In order to use environmental models effectively for management and decision-making, it is vital to establish an appropriate level of confidence in their performance. This paper reviews techniques available across various fields for characterising the performance of environmental models with focus on numerical, graphical and qualitative methods. General classes of direct value comparison, coupling real and modelled values, preserving data patterns, indirect metrics based on parameter values, and data transformations are discussed. In practice environmental modelling requires the use and implementation of workflows that combine several methods, tailored to the model purpose and dependent upon the data and information available. A five-step procedure for performance evaluation of models is suggested, with the key elements including: (i) (re)assessment of the model's aim, scale and scope; (ii) characterisation of the data for calibration and testing; (iii) visual and other analysis to detect under- or non-modelled behaviour and to gain an overview of overall performance; (iv) selection of basic performance criteria; and (v) consideration of more advanced methods to handle problems such as systematic divergence between modelled and observed values.

The design and implementation of effective environmental policies need to be informed by a holistic understanding of the system processes (biophysical, social and economic), their complex interactions, and how they respond to various changes. Models, integrating different system processes into a unified framework, are seen as useful tools to help analyse alternatives with stakeholders, assess their outcomes, and communicate results in a transparent way. This paper reviews five common approaches or model types that have the capacity to integrate knowledge by developing models that can accommodate multiple issues, values, scales and uncertainty considerations, as well as facilitate stakeholder engagement. The approaches considered are: systems dynamics, Bayesian networks, coupled component models, agent-based models and knowledge-based models (also referred to as expert systems). We start by discussing several considerations in model development, such as the purpose of model building, the availability of qualitative versus quantitative data for model specification, the level of spatio-temporal detail required, and treatment of uncertainty. These considerations and a review of applications are then used to develop a framework that aims to assist modellers and model users in the choice of an appropriate modelling approach for their integrated assessment applications and that enables more effective learning in interdisciplinary settings.

Choices made in modeling matter and demand more explication since they determine how much we can trust modeling insights and predictions within their social, political and ethical contexts. Good Modeling Practice (GMP) is a key research area for strengthening and maturing the modeling field and community, through identifying, formulating and sharing knowledge about the craft of modeling. This craft represents the knowledge that modelers learn in practice about how they get things done, and how they adapt their practices to new situations. This Joint Special Issue is motivated by the importance of sharing good modeling practices from a whole modeling lifecycle viewpoint. We attempt to add conceptual clarity to this research area by defining the plethora of concepts and decision points used to characterize the choices to be made throughout the modeling process, and by synthesizing some of the existing efforts on GMP. We characterize a broad list of articles in the literature on GMP and identify a list of essential topics demanding more attention. This list is only a preliminary one as we anticipate that a more comprehensive list of knowledge gaps will be unearthed from the submissions to the Joint Special Issue collection on GMP, of which this is an introduction. We also propose a vision for GMP and suggest instrumental ways that good practice can become not just well-known but normal practice. This instrumentation focuses on journal standards, collective commitment and culture especially by research community societies, early career awards for advancing GMP, and legal requirements or accreditation. A vital instrument in all this is the design and development of a modeling curriculum that distills core requisite knowledge about modeling, as well as proven-to-work routines and practices that can be scaled up in different contexts.