In our intelligent society, water resources are being managed using vast amounts ofhydrological data collected through telemetric devices. Recently, advanced data quality controltechnologies for data refinement based on hydrological observation history, such as big data andartificial intelligence, have been studied. However, these are impractical due to insufficient verificationand implementation periods. In this study, a process to accurately identify missing andfalse-reading data was developed to efficiently validate hydrological data by combining variousconventional validation methods. Here, false-reading data were reclassified into suspected andconfirmed groups by combining the results of individual validation methods. Furthermore, anintegrated quality control process that links data validation and reconstruction was developed. Inparticular, an iterative quality control feedback process was proposed to achieve highly reliable dataquality, which was applied to precipitation and water level stations in the Daecheong Dam Basin,South Korea. The case study revealed that the proposed approach can improve the quality controlprocedure of hydrological database and possibly be implemented in practice.