 

   

126  

Regional hydrologic conditions during study periodLittle Tennessee River at Prentiss ‐ USGS 03500000 

1/1/07  

2/1/07  

3/1/07  

4/1/07  

5/1/07  

6/1/07  

7/1/07  

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

12/1/08  

1/1/09  

Discharge

 (m3 s

‐1)

1

10

August 2008: Lowest flows

 on record (69 years)

Low Flow Season 2007

(LF07)

Low Flow Season 2008

(LF08)

Tropical Storm Fay 

Water Year 2008 (WY08)

  

Figure 4.3 – Hydrologic conditions during the study period    

127  

 

  Figure 4.4 ‐ Examples of Bayesian power law rating curves used in this study, representing the range of scatter in the stage‐discharge relationships. Rating curves with R2 values for all sites are presented in Appendix A. 

Excellent QualityWatauga Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7

0.1

1

10

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7 0.8

Q (m

3 s‐1)

0.01

0.1

1

Relatively Low QualityCope Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7 0.8

0.01

0.1

1

10

Representative QualityMcDowell Branch

R2 = 0.997  R2 = 0.950 R2 = 0.829 

128  

 

  Figure 4.5 ‐ Interpolations of precipitation for the three time periods used in this study. Precipitation station numbers correspond to Table 4.4. 

129  

  Figure 4.6 ‐ Ranges of values for baseflow metrics across all study watersheds. The upper and lower limits of the boxes represent the interquartile range, with the black line representing the median value and the white line representing the mean.  Whiskers represent one standard deviation, and dots represent all outliers.   Baseflow metric abbreviations are explained in section 4.3.3 of the text.  

   

Variability of area‐standardized flows and Baselow Index (BFI) across sitesWatershed

 area‐standardized

 discharge (m

3 s‐1km

‐2)

0.001

0.01

Qmean

Q99

Qmin1

Qmin7

Qmin14

LF07

LF07LF07

LF07 LF07

LF08

LF08

LF08

LF08

LF08

WY08

WY08WY08WY08 WY08

BFI (baseflo

w / to

tal streamflo

w)

0.3

0.4

0.5

0.6

0.7

0.8

0.9

LF07

LF08

WY08

BFI

130  

 

  Figure 4.7 ‐ Difference of mean baseflows between lower‐ and higher‐forest cover watersheds.  T and p values presented reflect the results of standard t‐tests.  Lower‐ and higher‐forest cover groups were determined using K‐means cluster analysis.  Baseflow metric and time period abbreviations are explained in section 4.3.3 of the text.  

   

Comparison of mean baseflows of lower‐ and higher‐forest cover watersheds

Watershed

 area‐standardized

 discharge

 (m3 s

‐1km

‐2)

0.000

0.002

0.004

0.006

0.008

0.010Q99 Qmin1 Qmin7 Qmin14

LF 07t = ‐3.794p = 0.000

LF 08t = ‐2.929p = 0.006

WY 08t = ‐3.001p = 0.005

WY 08t = ‐2.363p = 0.025

LF 08t = ‐1.880p = 0.070

LF 07t = ‐2.719p = 0.011

LF 07t = ‐2.664p = 0.013

LF 08t = ‐2.163p = 0.039

WY 08t = ‐2.267p = 0.031

LF 07t = ‐2.665p = 0.013

WY 08t = ‐2.299p = 0.029

LF 08t = ‐2.176p = 0.036

BFI  (baseflow / to

tal flow)

0.0

0.2

0.4

0.6

0.8

1.0BFI

LF 07t = ‐‐1.063p = 0.296

WY 08t = ‐0.745p = 0.462

LF 08t = ‐1.304p = 0.202

Lower forest cover (44‐86%) Higher forest cover (90‐100%)

131  

 

Figure 4.8 – Examples of varied recharge responses to Tropical Storm Fay. 

 

Examples of varied rechargeresponse to a large tropical storm

8/18/0

8  

8/25/0

8  

9/1/08

  

9/8/08

  

9/15/0

8  

Q (m

3 s-1)

0.1

1

10

Iotla CreekCullowhee Creek

132  

     

CHAPTER 5  

A TEST OF A DISTRIBUTED, GIS‐BASED HYDROLOGIC MODEL FOR EVALUATING BASEFLOW RESPONSE TO LAND‐USE CHANGE IN THE SOUTHERN BLUE RIDGE MOUNTAINS OF NORTH CAROLINA1 

   

                               

  ________ 1Price, K., Jackson, C.R., and Parker, A.J. To be submitted to Journal of the American Water Resources Association 

133  

ABSTRACT 

Watershed land‐use change has been shown to influence baseflows in many settings.  Empirical studies 

have shown that soil compaction and impervious surface reduce infiltration of water to subsurface 

storage, thereby reducing baseflows.   A major hindrance to a complete understanding of the influence 

of watershed characteristics on streamflow is the unavailability of empirical streamflow data for a wide 

range of watershed conditions within a given study area.  The objectives of this study were: 1) to test 

the distributed model WetSpa in predicting streamflow for four watersheds in the Blue Ridge province 

of North Carolina, using 16 months of measured streamflow as the basis of comparison, 2) to evaluate 

baseflow over a 30‐year simulation period under five development scenarios, ranging from undisturbed 

to extreme additions of impervious surface, and 3) to evaluate baseflow response over a 30‐year 

simulation period to three spatial arrangements of land use.  WetSpa produced moderately successful 

simulations of the 16‐months of measured streamflow, but failed to reproduce important trends 

demonstrated by empirical data from the region.  Empirical data shows higher watershed forest cover 

associated with higher baseflows, compared with more‐developed watersheds.  However, the simulated 

streamflow showed universal increases in baseflow magnitudes as watershed forest cover decreased 

and developed land use increased. This contradiction is attributed to problematic theoretical 

assumptions within the model that the evapotranspiration rates of forests over‐ride gains to subsurface 

storage and baseflow due to higher soil infiltration rates.  While simulated streamflows showed 

increases in baseflow magnitude with greater development, the ratio of baseflow to total streamflow 

(baseflow index, or BFI) was higher in less‐developed land use scenarios, corroborating empirical data.  

Varying the spatial arrangement of land use did alter the simulated streamflows, but there were no 

trends that were consistent across all four watersheds.  The contrast between simulated and measured 

streamflows regarding baseflow response to development, resulting from embedded theory within the 

134  

model, should serve as a strong caution regarding the application of distributed hydrologic modeling 

without an adequate understanding of the assumptions built into the structure of such models.   

 

5.1.  Introduction  

Baseflow is the portion of streamflow that is sustained between precipitation events, fed to 

stream channels by subsurface and other slow pathways.  Watershed land use has been shown to 

strongly influence baseflows in many settings (refer to Chapter 2 for a thorough review).  Human 

landscape impacts such as soil compaction and impervious surface additions often drastically reduce the 

amount the water entering subsurface storage, often resulting in reduced baseflows (Rose and Peters, 

2001; Chang, 2007).  Understanding baseflow is of great importance, as these flows are critical to issues 

of water quality, water supply, and aquatic habitat (Johnson, 1998).   

A major limitation to understanding the influence of watershed characteristics on streamflow is 

the unavailability of streamflow records for a wide range of watershed conditions within a given region.  

Toward this end, many regulatory agencies, watershed protection groups, and water resource scientists 

are turning to the use of hydrologic models for prediction of streamflow response to watershed 

development, for estimation of streamflow extremes for the needs of civil engineering and related 

purposes.  As the user‐friendliness of geographic information systems (GIS) continues to improve, GIS‐

interfaced hydrologic models are becoming increasingly emphasized as cost‐effective approaches to 

watershed management.  In such models, spatial data on watershed characteristics such as landcover, 

soils, and topography are used as a basis for routing precipitation through a watershed and predicting 

streamflow at a designated outlet.  Ever‐increasing computing capabilities have allowed for widespread 

use of highly‐paramterized, fully‐distributed models, in which water budgets and flow routing are 

calculated on the scale of an individual pixel.  The underlying assumption behind the use of these more 

135  

complex models is that the added complexity improves model accuracy, but there is little or no evidence 

to support this (Jakeman and Hornberger, 1993; Beven, 2001; Abu El‐Nasr et al., 2005).   

It is certainly the case that the graphical user interface (GUI) provided by the GIS software 

packages affords more readily usable modeling than options in the past, which required extensive 

programming knowledge.  However, as increasing numbers of user‐friendly models become available, 

along with increasing publicly‐available spatial data, the potential ramifications of exaggerated trust in 

such models becomes of paramount concern.  Hydrologic models are sophisticated tools, but much of 

the theory upon which these models are built remains far from truly established.  Furthermore, many of 

the physically‐based processes upon which the models are built are scale‐dependent but not treated as 

such within the modeling framework (Beven, 2001).   

Further complicating matters for predicting baseflow response to land‐use change, most fully 

distributed model development has emphasized flood prediction, and few distributed models have been 

evaluated to predict extreme low flows.  Nyenje and Batelaan (2009) used WetSpa to predict baseflow 

response to climate change in Uganda.  Cao et al. (2006) successfully calibrated SWAT for baseflow 

prediction in highly topographically variable mountainous terrain.  Mulungu et al., (2005) independently 

developed a physically‐based, distributed model with an emphasis on subsurface‐surface interactions 

and baseflow prediction.  Coarse‐resolution, grid‐based distributed models have been used in Germany 

for analysis of recharge volumes associated with varied bedrock types (Bogena et al., 2005).  These 

examples highlight many important applications of baseflow simulation using distributed modeling, but 

also underscore the absence of recent applications in which distributed models are used to analyze 

baseflow levels under varied land use scenarios.   

