자료 동화를 사용하면 모델의 상태 변수를 업데이트하여 유역의 초기 상태를 Open-Loop 시뮬레이션보다 더 정확하게 나타낼 수 있다. 수문 분야에서 자료 동화는 종종 예보를 위한 전제 조건이다. 기계학습은 입력과 출력 사이의 모든 비선형 관계를 학습할 수 있다. 본 연구에서 기계학습은 수문 모델에서 시뮬레이션된 하천유량과 해당 상태 변수 사이의 관계를 학습할 수 있다는 가설을 세웠다. 학습이 완료되면 이 관계를 시뮬레이션된 하천유량이 아닌 관측된 하천유량에 적용하여 갱신된 상태 변수를 얻는 것에 사용할 수 있다. 이를 바탕으로 기계학습 기반의 자료 동화 접근 방식이 제안된다. 제안된 자료 동화 방법을 두 가지 상태 변수가 있는 장기 유출 모델에 적용하였다. R2, NSE, KGE, pBias와 같은 잘 알려진 성능지표를 사용하여 자료 동화된 하천유량 시계열을 Open Loop 하천유량, 앙상블 칼만 필터를 이용하여 자료 동화된 하천유량 및 관측된 하천유량과 비교했다. 기계학습은 자료 동화에 성공적으로 사용될 수 있으며, Open Loop 시뮬레이션 및 앙상블 칼만 필터에 비해 눈에 띄게 성능지표가 개선되었음을 보여주었다.