{"id":26840,"date":"2026-09-04T11:45:56","date_gmt":"2026-09-04T09:45:56","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/jerom-aerts\/"},"modified":"2026-10-31T11:31:09","modified_gmt":"2026-10-31T10:31:09","slug":"jerom-aerts","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/jerom-aerts\/","title":{"rendered":"Jerom Aerts"},"content":{"rendered":"","protected":false},"featured_media":26841,"template":"","meta":{"_acf_changed":false},"university_us_portfolio":[16],"class_list":["post-26840","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","university_us_portfolio-overig"],"acf":{"main_text":"","naam_van_het_proefschift":"EWATERCYCLE IN PRACTICE","samenvatting":"Dit proefschrift behandelt meerdere uitdagingen in hydrologische modellering, met een focus op reproduceerbaarheid, diagnostiek en de rol van observatieonzekerheid bij het interpreteren van modelprestaties. Aan de hand van een reeks toegepaste studies worden praktische instrumenten en methoden voorgesteld om de transparantie, vergelijkbaarheid en interpreteerbaarheid van hydrologische modellen te verbeteren, zonder te overschatten wat met de huidige data en modellen betrouwbaar kan worden bereikt. Het proefschrift betoogt consequent dat ogenschijnlijke beperkingen in modelevaluatie, waaronder het blijven bestaan van equifinaliteit, kunnen worden verkleind door de observationele basis waarop modellen worden getoetst te verbreden, in plaats van deze beperkingen als inherente eigenschappen van het systeem te beschouwen.\n\nDe ontwikkeling en toepassing van het eWaterCycle-platform staan centraal in dit werk. Het is een modulair, gemeenschapsgedreven systeem dat reproduceerbare modellering stimuleert via gestandaardiseerde interfaces en containergebaseerde omgevingen. Door via de Basic Model Interface (BMI) voort te bouwen op bestaande modellen en experimenten op schaal uit te voeren, maakt eWaterCycle modelvergelijking en -verbetering mogelijk met minder technische drempels. Hoewel het platform niet alle integratiecomplexiteit wegneemt, biedt het een praktische basis voor reproduceerbare, FAIR-conforme workflows.\n\nMet behulp van dit platform onderzoekt het proefschrift de effecten van ruimtelijke resolutie op de prestaties van hydrologische modellen. Resultaten van 454 CAMELS-US-stroomgebieden laten zien dat een fijnere ruimtelijke resolutie (tot 200 m) niet altijd leidt tot betere afvoerschattingen bij de uitstroompunten van stroomgebieden. Hoewel resolutie in bepaalde contexten belangrijk is, met name bij complexe topografie of landbedekking, blijven de algehele prestatiewinsten beperkt en vallen ze vaak binnen de onzekerheidsmarges. Deze bevindingen suggereren dat investeren in een hogere ruimtelijke resolutie zonder een evenredige investering in observatiedichtheid een twijfelachtige besteding van onderzoeksmiddelen is. Hyperresolutiemodellering is weliswaar technisch haalbaar, maar moet worden benaderd vanuit duidelijke toepassingsdoelen en een realistische beoordeling van de mate waarin de beschikbare data deze kunnen ondersteunen.\n\nHet onderzoek verbreedt de reikwijdte van modeldiagnostiek door machinelearning (specifiek een random forest) toe te passen om stroomgebiedseigenschappen te koppelen aan modelprestaties voor 617 CAMELS-GB-stroomgebieden. De analyse laat zien dat de geschiktheid van modellen vaak varieert met de schaal en fysieke kenmerken van een stroomgebied, waarbij verschillende modellen (wflow_sbm en PCR-GLOBWB) onder verschillende omstandigheden beter presteren. Dit benadrukt de \u201crealiteit van lokaliteit\u201d in de hydrologie: elk stroomgebied kent een unieke combinatie van dominante processen, waardoor het streven naar een universeel model onpraktisch is. Hoewel de resultaten structurele modelbeperkingen blootleggen, tonen ze ook het potentieel van machinelearning als diagnostisch instrument, een toepassing die meer aandacht verdient naast het gangbaardere gebruik ervan voor voorspellingen.\n\nEen belangrijke bijdrage van dit proefschrift is de integratie van onzekerheid in afvoerwaarnemingen in de modelevaluatie. Met behulp van gekwantificeerde onzekerheidsschattingen voor 299 CAMELS-GB-stroomgebieden wordt aangetoond dat een aanzienlijk deel van de ogenschijnlijke prestatieverbeteringen, hetzij door parameteroptimalisatie, hetzij door structurele modelverschillen, binnen de onzekerheidsmarges van de waarnemingen valt. Opvallend is dat er geen duidelijk verband werd gevonden tussen modelcomplexiteit en modelprestaties, wat de aanname dat complexere modellen inherent beter presteren ter discussie stelt. Deze bevindingen stellen ook de interpretatie van modelresultaten ter discussie en onderstrepen de noodzaak om onzekerheid systematischer te rapporteren en mee te nemen.