Rainfall Runoff and Flood Plain Inundation Modeling of the Kharkai River, India using HEC-HMS and HEC-RAS
Notice bibliographique
Résumé
A rainfall-runoff model using Hydrologic Engineering Center–Hydrologic Modeling System (HEC-HMS) was carried out for the Kharkai River of Subarnarekha Basin, India to determine the magnitude of runoff from a known quantity of rainfall and the terrain inundation. In the present study, for the calibration and validation, the rainfall events of October 1–20, 2017 and July 12–31, 2019 were used. In the process of calibration, the computed discharge was found to be 1,674 cumecs against the observed discharge of 1,820 cumecs, with a Nash-Sutcliffe efficiency of 91.78%. Whereas in the process of validation, the computed discharge was found to be 3,266 cumecs against the observed discharge of 3,589 cumecs, and a Nash-Sutcliffe efficiency of 91.02%. Furthermore, to generate various inundation maps of the Kharkai River, an SRTM-DEM of 30 m x 30 m resolution, and a 30 m resolution DEM was used in the simulation process. The results of the inundation study showed that the 5, 20, 50, 100, and 500-year return period floods determined using Gumbel’s method are 3,647.791 m3/s, 5,797.717 m3/s, 7,160.188 m3/s, 8,181.168 m3/s, and 10,540.5 m3/s, respectively, and the corresponding inundation areas were 20.98 km2, 33.65 km2, 39.89 km2, 44.07 km2, and 56.65 km2, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».