การพยากรณ์ปริมาณน้ำท่าในฉับพลัน (Real Time Forecasting)เป็นการคำนวณน้ำท่าโดยใช้ข้อมูลที่บันทึกได้ใหม่ล่าสุดเช่น 1 ชั่วโมง หรือ1 วัน ก่อนเวลาที่ต้องพยากรณ์มาใช้คำนวณ การพยากรณ์ในลักษณะนี้สามารถให้ผลการคำนวณที่ทันต่อเหตุการณ์ เป็นประโยชน์อย่างยิ่งต่อการดำเนินการอ่างเก็บน้ำ (Reservoir Operation) และเตือนอุทกภัย (Flood Warning) การศึกษาครั้งนี้มุ่งที่จะประยุกต์ใช้ Kalman Filter Techniqueผนวกกับ Lump Model ชนิด Non-Linear Storage Function Model(Nlsfm) เพื่อปรับเทียบแบบจำลอง (Calibration) และเปรียบเทียบผลการคำนวณน้ำท่ากับผลจากการประยุกต์ใช้ NLSFM เพียงอย่างเดียวKalman Filter Technique เป็นเทคนิคที่สามารถใช้ค่าความผิดพลาดจากผลการคำนวณของแบบจำลองคณิตศาสตร์ (NLSFM) ในปัจจุบันไปปรับพารามิเตอร์ของสมการหลักในแบบจำลองเพื่อการคำนวณปริมาณน้ำท่าในครั้งต่อไปได้ถูกต้องยิ่งขึ้น จากผลการปรับเทียบแบบจำลองโดยใช้ข้อมูลจำนวน10 ปี สรุปได้ว่าค่าที่เหมาะสมในการกำหนดค่าพารามิเตอร์เริ่มตันของแบบจำบองคือค่า Manning Coefficient เท่ากับ 0.030, Initial ErrorCovariance Matrix เท่ากับ 0.01% ของ State Variable Matrixและกำหนด Initial Model Error Covariance Matrix เท่ากับ0.01% ของพารามิเตอร์ของสมการหลักในแบบจำลองคณิตศาสตร์ ผลการประยุกต์ใช้ Nlsfm และ Kalman Filter Mode (KFM)กับข้อมูลปริมาณฝนจากการวัดจริงจำนวน 8 ปี สรุปได้ว่าการใช้ KFM ให้ผลการคำนวณปริมาณน้ำท่าที่ดีกว่าผลจาก NLSFM คือให้ค่าเฉลี่ย รากของค่าเฉลี่ยความผิดพลาดกำลังสอง (RMSE) เท่ากับ 1.4644 mm และ 2.2563mm ค่าเฉลี่ยความผิดพลาดการคำนวณปริมาณน้ำท่าสูงสุดเท่ากับ 15.70% และ29.05% ค่าความผิดพลาดเวลาที่เกิดปริมาณน้ำท่าสูงสุดเท่ากับ 0-1วัน และ0-8 วัน ตามลำดับ ผลการประยุกต์ใช้ NLSFM และ KFM กับข้อมูลปริมาณฝนจากการคำนวณสวงหน้าแบบ 1- 2- 3- และ 4-Day Average สรุปได้ว่า KalmanFilter Technique สามารถช่วยให้ผลการคำนวณถูกต้องกว่าการใช้NLSFM อย่างเดียวซึ่งดีกว่าในลักษณะเดียวกับการใช้มูลฝนจากการวัดจริงทั้งทางด้านค่าเฉลี่ย RMSE ค่าเฉลี่ยความผิดพลาดการคำนวณปริมาณน้ำท่าสูงสุดและค่าความผิดพลาดการคำนวณเวลาที่เกิดปริมาณน้ำท่าสูงสุด จากการวิเคราะห์ทางสถิติด้วยวิธี Student t-test กับผลการประยุกต์ใช้ KFM และ NLSFM กับข้อมูลทั้งแบบปริมาณฝนจากการวัดจริงและปริมาณฝนจากการคำนวณสวงหน้า ปรากฏว่าผลจากการใช้ KFM ไม่แตกต่างแบบมีนัยสำคัญ (Not Significantly Difference) เมื่อเทียบกับผลจากการใช้ NLSFM แต่มีแนวโน้มว่าให้ผลการคำนวณที่ถูกต้องกว่า