観測ダウンスケーリング手法 (PP) および超解像 (SR) は、局所的な気候の複雑さを捉えた観測データセットを用いて学習を行います。 RCM エミュレーターは、RCM の機能をミラーリングするために開発され、CORDEX のオープンアクセス データセットなどのシミュレーションでトレーニングされます。 RCM エミュレータは、将来のシミュレーションと過去のシミュレーションの両方から学習できますが、これは PP や SR では不可能です。 RCM エミュレータは、CP-RCM のような高解像度シミュレーションを模倣することもできます。これは、空間解像度の制限により観測データセットでは得られない機会です。 RCM シミュレーションが利用できると仮定すると、通常は観測データがまばらな地域でもエミュレータをトレーニングできます。 ただし、RCM に固有のバイアスがあるため、実際の意思決定の状況では現実的ではない予測が生じる可能性があります。
コメント：
・PP、SR手法：
利点：観測データを用いているため、バイアス補正を含めたダウンスケーリングが可能。
欠点：データが観測期間に限定されるため、未知の気候変動特性を正確に学習できない可能性がある。
・地域気候モデル(RCM)シミュレーター
利点：物理に整合した気候変動特性のダウンスケーリングが可能。超高解像度のRCM出力データを利用できる。
欠点：バイアス補正ができない。RCM 固有のバイアスを学習するため、予測の不確実性が大きくなる。力学的ダウンスケーリングと同様に推定結果の活用に問題が生じる可能性がある。
RCM シミュレーターは、モデルバイアスの問題から積極的な活用は難しいかもしれませんが、観測データを用いたPP、SRの（外挿機能の）適用限界を見極めることに利用できるかもしれません。