กลุ่มแบบจำลองสภาพภูมิอากาศประกอบด้วยแบบจำลองระบบสภาพภูมิอากาศ ที่แตกต่างกันเล็กน้อย ค่าเฉลี่ยของกลุ่มแบบจำลองคาดว่าจะทำงานได้ดีกว่าการทำงานของแบบจำลองแต่ละแบบ^{[ 1 ]} มีกลุ่มแบบจำลองอย่างน้อยห้าประเภท ซึ่งแตกต่างกันในวิธีการเหนี่ยวนำให้แบบจำลองในกลุ่มแบบจำลองเปลี่ยนแปลง

โดยทั่วไปแล้ว จุดประสงค์ของการจำลองแบบกลุ่ม (ensemble) คือเพื่อรับมือกับความไม่แน่นอนในระบบ จุดประสงค์สูงสุดอาจเป็นการสร้างข้อมูลที่เกี่ยวข้องกับนโยบาย เช่นฟังก์ชันการกระจายความน่าจะเป็นของผลลัพธ์ต่างๆ ซึ่งพิสูจน์แล้วว่าทำได้ยากมากเนื่องจากปัญหาหลายประการ ซึ่งรวมถึง:

1. ชุดข้อมูลที่ใช้จะต้องครอบคลุมช่วงกว้างเพื่อให้แน่ใจว่าครอบคลุมช่วงทั้งหมดที่แบบจำลองสภาพภูมิอากาศอาจมีความแม่นยำ
2. การวัดว่าแบบจำลองใดดีนั้นเป็นเรื่องยาก อาจต้องพิจารณาไม่เพียงแต่ข้อผิดพลาดในการสังเกตเท่านั้น แต่ยังรวมถึงข้อผิดพลาดในแบบจำลองด้วย
3. ข้อสมมติฐานเบื้องต้นใดๆ เกี่ยวกับการกระจายตัวสามารถส่งผลต่อฟังก์ชันการกระจายความน่าจะเป็นที่ได้มา

มีกลุ่มสภาพภูมิอากาศอย่างน้อยห้าประเภทที่แตกต่างกัน

ชุดแบบจำลองหลายแบบ (MMEs) ถูกนำมาใช้กันอย่างแพร่หลายใน การประเมินของ IPCCและสามารถเข้าถึงชุดแบบจำลองสภาพภูมิอากาศที่ครอบคลุมได้ในโครงการเปรียบเทียบแบบจำลองแบบเชื่อมโยง (Coupled Model Intercomparison Project ) สมาชิกของชุดแบบจำลองหลายแบบได้รับการพัฒนาโดยองค์กรต่างๆ ที่เกี่ยวข้องกับการวิจัยการเปลี่ยนแปลงสภาพภูมิอากาศ และอาจมีความแตกต่างกันอย่างมากในด้านการออกแบบซอฟต์แวร์และวิธีการเขียนโปรแกรม การจัดการการแบ่งส่วนเชิงพื้นที่ และการกำหนดสูตรที่แน่นอนของกระบวนการทางกายภาพ เคมี และชีววิทยา ประโยชน์ของการใช้ชุดแบบจำลองหลายแบบนั้นเห็นได้จาก "ประสิทธิภาพที่ดีกว่าอย่างสม่ำเสมอของแบบจำลองหลายแบบเมื่อพิจารณาทุกแง่มุมของการคาดการณ์" ^{[ 2 ]}

