Het wordt inderdaad deels blackbox. Ik denk echter niet dat je het moet zien als nadeel, maar als alternatieve methode en aanvulling op bestaande beredeneerde modellen.
machine learning is juist goed in het verwerken van training(data) in combinatie met validatie data. Dat die data dan tot stand komt uit traditionele modellen is een extra deel van die training. Je zou ook kunnen proberen om jet geheel zonder traditionele modellen te doen, geheel blackbox. Puur op basis va meet en historische gegevens wereldwijd.
naast de ecmwf en de gfs krijg je dan een verwachting op basis van weer-ai of weer-ml of een combinatie met ecmwf+ai als output.
je kunt daarna gaan bepalen of die waardevol blijken.
Het trainen met ook modeluitvoer is een goed idee, maar jij zegt dat je het weer wilt gebruiken om de modellen beter te maken. Dat laatste zou ik zelf niet zo snel doen. Het eerste is wat mij betreft gewoon MOS, waarbij je bijvoorbeeld de ruimtelijke betekenis vertaald naar een specifiek punt. Iets wat hier op WW chronisch over het hoofd gezien wordt.
Zeker in een veranderend klimaat moet je een sterke fysische basis hebben, want je komt omstandigheden tegen die in de recente historie nog nooit zijn voorgenomen.
Voor specifieke onderdelen zou het wel kunnen, het emuleren van radiative transfer kan bijvoorbeeld prima met een gaussian process gedaan worden. Het voordeel van de eenvoudige berekening weegt dan wellicht op tegen de nadelen.
In plaats van EC en GFS kan je denk ik beter kan kijken naar GRAF. Ik zie IBM eerder die kant op gaan dan NOAA of ECMWF, ze zullen als commercieel bedrijf alleen niet zo open zijn over de details.