一般に、観測データから学習した関係を GCM 内の未観測の気候に適用するアルゴリズムの能力 (過去および将来のシミュレーションなど) を評価します。 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。いくつかの研究では、PPでダウンスケーリングを実行する前にGCM 予測子のバイアス調整を行うと、シミュレーションの歴史的期間にわたってパフォーマンスが向上することが強調されています。 バイアス調整は、GCM の将来の気候変動シグナルを維持しながら、GCM の予測フィールドの季節サイクルを観測データセットと一致させます。 バイアス調整後、現在気候シミュレーション期間中の観測データと比較した場合、CNN アルゴリズムのダウンスケーリング出力は、気候平均およびその他の降雨量および気温特性において、従来の観測ダウンスケーリング アルゴリズムよりもバイアスが小さくなります。 将来の気候条件下で評価した場合、CNN は気温に関する気候変動シナリオに対して最先端の線形モデルよりも優れた推定を行うことがわかっています。 降水量は、親GCM内の気候変動シグナルとより強い一致を示しているためです。 CNNでは、従来のPPなど観測ダウンスケーリングアルゴリズムに対して堅牢で気候変動を学習する能力が向上すると考えられています。
コメント：全球気候モデル(GCM)のバイアス補正は重要ですが、数値モデルの物理的整合性を考慮して行わないと、ダウンスケーリング推定値自体に矛盾が生じます。ある側面からバイアスが大幅に削減された場合でも、別の側面から見ると不自然な値が推定されていることもよくあります。GCM のバイアス補正は慎重に行う必要があります。