RCM エミュレーターは、幅広い気候シナリオにわたってダウンスケールできるように十分に汎用化する必要があります。 最近の研究では、将来の気候推定を改善し、気候変動シグナルを再現するために、多様な気候にわたるトレーニングの重要性が指摘されています。 Doury et al., (2022) は、12kmの地表付近の温度について EURO-CORDEX シミュレーション (CNRM-ALADIN63 RCM) の歴史的期間(現在気候)のみでトレーニングされたエミュレーターが、21世紀末温暖化 (2080 ~ 2099 年) を1.3度低く見積もっていることを示しました(代表濃度経路 (RCP) 4.5 シナリオに適用)。RCM エミュレータが力学的ダウンスケーリング(RCM)と同じくらい効果的に気候変動シグナルをどの程度捕捉できるかをさらに調査するには、極端な現象とその推進プロセス (サイクロンなど) に関する詳細な研究を含むさらなる研究が必要です。世紀末の表面の氷の質量バランスなど、降雨量や風などの他の変数をトレーニングするのが難しい場合があります。また、分布外パフォーマンス (GCM-RCM マトリックス全体) は、ダウンスケールされた変数、領域、RCM 構成などの要因に依存する可能性があります。
コメント:現在気候観でトレーニングを実施した経験的ダウンスケーリングでの外挿では、遠未来の推定で大きな誤差を生じてしまうことを示唆しています。遠い将来や温暖化影響が極めて大きい場合は気象パターン自体が大きく変化して機械学習では対応できなくなるのかもしれません。基本的に、海氷面積の変化など、物理過程以外での推定が困難である現象が気象パターンに大きな影響を与えている場合は、予測が難しくなります。また、RCM のバイアスや極端現象が関係する場合はさらに評価が難しいと思われます。どの程度であれば適応可能なのか、詳細な調査が望まれます。
Rampal, Neelesh, et al. “Enhancing Regional Climate Downscaling Through Advances in Machine Learning.” Artificial Intelligence for the Earth Systems (2024).