The objective of this study was to test the capabilities of the model WetSpa (Water and Energy 

Transfer among Soil, Plants, and Atmosphere ) to 1) reproduce observed discharges during extreme 

drought conditions, and 2) predict streamflow differences under varied landcover scenarios, as observed 

136  

in a related empirical study.  Four watersheds in Macon and Jackson counties, NC, were selected for 

study, based on the availability of continuous streamflow data for model calibration and evaluation, and 

proximity to climate stations with at least 30 years of record.  Shope Fork, Iotla Creek, and 

Cartoogechaye Creek are tributaries of the Little Tennessee River, and Cane Creek is a tributary to the 

Tuckasegee River (Figure 1).  These watersheds range in size from 7.8 to 145.5 km2.  The sites are 

located in the Blue Ridge physiographic province, which is characterized by relatively high topographic 

relief and dense, crystalline bedrock.   

 

5.2. Model Description 

  There are many publicly available hydrological models.  Most notably, SWAT (Soil and Water 

Assessment Tool), BASINS‐HSPF (Hydrologic Simulation Program – Fortran),  DHSVM (Distributed 

Hydrologic Soil and Vegetation Model), and WetSpa have been widely used.  Of these models, SWAT and 

HSPF are semi‐distributed, meaning that water budgets and flow routing are calculated at the 

subwatershed scale, and WetSpa and DHSVM are fully distributed, meaning water is routed through 

each individual pixel.  Exploratory comparisons of model accuracy among SWAT, BASINS‐HSPF, using 

Black Earth Creek in Wisconsin and Shope Fork in North Carolina as test watersheds, showed that flows 

simulated by WetSpa best matched observed flows.  For this reason, WetSpa was chosen for use in this 

study. 

  WetSpa is a physically based, distributed hydrological model for flood prediction and watershed 

management. The original model was developed in the Vrije Universiteit Brussel, Belgium in 1996 and 

has since been upgraded to incorporate additional spatially distributed parameters.  This study 

specifically uses the WetSpa Extension, a GIS‐based variant of the original model that has been modified 

to include flow routing components, snowmelt modeling, lateral interflow, groundwater flow, and 

depression storage (Liu and DeSmedt, 2004). This model captures the physical characteristics of 

137  

topography, soil, and land use on runoff production, as well as the water and energy balance, through 

distributed model parameters over grid cells of a basin.  WetSpa has been successfully used for 

assessment of land use impacts on flooding in various countries (Liu and DeSmedt, 2005; Liu et al., 2005; 

Bahremand et al., 2006), for spatial analysis of runoff distribution (Liu et al., 2006), and for prediction of 

streamflow response to varied restoration scenarios (Liu et al., 2004). 

The structure of WetSpa’s simplified hydrologic system consists of four control volumes: the 

plant canopy, the soil surface, the root zone, and the saturated groundwater aquifer. Based on these 

volumes, the water balance for each grid cell is maintained by accounting for the processes of 

precipitation, interception, snowmelt, depression storage, infiltration, evapotranspiration, percolation, 

surface runoff, interflow, and groundwater flow.  The model’s parameterization has two main 

components: 1) a hillslope pixel component in which a water budget is calculated to determine the 

quantity of water available for routing as overland flow, interflow (shallow subsurface flow), and 

percolation to groundwater storage; and 2) channel network characteristics (Figure 2).  Both 

components are used for flow routing to determine rates of water transmission through the watershed.   

WetSpa operation begins with GIS pre‐processing in ESRI ArcView 3.x software, using the 

WetSpa extension, to develop spatial attribute files, for subsequent incorporation into a FORTRAN 

program that performs flow routing through the watershed. Required spatial data inputs for GIS pre‐

processing include 1) topographic data as a digital elevation model (DEM) in grid format, 2) land use 

data in grid format, 3) soil textural data in grid format, and 4) locations of precipitation stations and 

stream gages in point shapefile format.  Additional database files must be developed to accompany 

these spatial layers to serve as look‐up tables during GIS pre‐processing. 

  GIS pre‐processing results in assignment of hydrologic attributes to each cell, which summarize 

the likelihood of evapotranspiration loss, surface runoff vs. interflow, or retention of water based on 

topographic, land use, and soils characteristics as defined by the look‐up tables.  Model operation 

138  

incorporates precipitation input over the watershed (via inverse‐distance‐weighted interpolation) and 

calculates the outflow from each cell based on velocity and dissipation characteristics for overland flow, 

and Darcy’s Law and kinematic approximations for interflow.  GIS pre‐processing additionally includes 

the development of a flow path network and assignment of channel characteristics.  The water that exits 

each cell ultimately intersects the stream network, at which point the quantification of flow response at 

the flow path level is followed.   More detailed information on mathematical formulation for water 

budgets and flow routing are presented in Appendix C, and a complete discussion of the underlying 

theory is presented in the WetSpa user manual (Liu and DeSmedt, 2004).  

There are 10 “global parameters” whose main function is model calibration.  These are applied 

to the entire watershed, and cannot be adjusted to individual land use or soil classes: 

1. Correction factor for estimating AET from PET 

2. Interflow scaling factor  

3. Groundwater recession constant scaling factor 

4. Initial soil moisture 

5. Initial groundwater storage 

6. Base temperature for snowmelt 

7. Temperature degree‐day coefficient 

8. Rainfall degree‐day coefficient 

9. Exponent that determines the proportion of surface runoff associated with very low rainfall 

intensity  

10. Rainfall intensity at which surface runoff becomes a linear function of soil moisture content 

In addition to the spatial watershed characteristics, these global parameters influence the proportion of 

streamflow that contributes to flood peaks during storm events vs. entering the stream system as 

baseflow, and are thus very important for calibrating the model to correspond to observed streamflow.  

139  

However, because these parameters are uniform for the entire watershed, they cannot be adjusted to 

account for spatial variation among land‐use or soil classes within watersheds.   

 

5.3. Methods 

5.3.1 Data preparation:   All preparation of spatial data was performed using ArcGIS 9.2.  A regional DEM 

(10 m pixels) was obtained from the National Map Seamless Server (USGS, 2008).  SSURGO digital vector 

soil data for Macon and Jackson counties were obtained from the National Resources Conservation 

Service (USDA‐NRCS, 2005; USDA‐NRCS, 2007) and converted to raster datasets based on soil texture 

class.  Landcover data from 2006, with a classification scheme identical to the 2001 National Land Cover 

Database (USGS, 2003), was obtained from the Coweeta Long Term Ecological Research Program (Fievet 

and Collins, 2009).  To preserve the information contained in the 10 m DEM, the coarser‐resolution soil 

and land use raster layers were resampled to 10 m pixel size for modeling.  

For the purposes of this study, classes were limited to evergreen forest, deciduous forest, 

pasture, and developed land (Table 1).  The NLCD classes were grouped to create these four classes.  

NLCD classes of deciduous forest, mixed forest, and shrub were combined to create the deciduous forest 

land‐use class used herein, and evergreen forest was retained as a separate class.  Forest areas in these 

study watersheds are characterized by predominantly deciduous forests, with occasional patches of 

evergreen shrubs and trees occurring in steep stream valleys and at the highest elevations.  The pasture 

class was a composite of the grassland, pasture, and agriculture NLCD classes.  Only very small areas of 

row‐crop agriculture occur in the study area, and there are very few, small natural grasslands on 

mountain peaks.  The developed land use was created as a composite of all intensities of developed land 

in the NLCD classification.  Among these study watersheds, there are no substantial areas of high‐

intensity development.  All developed land was estimated to have 30% impervious surface.    

140  

For model simulations of hydrologic response to varied land use scenarios, eight raster 

landcover datasets were created for each watershed (Figure 3).  These datasets were part of two 

frameworks for analysis of streamflow differences among the land‐use scenarios.  In the first 

framework, watershed land use becomes progressively more developed, following development trends 

in the region.  In the second framework, all landcover scenarios contain 50% forest, 25% pasture, and 

25% developed land, but in varied spatial arrangements.   

Progressive Development Framework:  In the first stage (or P1, for Progressive Development 

Stage 1), the landcover is 100% forest, with evergreen forest limited to the highest elevations, mimicking 

the present‐day actual land use.  Stage 2 (P2) contains forest in all areas of the watershed with slope > 

15%, and pasture in all areas with slope <15%.  This 15% threshold was based on observed land‐use 

trends in the region, and closely approximates the “classic” development patterns the region 

experienced throughout the mid‐twentieth century.  Stage P3 follows this 15% threshold as well, but in 

this development stage the land use in areas lower than 15% slope is split evenly between developed 

and pasture land, with developed land concentrated in the areas of lowest slope.   Stage P4 was 

intended to replicate the watershed land use that is expected with increasing development pressures.  

In this scenario, watershed land use is evenly split between forest, pasture, and developed land use, 

with forest cover in the 33% of watershed area with highest slopes, developed land use in the 33% of 

watershed area with the lowest slopes, and pasture occupying the intermediate slope region.   In stage 

P5, representing extreme development, the 33% of the watershed area on the higher slopes is forest, as 

in P4, but the entire remaining 67% percent of the watershed is in developed land use.  

Spatial Distribution Framework: The objective of using this framework was to determine 

whether streamflow differences are evident among different spatial arrangements of land use classes.  

