Gleichgewicht zwischen Eingangsdaten- und ModellunsicherheitenDie Wasserrahmenrichtlinie der Europäischen Union hat das Ziel der Herstellung eines guten ökologischen Zustandes aller natürlichen Gewässer bis zum Jahr 2015. Um dieses Ziel erreichen zu können, müssen zahlreiche Maßnahmen zur Verbesserung der chemischen und ökologischen Qualität der belasteten Gewässer ergriffen werden. Für die Bewertung der vorgeschlagenen Maßnahmen, deren Kosteneffizienz und ihrer detaillierten Auswirkungen ist eine Gesamtbetrachtung des betroffenen Flusseinzugsgebietes unabdingbar. Hydrologische und Stoffhaushalts-Modelle sind wichtige Instrumente des Flusseinzugsgebietsmanagments, mit dessen Hilfe Managementmaßnahmen vor deren Umsetzung auf ihre Effizienz untersucht werden können. Langzeitstudien ermöglichen dabei einen Ausblick auf die zukünftige Entwicklung des Gewässers. Grundsätzlich sind Modellvorhersagen mit Unsicherheiten behaftet, deren Berücksichtigung bei der Interpretation der Ergebnisse von Modellberechnungen unabdingbar ist. Fehlen Informationen zur Abschätzung von Prognoseunsicherheiten kann es zu weit reichenden Fehlentscheidungen bezüglich der Wahl von Managmentmaßnahmen kommen.Die Prognoseunsicherheiten ergeben sich einerseits durch die dem Modell zugrunde liegenden Eingangsdaten, welche in der Natur erhoben werden müssen. Diese Messgrößen sind naturgemäß mit Fehlern behaftet. Andererseits handelt es sich bei der Anwendung eines Modells immer um eine vereinfachte Abbildung der Wirklichkeit und es werden stets nur eine begrenzte Anzahl von Prozessen berücksichtigt. Hinzu kommt, dass Wasser- und Stoffhaushaltsmodelle und deren physikalisch basierten Prozessbeschreibungen häufig auf weit größeren Skalen angewendet werden als für welche sie ursprünglich entwickelt wurden. Daher sind Modelle die für Prognoseneingesetz werden ebenfalls eine bedeutende Quelle von Unsicherheiten.Die Kombination der Unsicherheiten der angewendeten Modelle selber und der den Modellen zugrunde liegenden Eingangsdaten führen zu Unsicherheiten in der Modellvorhersage. Allerdings kann der Beitrag einer einzelnen Quelle für diese Unsicherheiten je nach Anwendungsfall erheblich variieren. So kann ein komplexeres Modell mit erheblich mehr Detailtreue die Modellunsicherheit aufgrund vereinfachter Prozessbeschreibung reduzieren. Allerdings kann dabei die Unsicherheit in den Eingangsdaten erheblich steigen, da zeitlich und räumlich wesentlich höher aufgelöste Eingangsdaten benötigt werden.