Giới thiệu một số phương pháp tính toán lưu lượng dòng chảy cho lưu vực thiếu hoặc không có số liệu quan trắc mặt đất

1. Xuân T.T. Đặc điểm thủy văn và nguồn nước sông Việt Nam. Nhà xuất bản Nông Nghiệp, 2007.

2. Thủ tướng Chính phủ. Quyết định số 90/QĐ–TTg của Thủ tướng Chính phủ: Về việc phê duyệt Quy hoạch mạng lưới quan trắc tài nguyên và môi trường quốc gia giai đoạn 2016–2025, tầm nhìn đến năm 2030.

3, Vụ quản lý mạng lưới khí tượng thủy văn. Báo cáo: Hiện trạng mạng lưới quan trắc khí tượng thủy văn và danh mục hiện trạng chủng loại máy, thiết bị đang sử dụng trên mạng lưới trạm khí tượng thủy văn tính đến ngày 01/9/2019. Tổng cục Khí tưọng thủy văn.

4. Heggli, M.; Thanh, N.D.; Duc, T.Q.; Hung, N.Q.; Huong, P.T. System Integration and Technical Assistance for Strengthening of Weather Forecasting and Early Warning Systems in Vietnam ( C2–DV1 ) D–3 : status of hydro–met observation and communication networks and recommendations for improvement, 2015.

5. Bộ Nông Nghiệp và Phát Triển Nông Thôn. Qui phạm tính toán đặc trưng thủy văn thiết kế QP.TL.C–6–77, 1977.

6. Bộ Khoa Học và Công Nghệ. Tính toán các đặc trưng dòng chảy lũ – TCVN 9845:2013, 2013.

7. Sơn, N.T. Tính toán thủy văn. Nhà xuất bản Đại học Quốc gia Hà Nội, 2003.

8. Giang, N.T.; Hoan, N.T. Xây dựng mô hình mưa – dòng chảy để khôi phục số liệu dòng chảy tại An Khê trên lưu vực sông Ba. Tạp Chí Khoa Học ĐHQGHN, Khoa Học Tự Nhiên và Công Nghệ 2012, 28(3S), 30–38.

9. Long, V.Đ., Anh, T.N., Bình, H.T.; Khá, Đ.Đ. Giới thiệu công nghệ dự báo lũ hệ thống sông Bến Hải và Thạch Hãn sử dụng mô hình MIKE 11. Tạp Chí Khoa Học ĐHQG, Khoa Học Tự Nhiên và Công Nghệ 2010, 26, 397–404.

10. Merz, R.; Blöschl, G. Regionalisation of catchment model parameters. J. Hydrol. 2004, 287, 95–123. https://doi.org/10.1016/j.jhydrol.2003.09.028

11. Sefton, C.E.; Howarth, S. Relationships between dynamic response characteristics and physical descriptors of catchments in England and Wales. J. Hydrol. 1998, 211, 1–16. https://doi.org/10.1016/S0022-1694(98)00163-2.

12. Seibert, J. Regionalisation of parameters for a conceptual rainfall–runoff model. Agric. For. Meteorol. 1999, 98–99, 279–93. https://doi.org/10.1016/S0168-1923(99)00105-7.

13. Kent, K.M. A method for estimating volume and rate of runoff in small watersheds. Scs Tp–149, 1973, pp. 64.

14. USACE. Flood Runoff Analysis. Em 1110–2–1417, 1994, pp. 214.

15. Châu, N.L.; Mai, Đ.T.; Phương, T.T. Các bài toán trong ứng dụng mô hình thủy văn MARINE để mô phỏng và dự báo lũ sông Đà. Tạp Chí Khí Tượng Thủy Văn 2005, 539, 1–12.

16. Thục, T. Xây dựng công nghệ tính toán dự báo lũ lớn hệ thống sông Hồng– Thái Bình, Báo cáo tổng kết đề tài, Hà Nội, 2011.

17. Phung, N.K.; An, L.T.T. Apply swat model to assess the impact of climate change on the flow of the Dong Nai river basin. J. Water Resour. Sci.Technol. 2012, 12, 96–101.

18. Dũng, N.K. Ứng dụng mô hình swat tính toán dòng chảy và bùn cát lưu vực sông Sê San. Tạp chí Khí tượng Thủy văn 2015, 470, 47–50.