In each of these three scenarios, S1‐S3, watershed land use is 50% forest, 25% pasture, and 25% 

developed, but the spatial distribution of the land use is varied.  In Spatial Scenario 1 (S1), the 

141  

distribution is random, with landcover reclassified from the slope raster and randomly distributed 

among 25 slope quantiles.  In Scenario S2, the distribution is modeled after the classic regional 

development pattern, in which the steeper slopes are under forest cover, and the lowest slopes are in 

developed land use, with pasture occupying the areas of intermediate slopes.  In Scenario S3, the classic 

development pattern is inverted, with forest occupying the lower slope valley bottomlands, developed 

land use on the intermediate slopes, and pasture on the higher slopes.  

 Daily climate data from four stations in Macon and Jackson counties were obtained for the 

period of August 1, 1977 to December 31, 2008 (Figure 1).  Daily mean temperature measurements and 

precipitation totals were directly used  as inputs to WetSpa, while daily maximum and minimum values 

of temperature and relative humidity were used to estimate potential evapotranspiration (PET) using 

the program ETo (Raes, 2009).  This program uses available climate information, along with station 

latitude, longitude, and elevation, to estimate PET values in the absence of comprehensive climatic 

records that allow its direct calculation.  Streamflow data for model calibration and evaluation were 

obtained from multiple field‐based sources, for the period of August 1, 2007 to November 30, 2008.  For 

Iotla Creek and Cane Creek, 10‐minute instantaneous stage data were obtained using capacitance 

probes installed in the stream edge.  Stage data were converted to discharge values using rating curves 

developed from ten stage/discharge points from discharge measurements using the velocity‐area 

method with an acoustic Doppler velocity meter (Mosley and McKerchar, 1993).   Instantaneous 

discharge data for Cartoogechaye Creek were obtained from the U.S. Geological Survey (USGS gage 

03500240), and for Shope Fork from the U.S. Forest Service (USFS) Coweeta Hydrologic Laboratory.  

Daily mean discharge values were calculated for all streams and used for model calibration and 

evaluation.   Simulations were run spanning the period of August 1, 1978 to November 30, 2008, and the 

first year of the simulations was excluded from analyses to allow for model spin‐up.   

 

142  

5.3.2 Model calibration and evaluation – Model calibration and validation were based on the 16‐month 

period spanning August 1, 2007, to November 30, 2008, for most sites, but limited to 15 months for 

Shope Fork.  The first eight months of the period, August 1, 2007 to March 31, 2008, was used for 

calibration, while the remainder of the record was used for model validation.  For the purposes of model 

calibration, the time series records of climate and streamflow data were duplicated to simulate a year of 

model spin‐up for all sites except Cartoogechaye Creek, but only the second year was used for 

calibration.  

The ten global parameters, which affect all watershed pixels, irrespective of land use or soil 

texture class, can be adjusted for calibration of WetSpa.  Additionally, the look‐up tables associated with 

secondary raster creation, may be modified to represent conditions specific to the study area.  For 

calibration of the four watersheds in this study, two look‐up tables were modified, 1) the “soil_remap” 

table, which links the soil hydrologic characteristics to soil texture class, and 2) the “runoff_coefficient” 

table, which combines information on slope, land‐use class, and soil texture class to determine the 

portion of water that can run off as overland flow during storm events  (as opposed to infiltrate to 

become interflow or percolate to groundwater).  Empirical data on the average soil porosity and 

hydraulic conductivity for each texture class were available from the study area, and were directly used 

in the “soil_remap” look‐up table.   Empirical data from the study area have shown that within a given 

soil texture class, there are pronounced differences in the hydraulic conductivities of forest and 

nonforest soils (Price et al., in review).  The observed magnitudes of difference between the hydraulic 

conductivities of forest and nonforest soils were used to scale the runoff coefficients, assigned by 

combinations of land‐use and soil texture classes, to reflect regional conditions.   Several of the global 

parameters (evapotranspiration correction factor, interflow scaling factor, recession constant scaling 

factor, and surface runoff exponent) were also manually varied for model calibration.  The Nash‐Sutcliffe 

efficiency coefficient (NSE), expressing model predictive power, was calculated using the WHAT program 

143  

(Nash and Sutcliffe, 1970; Lim et al., 2005).  Along with visual comparison of simulated and observed 

stream hydrographs for the calibration period, these scores were used to select the optimal set of global 

parameters and for model validation.  

 

5.3.3 Calculation of streamflow metrics – Three baseflow metrics were calculated for each scenario, the 

one percentile flow (Q99), seven day low‐flow (Qmin‐7), and the ratio of baseflow to total streamflow 

(baseflow index, or BFI).   Q99 was calculated as the one percentile flow occurring during the entire 

period of record.  Qmin‐7 was calculated from the moving seven‐day average throughout the 29‐year 

period of record.  The minimum 7‐day average from the entire period of record was used to represent 

each land‐use scenario, and the minimum 7‐day average for each year was used for graphical analysis of 

low flow frequency.  BFI was calculated as total baseflow volume divided by total streamflow volume for 

the 29‐year period, with baseflow volume determined by baseflow separation using the Eckhardt 

recursive digital filter method (Eckhardt, 2008).    Baseflow separation was performed using the online 

WHAT hydrograph analysis tool (Lim et al., 2005).  

  While the emphasis of this study was on baseflow, additional streamflow variables were 

calculated to provide context for interpretation of baseflow response to varied land‐use scenarios.  The 

mean daily streamflow for the 29‐year record (Qmean) was calculated for each scenario.  The peak daily 

flow was calculated for each year of record, with the year designated as August 1 to July 31, based on 

the study start date.  The median value of the 29 peak annual daily flows (Qpeak) was used to represent 

each land‐use scenario.  For graphical analysis of streamflow response to the varied land‐use scenarios, 

flow duration curves were calculated from the continuous daily record.  Additionally, recurrence plots 

were calculated for the 7‐day annual low flows, using the Gringorten plot position (Stedinger et al., 

1993).   

 

144  

5.4. Results 

  WetSpa produced fair estimates of streamflow for the study watersheds (Figure 4).  Nash‐

Sutcliffe coefficients ranged from 0.29 to 0.46 (perfect model prediction = 1.0).  Development scenarios 

of increasing intensity (P1‐P5) resulted in overall higher flows, including median annual peak flow, mean 

flow, and extreme low flows.  The proportion of baseflow to total streamflow (baseflow index, or BFI) 

decreased with intensifying development.  Among the three spatial scenarios evaluated for streamflow 

differences under varied landcover distributions, there was not consistent response among the study 

watersheds.   

 

5.4.1 Progressive development framework – The flow duration curves (Figure 5) of the varied 

development stages show two clear trends among all four watersheds: 1) Stages P1‐P3 produce almost 

indistinguishable flow regimes, and 2) The substantial impervious surface that is introduced in stages P4 

and P5 results in increased flood peaks, but not reduced baseflows.  These counterintuitive trends are 

also shown by the recurrence intervals of 7‐day annual low flows that increase moving from P1‐P5 

(Figure 6), although these plots do show separation of stages P1‐P3 during very high recurrence interval 

(infrequent) low‐flow events.  During extreme dry periods represented by recurrence intervals greater 

than 10 years, baseflows are lowest in watersheds where forest covers are highest, due to the 

assumptions of evapotranspirative loss in forest land use built into the model structure.  These results 

contradict empirical data from the region, in which watersheds with higher forest cover have been 

shown to have greater baseflow volume, during drought and non‐drought periods (Price and Jackson, 

2007; Chapter 4 herein).  All modeled flow magnitudes (Qpeak, Qmean, Q99, and Qmin‐7) increased as 

watershed development increased and forest cover decreased (Table 2).  This ubiquitous increase is 

explained by the pronounced ET ascribed to forest landcover.  Differences in flow among the 

development stages were substantial.  Values of Qpeak associated with the most pronounced 

145  

development (P5) were 1.7 to 3.6 times greater than values simulated for the 100% forest watersheds 

(P1), Qmean values were 1.3 to 1.9 times greater, and Qmin‐7 values were 1.6‐3.1 times greater (Figure 7).   

While baseflow magnitudes were shown to increase with development, this increase was not as great as 

increases in peak flows, resulting in decreased proportions of baseflow to total flow observed in the 

more developed watersheds.   Therefore, BFI ratios were 1.2 to 1.4 times greater in the 100% forest 

watersheds (P1) than the maximum development scenario (P5).   

 

5.4.2 Spatial distribution framework – No trends emerged between the spatially varied land‐use 

scenarios and simulated streamflow characteristics that were consistent among all four watersheds.  

Land‐use scenario S2 has the highest peak flows and lowest BFI ratios in three of the four watersheds 

(Figure 8).  This scenario, in which the flatter portions of the watershed are in pasture and developed 

land use, and the steeper portions are forested, represents the prevalent present‐day patterns and likely 

continued development trends.  The flow duration curves (Figure 5), and especially the 7‐day annual low 

flow recurrence intervals (Figure 6), show that low flows under scenario S3 are greatly reduced from all 

other land‐use scenarios in Iotla Creek and Cartoogechaye Creek.  In Iotla Creek, the average Qmin‐7 of S1 

and S2 is nearly twice as high as that of S3.   In Cartoogechaye Creek, the average of S1 and S2 is more 

than three times greater than the Qmin‐7 of S3.  Scenario S3 represents the inverse of prevalent 

development trends, with the flat bottomlands are under forest and steeper uplands in developed land 

use.   

