Abstract The objective of this study is to evaluate two satellite rainfall products Global Precipitation Measurement Integrated MultisatellitE Retrievals and Tropical Rainfall Measuring Mission 3B42V7 (GPM IMERG and TRMM 3B42V7) in southern Tibetan Plateau region, with special focus on the dependence of products' performance on topography and rainfall intensity. Over 500 in situ rain gauges constitute an unprecedentedly dense rain gauge network over this region and provide an exceptional resource for ground validation of satellite rainfall estimates. Our evaluation centers on the rainy season from May to October in 2014. Results indicate that (1) GPM product outperforms TRMM at all spatial scales and elevation ranges in detecting daily rainfall accumulation; (2) rainfall accumulation over the entire rainy season is negatively correlated with mean elevation for rain gauges and the two satellite rainfall products, while the performance of TRMM also significantly correlates with topographic variations; (3) in terms of the ability of rainfall detection, false alarming ratio of TRMM (21%) is larger than that of GPM (14%), while missing ratio of GPM (13%) is larger than that of TRMM (9%). GPM tends to underestimate the amount of light rain events of 0–1 mm/d, while the opposite (overestimation) is true for TRMM. GPM shows better detecting ability for light rainfall (0–5 mm/d) events but there is no detection skill for both GPM and TRMM at high‐elevation (>4500 m) regions. Our results not only highlight the superiority of GPM to TRMM in southern Tibetan Plateau region but also recommend that further improvement on the rainfall retrieval algorithm is needed by considering topographical influences for both GPM and TRMM rainfall products.

Abstract The Sustainable Development Goals (SDGs) of the United Nations Agenda 2030 represent an ambitious blueprint to reduce inequalities globally and achieve a sustainable future for all mankind. Meeting the SDGs for water requires an integrated approach to managing and allocating water resources, by involving all actors and stakeholders, and considering how water resources link different sectors of society. To date, water management practice is dominated by technocratic, scenario‐based approaches that may work well in the short term but can result in unintended consequences in the long term due to limited accounting of dynamic feedbacks between the natural, technical, and social dimensions of human‐water systems. The discipline of sociohydrology has an important role to play in informing policy by developing a generalizable understanding of phenomena that arise from interactions between water and human systems. To explain these phenomena, sociohydrology must address several scientific challenges to strengthen the field and broaden its scope. These include engagement with social scientists to accommodate social heterogeneity, power relations, trust, cultural beliefs, and cognitive biases, which strongly influence the way in which people alter, and adapt to, changing hydrological regimes. It also requires development of new methods to formulate and test alternative hypotheses for the explanation of emergent phenomena generated by feedbacks between water and society. Advancing sociohydrology in these ways therefore represents a major contribution toward meeting the targets set by the SDGs, the societal grand challenge of our time.

Risk management has reduced vulnerability to floods and droughts globally1,2, yet their impacts are still increasing3. An improved understanding of the causes of changing impacts is therefore needed, but has been hampered by a lack of empirical data4,5. On the basis of a global dataset of 45 pairs of events that occurred within the same area, we show that risk management generally reduces the impacts of floods and droughts but faces difficulties in reducing the impacts of unprecedented events of a magnitude not previously experienced. If the second event was much more hazardous than the first, its impact was almost always higher. This is because management was not designed to deal with such extreme events: for example, they exceeded the design levels of levees and reservoirs. In two success stories, the impact of the second, more hazardous, event was lower, as a result of improved risk management governance and high investment in integrated management. The observed difficulty of managing unprecedented events is alarming, given that more extreme hydrological events are projected owing to climate change3.

Sentiment analysis of news media articles is essential for understanding the dynamics of conflict and cooperation in transboundary rivers. However, it is not known which machine learning model(s) can best meet the requirement of sentiment analysis for transboundary rivers. This study presents a comparative examination of ten machine learning models commonly used in the field of text sentiment analysis, including K-Nearest Neighbors, Naive Bayes, Support Vector Machine, Decision Tree, Random Forest, Gradient Boosting Decision Tree, Extreme Gradient Boosting, Multilayer Perceptron, Long Short-Term Memory and Bidirectional Encoder Representations from Transformers, for five-class sentiment classification of 9382 news articles (1977–2022) attending to transboundary water conflict and cooperation. By evaluating their performance in terms of accuracy, precision, recall and F1-score, the Bidirectional Encoder Representations from Transformers (BERT) model demonstrated good overall performance and prediction capabilities for news articles with conflictive sentiments. By comparing with the AFINN sentiment dictionary, BERT showed superior performance in the prediction and identification of conflictive sentiment labels. And by validating against historical water events in the three river basins, BERT performed best in the Indus River basin. The findings of this study hold significant implications for government agencies in transboundary rivers, allowing them to promptly assess and respond to public sentiment, thereby preventing water conflict and promoting water cooperation.