観測(PP)ダウンスケーリングアルゴリズムが将来気候に対して現在気候分布外で適応可能にするいくつかの戦略を示します。 外挿を強化するために GCM 予測子フィールドのバイアス調整などの戦略を検討しましたが、これらの方法だけでは、将来気候シナリオにおける ML アルゴリズムの制限を克服するには不十分です。 観測ダウンスケーリングアルゴリズムの分布外パフォーマンスを評価することの難しさは、将来に対して直接テストできないことにあります。観測を使用して直接将来を評価することは実現できませんが、将来と過去の両方の気候に対応できるGCM/RCM シミュレーションを利用して分布外テストや実験を実施することは可能です。 このような実験は、観測データに基づいてトレーニングされたダウンスケーリング アルゴリズムにおける潜在的な問題の検出に役立つ疑似現実実験として知られています。 これらの実験の大部分は従来の統計的アプローチで行われており、コンピューター ビジョン アルゴリズムでの実施に焦点を当てたものはほんのわずかです 。このテストでは、ML アルゴリズムが、粗い RCM シミュレーションから RCM 自体に「擬似観測」としてマッピングするようにトレーニングされます。 たとえば、降水量をダウンスケーリングする SR アルゴリズムでは、予測変数として粗大化された RCM 降水量のみが使用されますが、PP の場合、大規模な循環場 (帯状風など) が降水量の予測変数として選択されます。 このトレーニング プロセスは、PP/SR アルゴリズムのトレーニング プロセスとよく似ている必要があることを強調することが重要です。 トレーニングされた擬似 PP/SR アルゴリズムは、同じ GCM からの将来予測に適用され、対応するダウンスケールされた RCM 出力に対してテストされ、将来の気候における「グラウンド トゥルース」参照データが可能になります。 これらの結果は、将来の気候変動シグナルを再現するには、過去のシミュレーションのみのトレーニングでは不十分であることを浮き彫りにしました。たとえば、疑似 PP/SR アルゴリズムは、CORDEX などの公開されているデータセットから実行される RCM 再解析強制シミュレーションまたは歴史シミュレーション上のモデルフレームワークでトレーニングできます。 その適応性を評価するために、RCM シミュレーションから得られた「グラウンド トゥルース」に対して評価を実行して、アルゴリズムを粗大化された GCM およびそれに対応する RCM の範囲に適用できます。
コメント：経験的（観測）ダウンスケーリングアルゴリズムの適用妥当性を評価するために、GCM/RCM シミュレーションの将来気候シナリオを利用した「擬似実験」が行われます。GCM のバイアス除去など適用外の場合やRCMのダウンスケーリング解像度等に制約があるため、評価には注意が必要です。前項で示されたように、海氷面積や積雪面積が大幅に変化し、その変化に対応して気象場が大きく変化する場合は適用が難しくなることも想定されます。