Modelos hidrológicos são ferramentas importantes para diversas aplicações: sistemas de previsão, gestão de recursos hídricos, avaliação de impactos de mudanças climáticas, entre outras. Em geral, a calibração dos parâmetros de modelos é realizada com observações de vazão. No entanto, conjuntos de parâmetros resultantes da calibração com apenas uma variável (e.g., vazão) podem comprometer a correta representação de outras variáveis do ciclo hidrológico, em função de compensações nos parâmetros, de forma que o modelo estaria “acertando pelos motivos errados”. Uma alternativa é a calibração com múltiplas variáveis estimadas por sensoriamento remoto (SR). Estudos anteriores demonstraram o potencial desta técnica para melhorar estimativas de vazão, mas não analisaram em muita profundidade as outras variáveis do ciclo hidrológico. Neste estudo, um modelo de base física (MGB) é calibrado através do algoritmo de otimização multi-objetivo (MOCOM-UA), com vazão, mas também com estimativas de sensoriamento remoto de níveis (Jason-2), áreas inundadas (ALOS-PALSAR), anomalias no armazenamento de água (TWS, GRACE), evapotranspiração (ET, MOD16) e umidade do solo (SMOS). O método é testado para uma área de estudo no rio Purus, na Amazônia, e então replicado de forma simplificada para outras 3 áreas de estudo no Brasil, representativas de diferentes regimes hidro-climáticos. Resultados indicam que em alguns casos a calibração com variáveis de SR melhorou estimativas de vazão, e que evapotranspiração foi a variável que ofereceu mais contribuições às estimativas de vazão. Para a estimativa de outras variáveis do ciclo hidrológico, em alguns casos a calibração com uma variável melhorou a estimativa de outras, mas nem sempre, indicando que observações apresentam incertezas, ou que a estruturação ou parametrização do modelo está incorreta. Dentre as quatro regiões de estudo, o modelo mais consistente (i.e., calibração com uma variável resulta em melhora das outras) é o do rio Piquiri, no bioma Mata Atlântica, seguido pela bacia do bioma amazônico (Purus), Cerrado (Araguaia) e Caatinga (Pardo). Em geral, o modelo convergiu para diferentes conjuntos de parâmetros, dependendo da variável de calibração. Isto salienta que, a depender da variável de calibração, o modelo “acerta por motivos diferentes”. A abordagem de utilizar diferentes variáveis estimadas por SR se mostrou útil para fortalecer uma modelagem mais realística de variáveis hidrológicas (além de vazão). Hydrological models are important tools for many applications: forecasting systems, water resources management, climate change impact evaluation, among others. Usually, calibration of parameters in hydrological models is performed with streamflow observations. However, resulting parameter sets based on only one variable (e.g., streamflow) might compromise the correct representation of other variables in the water cycle, because of compensations between parameters, in a way that the model might be “getting the right answers for the wrong reasons”. One alternative is to calibrate the model parameters with multiple remote sensing (RS)-derived variables. Previous studies demonstrated its potential to improve discharge estimates, but few studies analyzed deeply the impacts on other variables in the water cycle. In this study, a physically based model (MGB) is calibrated with the multi-objective algorithm MOCOM-UA with streamflow, but also with RS estimates of water level (Jason-2), flood extent (ALOS-PALSAR), total water storage anomalies (TWS, GRACE), evapotranspiration (ET, MOD16), and soil moisture (SMOS). The method is tested for a study area in Purus river basin, in Amazon, and then replicated in a simpler framework to other 3 study areas in Brazil, in differing representative hydro-climatic regimes. Results indicate that in some cases, RS-based calibration improved streamflow estimates, and the variable that contributed the most to streamflow estimates was ET. For the other water cycle variables, in some cases calibration with a variable improved estimate of other variables, but not always, which indicates that observations have uncertainties, or that the model structure or parametrization might me incorrect. Within the four study regions, the most consistent model (i.e., calibration with a variable improved other variables) was in the “Mata Atlântica” biome (Piquiri), followed by Amazonian Purus, “Cerrado” (Araguaia), and semi-arid basin Pardo. In general, the model converged to different parameter sets, depending on the calibration variable. This highlights that, depending on the calibration variable, the model might “get the right results for differing reasons”. The approach of using multiple RS-variables proved to be useful towards a more realistic modelling of hydrological variables (besides streamflow).