\n\nDe afsluitende hoofdstukken vatten deze resultaten samen en pleiten voor een kritischere, maar ook constructievere modelleerpraktijk: een praktijk die reproduceerbaarheid en grootschalige evaluatie omarmt en tegelijkertijd de grenzen van modelresolutie, structurele complexiteit en waarnemingskwaliteit erkent. Deze hoofdstukken stellen dat vooruitgang in de hydrologie evenzeer afhangt van investeringen in nieuwe en betere waarnemingen als van verbeteringen aan modellen. Die waarnemingen lopen uiteen van het herstellen van bestaande meetnetwerken tot het inzetten van nieuwe meettechnieken en satellietproducten. Door onzekerheidsdiagnostiek te integreren in het evaluatieproces en open, herhaalbare workflows te faciliteren, levert dit werk een robuustere en realistischere basis voor modelverbetering en toepassing.\n\nMet het oog op de toekomst schetst het proefschrift duidelijke richtingen voor vervolgonderzoek: het uitbreiden van eWaterCycle met meer modellen en toepassingsdomeinen; het benutten van onderbenutte satellietmissies en opportunistische databronnen; en het overbruggen van de culturele kloof tussen modelleurs en veldwetenschappers, zodat dataverzameling en modelexperimentatie twee zijden van hetzelfde wetenschappelijke proces worden. Hoewel er uitdagingen blijven bestaan, met name bij de brede adoptie van reproduceerbare werkwijzen, vormen de hier ontwikkelde instrumenten en inzichten een concrete stap vooruit.\n\nSamenvattend levert dit proefschrift een bijdrage aan de hydrologische wetenschap door reproduceerbare modelleringsinstrumenten te combineren met diepgaande diagnostiek. Het bevordert een transparantere en kritischere modelleerpraktijk die onzekerheid erkent, berusting in dataschaarste ter discussie stelt en verantwoord modelgebruik stimuleert. In plaats van doorbraken na te streven, richt dit werk zich op het mogelijk maken van reproduceerbare, interpreteerbare en breed toepasbare hydrologische modellering, waarmee een steviger fundament wordt gelegd voor zowel wetenschappelijke vooruitgang als praktische besluitvorming. De weg vooruit bestaat niet uit het accepteren van bestaande beperkingen, maar uit het systematisch verkleinen ervan.","summary":"This dissertation addresses multiple challenges in hydrological modeling, focusing on reproducibility, large-sample catchment diagnostics, and the role of observational uncertainty in interpreting model performance. Through a series of applied studies, it proposes practical tools and methods to improve the transparency, comparability, and interpretability of hydrological models, without overstating what current data or models can reliably deliver. Throughout, the thesis argues that apparent limitations in model evaluation, including the persistence of equifinality, can be reduced by expanding the observational basis against which models are tested, rather than accepting them as inherent properties of the system.\n\nCentral to this work are the development and application of the eWaterCycle platform: a modular, community-driven system that promotes reproducible modeling through standardized interfaces and containerized environments. By building on existing models through the Basic Model Interface (BMI) and deploying experiments at scale, eWaterCycle enables model intercomparison and refinement with fewer technical barriers. Although it does not eliminate all integration complexity, the platform provides a practical foundation for reproducible, FAIR-compliant workflows and has already enabled new forms of collaborative experimentation.\n\nUsing this platform, the thesis evaluates the effects of spatial resolution on hydrological model performance. Results from 454 CAMELS-US catchments show that a finer spatial resolution (down to 200 m) does not universally improve streamflow predictions at catchment outlets. Although resolution matters in some contexts, particularly where topography or land cover is complex, the overall gains are limited and often fall within uncertainty bounds. These findings suggest that investing in higher spatial resolution without a corresponding investment in observational density is a questionable allocation of research effort. \u201cHyper-resolution\u201d modeling, though technically feasible, must be approached with clear use cases and a realistic assessment of whether the available data can actually support it.