Modelkalibratie

Modelkalibratie is het proces waarbij de parameters van een wiskundig of computationeel model zodanig worden afgesteld dat het model output reproduceert die overeenkomt met waargenomen data, met als doel de voorspellende prestaties te verbeteren. Het gaat vaak om het kwantificeren en beperken van systeematische afwijkingen tussen model en werkelijkheid, terwijl ook onzekerheid in rekening wordt gebracht.

Kalibratie maakt onderscheid met validatie en verificatie. Kalibreren richt zich op het afstemmen van parameters, validatie beoordeelt de prestaties van het model op onafhankelijke data, en verificatie controleert of het model technisch correct is toegepast. In praktijk worden kans- of verliesfuncties gebruikt om de discrepantie tussen modeluitvoer en data te meten.

Veel gebruikte methoden zijn onder meer frequentistische benaderingen zoals least squares of maximum likelihood, en Bayesian calibratie waarbij priors en de kansverdeling van parameters worden ingezet. Voor dynamische systemen spelen data-assimilatie-technieken zoals het ensemble Kalman filter een rol. Ook kunnen surrogate-modellen of meta-modellen worden ingezet om de kalibratie te versnellen.

Nauwkeurige kalibratie vereist kwalitatieve data en aandacht voor identificeerbaarheid en meetfouten. Zonder identificeerbaarheid kunnen verschillende parametersets vergelijkbare outputs opleveren. Na calibratie volgt vaak validatie met onafhankelijke data en rapportage van diagnostische statistieken en onzekerheidsreeksen.

Toepassingsgebieden zijn onder meer klimaat- en hydrologische modellen, epidemiologie, financiële en engineeringmodellen. Het proces is cruciaal voor betrouwbare voorspellingen en geïnformeerde besluitvorming, maar kent uitdagingen zoals overfitting, equifinaliteit en modelmisspecificatie.