مقیاس کاهی روشی برای برآورد اقلیمی با تفکیک افقی بالا از برونداد مدل های گردش کلی (GCM) با تفکیک نسبتاً پایین است. مقیاس کاهی آماری، روابط آماری بین متغیرهای مشاهداتی در مقیاس کوچک (اغلب در سطح ایستگاه) و برونداد مستقیم مدل ها در مقیاس بزرگتر را با استفاده از سه رویکرد پیش آگاهی کامل (PP)، آماره های برونداد مدل (MOS) و مولدهای جوی (WGs) استخراج می کند. تصحیح اریبی که به شکل گسترده در مطالعات تغییر اقلیم استفاده می شود رویکرد MOS از مقیاس کاهی آماری است. باید توجه داشت که ارزش افزوده ای که در مقیاس کاهی ها به دست می آید، توسط روش های تصحیح اریبی به دست نمی آید. فارغ از عدم قطعیت ذاتی مدل ها، به کارگیری یک روش و یا یک نرم افزار نامناسب نیز ممکن است باعث افزایش اریبی در برونداد مدل ها شود. در پژوهش حاضر برونداد مدل EC-Earth3-CC برای دو متغیر دمای کمینه و بیشینه با نرم افزار CMhyd و زبان برنامه نویسی R مقایسه شد. بررسی نتایج نشان داد نرم افزار CMhyd چه در استخراج برونداد مستقیم و چه پس از انجام فرایند تصحیح اریبی، خطای قابل توجهی دارد. برای نمونه درصد اریبی برونداد مستقیم دمای بیشینه در آبادان 2/10 درصد بوده است درحالی که در نرم افزارCMhyd ،ا 5/10 درصد به دست آمد. نتیجه این پژوهش لزوم به کارگیری صحیح روش ها و نرم افزارهای پردازش برونداد (GCMs) را نشان می دهد.

مدل های گردش عمومی (General Circulation Models- (GCMs)) مناسبترین ابزار برای مطالعه پدیده تغییر اقلیم شناخته شده اند. اما این مدل ها به شبیه سازی پارامتر های اقلیمی در مقیاس بزرگ می پردازند که این مقیاس ها برای شبیه سازی فرایندهایی از جمله مدل های باران- رواناب کارایی ضعیفی دارد. ازاین رو روش های مختلف ریزمقیاس نمایی ایجاد و توسعه یافتند. در این پژوهش مدل ریزمقیاس نمایی، بر اساس روش ناپارامتریک نزدیکترین همسایگی (K-Nearest Neighbor-K-NN) ارائه شده است. در ادامه برای ارزیابی کارایی مدل، داده های بارش روزانه برای دوره آتی (2044-2015) در ایستگاه اهواز تحت سه سناریوی تغییر اقلیم بر اساس خروجی سه مدل HadCM3، NCARPCM و CSIROMK3.5 تحت سناریوی انتشار A2 شبیه سازی شده است. نتایج نشان داد که مدل ارائه شده توانایی بالایی در ریزمقایس نمایی داده های اقلیمی دارد. همچنین برای ایستگاه اهواز احتمال وقوع رگبارها با شدت بیشتر در دوره آتی افزایش یافته در حالیکه طول دوره های خشک نیز طولانی تر خواهد شد.

