Der Prozess der Anpassung von Modellparametern und gegebenenfalls Eingängen oder Bias-Korrekturtermen, damit Modellvorhersagen besser mit Beobachtungsdaten übereinstimmen; beinhaltet oft Validierungsschritte und die Betrachtung der prognostischen Leistung unter Zielbedingungen.

Prinzip

Kalibrierung bringt Modelloutputs durch Optimierung von Parametern oder Hinzufügen von Korrekturtermen in Einklang mit Daten, während Überanpassung durch Kreuzvalidierung, Regularisierung oder Zurückhalten von Validierungsdaten vermieden wird; sie berücksichtigt sowohl Parameterunsicherheit als auch strukturelle Modellfehler.

Demonstration

Anpassung von Klimamodellparametern, um beobachtete saisonale Temperaturzyklen wiederzugeben; Justierung von Emissionsskalierungsfaktoren in einem Luftqualitätsmodell zur Anpassung an Konzentrationsmessungen; Kalibrierung eines Sensors vor der Assimilation in Vorhersagen.

Fehlanwendung

Übermäßiges Abstimmen von Parametern zur Anpassung an einen bestimmten Datensatz (Datenfischen), sodass das Modell Rauschen statt Signal anpasst, oder die Verwendung der Kalibrierung, um strukturelle Mängel des Modells zu kaschieren, anstatt die Modellstruktur zu überarbeiten.

Konsequenz

Ein gut kalibriertes Modell bietet verbesserte prognostische Genauigkeit im Kalibrierungsbereich und klarere Unsicherheitsschätzungen; es unterstützt verlässliche Vorhersagen und simulationsbasierte Entscheidungen, erfordert jedoch sorgfältige Validierung zur Sicherstellung der Übertragbarkeit außerhalb der Kalibrierungsdaten.

Umkehrung

Modellvalidierung oder Falsifikation: statt Parameter anzupassen, wird das Modell getestet und gegebenenfalls verworfen, oder alternative Modellstrukturen werden in Betracht gezogen; Modell-Mittelung kann anstelle der Kalibrierung eines einzelnen Modells verwendet werden.

Abgrenzung

Konzentriert sich auf Parameter-/Eingangs-Anpassung und praktisches Angleichen an Daten für prädiktive Zwecke; schließt reine Modellauswahl (Entscheidung zwischen alternativen Strukturen) aus und unterscheidet sich von Parameterschätzung dadurch, dass Kalibrierung häufig pragmatisch, iterativ und auf prädiktive Nutzbarkeit ausgerichtet ist statt auf rein statistische Optimalität.

Semantische Spannung

Es besteht eine Spannung zwischen Kalibrierung und Überanpassung einerseits und rigoroser statistischer Schätzung andererseits; Kalibrierung ist praxisorientiert und leistungsgetrieben, während statistische Schätzung auf prinzipielle Unsicherheitsquantifizierung und Identifizierbarkeitsdiagnostik setzt.

Synthese

Modellkalibrierung ist die praktische Anpassung von Parametern und Korrekturtermen, um Modelloutputs mit Beobachtungen in Einklang zu bringen, wobei Anpassung und Generalisierung durch Validierung, Regularisierung und explizite Behandlung von Unsicherheit und strukturellem Fehler ausbalanciert werden.