19. Sơn, N.T.; Anh, T.N.; Khá, Đ.Đ.; Tiến, N.X.; Thìn, L.V. Thử nghiệm đánh giá tác động của Biến đổi khí hậu đến ngập lụt khu vực hạ lưu sông Lam. Tạp chí Khí tượng Thủy văn 2014, 645, 13–20.

20. Anh, L.T.; Anh, T.N.; Đạt, T.V.; Giang, N.T.; Hưng, N.Q.; Khá, Đ.Đ. et al. Bản đồ ngập lụt và bản đồ đánh giá mức độ tổn thương do lũ các lưu vực sông: Lam, Bến Hải – Thạch Hãn và Thu Bồn. Nhà xuất bản Khoa học và Kỹ Thuật, Hà Nội, 2015.

21. Anh, T.N. Xây dựng bản đồ ngập lụt hạ lưu các sông Bến Hải và Thạch Hãn, tỉnh Quảng Trị. Tạp Chí Khoa Học Đại Học Quốc Gia Hà Nội, Khoa Học Tự Nhiên và Công Nghệ 2011, 27, 1–8.

22. An, N.L.; Bích, T. Nghiên cứu dự báo dòng chảy lũ đến hồ chứa trên lưu vực sông Ba. Tạp chí Khoa Học Kỹ Thuật Thủy Lợi và Môi Trường 2012, 8, 9–16.

23. Hương, H.T.L.; Hiển, N.X.; Thủy, N.T.; Hằng, V.T.; Công, N.T. Đánh giá rủi ro thiên tai do lũ lụt khu vực Trung Trung Bộ. Tạp Chí Khí Tượng Thủy Văn 2020, 717, 13–26. https://doi.org/10.36335/vnjhm.2020(717).1-10

24. Vandewiele, G.L; Elias, A. Monthly water balance of ungauged catchments obtained by geographical regionalization. J. Hydrol. 1995, 170, 277–91. https://doi.org/10.1016/0022-1694(95)02681-E.

25. Parajka, J.; Merz, R.; Blöschl, G. A comparison of regionalisation methods for catchment model parameters. Hydrol. Earth Syst. Sci. 2005, 9, 157–171. https://doi.org/10.5194/hess-9-157-2005.

26. Merz, R.; Blöschl, G.; Parajka, J. Regionalization methods in rainfall–runoff modelling using large catchment samples. IAHS–AISH Pub. 2006, 117–125.

27. Blöschl, G.; Sivapalan, M. Runoff Prediction in Ungauged Basins. J. Chem. Inf. Model. 2013. https://doi.org/10.1017/CBO9781107415324.004.

28. Lai, N.V.; Hưng, N.V. Mô hình bể chứa tuyến tính (Ltank–Linear Tank) và khả năng ứng dụng ở Việt Nam. Khoa Học Kỹ Thuật Thủy Lợi và Môi Trường, 2006.

29. Nguyen, T.S.; Luong, T.A.; Luong H.D.; Tran, H.T. A finite element one–dimensional kinematic wave rainfall–runoff model. Pac. Sci. Rev. A: Nat. Sci. Eng. 2016, 18, 233–240. https://doi.org/10.1016/j.psra.2016.11.001

30. Yu, D.; Xie, P., Dong, X., Hu, X.; Liu, J., Li, Y. et al. Improvement of the SWAT model for event–based flood simulation on a sub–daily timescale. Hydrol. Earth Syst. Sci. 2018, 22, 5001–5019. https://doi.org/10.5194/hess-22-5001-2018.

31. Dang, K.; Nhu, N.; Anh, T. An Approach for Flow Forecasting in Ungauged Catchments – A Case Study for Ho Ho reservoir catchment, Ngan Sau River, Central Vietnam. J. Ecol. Eng. 2018, 19, 74–79. https://doi.org/10.12911/22998993/85759.

32. Sokolova, D.; Kuzmin, V.; Batyrov, A.; Pivovarova, I.; Tran, N.A.; Dang, D.K. et al. Use of MLCM3 software for flash flood modeling and forecasting. J. Ecol. Eng. 2018, 19, 177–185. https://doi.org/10.12911/22998993/79419.

33. Kuzmin, V.; Seo, D.J.; Koren, V. Fast and efficient optimization of hydrologic model parameters using a priori estimates and stepwise line search. J. Hydrol. 2008, 353, 109–128. https://doi.org/10.1016/j.jhydrol.2008.02.001.

34. Kuzmin, V.; Pivovarova, I.; Shemanaev, K.; Sokolova, D.; Batyrov, A.; Tran, N.A. et al. Method of prediction of the stream flows in poorly gauged and ungauged basins, J. Ecol. Eng. 2019, 20, 180–187. https://doi.org/10.12911/22998993/94915.