مدل های گردش عمومی جو، به دلیل بزرگ مقیاس بودن شبکه های محاسباتی آنها قادر به پیش بینی پارامترهای آب و هواشناسی در مقیاس نقطه ای نیستند، لذا دانشمندان ابزار واسطی به نام مدل Weather Generator را ابداع کردند که می توان بر اساس آن و با استفاده از خروجی مدل های عددی، تغییراقلیم را در مقیاس نقطه ای و ایستگاه هواشناسی مورد مطالعه و ارزیابی قرار داد. در این مقاله هدف تعیین میزان تغییرات در عناصر دما و بارش در منطقه خوزستان بر اساس خروجی های مدلGCM  می باشد. به این منظور ابندا داده های حاصل از مدل های GCM از طریق مدل Lars-wg در سطح ناحیه ای ریز مقیاس شده و سپس با داده های مدلECHO-G  تحت سناریوی A1 میزان تغییرات حاصله در عناصر دما و بارش در هشت ایستگاه سینوپتیک استان خوزستان شامل آبادان، اهواز، بستان، دزفول، مسجد سلیمان، امیدیه، رامهرمز و صفی آباد بررسی گردید .نتایج حاصل از مقایسه مقادیر دیده بانی و مدل سازی شده 2005-1986 انطباق معنی داری را نشان داده و حکایت از توانایی بالای مدل در شبیه سازی داده های اقلیمی دارد. با بررسی خروجی های مدل مشخص گردید که منطقه مطالعاتی از واکنش های متفاوتی نسبت به تغییر اقلیم برخوردار می باشد. در این راستا نتایج سه پارامتر بارش، دمای حداقل و دمای حداکثر ماهانه نشان می دهد که بیشترین افزایش دمای حداقل در ایستگاه آبادان 18.8 درجه سانتی گراد، بیشترین کاهش دمای حداکثر در ایستگاه بستان -1.8 درجه سانتی گراد و بیشترین افزایش بارش در ایستگاه رامهرمز با 1.03 میلی متر در دوره آماری 2029-2010 بوده است. نتایج همچنین حکایت از بیشترین تغییر در عنصر بارش در سراسر منطقه مطالعاتی دارد. در مجموع در هشت ایستگاه مورد مطالعه، افزایش دمای حداقل با کاهش بارش سالانه همراه خواهد بود.

امروزه مدل سازی و برآورد فراسنج های آب وهوا شناختی به سبب گستردگی تغییرات اقلیمی، افکار اغلب اندیشمندان را به خود مشغول کرده است. ازاین رو در این پژوهش برای دستیابی به بازتولید داده های اقلیمی و مقایسه سناریوهای مدل گردش عمومی جو از سه متغیر مهم اقلیمی شامل بارش، دمای کمینه و دمای بیشینه در استان سمنان استفاده شده است. بازه زمانی داده های این فراسنج ها به صورت روزانه است که از بدو تاسیس چهار ایستگاه همدید بیارجمند، شاهرود، گرمسار و سمنان تا سال 2010 را شامل می شود و این دوره زمانی به عنوان دوره پایه، مورد بررسی قرارگرفته است. همچنین برای مقایسه نتایج به دستامده از مدل با داده های مشاهداتی از سناریوهای B1، A2 و A1B در مدل HadCM3 تحت برنامه ARS-WG در دوره زمانی 2011 تا 2030 به عنوان دوره آتی شبیه سازی بهره گرفته شد. درنهایت نقشه های پهنه بندی مقادیر مشاهداتی و مقادیر شبیه سازی شده این متغیرها ترسیم شد. نتایج حاکی از این است که به طورکلی سناریوهای مورد استفاده در مدل HadCM3، قابلیت بالایی در شبیه سازی سری های زمانی متغیرهای هواشناسی در این استان را دارا می باشد و انطباق و همپوشانی نسبتا بالایی بین داده های مشاهداتی در دوره پایه با داده های شبیه سازی شده در آینده وجود دارد؛ اما سناریوی A1B در اغلب ایستگاه های مورد بررسی، توانمندی چشمگیرتری در شبیه سازی داده ها به ویژه در سه ماهه زمستان و بهار دارد. همچنین نتایج نشان داد که بیشترین میزان بارش مشاهداتی و شبیه سازی شده توسط سناریوها مربوط به ماه مارس و بیشترین دمای کمینه و دمای بیشینه از آن ژولای است. همچنین نقشه های پهنه بندی داده های مشاهداتی و مدل سازی شده متغیرهای مورد بررسی حاکی از این است که کاهش میزان بارش در سمت شرق، مرکز و شمال استان کاملا مشهود است و دمای کمینه و بیشینه نیز در سمت شرق و شمال این استان، افزایش قابل توجهی خواهد داشت.

