本論では、c-GANや革新的な損失関数などのアルゴリズムアーキテクチャが、局所的な詳細をより良く解決し、極端な現象を捕捉するのに有望であることを示しました。しかし、さらなる研究がまだ必要です。 ダウンスケーリングにおける改善点の 1 つは、一連のイベントの「記憶」を正確に補足することです。 これは、複数のタイムステップにまたがる気象現象にとって特に重要ですが、現在の研究では見落とされがちです。 重要な複数日にわたる気象現象の例には、大気の川*やサイクロンなどがあります。 既存のダウンスケーリング手法のほとんどは、単一インスタンスで一連のタイムステップをダウンスケーリングするのではなく、各タイムステップを個別に (つまり毎日) ダウンスケーリングするようにアルゴリズムをトレーニングします。 ダウンスケーリングにおけるメモリ効果の組み込みは、時間的関係 (例: LSTM ネットワーク) または時空間関係 (例: LSTM レイヤーと組み合わせたコンピュータービジョンアルゴリズム) を補足できるリカレントアーキテクチャを使用して実現できます。または、コンピュータビジョンに適用される手法である自己回帰的な方法で前のタイムステップを予測子として使用することによって使用されます。
*大気の川（Atmospheric River）低緯度帯から中緯度帯ににかけて形成される数千kmに及ぶ細長い水蒸気輸送帯。日本では梅雨前線付近で下層ジェットに伴って形成される。
コメント：一連の気象イベントのパターンを補足するために、その時空間関係を認識できるLSTMなどの再帰型ニューラル ネットワークが用いられることがあります、例えば、事前の降水イベントの影響が大きい洪水予測等に利用されており、高いパフォーマンスが得られています。ダウンスケーリングでは適用事例は少ないですが、時空間関係を認識することにより時間方向のダウンスケーリングに有効と思われます。ただし、極端現象の補足については、アルゴリズムの改善では対応できない別の大きな問題（不確実性）があります。