 

5.4. Discussion 

  WetSpa was only moderately successful in simulating streamflow among these four watersheds.  

It proved exceedingly difficult to optimize the model parameters to fit both low and high flows.   Other 

studies using WetSpa have had much greater success, demonstrating NSE values twice as high as those 

146  

observed in this study.  Studies published by the model developers present results with NSE values 

ranging from 0.72 to 0.84 among watersheds in Vietnam, Luxembourg, and Slovakia (Liu et al., 2005; Liu 

et al., 2006; Bahremand et al., 2007).  It should be noted that in this study, the calibration and validation 

period of August 2007 to November 2008 coincided with an extreme regional drought, with the lowest 

streamflows on record for all USGS gaging stations within the Little Tennessee River system.  The 

anomalous hydrologic conditions likely confounded the model calibration. These conditions may have 

reduced the overall predictive capabilities of the model.  However, identical trends emerged among the 

land‐use scenarios using the 30‐year or 16‐month simulated records.  Adding additional complication to 

model calibration, this region has high relief, with pronounced variability of rainfall and subsurface 

storage distribution.  The lowest NSE values (0.29 for Cane Creek and 0.31 for Iotla Creek) were derived 

from streamflow data with relatively high uncertainty, given the method of discharge calculation.  The 

NSE values from the long‐term USFS and USGS gaging stations were higher (0.41 for Cartoogechaye 

Creek and 0.46 for Shope Fork).  While the WetSpa NSE values from this study were substantially lower 

than those observed by the developers, they are comparable to other hydrologic modeling studies, 

which have demonstrated similar NSE values (0.3‐0.4) for other commonly used models such as RHESSys 

(Tague, 2009), SWAT (Abu El‐Nasr et al., 2005; Dietrich and Funke, 2009), and BASINS‐HSPF (Abdulla, 

2009).  

   

5.5.1 Progressive development framework ‐ A surprising outcome of these simulated flows was that 

decreasing watershed forest cover universally resulted in increase baseflow magnitude.  Empirical data 

from 35 watersheds in this study area, including the four study watersheds simulated herein, has shown 

significantly greater baseflow among watersheds with more forest cover than those with less forest 

cover (Chapter 4, this dissertation).  The empirically documented positive relationship between 

watershed forest cover and baseflow was attributed to greater soil infiltration and water holding 

147  

capacity associated with forest land use. These soil traits allow a greater portion of water to infiltrate to 

subsurface storage and sustain baseflows, compared with the more compacted and less porous soils 

associated with nonforest land use.  This interpretation was reinforced by soil physical properties 

measured in the study area, which showed saturated hydraulic conductivities approximately seven 

times greater in forest soils, compared with lawn and pasture soils (Price et al., In Review).  Wide, 

statistically significant contrasts in conductivities, bulk densities, and water‐holding capacities were 

demonstrated among soils of the same textural class, under forest vs. nonforest land use.  The results of 

the WetSpa simulations indicating higher BFI among more forested watersheds agrees with the findings 

of these empirical studies, but the reduced baseflow magnitudes (Q99, Qmin‐7) contradict ample empirical 

data, and are thus highly suspect.  

It appears that the limitations on user input of empirical data to parameterize WetSpa, along 

with highly problematic assumptions embedded into the model structure, preclude the model from 

linking higher baseflow with lower watershed forest cover.  The user can only modify soil characteristics 

by soil texture class, so any known spatial variability among soils associated with varied land use or 

other factors cannot be incorporated into the model function.  It is our contention that the results of the 

progressive development framework part of this study, and possibly those of the spatial distribution 

framework as well, would have been completely different if we had the capability to incorporate a 

greater amount of empirical data related to soil hydrology.  Furthermore, the model appears to assume 

that the evapotranspirative losses from forest cover are sufficient to over‐ride any gains to subsurface 

storage that occur due to greater soil infiltration capacity. It is not necessarily a valid assumption that ET 

rates always are greater in forests. While interception and transpiration in forests are certainly 

important factors within a water budget, developed areas are associated with surface ponding of water 

and pronounced direct evaporation from impervious surfaces and unshaded soils.  Recent research has 

shown developed areas to demonstrate ET rates greater than forests of all but the most water‐intensive 

148  

species (Batelaan and DeSmedt, 2007).  The model’s theoretical basis appears to be the vast body of 

twentieth century forestry experimentation literature demonstrating streamflow  increases with forest 

removal.  Recent literature and research into scaling issues in hydrology have shown that upscaling from 

small forestry plots to large, heterogeneous watersheds is extremely problematic (Blöschl, 2001).  

Furthermore, it has been demonstrated that the impacts of temporary forest harvest are not 

comparable to the hydrologic effects of long‐term land‐use conversion (Bruijnzeel, 2004). 

The model’s embedded assumptions about forest  ET explains the trends seen in the flow 

duration curves (Figure 5), in which stages P1‐P3 are virtually indistinguishable.  In the progressive 

development framework, it is not until P4 that substantial amounts of watershed area are covered in 

impervious surface (33%).  Even though attempts were made, by modifying the runoff coefficient, to 

inform the model that pasture in this study area demonstrates far lower infiltration rates than forest, 

the high ET rates assigned to forest cover preclude any substantial differences in the water budgets of 

forest vs. pasture land cover.  Several reality‐based manipulations of the land use/soil based runoff 

coefficient were tried, and under no tested scenario did baseflows increase with watershed forest cover, 

as was observed in the empirical studies. Admittedly, WetSpa was originally developed for flood 

prediction, and there are many studies demonstrating success with predicting high flows and flood 

response to land‐use change using WetSpa (e.g., Liu et al., 2005; Liu et al., 2006; Bahremand et al., 

2007).  However, the results of this study should serve as a resounding caution regarding the ever‐

increasing appeal of using distributed watershed modeling for purposes of watershed planning and 

management.  

 

5.5.2 Spatial distribution framework – In this framework, all scenarios consisted of watershed land use 

with 50% forest, 25% pasture, and 25% developed land, but the spatial arrangement of the land use 

differed.  No relationship between spatial land‐use arrangement and streamflow patterns emerged that 

149  

was consistent among all four watersheds.  However, there were some intriguing patterns that may 

suggest fruitful areas of future investigation.  The spatial land‐use scenario that replicates current land 

use and development trends, S2, demonstrated the highest peak flows and lowest BFI in three of the 

four watersheds (Figure 8).  This finding may have important implications for issues of flooding and 

drought tolerance among watersheds in the region.  It is possible that planning efforts to vary the 

developed‐bottomland, protected‐upland pattern may be advisable for reducing floods and protecting 

baseflow, as development continues. However, these results also suggest that the reverse spatial 

distribution, S3, in which bottomlands are forested and uplands developed, may also be problematic.  In 

Iotla Creek and Cartoogechaye Creek, the S3 scenario showed pronounced reductions in the 7‐day 

annual low‐flow (Figures 6 and 8).  For these watersheds, the Qmin‐7 was 2‐3 times higher under S1 and 

S2.  These watersheds have much more alluvial bottomland than Cane Creek or Shope Fork, introducing 

the likely possibility that watershed geomorphology is affecting the streamflow response to land‐use 

change.  While the results from this analysis are insufficient to draw any conclusions, there is a 

suggestion from these simulations that the spatial arrangement of land use, especially combined with 

watershed geomorphic characteristics, may be an important factor in explaining extreme low and high 

streamflows.   

   

The suspicious and counterintuitive results of the progressive development framework of this 

simulation study, which contrast a robust body of empirical data, underscore the caution that needs to 

be taken when using distributed hydrologic models.  The temptation is strong to put increasing faith in 

models that have ever‐higher grid resolution, ever‐easier user operation, and ever‐faster performance 

as computing capabilities increase.  However the underlying, fundamental issues of parameter 

designation and flow routing processes do not change, even with a more advanced interface (Beven, 

2001).  Most recently‐developed distributed models, including WetSpa, rely on decades‐old theory and 

150  

frighteningly small amounts of empirical data, and do not “properly reflect the collective intelligence of 

the hydrological community” (Beven, 2001, p. 10).  There are many well‐established problems with 

distributed modeling, of which users outside of the theoretical modeling community may never be 

informed.  A major problem with complex distributed models is overparameterization (Jakeman and 

Hornberger, 1993).  It has been argued that simpler, less data‐intensive models provide equal or 

superior results to more physically‐based models (Loague and Freeze, 1985), and that physically‐based 

models should contain no more than 3‐5 parameters (Beven, 1989).  WetSpa has ten global parameters, 

and if all of the modifiable values in the look‐up tables are considered individual parameters, the 

number is closer to 100.  Even setting the issue of overparameterization aside, there is clear difficulty 

with assigning realistic values to the parameters, as seen in this study. While admitting the necessity of 

hydrologic models, Beven (2001) identifies nonlinearity in the hydrologic system, theoretically 

unresolved process scaling issues, equifinality due to overparameterization, and uncertainty as 

remaining key problems with distributed hydrologic models.  The results of this study, in which model 

structures consistently generated outcomes diametrically opposed to the well established empirical 

behavior of these watersheds, underscore the critical need for caution among users of distributed 

models.  This is particularly germane, as increasing numbers of user‐friendly models are readily available 

online, requiring little to no prior knowledge or education about hydrology. 