35. Cường, H.V. Tiếp thu công nghệ tính toán mưa, lũ lớn cho các lưu vực sông liên Quốc gia trong điều kiện hạn chế hoặc không có dữ liệu đo đạc – Áp dụng thử nghiệm cho lưu vực sông Đà – Thao (Bao gồm cả phần lưu vực thuộc lãnh thổ Trung Quốc, Phòng thí nghiệm trọng điểm quốc gia về động lực học sông biển, Hà Nội, 2019.

36.  Cường H.V. Nghiên cứu ứng dụng phương pháp tính toán khôi phục số liệu dòng chảy cho lưu vực sông, Phòng thí nghiệm trọng điểm quốc gia về động lực học sông biển, Hà Nội, 2021.

37. Hưng, N.Q.; Hương, H.T.L. Nghiên cứu đánh giá khả năng ứng dụng mô hình liên kết khí tượng thủy văn trong dự báo thủy văn. Tạp Chí Khoa Học Biến Đổi Khí Hậu 2021, 17, 1–11. https://doi.org/10.15625/vap.2019000287.

38. Chanh, B.V.; Anh, T.N. Tích hợp bộ mô hình dự báo thủy văn lưu vực sông Trà Khúc, Tạp Chí Khoa Học ĐHQG, Khoa Học Trái Đất và Môi Trường 2016, 32, 20–25.

39. Chanh, B.V.; Anh, T.N.; Trường, N.H. Khôi phục số liệu lưu vực sông Cái Phan Rang bằng phương pháp tích hợp các mô hình. Tạp Chí Khí Tượng Thủy Văn 2016, 668, 39–44.

40. Chanh, B.V.; Anh, T.N. Thử nghiệm tích hợp mô hình MARINE và mô hình sóng động học một chiều trên lưu vực sông Cái Nha Trang. Tạp Chí Khoa Học Biến Đổi Khí Hậu 2020, 14, 45–55.

41. DHI and HDR. Nghiên cứu tác động của các công trình thủy điện trên dòng chính sông Mê Công, Bộ Tài nguyên và Môi trường, 2015.

42. Đức, N.A. Nghiên cứu phân bố dòng chảy tại lưu vực sông Mê Công trong điều kiện phát triển sử dụng nước tưới của các quốc gia lưu vực sông Mê Công phục vụ cho công tác đàm phán của Việt Nam về chia sẻ nguồn nước trong thực hiện hiệp định Mê Công 1995 và công ước 1997 của Liên hiếp quốc, Bộ Tài nguyên và Môi trường, Hà Nội, 2019.

43. Mosavi, A.; Rabczuk, T.; Varkonyi–Koczy, A.R. Reviewing the novel machine learning tools for materials design. Advances in Intelligent Systems and Computing, 2018, 660, 50–8. https://doi.org/10.1007/978-3-319-67459-9_7.

44. Prakash, O.; Sudheer, K.P.; Srinivasan, K. Improved higher lead time river flow forecasts using sequential neural network with error updating. J. Hydrol. Hydromech. 2014, 62, 60–74. https://doi.org/10.2478/johh-2014-0010.

45. Desai, S.; Ouarda, T.B.M.J. Regional hydrological frequency analysis at ungauged sites with random forest regression. J. Hydrol. 2021, 594, 125861. https://doi.org/10.1016/j.jhydrol.2020.125861.

46. Yu, P.S.; Yang, T.C.; Chen, S.Y.; Kuo, C.M.; Tseng, H.W. Comparison of random forests and support vector machine for real–time radar–derived rainfall forecasting, J. Hydrol. 2017, 552, 92–104. https://doi.org/10.1016/j.jhydrol.2017.06.020.

47. Nourani, V.; Hosseini Baghanam, A.; Adamowski, J.; Kisi, O. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. J. Hydrol. 2014, 514, 358–377. https://doi.org/10.1016/j.jhydrol.2014.03.057.

48. Zadeh, M.R.;  Amin, S.; Khalili, D.; Singh, V.P. Daily Outflow Prediction by Multi Layer Perceptron with Logistic Sigmoid and Tangent Sigmoid Activation Functions. Water Resour. Manage. 2010, 24, 2673–2688. https://doi.org/10.1007/s11269-009-9573-4.

