Chao Phraya River Basin—a major river with unique characteristics located in Thailand. This study sought to simulate the flow rates in the Chao Phraya River Basin, which is a tidal river that poses challenges to traditional modeling approaches. The soil and water assessment tool (SWAT) is a hydrological model extensively employed for simulating flow rates. However, limitations arise in applying the SWAT model to the Chao Phraya River Basin due to its tidal nature, resulting in an unsatisfactory model performance. To address this, a long short-term memory (LSTM) model, i.e., the SWAT–LSTM model, was introduced to complement the SWAT model. The collaborative coupling of hydrological information derived from the SWAT and LSTM notably enhanced the model performance. This improvement was assessed using the Nash-Sutcliffe efficiency (NSE), demonstrating an increase from 0.13 to 0.72. The incorporation of topographic static data in the coupling model was also investigated to provide the basic characteristics of the basin to the model. The results yielded an NSE exceeding 0.79. The shoreline water level was identified as a crucial input feature for indicating tidal patterns. The findings highlight the effectiveness of coupling the SWAT with LSTM for predicting tidal river flow rates, implying their applicability in similar scenarios across different basins.

The rapid and efficient quantification of Escherichia coli concentrations is crucial for monitoring water quality. Remote sensing techniques and machine learning algorithms have been used to detect E. coli in water and estimate its concentrations. The application of these approaches, however, is challenged by limited sample availability and unbalanced water quality datasets. In this study, we estimated the E. coli concentration in an irrigation pond in Maryland, USA, during the summer season using demosaiced natural color (red, green, and blue: RGB) imagery in the visible and infrared spectral ranges, and a set of 14 water quality parameters. We did this by deploying four machine learning models–Random Forest (RF), Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGB), and K-nearest Neighbor (KNN)–under three data utilization scenarios: water quality parameters only, combined water quality and small unmanned aircraft system (sUAS)-based RGB data, and RGB data only. To select the training and test datasets, we applied two data-splitting methods: ordinary and quantile data splitting. These methods provided a constant splitting ratio in each decile of the E. coli concentration distribution. Quantile data splitting resulted in better model performance metrics and smaller differences between the metrics for both the training and testing datasets. When trained with quantile data splitting after hyperparameter optimization, models RF, GBM, and XGB had R2 values above 0.847 for the training dataset and above 0.689 for the test dataset. The combination of water quality and RGB imagery data resulted in a higher R2 value (> 0.896) for the test dataset. Shapley additive explanations (SHAP) of the relative importance of variables revealed that the visible blue spectrum intensity and water temperature were the most influential parameters in the RF model. Demosaiced RGB imagery served as a useful predictor of E. coli concentration in the studied irrigation pond