 

 

5.6. Conclusions 

  Daily streamflow from four watersheds (7.8 to 145.5 km2) was simulated using the WetSpa fully‐

distributed hydrologic model over a period of 30 years.  Validation of WetSpa indicated moderate 

success in reproducing streamflows for these watersheds.  However, streamflow conditions were 

anomalously low during the study period, due to extreme regional drought, which likely confounded the 

151  

calibration.  Streamflow was simulated for each stream under eight land‐use scenarios.  Five of these 

scenarios represented a progression from fully forested conditions to extreme development.  The other 

three contained constant areal coverages of forest, pasture, and developed land, but the spatial 

arrangement of the land‐use classes was varied.  Varied spatial arrangements of landcover did not 

demonstrate any consistent relationships to streamflow among all four watersheds.  Results from the 

progressive development simulations indicated increases in peak, mean, and low flows as forest cover 

decreased and developed landcover increased, while development was associated with a lower 

proportion of baseflow to total streamflow (BFI).  The simulated increases in baseflow magnitude with 

watershed development contradict regional empirical data showing higher baseflows in watersheds 

with greater forest cover, whereas the simulated results that BFI decreases with development 

corroborate empirical results. Theoretical assumptions built into the model framework apparently 

preclude a more realistic model outcome of decreased baseflow with increased development, because 

evapotranspirative losses from forest land use are assumed to be sufficiently high to override any 

subsurface storage gains from higher surface infiltration.  This contrast with empirical data, due to 

embedded theory within the model, should serve as a strong caution regarding the application of 

distributed hydrologic modeling without an adequate understanding of the assumptions built into the 

structure of such models.   

 

5.7 References  Abdulla, F., Eshtawi, T., and Assaf, H. 2009. Assessment of the impact of potential climate change on the water balance of a semi‐arid watershed.  Water Resources Management 23(10): 2051‐2068.  Abu El‐Nasr, A., Arnold, J. G., Feyen, J., and Berlamot, J. 2005. Modelling the hydrology of a catchment using a distributed and a semi‐distributed model.  Hydrological Processes 19(3): 573‐587.  Bahremand, A., De Smedt, F., Corluy, J., Liu, Y.B., Poorova, J., Velcicka, L., Kunikova, E. 2006. Application of WetSpa model for assessing land use impacts on floods in the Margecany‐Hornad watershed, Slovakia. Water Science and Technology 53(10): 37‐45. 

152  

Bahremand, A., De Smedt, F., Corluy, J., and Liu, Y. B. 2007. WetSpa Model application for assessing reforestation impacts on floods in Margecany‐Horland Watershed, Slovakia. Water Resources Management 21: 1373‐1391.   Batelaan, O. and De Smedt, F. 2007. GIS‐based recharge estimation by coupling surface‐subsurface water balances. Journal of Hydrology 337: 337‐355.   Beven, K. 1989. Changing ideas in hydrology: The case of physically‐based models.  Journal of Hydrology 105: 157‐172.  Beven, K. 2001. How far can we go with distributed hydrologic modeling? Hydrology and Earth System Sciences 5(1): 1‐12.   Blöschl, G. 2001. Scaling in hydrology. Hydrological Processes 15: 709‐711.  Bogena, H., Kunkel, R., Scobel, T., Schrey, H. P., Wendland F. 2005. Distributed modeling of groundwater recharge at the macroscale.  Ecological Modeling 187(1): 15‐26.  Bruijnzeel, L. A. 2004. Hydrological functions of tropical forests: not seeing the soil for the trees? Agriculture, Ecosystems, and Environment 104(1):  185‐228.  Cao, W., Bowden, W. B., Davie, T., and Fenemor, A. 2006. Multi‐variable and multi‐site calibration and validation of SWAT in a large mountainous catchment with high spatial variability. Hydrological Processes 20: 1057‐1073.  Chang, H., 2007. Comparative streamflow characteristics in urbanizing basins in the Portland Metropolitan Area, Oregon, USA. Hydrological Processes, 21: 211‐222.  Dietrich, J. and Funke, M. 2009. Integrated catchment modeling within a strategic planning and decision making process: Werra case study. Physics and Chemistry of the Earth 34: 580‐588.  Eckhardt, K. 2008. A comparison of baseflow indices, which were calculated with seven different baseflow separation methods. Journal of Hydrology 352: 168‐173.  Fievet, C. and Collins, B. 2009. Land Cover Across Space and Time: The Southern Appalachians Since 1986.  Accessed February 10, 2009. <http://coweeta.ecology.uga.edu/ecology/gis/landcover.html>  Jakeman, A. J. and Hornberger, G. M. 1993.  How much complexity is warranted in a rainfall‐runoff model? Water Resources Research 29(8): 2637‐2649.  Johnson, R. 1998. The forest cycle and low river flows: a review of UK and international studies. Forest Ecology and Management 109: 1‐7.  Lim, K. J., Engel, B .A., Zhenxu, T., Choi, J.,  Kim, K.‐S., Muthukrishnan, S. and Tripathy, D. 2005. Automated web GIS based hydrograph analysis tool, WHAT, Journal of the American Water Resources 41(6), 1407‐1416.  

153  

Liu, Y. B. and De Smedt, F. 2004. WetSpa extension: Documentation and user manual. Department of Hydrology and Hydraulic Engineering, Vrije Universiteit Brussel, Belgium.   Liu, Y.B. and De Smedt, F. 2005. Flood modeling for complex terrain using GIS and remote sensed information. Water Resources Management 19(5): 605‐624.  Liu, Y.B., Gebremeskel, S.,  De Smedt, F., Hoffmann, L., and Pfister, L. 2004. Simulation of flood reduction by natural river rehabilitation using a distributed hydrologic model. Hydrology and Earth System Sciences 8(6): 1129‐1140.   Liu, Y. B., Batelaan, O., De Smedt, F., Huong, N. T., and Tam, V. T.  2005. Test of a distributed modeling approach to predict flood flows in the karst Suoimuoi catchment in Vietnam.  Environmental Geology 48: 931‐940.   Liu, Y. B., Gebremeskel, S., De Smedt, F., Hoffman, L., and Pfister, L. 2006. Predicting storm runoff from different land‐use classes using a geographical information system‐based distributed model. Hydrological Processes 20: 533‐548.  Loague , K. M. and Freeze, R. A. 1985. A comparison of rainfall‐runoff modelling techniques on small upland catchments.  Water Resources Research 21: 229‐248.  Mosley, M. P. and McKerchar, A. I. 1993. Streamflow. In Maidment, D. R. (ed.), Handbook of Hydrology. McGraw Hill, New York, p. 8.1‐8.39.  Mulungu, D. M. M., Ichikawa, Y., and Shiiba, M. 2005. A physically‐based distributed subsurface‐surface flow dynamics model for forested mountainous catchments. Hydrological Processes 19: 3999‐4022.  Nash, J. E. and Sutcliffe, J. V. 1970. River flow forecasting through conceptual models, Part 1: A discussion of principles. Journal of Hydrology 10: 282‐290.  Nyenje, P. M. and Batelaan, O. 2009. Estimating the effects of climate change on groundwater recharge and baseflow in the upper Ssezibwa catchment, Uganda. Hydrological Sciences Journal 54(4): 713‐726.  Price, K. and Jackson, C.R.,  2007. Effects of forest conversion on baseflows in the southern Appalachians: A cross‐landscape comparison of synoptic measurements. Proceedings of the 2007 Georgia Water Resources Conference. <http://cms.ce.gatech.edu/gwri/uploads/proceedings/2007/2.3.4.pdf>  Raes, D. 2009. The ETo Calculator Reference Manual version 3.1. Food and Agriculture Organization of the United Nations, Land and Water Division. Rome, Italy.  Accessed June 15, 2009. < http://www.biw.kuleuven.be/lbh/lsw/iupware/>   Rose, S. and Peters, N. E. 2001. Effects of urbanization on streamflow in the Atlanta area (Georgia, USA): A comparative hydrological approach.  Hydrologic Processes 15: 1441‐1457.  Stedinger, J. R., Vogel, R. M., and Foufoula‐Georgiou, 1993. Frequency analysis of extreme events. In Maidment, D. R. (ed.), Handbook of Hydrology. McGraw Hill, New York, p. 18.1‐18.66.  

