Adding the effects of changes in land cover to the A2 and B1 transient climate simulations described in the Special Report on Emissions Scenarios (SRES) by the Intergovernmental Panel on Climate Change leads to significantly different regional climates in 2100 as compared with climates resulting from atmospheric SRES forcings alone. Agricultural expansion in the A2 scenario results in significant additional warming over the Amazon and cooling of the upper air column and nearby oceans. These and other influences on the Hadley and monsoon circulations affect extratropical climates. Agricultural expansion in the mid-latitudes produces cooling and decreases in the mean daily temperature range over many areas. The A2 scenario results in more significant change, often of opposite sign, than does the B1 scenario.

This paper provides an introduction to the special issue of the Journal of Geophysical Research on “New Developments and Applications With the NCAR Regional Climate Model (RegCM).” In the first part of the paper we revisit and discuss outstanding issues in regional climate modeling in view of the progress achieved in this area of research during the last decade. We discuss issues of simulation length, spin‐up, model physics, domain and resolution, lateral boundary conditions, multiple and two way nesting, and variable resolution approaches. In the second part we introduce the papers included in this issue. Among the primary model developments that occurred in the last few years are inclusions of the radiative transfer package and cumulus convection scheme from the National Center for Atmospheric Research (NCAR) global model CCM3, a simplified explicit moisture scheme including direct interaction with cloud radiation, testing of a variable resolution model configuration, improvements in the coupled lake model, and interactive coupling with radiatively active atmospheric aerosols. The papers in the issue illustrate a wide range of applications over different regions, such as the United States, East Asia, central Asia, eastern Africa. The main model limitations and areas in need of improvement are indicated.

Many climate impact applications require the equivalent of point climate observations and are highly sensitive to fine-scale climate variations that are parameterised in coarse-scale models. This is especially true for regions of complex topography, coastal or island locations, and in regions of highly heterogeneous land-cover. This guidance documents reviews statistical methods of estimating point climate from coarse scale climate projections.

The “reliability ensemble averaging” (REA) method for calculating average, uncertainty range, and a measure of reliability of simulated climate changes at the subcontinental scale from ensembles of different atmosphere–ocean general circulation model (AOGCM) simulations is introduced. The method takes into account two “reliability criteria”: the performance of the model in reproducing present-day climate (“model performance” criterion) and the convergence of the simulated changes across models (“model convergence” criterion). The REA method is applied to mean seasonal temperature and precipitation changes for the late decades of the twenty-first century, over 22 land regions of the world, as simulated by a recent set of nine AOGCM experiments for two anthropogenic emission scenarios (the A2 and B2 scenarios of the Intergovernmental Panel for Climate Change). In the A2 scenario the REA average regional temperature changes vary between about 2 and 7 K across regions and they are all outside the estimated natural variability. The uncertainty range around the REA average change as measured by ± the REA root-mean-square difference (rmsd) varies between 1 and 4 K across regions and the reliability is mostly between 0.2 and 0.8 (on a scale from 0 to 1). For precipitation, about half of the regional REA average changes, both positive and negative, are outside the estimated natural variability and they vary between about −25% and +30% (in units of percent of present-day precipitation). The uncertainty range around these changes (± rmsd) varies mostly between about 10% and 30% and the corresponding reliability varies widely across regions. The simulated changes for the B2 scenario show a high level of coherency with those for the A2 scenario. Compared to simpler approaches, the REA method allows a reduction of the uncertainty range in the simulated changes by minimizing the influence of “outlier” or poorly performing models. The method also produces a quantitative measure of reliability that shows that both criteria need to be met by the simulations in order to increase the overall reliability of the simulated changes.

