La operación de embalses en regiones montañosas alimentadas por el deshielo es altamente desafiante. Esto se debe en parte a la escasa información dada las duras condiciones topográficas y la falta de estaciones de monitoreo. En este sentido, las observaciones de nieve a partir de teledetección proporcionan información adicional y relevante sobre las condiciones actuales de la cuenca. Esta información puede ser utilizada para mejorar los estados del modelo de un pronóstico utilizando técnicas de asimilación de datos, mejorando así la operación de los embalses. Las técnicas típicas de asimilación de datos pueden reducir efectivamente la incertidumbre de la inicialización del pronóstico al fusionar simulaciones y observaciones. Sin embargo, no tienen en cuenta la incertidumbre del modelo, estructural o paramétrica. La incertidumbre intrínseca a las simulaciones del modelo introduce complejidad al pronóstico y restringe el trabajo diario de los operadores. La novedosa Asimilación de Datos Variacional Multi-Parámetrica (MP-VarDA) utiliza diferentes conjuntos de parámetros para crear un conjunto de modelos que cuantifican la incertidumbre que surge de la parametrización del modelo. Este estudio se centra en la sensibilidad de las técnicas de reducción paramétrica de MP-VarDA acopladas en el modelo hidrológico HBV para crear conjuntos de modelos y el impacto del número de conjuntos de parámetros en el rendimiento de los pronósticos de caudal y Área de Cobertura de Nieve (SCA). El conjunto de modelos se crea utilizando simulación de Monte Carlo, combinada con un Método de Distancia Agregada (AD), para crear diferentes instancias del conjunto de modelos. Las pruebas se realizan en la Cuenca de Karasu, ubicada en la parte más alta del río Éufrates en Turquía, donde el deshielo es una parte significativa del escurrimiento anual. Los análisis se llevaron a cabo para diferentes umbrales basados en las probabilidades de excedencia de las observaciones. Según los resultados en comparación con VarDA determinista, MP-VarDA probabilístico mejora las ganancias de m-CRPS de los pronósticos de caudal del 57% al 67% y las ganancias de habilidad de pronóstico BSS del 52% al 68% cuando se asimilan el caudal y la SCA. Esta mejora aumenta rápidamente para los primeros conjuntos de parámetros adicionales, pero alcanza un beneficio máximo después de 5 conjuntos de parámetros en el conjunto de modelos. La mejora es notable para ambos métodos en los pronósticos de SCA, pero la mejor ganancia de m-CRPS se obtiene para VarDA (31%), mientras que la mejor habilidad de pronóstico se detecta en MP-VarDA (12%).