Beeldvorming van de ondergrond is van het grootste belang voor veel geologische toepassingen. Elektromagnetische geofysische methoden (EM) zijn populair geworden om snel grote gebieden in beeld te brengen. De oplossing van de inversie van EM-gegevens is echter niet uniek. In dit project, kwantificeren wij de onzekerheid van zoutgehalte-schattingen uit EM-gegevens met behulp van een nieuw kader Bayesian Evidential Learning genaamd.