Erdsystemmodelle (ESM) sind essenzielle Hilfsmittel, um die Dynamik unseres Klimasystems zu verstehen. Allerdings erschweren ihre hohen Rechenkosten eine differenzierte Untersuchung künftiger klimatischer Bedingungen. Mit Hilfe statistischer und Machine-Learning basierter Techniken können wesentlich rechenzeiteffizientere Modelle, so genannte Emulatoren, implementiert werden, die ESM-Simulationen imitieren. ESM-Emulatoren ermöglichen es zum einen, den regionalen Klimawandel für eine Vielzahl von Emissionsszenarien zu projizieren und zum anderen, die natürliche Variabilität sowie strukturelle Unsicherheiten des Klimasystems nuanciert zu unter- suchen. Weiterhin erlaubt die Kopplung von ESM Emulatoren mit Impact Modellen diese Vorteile auf die Abbildung von Klimafolgen auszuweiten. Nuanciertes Wissen über Klimafolgen ist insbesondere in der regionalpolitischen Planung relevant, um Anpassungsmechanismen an den Klimawandel so auszugestalten, dass zu erwartende Schwankungen im Bereich der natürlichen Variabilität abgefangen werden können. Zwei der wichtigsten ESM Variablen für die Berechnung von Klimafolgen sind die regionale Temperatur und der regionale Niederschlag. Das Ziel des Promotionsprojektes ist es, von ESM generierte Temperatur- und Niederschlagszeitreihen in monatlicher und regionaler Auflösung mit Hilfe von Techniken des maschinellen und statistischen Lernens zu emulieren. Der konzipierte Emulator wird in eine Emulationskette eingebunden, die eine direkte Übersetzung einer Vielzahl an möglichen Emissionsszenarien in Klimafolgen für den landwirtschaftlichen Sektor erlaubt. Zukünftig könnte die Emulationskette auch auf andere Sektoren erweitert werden.