Naukowcy zaidentyfikowali fundamentalny problem w powszechnie używanym podejściu do probabilistycznego downscalingu: niedospecyfikacja celu residualnego. Podczas gdy metoda rozkładu na predyktor średniej i generator reszt działa dobrze w idealnych warunkach, w rzeczywistych aplikacjach klimatycznych produkuje prognozy obciążone i niedorozproszone, ponieważ rozkład reszt w fazie treningowej znacząco różni się od tego wymaganego podczas testowania.
Przyczyna tkwi w błędzie downscalingu - systematycznym zniekształceniu pojawiającym się podczas przechodzenia z danych niskorozdzielczościowych do wysokorozdzielczościowych. Standardowe podejścia ignorują to obciążenie przy uczeniu generatora reszt, co prowadzi do niedostatecznej dyspersji w zespołach predykcji. Problem ten nie jest jedynie kwestią ogólnego niedopasowania kalibracji niepewności predykcji, ale wynika z głębszego niedopasowania między danymi treningowymi a warunkami rzeczywistymi.
Proponowane rozwiązanie ReMatch (Residual Distribution Matching) łączy siłę klasycznego podejścia średnia-rezidua z adaptacją do warunków testowych. Metoda wykorzystuje optymalny transport w niskowymiarowej przestrzeni głównych składowych (PCA) do wyrównania rozkładu reszt z fazy treningowej względem warunków testowych. Na syntetycznym benchmarku i rzeczywistym zadaniu downscalingu pól wiatru HRRR-ERA5, ReMatch znacznie zmniejszyła niedorozprzestrzenienie, poprawiła metryki kalibracji (SSR i CRPS) oraz przewyższyła istniejące bazowe metody. To podejście jest istotne dla atmosfery, modelowania klimatu i innych wieloskalowych systemów fizycznych, gdzie dokładne probabilistyczne prognozy są kluczowe dla wiarygodnych szacunków niepewności.