コンピュータービジョンアルゴリズムのパフォーマンスとアーキテクチャの多くの改善にもかかわらず、ほとんどの研究は、現在の気候条件での評価のみに焦点を当てています。これはアルゴリズムが GCM (歴史的および将来の気候) からの未観測の気候シナリオに適応するには不十分であるためと推察されます。多くの場合、将来の気候シナリオにおける気候変数の分布は、アルゴリズムがトレーニングされた観測データと比較して分布から外れていることがよくあります。SR ダウンスケーリング手法は、GCM による過去および将来の気候条件にわたる堅牢性についてまだ適切に評価されていないことに注意が重要です。 SR ダウンスケーリングのアプローチは、予測変数として GCM からの低解像度の気象場のみに依存する傾向があるため、これは特に重要です。 これらの気象場は、観測値と比較して大きな偏りを持つ可能性があります。ホストGCM で予測された将来の循環場の変化を適切に説明できない可能性があり、その両方が将来の予測の信頼性に悪影響を与える可能性があります。
コメント：基本的に、経験的ダウンスケーリングはデータ駆動型の手法であり、学習データの分布外の推定が困難であると想定されます。経験的ダウンスケーリングの外挿手法で整合性のある気候変動の推定ができるのか、十分な検証が求められます。一方で、分布の裾にあたる極端現象については、再現期間の特性やメカニズムなどがよくわかっていないため評価が難しく、推定誤差が大きくなることが予想されます。GCM のバイアス（ストームトラックの形成位置のずれなど）がダウンスケーリングにも大きな影響を及ぼす可能性があり、慎重に評価する必要があります。