问机器学习中的面向未来的特征缩放？

EN

在训练模型后，我有一个关于特征缩放如何工作的问题。

假设一个神经网络模型通过训练外界温度来预测树的高度。

在我的训练数据中，最低的室外温度是60华氏度，最高是100华氏度。我将温度定在0到1之间，并训练模型。我保存模型以供将来进行预测。两个月后，我想根据一些新的数据进行预测。但这一次，我的测试数据中的最低温度和最高温度分别为-20华氏度和50华氏度。

经过训练的模型是如何处理这种情况的？我在训练集中进行缩放以生成训练模型的范围与测试数据范围不匹配。

什么会阻止我硬编码一个范围来缩放，我知道数据总是在-50F到130F之间？我在这里看到的问题是，如果我有一个具有许多功能的模型。如果我对每个功能施加不同的硬比例，使用功能缩放本质上是没有意义的，不是吗？