154  

Tague, C. 2009. Modeling hydrologic controls on denitrification: sensitivity to parameter uncertainty and landscape representation.  Biogeochemistry 93: 79‐90.  USDA‐NRCS, 2005. Soil Survey Geographic (SSURGO) Database for Macon County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USDA‐NRCS, 2007. Soil Survey Geographic (SSURGO) Database for Jackson County, North Carolina. Accessed September 10, 2007. <http://soildatamart.nrcs.usda.gov>   USGS, 2003. North Carolina Land Cover Database Zone 57 Land Cover Layer, Accessed September 20, 2007. <www.seamless.usgs.gov>   USGS, 2008. National Elevation Dataset (NED) 1/3 Arc Second, Accessed June 15, 2009. <www.seamless.usgs.gov>     

155  

WetSpa Class 

Original NLCD Class

Evergreen Forest 5.8% 4.5% 1.8% 0.3%42 ‐ Evergreen Forest 5.8% 4.5% 1.8% 0.3%

Deciduous Forest 92.6% 73.1% 84.2% 94.7%41 ‐ Deciduous Forest 91.1% 67.2% 81.3% 93.2%

43 ‐ Mixed Forest 0.7% 3.4% 1.4% 0.5%52 ‐ Shrub/Scrub 0.8% 2.3% 1.5% 1.0%

91 ‐ Woody Wetland 0.0% 0.2% 0.1% 0.0%

Pasture 0.0% 13.3% 5.9% 1.0%71 ‐ Grassland/Herbaceous 0.0% 1.8% 1.0% 0.5%

81 ‐ Pasture/Hay 0.0% 10.5% 4.6% 0.5%82 ‐ Cultivated Crops 0.0% 1.0% 0.3% 0.0%

Developed 1.6% 9.0% 8.1% 4.0%21 ‐ Developed Open 1.6% 8.4% 7.2% 4.0%

22 ‐ Developed Low‐Intensity 0.0% 0.3% 0.6% 0.0%23 ‐ Developed Medium‐Intensity 0.0% 0.1% 0.2% 0.0%

24 ‐ Developed High‐Intensity 0.0% 0.1% 0.0% 0.0%31 ‐ Barren Land 0.0% 0.1% 0.1% 0.1%

Open Water 0.0% 0.1% 0.1% 0.0%11 ‐ Open Water 0.0% 0.1% 0.1% 0.0%

Shope Fork Iotla CreekCartoogechaye 

CreekCane Creek

Table 5.1. 2006 land use of study watersheds and explanation of reclassification of NLCD land use scheme. NLCD class numbers correspond to 2001 classification (USGS, 2003).  (Source for 2006 land use data: Fievet and Collins, 2009) 

   

156  

Stream Land Use Qpeak Q99 Qmean Qmin‐7 BFIm3s ‐1 m3s ‐1 m3s ‐1 m3s‐1 ‐

Shope Fork S1 3.097 0.050 0.274 0.033 0.703S2 3.799 0.060 0.301 0.043 0.661S3 2.870 0.051 0.273 0.033 0.716P1 1.953 0.037 0.246 0.019 0.759P2 2.050 0.037 0.246 0.020 0.754P3 2.118 0.038 0.248 0.021 0.750P4 3.610 0.053 0.287 0.035 0.665P5 4.001 0.066 0.316 0.048 0.639

Iotla Cr. S1 4.699 0.065 0.445 0.036 0.709S2 5.237 0.061 0.444 0.033 0.697S3 4.959 0.047 0.457 0.018 0.626P1 2.173 0.050 0.376 0.020 0.878P2 3.335 0.050 0.382 0.022 0.802P3 4.162 0.058 0.414 0.029 0.742P4 6.127 0.068 0.476 0.042 0.659P5 7.900 0.081 0.564 0.048 0.574

Cartoogechaye Cr. S1 24.747 0.355 3.258 0.214 0.730S2 23.711 0.342 3.248 0.210 0.658S3 28.034 0.241 3.298 0.065 0.720P1 17.631 0.229 2.892 0.111 0.772P2 18.440 0.234 2.923 0.120 0.765P3 18.503 0.240 2.939 0.125 0.763P4 26.644 0.388 3.433 0.233 0.702P5 32.772 0.543 4.107 0.349 0.648

Cane Cr. S1 1.819 0.023 0.119 0.013 0.674S2 1.920 0.023 0.121 0.013 0.658S3 1.729 0.023 0.117 0.013 0.764P1 0.689 0.012 0.088 0.008 0.751P2 0.719 0.012 0.088 0.008 0.748P3 0.756 0.013 0.090 0.009 0.743P4 1.725 0.020 0.132 0.012 0.606P5 2.306 0.020 0.167 0.013 0.536

Table 5.2. Flow summary values for varied land use scenarios.  Land use scenario symbols are explained in Section 5.3.1. 

   

157  

 

Figure 5.1. Study area and watersheds used for streamflow simulation.  Stream names correspond to the numbered watersheds on the map, with watershed area in parentheses.   

158  

  

Figure 5.2 Summary of WetSpa spatial parameterization.  Bold parameters indicate parameters that were modified based on empirical data from this study area.  For all others parameters, model default values were used.  

   

159  

 

Figure 5.3 Simulated land use scenarios.  The Iotla Creek watershed is used as an example.  Progressive development stages 1‐5 (P1‐P5) represent intensifying development in a spatial pattern characteristic of the region, while the spatial distributions of S1‐S3 have equivalent land cover by areal extent, but vary in the arrangement of the land use pixels.  Stage P1 is 100% forest.  A complete explanation is provided in section 5.3.1.

P2

P3

P4

P5

S1

S2

S3

0 2.5 51.25 km

$Legend

Forest

Pasture

Developed

160  

Figure 5.4a Comparison of simulated vs. observed streamflow.  NRE is Nash‐Sutcliffe efficiency coefficient (Nash and Sutcliffe, 1970).  The linear scale on the y‐axis (5.4a) accentuates the low absolute error in low flows, while the log scale on the y‐axis emphasizes the high relative error.   

Iotla Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

Precipitation (mm)

0

50

100

150

200

250

Modeled streamflowObserved streamflowPrecipitation

Shope Fork

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

Discharge (m

3 s‐1)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Precipitation (mm)

0

50

100

150

200

250

Cartoogechaye Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

0

5

10

15

20

Precipitation (mm)

0

50

100

150

200

250

Cane Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

0.0

0.2

0.4

0.6

0.8

Precipitation (mm)

0

50

100

150

200

250

Calibration

Validation

Calibration

Validation

Calibration

Validation

Calibration

Validation

NSE = 0.46 NSE = 0.31

NSE = 0.41 NSE = 0.29

161  

Figure 5.4b Comparison of simulated vs. observed streamflow.  NRE is Nash‐Sutcliffe efficiency coefficient (Nash and Sutcliffe, 1970).  The linear scale on the y‐axis (5.4a) accentuates the low absolute error in low flows, while the log scale on the y‐axis emphasizes the high relative error.      

Iotla Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

0.1

1

10

Precipitation (mm)

0

50

100

150

200

250

Modeled streamflowObserved streamflowPrecipitation

Shope Fork

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

Discharge (m

3 s‐1)

0.1

1

10

Precipitation (mm)

0

50

100

150

200

250

Cartoogechaye Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

1

10

100

Precipitation (mm)

0

50

100

150

200

250

Cane Creek

8/1/07  

9/1/07  

10/1/07  

11/1/07  

12/1/07  

1/1/08  

2/1/08  

3/1/08  

4/1/08  

5/1/08  

6/1/08  

7/1/08  

8/1/08  

9/1/08  

10/1/08  

11/1/08  

Discharge (m

3 s‐1)

0.1

1

Precipitation (mm)

0

50

100

150

200

250

Calibration

Validation

Calibration

Validation

Calibration

Validation

Calibration

Validation

NSE = 0.46 NSE = 0.31

NSE = 0.41 NSE = 0.29

162  

 

Figure 5.5 (page 1 of 2). Flow duration curves for the varied land use scenarios.  Symbols correspond to Progressive (P) and Spatial (S) scenarios described in section 5.3.1. These graphs convey the percent of time a given flow level is exceeded.  For example, very high flows are exceed for only a small percentage of the time, while extremely low flows are exceeded nearly 100% of the time.  The overlain curves represent the varied land use simulations, for which the distributions of varied flow levels can be compared.  

Fraction of Time Exceeded

0.01

0.05 0.1 0.2 0.5 1 2 5 10 20 30 50 70 80 90 95 98 99 99

.899.999.95

99.99

Discharge

 (m3 s

‐1)

0.01

0.1

1

10

P1P2P3P4P5 S1S2S3 

Fraction of Time Exceeded

0.01

0.05 0.1 0.2 0.5 1 2 5 10 20 30 50 70 80 90 95 98 99 99

.899.999.95

99.99

Discharge

 (m3 s

‐1)

0.01

0.1

1

10

Shope Fork

Iotla Creek

P1P2P3P4P5 S1S2S3 

163  

 

Figure 5.5 (page 2 of 2). Flow duration curves for the varied land use scenarios.  Symbols correspond to Progressive (P) and Spatial (S) scenarios described in section 5.3.1.  These graphs convey the percent of time a given flow level is exceeded.  For example, very high flows are exceed for only a small percentage of the time, while extremely low flows are exceeded nearly 100% of the time.  The overlain curves represent the varied land use simulations, for which the distributions of varied flow levels can be compared.  

Fraction of Time Exceeded

0.01

0.05 0.1 0.2 0.5 1 2 5 10 20 30 50 70 80 90 95 98 99 99

.899.999.95

99.99

Discharge

 (m3 s

‐1)

0.01

0.1

1

10

Fraction of Time Exceeded

0.01

0.05 0.1 0.2 0.5 1 2 5 10 20 30 50 70 80 90 95 98 99 99

.899.999.95

99.99

Discharge

 (m3 s

‐1)

0.1

1

10

100

P1P2P3P4P5S1S2 S3

Cartoogechaye Creek

Cane Creek

P1

P2

P3

P4

P5 

S1

S2

S3 

164  

 

Figure 5.6 (page 1 of 2). Recurrence intervals of 7‐day annual low flows , 1979‐2008. Recurrence intervals were calculated using the Gringorten plot position (ref*). Symbols correspond to Progressive (P) and Spatial (S) scenarios described in section 5.3.1. 

Recurrence Interval (years)1 10 100

7‐day annu

al low flow

 (m3 s

‐1)

0.1

P1P2P3 P4P5S1S2S3

Recurrence Interval (years)1 10 100

7‐day annu

al low flow

 (m3 s

‐1)

0.01

0.1

Shope Fork

Iotla Creek

P1P2P3 P4P5S1S2S3

165  

 

Figure 5.6 (page 2 of 2). Recurrence intervals of 7‐day annual low flows , 1979‐2008. Recurrence intervals were calculated using the Gringorten plot position (ref*).  Symbols correspond to Progressive (P) and Spatial (S) scenarios described in section 5.3.1. 

