気候モデル出力に基づく機械学習モデルのトレーニングは、解釈可能な季節的降水予測をもたらす

要約 機械学習を季節予測アプリケーションに利用する際の障壁は、モデルトレーニングのための観測データのサンプルサイズが限られていることです。この問題を回避するために、ここでは、物理的に一貫したモデル実現を提供する大規模な気候モデルアンサンブル上でさまざまな機械学習アプローチをトレーニングする feasibility を探ります。気候モデルシミュレーションの数千のシーズンでトレーニングを行った後、機械学習モデルは歴史的観測期間（1980-2020）にわたる季節予測を生成するためにテストされます。アメリカ合衆国西部の降水の大規模空間パターンを予測するために、ここでは、これらの機械学習ベースのモデルが、北米マルチモデルアンサンブルの既存の動的モデルと競争できるか、またはそれを超える能力があることを示します。さらに、このアプローチは、機械学習解釈手法を利用して予測スキルにつながる関連する物理プロセスを特定することによって、「ブラックボックス」と見なす必要はないことを示します。