Promotie: Improving hydrogeological models using the results of calibrated groundwater flow models. A probabilistic approach using piecewise linear probability density functions and Bayesian networks

De ondergrond van Nederland bevat een belangrijke bron van water voor onder andere drinkwater en plantengroei. Dit grondwater is opgeslagen in sedimenten zoals klei, zand en veen. Het is daarom belangrijk om te weten hoeveel grondwater gebruikt kan worden en hoe het stroomt. Met behulp van grondwatermodellen kan bijvoorbeeld berekend worden wat het effect is van een grondwaterwinning.

Een onderdeel van grondwatermodellen is een beschrijving van de ondergrond, wat op zichzelf ook weer een model is. Een belangrijk ondergrondmodel in Nederland is het REGIS-model dat bij  de Geologische Dienst Nederland-TNO ontwikkeld en onderhouden wordt. Dit is een generiek ondergrondmodel dat onder andere gebruikt wordt als basis om grondwatermodellen te maken. Een gemeenschappelijk kenmerk van modellen is dat ze nooit perfect zijn, maar altijd een zekere mate van onzekerheid kennen. Het streven is altijd om deze onzekerheid te verkleinen en daarmee het model bruikbaarder te maken. Als een grondwatermodel dat gebaseerd is op het REGIS-model verbeterd (gecalibreerd) wordt, dan wordt meestal ook de ondergrondbeschrijving binnen het grondwatermodel aangepast. Deze aanpassing in het grondwatermodel is echter niet rechtreeks terug te voeren naar het REGIS-model.

In dit promotieonderzoek zijn twee methodes ontwikkeld om die terugkoppeling te bewerkstelligen. Daarbij wordt rekening gehouden met de onzekerheid van de verschillende soorten data.  Data met een hoge onzekerheid weegt minder zwaar in de terugkoppeling dan de meer zekere data. Om de onzekerheid over data te beschrijven maken we gebruik van kansverdelingen. Een belangrijk extra resultaat van dit onderzoek is de ontwikkeling van een methode om met alle mogelijke vormen van kansverdelingen te kunnen werken.