Understanding catchment response to rainfall events is important for accurate runoff estimation in many water-related applications, including water resources management. This study introduced a hybrid model, the Tank-least squared support vector machine (LSSVM), that incorporated intermediate state variables from a conceptual tank model within the least squared support vector machine (LSSVM) framework in order to describe aspects of the rainfall-runoff(RR) process. The efficacy of the Tank-LSSVM model was demonstrated with hydro-meteorological data measured
in the Yongdam Catchment between 2007 and 2016, South Korea. We first explored the role of satellite soil moisture (SM) data (i.e., European Space Agency (ESA) CCI) in the rainfall-runoff modeling. The results indicated that the SM states inferred from the ESA CCISWI provided an effective means of describing the temporal dynamics of SM. Further, the Tank-LSSVM model’s ability to simulate daily runoff was assessed by using goodness of fit measures (i.e., root mean square error, Nash Sutcliffe coefficient (NSE), and coefficient of determination). The Tank-LSSVM models’ NSE were all classified as “very good” based on their performance during the training and testing periods. Compared to individual LSSVM and Tank models, improved daily runoff simulations were seen in the proposed Tank-LSSVM model. In particular, low flow simulations demonstrated the improvement of the Tank-LSSVM model compared to the conventional tank model.