An Innovative Equivalent River Channel Method for Integrated Hydrologic–Hydrodynamic Modeling
Notice bibliographique
Résumé
Abstract. To address the lack of river cross-sectional data in hilly regions, this study proposes a novel method that transforms Muskingum parameters (K and X) into Conceptual Equivalent River Channel (CERC). By integrating linear or nonlinear Muskingum parameters with characteristic discharge, roughness, and other relevant inputs, this approach derives simplified yet hydraulically representative cross-sections. Two types of CERC models are introduced: single-layer and dual-layer. The single-layer CERC model includes rectangular, parabolic and triangular cross-sections, while the double-layer CERC builds upon these with an exponential shape. The proposed method was applied to two river reaches in China: the Chenggouwan–Linqing reach in the Haihe River Basin and the Huayuankou–Jiahetan reach in the Yellow River Basin. Using previously calibrated and validated Muskingum parameters, the resulting channel geometries were incorporated into a one-dimensional (1-D) hydrodynamic model. Results indicated that CERCs accurately replicated observed hydrographs, and the dual-layer approach improved performance in reaches with strong nonlinear characteristics. Furthermore, the model effectively captured changes in water level and flow velocity, confirming the suitability of CERC for hydrodynamic modeling. A sensitivity analysis examined the impact of variations in roughness (n) affected the Conceptual Equivalent River Channel Cross-sections (CERCXs) and discharge outcomes, demonstrating the robustness of the proposed method. While CERCs simplify the natural complexity of river channels, their parametric framework represents the channel’s storage capacity and allows flexible shape selection, enabling accurate simulations of water levels and flow velocities when adjusted to match measured cross-sections. This research provides a practical solution that bridges traditional hydrological and hydrodynamic routing methods in regions with limited data availability, especially in hilly areas.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».