Das Hauptziel dynamischer Klimamodelle besteht darin, zukünftige Entwicklungen zu projizieren, vergangene Bedingungen zu rekonstruieren und numerische Experimente durchzuführen. Diese Modelle, ob global oder regional, liefern auf großen Skalen die genauesten Ergebnisse, während ihre Genauigkeit auf kleineren Skalen abnimmt. Dieser Rückgang der Modellgüte ist zum Teil darauf zurückzuführen, dass auf kleineren Skalen Rauschen eine zunehmend wichtige Rolle spielt und die Modelle zwangsläufig die Dynamik beschneiden müssen, indem sie Zustände ignorieren, die durch die numerische Diskretisierung nicht erfasst werden. Viele Studien, die sich mit den Auswirkungen von Klimaschwankungen und -veränderungen befassen, erfordern jedoch ein Verständnis dieser kleineren Skalen. Daher gibt es einen Trend, die Modelle zu verfeinern, um immer kleinere Skalen abzubilden, was jedoch die Rechenkosten erheblich erhöht. Eine wirtschaftlichere Alternative besteht darin, die statistischen oder dynamischen Zusammenhänge zwischen groß- und kleinräumigen Zuständen zu identifizieren – ein Verfahren, das als „Downscaling“ bezeichnet wird. In diesem Kapitel untersuchen wir die Entwicklung sowohl empirischer als auch dynamischer Downscaling-Methoden zur konsistenten Abschätzung kleinräumiger Dynamik und zur Bewertung regionaler und lokaler Auswirkungen. Eine der technischen Herausforderungen in diesem Prozess besteht darin, kleine und große Skalen durch geeignete Filtertechniken effektiv voneinander zu trennen.