The Surface Water Ocean Topography (SWOT) satellite mission expected to launch in 2021 will offer a unique opportunity to map river discharge at an unprecedented spatial resolution globally from observations of water surface elevation, width, and slope. Because river discharge will not be directly observed from SWOT, a number of algorithms of varying complexity have been developed to estimate discharge from SWOT observables. Outstanding issues include the lack of accurate prior information and parameter equifinality. We developed a new data assimilation discharge algorithm that aimed to overcome these limitations by integrating a data‐driven approach to estimate priors with a model informed by hydraulic geometry relations. A comprehensive simulated dataset of 18 rivers was used to evaluate the algorithm and four different configurations (rectangular channel, generic channel, and geomorphologically classified channel with and without regularization) to assess the impact of progressively adding hydraulic geometry constraints to the estimation problem. The algorithm with the full set of constraints outperformed the other configurations with median Nash‐Sutcliffe coefficients of 0.77, compared with −0.46, 0.31 and 0.66, while other error metrics showed similar improvement. Results from this study show the promise of this hybrid data‐driven approach to estimating river discharge from SWOT observations, although a number of enhancements need to be tested to improve the operational applicability of the algorithm.

中文翻译：

---

用水力几何关系约束SWOT观测的同化

预计将于2021年发射的地表水海洋地形（SWOT）卫星任务将提供一个独特的机会，通过对水面高程，宽度和坡度的观测，以前所未有的空间分辨率绘制河流流量图。由于不会直接从SWOT观测到河流流量，因此已经开发了许多复杂程度不同的算法来估算SWOT可观测量的流量。突出的问题包括缺乏准确的先验信息和参数相等性。我们开发了一种新的数据同化排放算法，旨在通过将数据驱动的方法与通过液压几何关系告知的模型进行先验估计相集成，从而克服这些限制。一个由18条河流组成的综合模拟数据集用于评估算法和四种不同配置（矩形河道，通用河道和有正则化和无正则化的地貌分类河道），以评估将水力几何约束逐步添加至估算问题的影响。具有全套约束的算法优于其他配置，中值Nash-Sutcliffe系数为0.77，而−0.46、0.31和0.66，而其他误差指标也显示出类似的改进。这项研究的结果表明，这种混合数据驱动方法有望通过SWOT观测值估算河流流量，尽管还需要测试许多增强功能以​​提高算法的可操作性。以及具有和不具有正则化功能的地貌分类通道），以评估将水力几何约束逐步添加至估算问题的影响。具有全套约束的算法优于其他配置，中值Nash-Sutcliffe系数为0.77，而−0.46、0.31和0.66，而其他误差指标也显示出类似的改进。这项研究的结果表明，这种混合数据驱动方法有望从SWOT观测值估算河流流量，尽管还需要测试许多增强功能以​​提高算法的可操作性。以及具有和不具有正则化功能的地貌分类通道），以评估将水力几何约束逐步添加至估算问题的影响。具有全套约束的算法优于其他配置，中值Nash-Sutcliffe系数为0.77，而−0.46、0.31和0.66，而其他误差指标也显示出类似的改进。这项研究的结果表明，这种混合数据驱动方法有望从SWOT观测值估算河流流量，尽管还需要测试许多增强功能以​​提高算法的可操作性。具有全套约束的算法优于其他配置，中值Nash-Sutcliffe系数为0.77，而−0.46、0.31和0.66，而其他误差指标也显示出类似的改进。这项研究的结果表明，这种混合数据驱动方法有望通过SWOT观测值估算河流流量，尽管还需要测试许多增强功能以​​提高算法的可操作性。具有全套约束条件的算法优于其他配置，中值Nash-Sutcliffe系数为0.77，而−0.46、0.31和0.66，而其他误差指标也显示出类似的改进。这项研究的结果表明，这种混合数据驱动方法有望从SWOT观测值估算河流流量，尽管还需要测试许多增强功能以​​提高算法的可操作性。