Določitev negotovosti modelnih parametrov in njihovih modelnih odzivov je ključna za verodostojno uporabo kateregakoli modela. Pri hidravličnem modeliranju vodooskrbnih modelov so koeficienti hrapavosti najmanj znani od modelnih parametrov. Pristop večkriterijskega umerjanja uporablja več ciljnih funkcij, ki minimizirajo odstopanja med meritvami in modelnimi odzivi ter s tem določijo kombinacije parametrov, ki hkrati izpolnjujejo vse ciljne funkcije. Uporaba več ciljnih funkcij za različne vrste meritev na ta način ne zahteva predhodnega določanja preference, temveč je mogoče v enem optimizacijskem poskusu raziskati vse optimalne rešitve večkriterijskega umerjanja, ki so zbrane na Pareto optimalnih frontah. Za določitev negotovosti parametrov in modelnih odzivov je bila uporabljena FOSM (angl. First-Order-Second-Moment method). Pri reševanju večkriterijskega umerjanja je bil uporabljen metahevristični algoritem AMALGAM. Poleg navedenih metod umerjanja in določevanja negotovosti je bil uporabljen tudi pristop Bayesovega sklepanja, ki omogoča istočasno iskanje najustreznejših parametrov modela in oceno njihove negotovosti. Uporabljene so bile različne apriorne porazdelitve za opis vrednosti parametrov v kombinaciji s posplošeno funkcijo verjetja (angl. Generalized likelihood), da se določijo posteriorne porazdelitve neznanih parametrov. Reševanje Bayesovega pristopa k umerjanju se izvaja z metodami Monte Carlo z Markovskimi verigami (MCMC), uporabljenimi v algoritmu DREAM(ZS). Metodologiji, uporabljeni na hipotetičnem in realnem hidravličnem modelu vodooskrbnih sistemov, sta se izkazali za uspešni in učinkoviti. Predlagan je tudi pristop z vključevanjem predhodnih informacij o modelnih parametrih, saj omogoča kakovostnejše umerjanje modelov in zmanjševanje negotovosti modelnih odzivov. Uncertainty analysis of model parameters and associated model predictions are of paramount importance for reliable application of models. Pipe roughness coefficients are the most uncertain parameters in water distribution modelling. A multiobjective approach to model calibration uses different objective functions to minimize the differences between observed data and model predictions which leads to a set of model parameters that satisfies all criteria. Using multiple objective functions for different measurement types does not require definition of weighting preferences because in one optimization run all optimal solutions are identified and represented by the Pareto optimal front. Uncertainties are elaborated using the First-Order-Second-Moment method (FOSM). The multiobjective calibration problem is solved by the metaheuristic AMALGAM algorithm. In addition to the calibration and uncertainty estimation methods, a Bayesian inference approach is used which allows finding optimal solutions and estimating uncertainties in a single run. Different prior distributions were used to provide additional information of unknown parameter values in combination with a generalized likelihood function to assess the posterior distribution of model parameters. The Bayesian inference approach is solved using Monte Carlo Markov Chains implemented in an algorithm called DREAM(ZS). Both methodologies proved to be efficient and effective when applied to a hypothetical and a real-world case water distribution case study. An approach was proposed to incorporate prior information of model parameters to identify parameters more accurately and reduce model prediction uncertainty.