RCM エミュレータには、過去および将来の気候設定の両方でトレーニング データにアクセスできるという利点があり、特定のシナリオにおける将来の気候に対する分布外パフォーマンスが向上しました。 ただし、RCM エミュレーターは、アルゴリズムの複雑さ (従来の ML アルゴリズムと最新の ML アルゴリズムの両方) とは関係のない、ドメイン適応に関連する課題にも直面します。 RCM エミュレータは、完全または不完全なトレーニング フレームワークでトレーニングされます。 不完全なフレームワークで経験的アルゴリズムをトレーニングすることは、低解像度の GCM フィールドと高解像度の RCM フィールドの間の時空間的不一致のため、困難です。 逆に、完全なフレームワークは、RCM とはわずかに異なる関数ではあるものの、高解像度の RCM フィールドをより低い解像度に粗くすることでこの問題を単純化し、相関関係を改善します。
全体として、完璧なフレームワークにおける将来の分布外パフォーマンスは、トレーニングで使用される RCM シミュレーションから独立しているため、GCM-RCM マトリックス全体で移植可能になります。 ただし、RCM とは機能が異なるため、将来の予測の信頼性を評価するには追加の研究が必要です。 逆に、不完全なフレームワークにおける将来の分布外パフォーマンスは、トレーニングで使用される RCM シミュレーションに依存すると思われます。 このトレーニング シミュレーションへの依存は、完全なフレームワークに比べて、GCM-RCM マトリックス全体での一般化性や移植性が低いことを示唆しています。 両方のフレームワークのさらなる研究と評価が必要であり、セクション 6a と 6b で詳細に説明されている適応性実験の可能性があります。 さらに、ML は特に転移学習を進歩させ、トレーニングを 2 つの単純なタスクに分割することで、不完全なフレームワークでのトレーニングを改善する可能性を提供する可能性があります。 最初のタスクには、より単純で完全なフレームワークでの事前トレーニングと、その後の不完全なフレームワークでの微調整が含まれます。
コメント：上記の完全なフレームワークとは、RCM の解像度を（例えば12kmから100km）にアップスケーリングして低解像と高解像の関係性を学習させるもので、基本的にはRCMバイアスが共通であるため関係性を学習させやすく高い精度でダウンスケーリング可能になります(Fig.3)。一方で、不完全なフレームワークとは解像度が100kmのGCMと高解像度RCM（例えば12km）の関係性を学習させるもので、GCMとRCM のバイアスが異なるため関係性が小さい場合もあるため、学習が適切ではなく精度が低くなることも予想されます。しかし、GCM および RCM で（両者のバイアスに依存せずに）「何が再現できるのか」に注目することにより、それを共通の特徴量として適切な学習が可能になると思われます1)。特徴量を自動的に選択する深層学習モデルでは逆に難しいかもしれません。「何が再現できるのか」を認識するには理論から導かれる制約条件を課すなど、何らかの仕掛けが必要になるかもしれません。
1) Yoshikane, T., & Yoshimura, K. (2023). A downscaling and bias correction method for climate model ensemble simulations of local-scale hourly precipitation. Scientific Reports, 13(1), 9412.