無人統計的降尺度化：差分後ろ向き抽出法による

一般的な Supervised 気象降尺度化は、paired データの欠如と再分析に対する相対的な専門分野でないグリッド・モデル (GCM) との間の違いにより、大気モデルに一般化してしまいます。一方、現在の無人統計法は、大型スケーリングファクタ下での物理的不一致と gradients の消失問題に苦しんでいます。Zero-Shot Statistical Downscaling （ZSSD）という無人統計的スキームを提案します。これは訓練中には並列したトレーニングデータを使用しないことで統計的な降尺度を実行します。 ZSSD は、再分析データからの物理的に一致する気候基準学習によって利用され、地学的境界と時間情報の条件付けにより物理的正当性を強制します。さらに、GCM の間で安定した推論が可能となるため、統一的な座標ガイドを行います。この戦略は vanilla DPS での gradients に対する消失問題に対して対応し、大規模なフィールドと整合性を持ちます。結果として、ZSSD は既存の無人ベースラインに比べ、特に99％ポイントエラーにおいて大幅に優れています。また、複雑な気象事象を（気候モデル間で多様）的に再構築することも可能です、その例としては、台風などです。

arXiv:2601.21760v2 Announce Type: replace Abstract: Conventional supervised climate downscaling struggles to generalize to Global Climate Models (GCMs) due to the lack of paired training data and inherent domain gaps relative to reanalysis. Meanwhile, current zero-shot methods suffer from physical inconsistencies and vanishing gradient issues under large scaling factors. We propose Zero-Shot Statistical Downscaling (ZSSD), a zero-shot framework that performs statistical downscaling without paired data during training. ZSSD leverages a Physics-Consistent Climate Prior learned from reanalysis data, conditioned on geophysical boundaries and temporal information to enforce physical validity. Furthermore, to enable robust inference across varying GCMs, we introduce Unified Coordinate Guidance. This strategy addresses the vanishing gradient problem in vanilla DPS and ensures consistency with large-scale fields. Results show that ZSSD significantly outperforms existing zero-shot baselines in 99th percentile errors and successfully reconstructs complex weather events, such as tropical cyclones, across heterogeneous GCMs.