49. Hochreiter, S.; Schmidhuber, J. Long Short–Term Memory. Neural Comput. 1997, 9, 1735–1780.

50. Cho, K.; Van Merriënboer, B.; Gulcehre, C.; Bahdanau, D.; Bougares, F.; Schwenk H. et al. Learning phrase representations using RNN encoder–decoder for statistical machine translation, EMNLP 2014–2014 Conference on Empirical Methods in Natural Language Processing. Proceedings of the Conference, 2014, 1724–1734. https://doi.org/10.3115/v1/d14-1179.

51. Le, X.; Nguyen, D.; Jung, S.; Yeon, M.; Lee, G. Comparison of Deep Learning Techniques for River Streamflow Forecasting. IEEE Access 2021, 9, 71805–71820. https://doi.org/10.1109/ACCESS.2021.3077703.

52. Kratzert, F.; Klotz, D.; Herrnegger, M.; Sampson, A.K.; Hochreiter, S.; Nearing, G.S. Toward Improved Predictions in Ungauged Basins: Exploiting the Power of Machine Learning. Water Resour. Res. 2019, 55, 11344–11354. https://doi.org/10.1029/2019WR026065.

53. Wu, C.L.; Chau, K.W. Data–driven models for monthly streamflow time series prediction. Eng. Appl. Artif. Intell. 2010, 23, 1350–1367. https://doi.org/10.1016/j.engappai.2010.04.003.

54. Rumelhart, D.E.; Hintont, G.E. Learning Representations by Back–Propagating Errors. Cognit. Model. 2019, 3–6. https://doi.org/10.7551/mitpress/1888.003.0013.

55. Riad, S.; Mania, J.; Bouchaou, L.; Najjar, Y. Rainfall–runoff model usingan artificial neural network approach. Math. Comput. Modell. 2004, 40, 839–846. https://doi.org/10.1016/j.mcm.2004.10.012.

56. Senthil Kumar, A.R.; Sudheer, K.P.; Jain, S.K.; Agarwal, P.K. Rainfall–runoff modelling using artificial neural networks: Comparison of network types. Hydrol. Processes 2005, 19, 1277–1291. https://doi.org/10.1002/hyp.5581.

57. Le, X.H.; Ho, H.V.; Lee, G.; Jung, S. Application of Long Short–Term Memory (LSTM) neural network for flood forecasting. Water 2019, 11(7), 1387.

58. Tarpanelli, A.; Barbetta, S.; Brocca, L.; Moramarco, T. River discharge estimation by using altimetry data and simplified flood routing modeling. Remote Sen. 2013, 5, 4145–4162. https://doi.org/10.3390/rs5094145.

59. Phương, N.A.; Hải, C.H.; Cường, T.M.; Như, T.Q.; Anh, P.N.; Linh, B.H. Nghiên cứu ứng dụng một số công nghệ viễn thám trong giám sát, dự báo tài nguyên nước, In: Tổng cục Khí tượng thủy văn, editor. Tài Liệu Hội Thảo Khoa Học Chào Mừng 75 Năm Ngày Truyền Thống Ngành Khí Tượng Thủy Văn Việt Nam, 2020, pp. 107–117.

60. Yoon, Y.; Durand, M.; Merry, C.J.; Clark, E.A.; Andreadis, K.M.; Alsdorf, D.E. Estimating river bathymetry from data assimilation of synthetic SWOT measurements. J. Hydrol. 2012, 464–465, 363–375.

61. Durand, M.; Andreadis, K.M.; Alsdorf, D.E.; Lettenmaier, D.P.; Moller, D.; Wilson M. Estimation of bathymetric depth and slope from data assimilation of swath altimetry into a hydrodynamic model. Geophys. Res. Lett. 2008, 35, 1–5. https://doi.org/10.1029/2008GL034150.

62. Thiemig, V.; Rojas, R.; Zambrano–Bigiarini, M.; De Roo, A. Hydrological evaluation of satellite–based rainfall estimates over the Volta and Baro–Akobo Basin. J. Hydrol. 2013, 499, 324–38. https://doi.org/10.1016/j.jhydrol.2013.07.012.

63. Bárdossy, A.; Das, T. Influence of rainfall observation network on model calibration and application. Hydrol. Earth Syst. Sci. 2008, 12, 77–89. https://doi.org/10.5194/hess-12-77-2008.

64. Kidd, C.; Becker, A.; Huffman, G.J.; Muller, C.L.; Joe, P.; Skofronick–Jackson, G. et al.  So, how much of the Earth’s surface is covered by rain gauges?. Bull. Am. Meteorol. Soc. 2017, 98, 69–78. https://doi.org/10.1175/BAMS-D-14-00283.1.

