観測的ダウンスケーリング手法の最初の評価段階では、手法の本質的な性能を評価するために、訓練データ（再解析と観測）に基づく交差検証を実行します。クロスバリデーションでは、観測データセットのわずかに異なる部分集合またはフォールドを用いてトレーニングを行う一方、毎回独立した小さな部分をテスト用に確保するか、データセットの一部分（通常、時系列の末尾の複数年）のみをテスト用に使用します。これにより、評価はより費用対効果が高くなり、気候変動の影響が小さい、ごく近い将来に外挿するアルゴリズムの能力についての洞察を行うことができます。本質的な性能は、ダウンスケールされた変数のさまざまな側面（限界、時間、空間、極値、プロセスベース）に焦点を当てた評価指標によって測定されます。したがって、このような観測に基づく分布外検定アプローチは、ある変数についてある指標や時間スケールで訓練することで、他の変数でどの程度の効果が得られるかを理解するためにも使用できます（いわゆるmetric transitivityまたはtemporal transitivity）。RCM エミュレーターの場合、トレーニングに使用したシミュレーションの独立したサブセットでクロスバリデーションを行うことができる。
コメント：観測データによるクロスバリデーションは、経験的ダウンスケーリング手法の妥当性を評価するための重要な検証方法です。様々な側面からアルゴリズムの性能を評価することにより、将来予測に適用する前に問題点を見つけ出し、アルゴリズムを改善することができます。また、過去気候に適用して評価を行うことにより、将来予測に対するアルゴリズムの適用妥当性をある程度評価できます。