برای ارزیابی تغییرات اقلیمی در استان گیلان، خروجی مدل های گردش عمومی جو MPEH5 و HADCM 3 با سناریوهای A2 و B1 در دوره 2011-2030 با استفاده از مدل LARS-WG ریزمقیاس شدند. در ابتدا ارزیابی مدلLARS-WG از طریق آزمون آماری t-Student و همبستگی پیرسن انجام شد. پس از تایید توانمندی مدل LARS-WG در شبیه سازی پارامترهای اقلیمی برای 8 ایستگاه موردمطالعه، به منظور پیش بینی پارامترهای موردنظر در دوره 20ساله آینده (2011-2030)، مدل بر اساس 2 سناریوی A2 و B1 برای 2 مدل گردش عمومی جو EMPEH5 و HADCM3 اجرا گردید و خروجی های به دست آمده از 4 حالت فوق با هم مقایسه گردید و مدلی که حداقل اختلاف را نسبت به میانگین نتایج کلی تمام حالت ها دارا بود به عنوان مدل مناسب انتخاب و تحلیل های لازم بر روی نتایج آن صورت پذیرفت. پس از انتخاب مدل گردش عمومی جو و سناریوی منطبق تر با شرایط اقلیمی منطقه، خروجی های مدل منتخب با دوره پایه مورد مقایسه قرار گرفتند تا روند تغییرات آن ها مشخص گردد. نتایج حاکی از افزایش دماهای کمینه و بیشینه (0.4 درجه سانتی گراد)، تعداد روزهای خشک (12 روز) و تعداد روزهای داغ (3 روز) است. همچنین نتایج کاهش میانگین بارندگی (15.2 میلی متر)، تعداد روزهای تر (11 روز) و تعداد روزهای یخبندان (5 روز) را در دوره اقلیمی آینده نشان می دهد.

شرایط زمستان در معرض تغییرات سریع آب و هواست. این تغییرات می تواند در شاخص های دمایی و بارش نمود پیدا کند. دراین میان، یخبندان، به دلیلتأثیرپذیریمستقیمونمودسریعتأثیراتگرمایش جهانی، بیشترموردتوجهاست. در این پژوهش با استفاده از داده های 44 ایستگاه همدید ایران طی بازة زمانی 1981-2010 و برون داد دو مدل ریزگردانی شدة گردش عمومی جو HADCM3 و GFCM21 برای بازه های زمانی 2046-2065 و 2080-2099 تحت سه سناریوی انتشار A2، B1، و A1B اثرات گرمایش جهانی بر تغییرات فراوانی روزهای یخبندان در ایران بررسی شد. نتایج بیانگر این بود که در اقلیم میانی (20462065) بر اساس مدل GFCM21 و سناریوهای B1، A1B، و A2 میانگین رخداد سالانة یخبندان در ایران به ترتیب 37، 46، و 41 روز خواهد بود. بر اساس مدل HADCM3 و سناریوهای یادشده، میانگین رخداد سالانة یخبندان به ترتیب 41، 42، و 46 روز است. در دورة 2081-2099، بر مبنای مدل GFCM21، میانگین شاخص یادشده 31، 29، و 43 روز خواهد بود و بر مبنای مدل HADCM3، 33، 28، و 38 روز است. به طور کلی، نتایج این پژوهش نشان داد که در همة ایستگاه های مورد مطالعه تعداد روزهای یخبندان در دهه های آتی رو به کاهش است.

