Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
nieuwe zoekopdracht
Integrated Bayesian Multi-model approach to quantify input, parameter and conceptual model structure uncertainty in groundwater modeling
Mustafa, S.M.T; Nossent, J.; Ghysels, G.; Huysmans, M. (2020). Integrated Bayesian Multi-model approach to quantify input, parameter and conceptual model structure uncertainty in groundwater modeling. Environ. Model. Softw. 126: 104654. https://dx.doi.org/10.1016/j.envsoft.2020.104654
In: Environmental Modelling & Software. Elsevier: Oxford. ISSN 1364-8152; e-ISSN 1873-6726, meer
|  |
| Author keywords |
Conceptual model structure uncertainty; Bayesian approach; Input uncertainty; Bayesian model averaging; Uncertainty quantification; Groundwater flow model |
| Auteurs | | Top |
- Mustafa, S.M.T
- Nossent, J., meer
- Ghysels, G.
- Huysmans, M.
|
|
|
| Abstract |
A flexible Integrated Bayesian Multi-model Uncertainty Estimation Framework (IBMUEF) is presented to simultaneously quantify conceptual model structure, input and parameter uncertainty of a groundwater flow model. In this fully Bayesian framework, the DiffeRential Evolution Adaptive Metropolis (DREAM) algorithm with a novel likelihood function is combined with Bayesian Model Averaging (BMA). Four alternative conceptual models, representing different geological representations of an overexploited aquifer, have been developed. The uncertainty of the input of the model is represented by multipliers. A novel likelihood function based on a new heteroscedastic error model is included to extend the applicability of the framework. The results of the study confirm that neglecting conceptual model structure uncertainty results in unreliable prediction. Consideration of both model structure and input uncertainty are important to obtain confident parameter sets and better model predictions. This study shows that the IBMUEF provides more reliable model predictions and accurate uncertainty bounds. |
IMIS is ontwikkeld en wordt gehost door het VLIZ.