Recurrence Interval (years)1 10 100

7‐day annu

al low flow

 (m3 s

‐1)

0.1

1

P1P2P3P4P5P6P7 P8

Recurrence Interval (years)1 10 100

7‐day annu

al low flow

 (m3 s

‐1)

0.01

0.1

Cartoogechaye Creek

Cane Creek

P1P2P3P4P5P6P7 P8

166  

 

Figure 5.7 Streamflow summary metrics for each of the progressive development land use scenarios.  Symbols P1‐P5 are described in section 5.3.1.   

   

Mean Flow

0.01

0.1

Median Peak Annual FlowW

ater

shed

are

a-st

anda

rdiz

ed d

isch

arge

(m3 s-1

km-2

)

0.01

0.1

1

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

7-day Low Flow

0.0001

0.001

0.01

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Baseflow Index

0.0

0.2

0.4

0.6

0.8

1.0

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Wat

ersh

ed a

rea-

stan

dard

ized

dis

char

ge (m

3 s-1km

-2)

P1P2P3 P4 P5 

167  

 

Figure 5.8  Streamflow summary metrics for each spatial land use scenario.  Symbols S1‐S3 are described in section 5.3.1.   

 

Mean Flow

0.01

0.1

Median Peak Annual FlowW

ater

shed

are

a-st

anda

rdiz

ed d

isch

arge

(m3 s-1

km-2

)

0.1

1

S1S2S3

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

7-day Low Flow

0.0001

0.001

0.01

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Baseflow Index

0.0

0.2

0.4

0.6

0.8

1.0

Shope Fork

IotlaCreek

CartoogechayeCreek

CaneCreek

Wat

ersh

ed a

rea-

stan

dard

ized

dis

char

ge (m

3 s-1km

-2)

168  

CHAPTER 6 

SUMMARY AND CONCLUSIONS 

   

Human conversion of forests to agricultural or residential land alters hydrologic processes 

affecting baseflows in competing ways – by reducing evapotranspiration which should increase 

baseflows, and by compacting soils which should reduce groundwater recharge and thus reduce 

baseflows.  This research attempted to determine which hydrologic alteration is dominant in southern 

Appalachian watersheds and how such alterations compare to the importance of the natural watershed 

geomorphic template.   There is a large body of literature investigating the influence of land use on 

baseflows, but the majority of these studies have emphasized two specific types of impact: 1) temporary 

forest harvest, and2) urbanization.  Very little is known about the effects of conversion of natural forest 

to many land uses that are prevalent on the landscape, such as pasture, low‐, and medium‐intensity 

development.  Urbanization studies demonstrate no clear trend in baseflow response, because of 

complications to water budgets due to issues such as importation of water, infrastructure leakage, etc.  

Forestry studies have shown that forest removal increases baseflows, because the interception and 

transpiration associated with forests reduce the amount of water available for streamflow.  However, 

there is little basis for extrapolating the results from small‐plot, forestry experimentation studies to 

larger watersheds undergoing long‐term land‐use change.  Such experiments are generally conducted in 

very small watersheds, and the process of forest removal, in which little long‐term soil disturbance 

occurs, do not show much similarity to the impacts of permanent land‐use conversion.  In the southern 

Blue Ridge Mountains, there are currently development pressures driven primarily by exurban and 

vacation home markets, and the land‐use change occurring in this region primarily takes the form of 

residential development and the medium‐density commercial growth to support increased populations.  

The current understanding of watershed hydrology does not provide insight into what changes in low‐

169  

flow hydrology to expect from continued land‐use change in developing regions like the southern Blue 

Ridge.  

To address this problem, three separate but complementary studies were conducted.   In the 

first study, the hydraulic characteristics of soils underlying forest, pasture and turfgrass (lawn) land use 

were compared.  Soils designated as the same series, and located in similar physical settings, were 

compared under the varied land uses.  The saturated hydraulic conductivity, bulk density, and water 

holding capacity were measured for 30 sites in each land‐use class, giving a total of 90 samples.  The 

average saturated hydraulic conductivity of forest soils was seven times higher than pasture and lawn 

soils.  The water holding capacities of forest soils were significantly higher than lawn and pasture soils, 

and the bulk densities of the forest soils was significantly lower than the nonforest land uses.  For no 

parameter did pasture and lawn soils significantly differ.  These results carry important implications for 

watershed hydrology, as the nonforest soils are much more highly susceptible to overland flow during 

storm events.  Greater overland flow is associated with reduced infiltration and baseflows, as well as 

impaired water quality.  These results also show that the flashier hydrologic regimes generally 

associated with highly developed watersheds result not only from impervious surface increases, but also 

from soil compaction and altered soil hydrology in non‐natural land uses.   

In the second study, 35 streams of varied land use and geomorphology were instrumented with 

continuous stage recorders for discharge measurement.  Watersheds ranging from 45 to 100% forest 

cover were monitored for 16 months, encompassing two low‐flow seasons (late summer and fall) during 

pronounced drought conditions.  Baseflow metrics of one percentile flow, 1‐day, 7‐day, and 14‐day 

minimum flows, and baseflow index were calculated for three subsets of the study period: low‐flow 

season 2007, low‐flow season 2008, and water year 2008.   Multiple regression analysis indicated that 

watershed geomorphic characteristics, such as drainage density, slope variability, and colluvium were 

the most important variables in predicting the various baseflow metrics.  Grouped watersheds with 

170  

higher forest cover demonstrated significantly greater baseflow than watersheds with lower forest 

cover.  These results contradict the relationship seen in experimental forestry studies, and show that the 

reduced infiltration associated with the conversion of forest to nonforest land use over‐rides any water 

gains from forest removal due to reduced interception and transpiration.   Human impact in the 

southern Blue Ridge is still relatively minor, with most watersheds containing well over 80% forest 

cover, but baseflow differences among more‐ and less‐impacted watersheds are already apparent.  The 

results of this study indicate that continued development in this region (and its associated reductions in 

forest cover and increase in impervious surface and compacted soils) will reduce baseflows and 

potentially lead to impaired water quality, degraded aquatic habitat, and increased vulnerability to 

future drought. 

In the third study, the distributed, GIS‐based hydrologic model WetSpa was used to simulate 30 

years of streamflow for four watersheds, under 8 land use scenarios.  The primary objective was to use 

the model to evaluate baseflow response to development levels more intense than were available for 

empirical study.  However, the model contained embedded theoretical assumptions about the 

importance of evapotranspirative losses from forest land use, without adequately accounting for the far 

greater hydraulic conductivities of forest soils in contributing to subsurface storage recharge and 

baseflow.  Consequently , model results for developed watersheds were associated with greater 

baseflow magnitude, despite a great deal of empirical data that shows the opposite relationship.    These 

counterintuitive and empirically‐contradicted results should serve as a strong caution regarding 

hydrologic modeling.  WetSpa model structures are likely drawn from hydrologic theory related to the 

forestry experimentation literature, and do not accommodate any new empirical information on the 

importance of soil hydraulic characteristics on stream baseflows.  As such distributed models become 

more readily‐available and user‐friendly, increasingly watershed management and protection agencies 

are coming to rely on such tools.  It is of great importance that model results be treated with great 

171  

caution, and that users remain alert to the fact that these models often contain equations based on 

highly generalized theory and minimal empirical information.   

Overall, four principal findings emerged from this dissertation research:  

1. Changes in soil physical properties associated with permanent forest removal are 

substantial, approaching impervious surfaces in importance for understanding hydrologic 

behavior of altered watersheds in the southern Blue Ridge. 

2. Empirical findings for watersheds ranging from 3 to 146 km2 demonstrate a positive 

relationship between watershed forest cover and stream discharge.  This is counter to plot‐

level forest harvest studies, and underscores the danger of upscaling from localized studies 

to predict regional hydrologic behavior.  

3. The loss of forest cover and modification of soil physical properties with land clearance and 

development is associated with reduced baseflows, especially during dry periods.  Hence, 

these landscape pressures magnify drought vulnerability and declines in water quality and 

aquatic habitat.  

4. Models that uncritically accept the plot‐level linkage of tree removal with reduced 

evapotranspiration baseflow can generate results that deviate dramatically from empirically 

observed results.  This should serve as a powerful caution to potential users of models 

regarding the importance (and possible inaccuracies) of underlying assumptions within 

model frameworks.  

172  

APPENDIX A 

DISCHARGE RATING CURVES 

 

The discharge rating curves presented in the following appendix correspond to discharge values presented in Chapter 4.   Data for sites unrepresented in this appendix (Nantahala River,  Cartoogechaye Creek, and Cullasaja River) were obtained directly as discharge values from the U.S. Geological Survey and did not require rating curve development.   

These rating curves were primarily developed from discharge measurements using the velocity‐area method in natural stream channels, with stream stage determined from continuous water level recorders instrumented on the stream cross‐section.  The black points represent all stage‐discharge points using this method.  Green points represent high stage flows modeled using Manning’s Equation.  Manning’s n was calculated from the highest measured discharge values, with cross‐sectional dimensions and channel slope determined by laser‐level survey.  In most cases, the green high flow point represents bankfull discharge, as determined by channel morphology.  Exceptions include entrenched or modified channels where bankfull stage could not be determined from channel morphology.  For these sites, an arbitrary high stage point was used.  Blue stage‐discharge points indicate discharge measurements using dye tracers during high flows on large streams, when conditions were unsafe for wading.   