\n\nExpanding the scope of model diagnostics, the research applies machine learning (specifically, a random forest) to link catchment attributes to model performance across 617 CAMELS-GB catchments. The analysis shows that model suitability often varies with catchment scale and physical characteristics, with different models (wflow_sbm and PCR-GLOBWB) excelling under different conditions. This underscores the \u201creality of locality\u201d in hydrology: every catchment presents a unique combination of dominant processes, making the pursuit of a universal model impractical. Although the results expose structural model limitations, they also demonstrate the potential of machine learning as a diagnostic tool, an application that deserves greater emphasis alongside its more common use in prediction.\n\nA key contribution of the dissertation is the integration of uncertainty in discharge observations into model evaluation. Using quantified uncertainty estimates from 299 CAMELS-GB catchments, the analysis shows that a significant share of perceived performance improvements, whether achieved through parameter tuning or arising from structural differences, may fall within the uncertainty bounds of the observations. Notably, no clear relationship was found between model complexity and model performance, challenging the assumption that more complex models are inherently more capable. Together, these findings call into question how model results are interpreted and underline the need to report and account for uncertainty more systematically.\n\nThe concluding chapters synthesize these results, arguing for a more critical yet constructive modeling practice: one that embraces reproducibility and large-sample evaluation while recognizing the limits of model resolution, structural complexity, and observational quality. They make the case that advancing hydrology depends as much on investing in new and better observations\u2014from rehabilitating existing gauging networks to deploying novel sensing technologies and satellite products\u2014as it does on improving models. By embedding uncertainty diagnostics into the evaluation process and facilitating open, repeatable workflows, this work contributes to a more robust and realistic foundation for model improvement and application.\n\nLooking ahead, the thesis outlines clear directions for future research: expanding eWaterCycle to include more models and domains; exploiting underutilized satellite missions and opportunistic data sources; and bridging the cultural divide between modelers and field scientists so that data collection and model experimentation become two sides of the same scientific process. Although challenges remain, particularly in the community-wide adoption of reproducible practices, the tools and insights developed here offer a tangible step forward.\n\nIn summary, this dissertation contributes to hydrological science by combining reproducible modeling tools with diagnostic depth. It promotes a more transparent and critical modeling practice, one that acknowledges uncertainty, challenges complacency about data scarcity, and encourages the responsible use of models. Rather than seeking breakthroughs, the work focuses on enabling more reproducible, interpretable, and broadly applicable hydrological modeling, thereby helping build a stronger foundation for both scientific progress and practical decision-making. The path forward is not to accept the limitations we have inherited, but to systematically reduce them.","auteur":"Jerom Aerts","auteur_slug":"jerom-aerts","publicatiedatum":"1 oktober 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/jeromaerts?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/fa9ae783-5669-4d9e-9a00-c338a6e9315b\/highres","url_epub":"","ordernummer":"19613","isbn":"","doi_nummer":"","naam_universiteit":"Overig","afbeeldingen":26841,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Overig","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/26840","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/26841"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=26840"}],"wp:term":[{"taxonomy":"university_us_portfolio","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/university_us_portfolio?post=26840"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}