観測されていない過去および将来の気候への適応について
ドメイン適応の問題は、特定のシミュレーション (再解析/観測または特定の RCM シミュレーションなど) でトレーニングされた経験的ダウンスケーリング アルゴリズムを、トレーニングによる未観測の GCM (高排出シナリオなど) からの予測子フィールドに適用するときに発生します。 多くの場合、トレーニング データと比較して分布外になります。全体として、ドメイン適応の問題は、観測ダウンスケーリングにおける最近の ML の進歩においてほとんど注目されていません。 ドメイン適応は、少数の PP 研究でしか検討されておらず、気候のダウンスケーリングにおいて顕著であるにもかかわらず、SR のダウンスケーリングでは依然としてほとんど見落とされています。 さらに、ドメイン適応条件は SR 手法と PP 手法の間で異なる可能性があります。いくつかの研究では、PP アプローチの領域適応性を向上させるために、観測ダウンスケーリングの前にバイアス補正が必要であることが強調されています。 バイアス補正の後、PP CNN アルゴリズムは、従来の観測ダウンスケーリング アルゴリズムと比較して、過去および将来のシミュレーションの両方にわたって GCM 予測子フィールドに適切に適応することが提案されています。 CNN の適応性の向上は、特徴の選択に敏感なことが多い従来の経験的ダウンスケーリング アルゴリズムとは対照的に、気候フィールドから安定した一般化可能な関係を学習する能力から生じると考えられています。ML の分散外の課題に対処するための新しい戦略の可能性は、転移学習です。 ここで、転移学習には、最初に RCM シミュレーションでアルゴリズムを「事前トレーニング」することが含まれます。このアルゴリズムは、将来のシナリオと過去のシナリオの両方でトレーニングでき、その後、観測データで微調整することができます。 転移学習は、トレーニング前にモデルをさまざまな気候条件にさらすことで、アルゴリズムのパフォーマンスと分布外の状況に適応する能力を向上させる可能性があります。
コメント：現在気候から大きく逸脱していない限り、SR手法でも外挿機能によりある程度は将来および過去気候への適応は可能であると思われますが、研究事例が少ないのは技術的な難しさが関係しているのかもしれません。バイアス補正については地域の気候特性の再現性が悪化するなどの副作用もあるため慎重に行う必要があります。バイアス補正による悪影響を避けるために、事前に大気循環場やストームトラックなどの再現性が良い全球気候モデルを選択する必要があります。