Estimating river discharge (Q) is critical for ecosystems and water resource management.
Traditionally, estimating Q has depended on a single rating curve or the Manning equation.
In contrast to the single rating curve, several rating curves at different locations have been linearly
combined in an ensemble learning regression method to estimate Q (ELQ) at the Brazzaville
gauge station in the central Congo River in a previous study. In this study, we further tested
the proposed ELQ and apply it to the Lower Mekong River Basin (LMRB) with three locations:
Stung Treng, Kratie, and Tan Chau. Two major advancements for estimating Q with ELQ are
presented. First, ELQ successfully estimated Q at Tan Chau, downstream of Kratie, where
hydrodynamic complexities exist. Since the hydrologic characteristics downstream of Kratie are
extremely diverse and complex in time and space, most previous studies have estimated Q only
upstream from Kratie with hydrologic models and statistical methods. Second, we estimated Q
over the LMRB using ELQ with water levels (H) obtained from two radar altimetry missions,
Envisat and Jason-2, which made it possible to estimate Q seamlessly from 2003 to 2016. Owing
to ELQ with multi-mission radar altimetry data, we have overcome the problems of a single
rating curve: Locations for estimating Q have to be close to virtual stations, e.g., a few tens of
kilometers, because the performance of the single rating curve degrades as the distance between
the location of Q estimation and a virtual station increases. Therefore, most previous studies had
not used Jason-2 data whose cross-track interval is about 315 km at the equator. On the contrary,
several H obtained from Jason-2 altimetry were used in this study regardless of distances from
in-situ Q stations since the ELQ method compensates for degradation in the performance for
Q estimation due to the poor rating curve with virtual stations away from in-situ Q stations.
In general, the ELQ-estimated Q (?QELQ) showed more accurate results compared to those obtained
from a single rating curve. In the case of Tan Chau, the root mean square error (RMSE) of ?QELQ
decreased by 1504/1338 m3/s using Envisat-derived H for the training/validation datasets. We
successfully applied ELQ to the LMRB, which is one of the most complex basins to estimate Q
with multi-mission radar altimetry data. Furthermore, our method can be used to obtain finer
temporal resolution and enhance the performance of Q estimation with the current altimetry
missions, such as Sentinel-3A/B and Jason-3.