A Numerical Model for Predicting River Meandering in Alluvial Landscape
Notice bibliographique
Résumé
Migration of rivers can tremendously impact both human lives and natural landscapes by supporting biodiversity, or by causing hazards such as flooding and landslides. This necessitates the development of reliable models that can predict such events and potentially help in flood risk management and land use planning over the long term. However, existing models often focus on isolated morphological indicators and lack quantitative validation using long-term remote sensing data. Furthermore, these models either focused on idealized or synthetic river geometries and never been applied or validated for rivers in Indian subcontinent. In this work, a numerical model is proposed to address the spatial and temporal evolution of migrating rivers in an alluvial landscape. The model integrates morphodynamic and hydrodynamic components to predict several important geomorphological features of a river such as centerline migration, change in river length, formation of neck cutoff zone, and sinuosity evolution across decadal timescales. The model is validated using the Landsat image data for two Indian rivers with different morphological behaviors: the Kosi River in northern India and the Manu River in the northeast. To the authors’ knowledge, this is the first comprehensive study that quantitively validates multidecadal river migration model against the satellite image data in the Indian subcontinent, addressing several gaps (both methodological and regional applicability) found in existing literature.
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 | 0,000 |
| 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 ».