การจำลองแบบฟิสิกส์ที่ถูกรบกวน (Perturbed Physics Ensembles หรือ PPEs) เป็นหัวใจสำคัญทางวิทยาศาสตร์ของ โครงการ Climateprediction.netแบบจำลองสภาพภูมิอากาศสมัยใหม่สามารถจำลองลักษณะขนาดใหญ่หลายอย่างของสภาพภูมิอากาศในปัจจุบันได้ดี อย่างไรก็ตาม แบบจำลองเหล่านี้มีพารามิเตอร์ที่ปรับได้จำนวนมาก ซึ่งแต่ละตัวมีผลกระทบอย่างมากต่อสภาพภูมิอากาศที่จำลองขึ้น แม้ว่าพารามิเตอร์เหล่านี้หลายตัวจะถูกกำหนดไว้อย่างดีโดยการสังเกตการณ์ แต่ก็ยังมีอีกหลายตัวที่ยังมีความไม่แน่นอนสูง เราไม่ทราบว่าการเลือกใช้ค่าพารามิเตอร์หรือรูปแบบที่แตกต่างกันจะให้ผลการจำลองสภาพภูมิอากาศในศตวรรษที่ 20 ที่สมจริงเท่ากัน แต่ให้ผลการพยากรณ์ที่แตกต่างกันสำหรับศตวรรษที่ 21 มากน้อยเพียงใด วิธีที่ละเอียดที่สุดในการตรวจสอบความไม่แน่นอนนี้คือการทำการทดลองแบบกลุ่มขนาดใหญ่ (massive ensemble experiment) โดยตรวจสอบการรวมกันของพารามิเตอร์ที่เกี่ยวข้องแต่ละแบบ วิธีการทั่วไปนี้เรียกว่า "กลุ่มพารามิเตอร์ที่ถูกรบกวน" (Perturbed Parameter Ensemble หรือ PPE) เนื่องจากนอกเหนือจากพารามิเตอร์ทางกายภาพแล้ว พารามิเตอร์อื่นๆ ที่เกี่ยวข้องกับวัฏจักรคาร์บอนเคมีในบรรยากาศการใช้ที่ดินฯลฯก็สามารถถูกรบกวนได้เช่นกัน

ชุดการจำลองเงื่อนไขเริ่มต้นใช้แบบจำลองเดียวกันในแง่ของพารามิเตอร์ทางฟิสิกส์ของบรรยากาศและแรงกระทำที่เหมือนกัน แต่เริ่มจากสถานะเริ่มต้นที่แตกต่างกันหลายแบบ เนื่องจากระบบภูมิอากาศมีความอลหม่าน การเปลี่ยนแปลงเล็กน้อยในสิ่งต่างๆ เช่น อุณหภูมิ ลม และความชื้นในที่หนึ่ง อาจนำไปสู่เส้นทางที่แตกต่างกันอย่างมากสำหรับระบบโดยรวม เราสามารถแก้ไขปัญหานี้ได้โดยการเริ่มต้นการจำลองหลายครั้งด้วยเงื่อนไขเริ่มต้นที่แตกต่างกันเล็กน้อย แล้วพิจารณาการเปลี่ยนแปลงของกลุ่มโดยรวม ซึ่งคล้ายกับสิ่งที่ทำในการพยากรณ์อากาศ

การมีชุดเงื่อนไขเริ่มต้นสามารถช่วยระบุความแปรปรวนตามธรรมชาติในระบบและจัดการกับมันได้

แบบจำลองสามารถถูกกระทำโดยปัจจัยกระตุ้นที่แตกต่างกันได้ ปัจจัยกระตุ้นเหล่านี้อาจสอดคล้องกับสถานการณ์ต่างๆ เช่น สถานการณ์ที่อธิบายไว้ในรายงานพิเศษเกี่ยวกับสถานการณ์การปล่อยก๊าซเรือนกระจกและล่าสุดในเส้นทางความเข้มข้นที่เป็นตัวแทน (Representative Concentration Pathway )

แกรนด์แอนเซมเบิล คือ แอนเซมเบิลของแอนเซมเบิล จะต้องมีแอนเซมเบิลซ้อนกันอย่างน้อยสองแอนเซมเบิล ซึ่งแสดงให้เห็นได้ชัดเจนที่สุดในแผนภาพด้านตรงข้าม

• การพยากรณ์อากาศใช้แบบจำลองชุดเงื่อนไขเบื้องต้น

• มีการใช้แบบจำลองสภาพภูมิอากาศเพื่อคาดการณ์การเปลี่ยนแปลงในอนาคตของการเกิดศัตรูพืชบางชนิดในพืชผล^{[ 3 ]}

สามารถใช้วิธีทางสถิติหลากหลายในการวิเคราะห์กลุ่มสภาพภูมิอากาศ เช่นการวิเคราะห์องค์ประกอบหลัก (Principal component analysis) , ANOVAและการวิเคราะห์องค์ประกอบเชิงทิศทาง (Directional component analysis )

• การพยากรณ์แบบกลุ่ม
• กลุ่ม (กลศาสตร์ของไหล)
• การคาดการณ์สภาพภูมิอากาศระดับชาติ
• การวิเคราะห์ความไว
• การวิเคราะห์ความไม่แน่นอน