Abstract A Bayesian statistical model is proposed that combines information from a multimodel ensemble of atmosphere–ocean general circulation models (AOGCMs) and observations to determine probability distributions of future temperature change on a regional scale. The posterior distributions derived from the statistical assumptions incorporate the criteria of bias and convergence in the relative weights implicitly assigned to the ensemble members. This approach can be considered an extension and elaboration of the reliability ensemble averaging method. For illustration, the authors consider the output of mean surface temperature from nine AOGCMs, run under the A2 emission scenario from the Synthesis Report on Emission Scenarios (SRES), for boreal winter and summer, aggregated over 22 land regions and into two 30-yr averages representative of current and future climate conditions. The shapes of the final probability density functions of temperature change vary widely, from unimodal curves for regions where model results agree (or outlying projections are discounted) to multimodal curves where models that cannot be discounted on the basis of bias give diverging projections. Besides the basic statistical model, the authors consider including correlation between present and future temperature responses, and test alternative forms of probability distributions for the model error terms. It is suggested that a probabilistic approach, particularly in the form of a Bayesian model, is a useful platform from which to synthesize the information from an ensemble of simulations. The probability distributions of temperature change reveal features such as multimodality and long tails that could not otherwise be easily discerned. Furthermore, the Bayesian model can serve as an interdisciplinary tool through which climate modelers, climatologists, and statisticians can work more closely. For example, climate modelers, through their expert judgment, could contribute to the formulations of prior distributions in the statistical model.

There are two main uncertainties in determining future climate: the trajectories of future emissions of greenhouse gases and aerosols, and the response of the global climate system to any given set of future emissions [ Meehl et al. , 2007]. These uncertainties normally are elucidated via application of global climate models, which provide information at relatively coarse spatial resolutions. Greater interest in, and concern about, the details of climate change at regional scales has provided the motivation for the application of regional climate models, which introduces additional uncertainty [ Christensen et al. , 2007a]. These uncertainties in fine‐scale regional climate responses, in contrast to uncertainties of coarser spatial resolution global models in which regional models are nested, now have been documented in numerous contexts [ Christensen et al. , 2007a] and have been found to extend to uncertainties in climate impacts [ Wood et al. , 2004; Oleson et al. , 2007]. While European research in future climate projections has moved forward systematically to examine combined uncertainties from global and regional models [ Christensen et al. , 2007b], North American climate programs have lagged behind.

Weather and climatic extremes can have serious and damaging effects on human society and infrastructure as well as on ecosystems and wildlife. Thus, they are usually the main focus of attention of the news media in reports on climate. There are some indications from observations concerning how climatic extremes may have changed in the past. Climate models show how they could change in the future either due to natural climate fluctuations or under conditions of greenhouse gas-induced warming. These observed and modeled changes relate directly to the understanding of socioeconomic and ecological impacts related to extremes.

Biases in climate model simulations introduce biases in subsequent impact simulations. Therefore, bias correction methods are operationally used to post-process regional climate projections. However, many problems have been identified, and some researchers question the very basis of the approach. Here we demonstrate that a typical cross-validation is unable to identify improper use of bias correction. Several examples show the limited ability of bias correction to correct and to downscale variability, and demonstrate that bias correction can cause implausible climate change signals. Bias correction cannot overcome major model errors, and naive application might result in ill-informed adaptation decisions. We conclude with a list of recommendations and suggestions for future research to reduce, post-process, and cope with climate model biases. Bias correction methods aim to remove introduced bias for climate model simulations; however, improper use can result in spurious climate signals. This Perspective considers the issues of bias correction and makes recommendations for research to overcome model biases.

The North American Regional Climate Change Assessment Program (NARCCAP) is an international effort designed to investigate the uncertainties in regional-scale projections of future climate and produce highresolution climate change scenarios using multiple regional climate models (RCMs) nested within atmosphere–ocean general circulation models (AOGCMs) forced with the Special Report on Emission Scenarios (SRES) A2 scenario, with a common domain covering the conterminous United States, northern Mexico, and most of Canada. The program also includes an evaluation component (phase I) wherein the participating RCMs, with a grid spacing of 50 km, are nested within 25 years of National Centers for Environmental Prediction–Department of Energy (NCEP–DOE) Reanalysis II. This paper provides an overview of evaluations of the phase I domain-wide simulations focusing on monthly and seasonal temperature and precipitation, as well as more detailed investigation of four subregions. The overall quality of the simulations is determined, comparing the model performances with each other as well as with other regional model evaluations over North America. The metrics used herein do differentiate among the models but, as found in previous studies, it is not possible to determine a “best” model among them. The ensemble average of the six models does not perform best for all measures, as has been reported in a number of global climate model studies. The subset ensemble of the two models using spectral nudging is more often successful for domain-wide root-mean-square error (RMSE), especially for temperature. This evaluation phase of NARCCAP will inform later program elements concerning differentially weighting the models for use in producing robust regional probabilities of future climate change.