現代的な ML アルゴリズム (CNN や GAN など) は、従来のダウンスケーリング手法に比べて解釈しにくくなっています。 この複雑さは意思決定プロセスを曖昧になる可能性があり、ML によって生成された気候予測の採用に課題が生じます。 ML ベースの経験的ダウンスケーリング アルゴリズムの使いやすさ、透明性、解釈可能性を強化するには、主に2 つの戦略が考えられています。それは、説明可能な人工知能 (XAI) または解釈可能な人工知能の統合とML アルゴリズムへの物理的/統計的制約の実装です。また、XAI には、モデルの外挿限界を測定し、主要な物理プロセスの観点からその限界を認識できる可能性があります。
物理的制約と統計的制約を ML アルゴリズムに統合することは依然として困難ですが、より広範囲に使用される可能性があります。 これらはユーザー固有のニーズやダウンスケールされる変数に基づいて調整される場合があります。 有用な統計的制約の例には、将来の気候に対するモデルの外挿能力を向上させるための年間降雨量の保存が含まれます。 さらに、空間平均の保存などの統計的制約により、ML アルゴリズムからの高解像度出力が対応する低解像予測子フィールドと強制的に一致する可能性があり、これによりモデルが GCM に適用されたときに気候変動シグナルを保存できる可能性があります。
コメント：将来的には、出力結果の解析から信頼性の判断までXAIが全てを担うことになると想定されます。さらに物理的、統計的制約を加えることにより解釈可能性が向上すると期待されます。現時点では、XAI の開発は初期段階であり、アルゴリズムの複雑さから開発には困難が伴いますが、サイエンティストの労力を大幅に軽減して高精度で信頼性の高い予測結果を得ることができるようになると思われます。一方で、システムの複雑さから人が介在する余地がほとんどなくなり、XAI が気象、気候予測の全てを担う時代が来るかもしれません。