ML アルゴリズムが気候変動パターンを正確に再現できれば、その外挿能力の有望な兆候が得られるでしょう。 逆に、RCM/GCM からの気候変動シグナルの大幅な逸脱は矛盾を示唆することが多く、通常はさらなる調査が必要です。 RCM と GCM の比較を含む、すべての方法論にわたる完全な合意が常に期待されるわけではないことに注意することが重要です。 気候変動シグナルを評価する場合、気温などの変数は RCM、GCM、経験的アルゴリズムの間で一致を示すことが多いのに対し、降雨量についてはそうではありません。 将来の評価では、研究は世紀末 (2080 ～ 2100 年) に焦点を当てていますが、近い将来 (現在 2040 年) に評価を実行することも有益である可能性があり、これは 経験に基づいたダウンスケーリング アルゴリズム の外挿境界を特定するのに役立つ可能性があります。 気候変動シグナルを計算する方法は、ETCCDI 指数などの極端な指数を包含するように拡張できます (たとえば、年間で最も雨が降った日を RX1Day として定義します)。 極端なインデックスは、ML アルゴリズムのより広範な分布外評価を提供する可能性があります。 たとえば、ML アルゴリズムの出力が、クラウジウス・クラペイロン方程式から推定されるGCM および RCM シミュレーションにおける世紀末の RX1Day 傾向を再現できるかどうかを評価できます（一部の地域では温暖化 1 度あたり 7% を超える）。 ます。経験的ダウンスケーリング アルゴリズムのその他の重要な評価尺度には、イベントベースの評価 (過去および将来の気候に適用可能) が含まれます。 たとえば、GCM のさまざまな気象状況の関数として、アルゴリズムのダウンスケールされた出力としてスキルを評価できます (たとえば、地質ポテンシャルの高さによってクラスター化されています)。 これにより、モデルが物理的に妥当な結果や予測を生成しているかどうかに関する洞察が得られる可能性があります。 他の例には、サイクロンや大気圏の河川などの極端な現象中のパフォーマンスの評価が含まれる可能性があり、GCM または RCM 出力で大気現象ベースの追跡アルゴリズムを使用することが含まれる可能性があります。 さらに、RCM エミュレータが特定の湿度、風、平均海面気圧などの変数をエミュレートできる場合、その出力に追跡アルゴリズムを直接適用して、サイクロンや大気河川を評価できる可能性があります。 同様の分析が力学的ダウンスケーリングに関しても実行されました。
コメント：一般に全球気候モデル(GCM)や地域気候モデル(RCM)では、解像度の問題から強雨の量的評価が難しい（顕著な過小評価になる）場合があります。RCM で強雨を再現するには高解像度化（例えば解像度を1.5km以下に）する必要があることが指摘されています。それには膨大な計算機資源が必要であり、力学的ダウンスケーリングの問題点の一つになっています。経験的ダウンスケーリングで強雨を再現できれば、予測の不確実性を含めた地域の影響評価が可能になると期待されています。経験的ダウンスケーリングで推定される強雨については、全球において理論（クラウジウス・クラペイロン関係）と整合しているかが妥当性の検証方法として有効と考えられます（ただし、全球での評価がそのまま地域に当てはまる訳ではないので、検証方法として十分とはいえません）。経験的ダウンスケーリングでは理論的考察が難しい側面があり、推定結果に対する説明が十分でないことから、多くの研究者から厳しい批判を受けています。