将来の気候予測の不確実性は、初期条件の不確実性、モデルの不確実性、シナリオの不確実性という 3 つの主な原因から生じます。GCM（全球気候モデル） によって生成される初期条件の不確実性は、通常、CORDEX タイプのダウンスケーリングの取り組みでは考慮されません。 通常、計算上の制限により、単一の GCM メンバーのみをダウンスケールするのが一般的です。 おそらく、地域規模での極端現象の傾向を決定する際に初期条件の不確実性を定量化する必要があることを考えると、これは RCM （地域気候モデル）予測の大きな欠点です。経験的ダウンスケーリング手法により計算コストが大幅に削減されたことにより、さまざまな大規模な初期条件アンサンブルで予測を行うことが可能になり、初期条件の不確実性を定量化することが可能になりました。 CMIP6 やその他の最近のさまざまな取り組みを通じて利用できる多数の初期条件アンサンブルのおかげで、この目的のために豊富な GCM 出力が現在存在しています。 しかし、現在まで経験的ダウンスケーリング コミュニティによって十分に活用されていないようです。ML ベースの経験的ダウンスケーリング アプリケーションでは、通常、各 GCM から単一のアンサンブル メンバーをダウンスケーリングします。
初期条件の不確実性に加えて、RCM の計算コストが高いため、ダウンスケールされた気候予測におけるモデルの不確実性とシナリオの不確実性の寄与を評価する際に課題が生じます。 ここで、モデルの不確実性は、複数の GCM にわたる縮小された将来の気候予測の広がりを指しますが、シナリオの不確実性は、異なる共有社会経済経路 (SSP) に起因する広がりを指します。 各 SSP は、GCM に規定された将来の温室効果ガス排出量に関するさまざまな想定セット (例: 高排出シナリオと低排出シナリオ) に対応します。 ただし、ML ベースの経験的ダウンスケーリング手法は、計算効率が高く、さまざまな GCM に適応できるため、モデルとシナリオを組み合わせた不確実性空間を効果的にナビゲートでき、RCM と比較して広範囲の GCM にわたって汎用性が高くなります。
コメント：基本的に気候予測には大きな不確実性があります。気候変動シナリオ、モデルの不完全さによるもの、自然変動による影響により、予測値が大きく変化します。将来の気候変動に対応するためには、これらの不確実性の幅を精度よく推定する必要があります。複数シナリオ、複数モデル、初期値の違いによるアンサンブル実験を実施することにより、予測の不確実性の幅を（より正確に）推定することが可能です。地域毎に予測の不確実性の幅を推定するにはダウンスケーリングが必要ですが、大量のモデル出力をRCMでダウンスケーリングするには極めて膨大な計算機資源が必要になるため、現状では実施が困難です。しかし、経験的ダウンスケーリングの発展により、地域の不確実性の幅を精度よく予測することが可能になると想定されます。それにより、例えば地域の洪水リスク評価の精度が大幅に向上し、被害を低減するための適切な対策を立てることが可能になるかもしれません。