The curve fit lines represent the equation used to convert stream stage values to discharge values.  These curves were developed using Bayesian power‐law curve fitting.  The R2 values for each graph correspond to the Bayesian fit.  In some cases, a multi‐segment rating curve was more appropriate than a simple curve.  Curve development was achieved using a program developed by Trond Reitan at the University of Oslo, Norway.  

The rating curve for Shope Fork was used solely to test the accuracy of the velocity‐area discharge method paired with the rating curve development, by comparison with the U.S. Forest Service weir immediately downstream from the stage recording and discharge measurement site.  The discharge values from the weir were used for the analyses presented in Chapter 4 and for model calibration in Chapter 5. 

173  

APPENDIX A: Discharge Rating Curves                                                                        page 2 of 7 

1. Buck Creek

Stage (m)0.4 0.6 0.8 1.0 1.2

Q (m

3 /s)

0.1

1

10

2. Roaring Fork

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8

0.01

0.1

1

4. Wayah Creek

Stage (m)0.4 0.6 0.8 1.0

Q (m

3 /s)

0.1

1

10

5. Poplar Cove

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7 0.8

0.1

1

10

6. Allison Creek

Stage (m)0.2 0.4 0.6 0.8 1.0

0.1

1

10

Q (m

3 /s)

7. Jones Creek

Stage (m)0.4 0.6 0.8 1.0

0.1

1

10

R2 = 0.955  R2 = 0.953

R2 = 0.964  R2 = 0.838

R2 = 0.953  R2 = 0.990

174  

APPENDIX A: Discharge Rating Curves                                                                      page 3 of 7 

8. Shope Fork

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8

0.1

1

10

14. North Fork Skeenah Creek

Stage (m)0.4 0.6 0.8 1.0 1.2 1.4

Q (m

3/s)

0.01

0.1

1

12. Blaine Branch

Stage (m)0.2 0.3 0.4 0.5 0.6

0.01

0.1

1

13. McDowell Branch

Stage (m)0.2 0.4 0.6 0.8

0.01

0.1

1

11. Crawford Branch

Stage (m)0.2 0.4 0.6 0.8 1.0 1.2

0.01

0.1

1

10. Iotla Creek

Stage (m)0.4 0.6 0.8 1.0 1.2

0.1

1

10

Q (m

3 /s)

Q (m

3/s)

R2 = 0.968  R2 = 0.981

R2 = 0.966  R2 = 0.889

R2 = 0.950  R2 = 0.994

175  

APPENDIX A: Discharge Rating Curves                                                                      page 4 of 7

17. Fulcher Branch

Stage (m)0.2 0.3 0.4 0.5

0.01

0.1

1

18.Cowee Creek

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8

0.1

1

10

19. Caler Fork

Stage (m)0.2 0.4 0.6 0.8

0.01

0.1

1

16. Bates Branch

Stage (m)0.4 0.6 0.8 1.0

0.01

0.1

1

15. South Fork Skeenah Creek

Stage (m)0.3 0.4 0.5 0.6 0.7

0.1

1

10

20. Watauga. Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7

0.1

1

10

Q (m

3/s)

Q (m

3/s)

Q (m

3/s)

R2 = 0.995  R2 = 0.973

R2 = 0.974  R2 = 0.950

R2 = 0.807  R2 = 0.997

176  

APPENDIX A: Discharge Rating Curves                                                                      page 5 of 7 

   

21. Rabbit Creek

Stage (m)0.4 0.5 0.6 0.7 0.8 0.9 1.0

0.1

1

25. Little Ellijay Creek

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8 0.9

0.1

1

24. Tathams Branch

Stage (m)0.30 0.35 0.40 0.45 0.50 0.55 0.60

0.01

0.1

1

22. Nickajack Creek

Stage (m)0.25 0.30 0.35 0.40 0.45 0.50 0.55

0.01

0.1

1

10

23. Savannah Creek

Stage (m)0.5 0.6 0.7 0.8 0.9

0.1

1

26. Little Savannah Creek

Stage (m)0.4 0.5 0.6 0.7 0.8 0.9 1.0

0.1

1

Q (m

3/s)

Q (m

3/s)

Q (m

3/s)

R2 = 0.972  R2 = 0.985

R2 = 0.992  R2 = 0.949

R2 = 0.945  R2 = 0.823

177  

APPENDIX A: Discharge Rating Curves                                                                      page 6 of 7 

 

30. Cope Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7 0.8

0.01

0.1

1

10

31. Cane Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7 0.8

0.1

1

29. Blanton Branch

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8 0.9

0.01

0.1

1

27b. Cullowhee Creek (after 1.10.08)

Stage (m)0.4 0.5 0.6 0.7 0.8

0.1

1

27a. Cullowhee Creek (to 1.10.08)

Stage (m)0.4 0.5 0.6 0.7 0.8

0.1

1

28. Buff Creek

Stage (m)0.1 0.2 0.3 0.4 0.5 0.6 0.7

0.01

0.1

1

Q (m

3/s)

Q (m

3 /s)

Q (m

3/s)

R2 = 0.989  R2 = 0.968

R2 = 0.855  R2 = 0.911

R2 = 0.829  R2 = 0.999

178  

APPENDIX A: Discharge Rating Curves                                                                      page 7 of 7 

34. Mud Creek

Stage (m)0.3 0.4 0.5 0.6 0.7 0.8

0.1

1

33. Darnell Creek

Stage (m)0.4 0.6 0.8 1.0

0.1

1

10

32. Wayehutta Creek

Stage (m)0.2 0.3 0.4 0.5 0.6 0.7

0.01

0.1

1

10

Q (m

3 /s)

Q (m

3/s)

R2 = 0.999  R2 = 0.963

R2 = 0.999 

179  

APPENDIX B 

HYDROGRAPHS 

  This appendix contains streamflow hydrographs from all sites included in analyses presented in Chapter 4.  For all sites except Nantahala River, Shope Fork, Cartoogechaye Creek, and Cullasaja River, the hydrographs were created by converting 10‐minute interval stage data to flow values using the rating curves presented in Appendix A.  The hydrographs for Nantahala River, Cartoogechaye Creek, and Cullasaja River represent 15‐minute interval flow data obtained from the U.S. Geological Survey.  The hydrograph for Shope Fork was developed from data obtained from the U.S. Forest Service Coweeta Hydrologic Laboratory.  

180  

2. Roaring Fork

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

1. Buck Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

Q (m

3 s-1)

0.01

0.1

1

10

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 2 of 19   

181  

3. Nantahala River

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.1

1

10

100

4. Wayah Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 3 of 19 

   

182  

5. Poplar Cove Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

6. Allison Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 4 of 19 

   

183  

7. Jones Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

8. Shope Fork

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 5 of 19 

   

184  

9. Cartoogechaye Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.1

1

10

100

10. Iotla Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 6 of 19 

   

185  

11. Crawford Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.01

0.1

1

12. Blaine Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 7 of 19 

   

186  

13. McDowell Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

14. North Fork Skeenah Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.0001

0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 8 of 19 

   

187  

15.South Fork Skeenah Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

16. Bates Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.01

0.1

1

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 9 of 19 

   

188  

17. Fulcher Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

18. Cowee Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 10 of 19 

   

189  

19. Caler Fork

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

20. Watauga Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 11 of 19 

   

190  

21. Rabbit Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

22. Nickajack Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 12 of 19 

   

191  

23. Savannah Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

24. Tathams Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.01

0.1

1

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 13 of 19 

   

192  

25. Little Ellijay Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

26. Little Savannah Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 14 of 19 

   

193  

27. Cullowhee Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.1

1

10

28. Buff Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 15 of 19 

   

194  

29. Blanton Branch

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

30. Cope Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 16 of 19 

   

195  

31. Cane Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

32. Wayehutta Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 17 of 19 

   

196  

33. Darnell Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.01

0.1

1

10

34. Mud Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09 0.001

0.01

0.1

1

10

Q (m

3 s-1)

Q (m

3 s-1)

APPENDIX B: Hydrographs                                                                                                                               page 18 of 19 

   

197  

35. Cullasaja Creek

7/1/07 8/1/07 9/1/07 10/1/07 11/1/07 12/1/07 1/1/08 2/1/08 3/1/08 4/1/08 5/1/08 6/1/08 7/1/08 8/1/08 9/1/08 10/1/08 11/1/08 12/1/08 1/1/09 2/1/09

0.1

1

10

100Q

(m3 s-1

)

APPENDIX B: Hydrographs                                                                                                                               page 19 of 19 

 

 

 

 

196  

APPENDIX C 

WETSPA PARAMETERIZATION AND FLOW ROUTING 

 

This appendix presents the mathematical  framework behind WetSpa parameterization and flow routing.  These equations are taken from the WetSpa user manual (Liu and De Smedt, 2004), which provides a more thorough explanation of the theory behind these equations.   

Section 1 presents the parameterization of the catchment water balance, which is used to partition precipitation and snowmelt into surface runoff, evapotranspiration, changes in soil storage, and changes in groundwater storage.  Section 2 presents the equations that are used to route water from pixel to pixel, both as overland flow among hillslope pixels and channel flow.  Section 3 contains the equations for determining flow response.  

 

 199 

 

 

   

200 

 

 

   

201 

 

 

   

202 

 

 

 

   

203 

 204