65. Harrison, L.; Funk, C.; Peterson, P. Identifying changing precipitation extremes in Sub–Saharan Africa with gauge and satellite products. Environ. Res. Lett. IOP Publishing 2019, 14. https://doi.org/10.1088/1748-9326/ab2cae.

66. Barrett, E.C. Rainfall evaluation by remote sensing: problems and prospects. Hydrological Applications of Remote Sensing and Remote Data Transmission. IAHS Publ. 1985, 247–258.

67. Serrat–Capdevila, A.; Valdes, J.B.; Stakhiv, E.Z. Water management applications for satellite precipitation products: Synthesis and recommendations. JAWRA J. Am. Water Resour. Assoc. 2014, 50, 509–525. https://doi.org/10.1111/jawr.12140.

68. Sheffield, J.; Wood, E.F.; Pan, M.; Beck, H.; Coccia, G.; Serrat–Capdevila A. et al. , Satellite Remote Sensing for Water Resources Management: Potential for Supporting Sustainable Development in Data–Poor Regions. Water Resour. Res. 2018, 54, 9724–9758. https://doi.org/10.1029/2017WR022437.

69. Hrachowitz, M.; Savenije, H.H.G.; Blöschl, G.; McDonnell, J.J.; Sivapalan, M.; Pomeroy, J.W. et al. A decade of Predictions in Ungauged Basins (PUB)–a review. Hydrol. Sci. J. Taylor & Francis 2013, 58, 1198–1255. https://doi.org/10.1080/02626667.2013.803183.

70. Schneider, U.; Becker, A.; Finger, P.; Meyer–Christoffer, A.; Ziese, M.; Rudolf, B. GPCC’s new land surface precipitation climatology based on quality–controlled in situ data and its role in quantifying the global water cycle. Theor. Appl. Climatol. 2014, 115, 15–40. https://doi.org/10.1007/s00704-013-0860-x.

71. Yatagai, A.; Kamiguchi, K.; Arakawa, O.; Hamada, A.; Yasutomi, N.; Kitoh, A. APHRODITE: Constructing a Long–Term Daily Gridded Precipitation Dataset for Asia Based on a Dense Network of Rain Gauges. Bull. Am. Meteorol. Soc. 2012, 93, 1401–1415. https://doi.org/10.1175/BAMS-D-11-00122.1.

72. Ebert, E.E.; Janowiak, J.E.; Kidd, C. Comparison of Near–Real–Time Precipitation Estimates from Satellite Observations and Numerical Models. Bull. Am. Meteorol. Soc. 2007, 88, 47–64. https://doi.org/10.1175/BAMS-88-1-47.

73. Ushio, T.; Sasashige, K.; Kubota, T.; Shige, S.; Okamoto, K.; Aonashi, K. et al. A kalman filter approach to the global satellite mapping of precipitation (GSMaP) from combined passive microwave and infrared radiometric data. J. Meteorolog. Soc. Jpn. 2009, 87(A), 137–151. https://doi.org/10.2151/jmsj.87A.137.

74. Mega, T.; Ushio, T.; Kubota, T., Kachi, M.; Aonashi K.; Shige, S. Gage adjusted global satellite mapping of precipitation (gsmap_gauge), 2008, pp. 1–4.

75. Sorooshian, S.; AghaKouchak, A.; Arkin, P.; Eylander, J.; Foufoula–Georgiou, E.; Harmon, R. et al. Advanced Concepts on Remote Sensing of Precipitation at Multiple Scales. Bull. Am. Meteorol. Soc. 2011, 92, 1353–1370. https://doi.org/10.1175/2011BAMS3158.1.

76. Tang, T.; Shindell, D.; Faluvegi, G.; Myhre, G.; Olivié, D.; Voulgarakis, A. et al. , Comparison of Effective Radiative Forcing Calculations Using Multiple Methods, Drivers, and Models. J. Geophys. Res.: Atmos. 2019, 124, 4382–4394. https://doi.org/10.1029/2018JD030188.

77. Tapiador, F.J.; Turk, F.J.; Petersen, W.; Hou, A.Y.; García–Ortega, E.; Machado L.A.T. et al. Global precipitation measurement: Methods, datasets and applications, Atmos. Res. 2012, 104–105, 70–97. https://doi.org/10.1016/j.atmosres.2011.10.021.