در طی دهه های اخیر بیش از 40 مدل گردش عمومی جو در مراکز علمی دنیا برای شبیه سازی و پیش بینی اقلیم جهان توسعه یافته است. این مدل ها براساس شرایط اولیه و مرزی، متغیرهای مورد استفاده آب و هوا و ساختار متفاوت می باشند. لذا برای استفاده از این مدل ها برای پیش بینی آب وهوای آینده در هر منطقه، ارزیابی نظام مند عملکرد مدل های مذکور در شبیه سازی سری زمانی پارامترهای اقلیمی تاریخی مانند دما و بارندگی روزانه، ماهیانه و سالیانه الزامی خواهد بود. بدین منظور در این مطالعه یک روش نوآورانه نظام مند برای ارزیابی عملکرد 36 مدل گردش عمومی جو از گزارش پنجم هییت بین الدول تغییر اقلیم در دامنه های جنوبی رشته کوه های البرز انجام پذیرفته است. براساس نتایج، به کارگیری روش نوآورانه دارای دقت غیرقابل مقایسه ای در انتخاب درست مدل گردش عمومی در هر منطقه خواهد بود. همچنین نتایج بیانگر دقت نامناسب اکثر مدل ها در شبیه سازی دما و به ویژه بارندگی تاریخی در منطقه مطالعاتی (همانند سایر مطالعات معتبر در دنیا) بوده و حتی در مدل های برتر محدوده مطالعاتی نیز شبیه سازی بارندگی ماهیانه تاریخی مناسب نبوده است. در نهایت براساس پنج شاخص آماری ضریب نش، اریب، تبیین، ریشه میانگین مربعات خطا و متوسط خطای مطلق، مدل های ACCESS1. 0 وGFDL-CM3 با الویت بالاتر و دو مدل CNRM-CM5 و GFDL-ESM2G در الویت بعدی برای بررسی تغییر اقلیم و پیش بینی متغیرهای دما و بارندگی سال های آینده در محدوده مطالعاتی رتبه بندی و پیشنهاد گردید.

رطوبت خاک فاکتور مهم فرآیندهای هیدرولوژیکی است. لذا در این تحقیق عدم قطعیت مدل های AOGCM در برآورد رطوبت خاک به کمک مدل SWAP برای دوره آتی 2099-2080 بررسی شد. داده های اقلیمی به کمک ده مدل GCM و دو سناریو انتشار A2 و B1 ایجاد و با استفاده از مدل LARS-WG ریزمقیاس شده و وارد مدل SWAP شدند. نتایج نشان داد مدل های INMCM3 و NCARPCM به ترتیب کمترین و بیشترین مقادیر رطوبت خاک در طی هفته های پس از رشد را دارند. عدم قطعیت رطوبت سالانه اعماق خاک نیز نشان داد مدل INMCM3 برای سناریوهای A2 و B1 دارای بیشترین باند قطعیت و مدل GISS-ER برای سناریو A2 و مدل CGCM3T47 برای سناریو B1 دارای کمترین قطعیت می باشند. همچنین با مقایسه رطوبت اعماق خاک مشخص شد مقادیر رطوبت خاک در عمق 60 سانتی متری نسبت به عمق 30سانتی متری در آینده بیشتر خواهد بود.

یکی از ابراز پرکاربرد در پیش بینی آب و هوا و بررسی تاثیرات تغییر اقلیم بر روی پارامترهای آب وهوا مدل گردش عمومی (GCM) می باشد. در این مطالعه ریزمقیاس نمایی GCMها با استفاده از شبکه عصبی مصنوعی انجام گرفته است. از آنجایی که روش کلاسیک شبکه عصبی مصنوعی (پیش بینی نقطه ای) هیچ اطلاعاتی درباره ی دقت پیش بینی نمی دهد، از فواصل پیش بینی برای کمیت سنجی دقت ریزمقیاس نمایی شبکه عصبی مصنوعی استفاده شده است. برای محاسبه فواصل پیش بینی از روش جدید حد بالا و پایین (LUBE) استفاده شده است، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش بینی ساخته شده است. همچنین روش کلاسیک بوت استرپ، روشی برای ارزیابی عدم قطعیت پیش بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است. بنابراین دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل، کمیت سنجی شده است. سه GCM، Can-ESM2, BNU-ESM, INM-CM4 و ترکیب آنها، در چهار نقطه ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش بینی ریزمقیاس نمایی بارش ماهانه و دما استفاده شده است. مقایسه بین نتایج دو مدل نشان داده است که روش LUBE، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 40% کمتر و 2% تا 10% بیشتر از روش بوت استرپ برای GCM بوده است. ترکیب GCMها به نتایج دقیق تری منجر شده است و عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 60% کمتر و 2% تا 20% بیشتر از مدل های تکی GCM بوده است.