78. Sun, Q.; Miao, C.; Duan, Q.; Ashouri, H.; Sorooshian, S.; Hsu, K.L. A Review of Global Precipitation Data Sets: Data Sources, Estimation, and Intercomparisons. Rev. Geophys. 2018, 56, 79–107. https://doi.org/10.1002/2017RG000574.

79. Dinh, K.D.; Anh, T.N.; Nguyen, N.Y.; Bui, D.D.; Srinivasan, R. Evaluation of Grid–Based Rainfall Products and Water Balances over the Mekong River Basin. Remote Sens. 2020, 12, 1858. https://doi.org/10.3390/rs12111858.

80. Kha, D.D.; Nhu, N.Y.; Long, V.V.; Van, D.T.H. Utility of GSMap precipitation and point scale in gauge measurements for stream flow modelling – A case study in lam river basin. VN J. Ecol. Eng. 2020, 21, 39–45. https://doi.org/10.12911/22998993/116350.

81. Seibert, J.; McDonnell, J.J. On the dialog between experimentalist and modeler in catchment hydrology: Use of soft data for multicriteria model calibration. Water Resour. Res. 2002, 38, 23-1-23-14. https://doi.org/10.1029/2001WR000978.

82. Zhang, Y.; Chiew, F.H.S.; Zhang, L.; Li, H. Use of Remotely Sensed Actual Evapotranspiration to Improve Rainfall–Runoff Modeling in Southeast Australia. J. Hydrometeorol. 2009, 10, 969–980. https://doi.org/10.1175/2009JHM1061.1.

83. Parajka, J.; Blöschl, G. Validation of MODIS snow cover images over Austria. Hydrol. Earth Syst. Sci. 2006, 10, 679–689. https://doi.org/10.5194/hess-10-679-2006.

84. Mohamed, Y.A.; Savenije, H.H.G.; Bastiaanssen, W.G.M.; van den Hurk, B.J.J.M.  New lessons on the Sudd hydrology learned from remote sensing and climate modeling. Hydrol. Earth Syst. Sci. 2006, 10, 507–518. https://doi.org/10.5194/hess-10-507-2006.

85. Thị, N.; Huyền, T. Ứng dụng ảnh viễn thám kết hợp mô hình thủy văn trong nghiên cứu dòng chảy lũ lưu vực sông Vệ tỉnh Quảng Ngãi. Bản B của Tạp Chí Khoa học Và Công nghệ Việt Nam 2018, 60, 44–49.

86. Milzow, C.; Krogh, P.E.; Bauer–Gottwein, P. Combining satellite radar altimetry, SAR surface soil moisture and GRACE total storage changes for hydrological model calibration in a large poorly gauged catchment. Hydrol. Earth Syst. Sci. 2011, 15, 1729–1743. https://doi.org/10.5194/hess-15-1729-2011.

87. Pereira–Cardenal, S.J.; Riegels, N.D.; Berry, P.A.M.; Smith, R.G.; Yakovlev, A.; Siegfried, T.U. et al. Real–time remote sensing driven river basin modeling using radar altimetry. Hydrol. Earth Syst. Sci. 2011, 15, 241–254. https://doi.org/10.5194/hess-15-241-2011.

88. Domeneghetti, A.; Tarpanelli, A.; Brocca, L.; Barbetta, S.; Moramarco, T.; Castellarin, A. et al. The use of remote sensing–derived water surface data for hydraulic model calibration. Remote Sens. Environ. 2014, 149, 130–141. https://doi.org/10.1016/j.rse.2014.04.007.

89. Getirana, A.C.V. Integrating spatial altimetry data into the automatic calibration of hydrological models, J. Hydrol. 2010, 244–255. https://doi.org/10.1016/j.jhydrol.2010.04.013.

90. Zakharova, E.A.; Kouraev, A.V.; Cazenave, A.; Seyler, F. Estimation du débit de l’Amazone à partir de donnèes altimétriques du satellite Topex/Poséidon. Comptes Rendus Geosci. 2006, 338, 188–196. https://doi.org/10.1016/j.crte.2005.10.003.

91. Leon, J.G.; Calmant, S.; Seyler, F.; Bonnet, M.P.; Cauhopé, M.; Frappart, F. et al. Rating curves and estimation of average water depth at the upper Negro River based on satellite altimeter data and modeled discharges. J. Hydrol. 2006, 328, 481–496. https://doi.org/10.1016/j.jhydrol.2005.12.006.