اقلیم، وضیعت آب و هوای حاکم بر یک منطقه را نشان می دهد. از جمله علل تغییر پذیری سال به سال اقلیم در نقاط مختلف جهان پدیده های جوی - اقیانوسی می باشند. گاهی نا هنجاری های متناوب و با دوام فشار و الگو های گردش جوی اثرات خود را بر موقعیتی فراتر از محل وقوع آن تحمیل می کنند. این گونه اغتشاش جوی به «پیوند از دور» معروف است. نوسانات مادن – جولیان (mjo) یک الگوی پیوند از دور و شکل غالب تغییر پذیری زیر فصل گرمسیری مناطق حاره و فوق حاره می باشد که در سیستم چرخه ی جو - اقیانوس نقش مهمی را ایفا می کند. ثابت شده است که این پدیده می تواند در مقیاس زمانی درون فصلی بر الگو های میدان باد و بارش در منطقه جنوب غرب آسیا (ایران، افغانستان و پاکستان) تأثیر بگذارد. از آنجایی که تغییر اقلیم موجب تغییر متغیر های هواشناسی می شود، مقدار تبخیر و تعرق مرجع تغییر یافته و در حالت کلی نیاز آبی گیاه تغییر خواهد کرد. با توجه به مشکل کمبود آب در کشور و اهمیت تبخیر و تعرق در بخش کشاورزی، اثر فاز های مختلف mjo بر تبخیر و تعرق مرجع در برخی از مناطق جنوبی کشور طی دوره ی آماری (2008-1979) مورد ارزیابی قرار گرفت. در این تحقیق ابتدا مقادیر تبخیر و تعرق مرجع (et0) برای ایستگاه های مورد مطالعه با استفاده از داده-های هواشناسی بوسیله ی نرم افزار ref-et و روش پنمن مانتیث فائو – 56 محاسبه شد. داده های شاخص mjo بر اساس تعریف ویلر و هندون از پایگاه سازمان بین المللی جوی اقیانوسی استخراج شد. زوج آماری et0 و mjo برای هر ایستگاه در فاز ها و ماه های مختلف تشکیل شد. با استفاده از ضرایب همبستگی پیرسون و اسپیرمن، رگرسیون خطی و روش گزینش پیش رونده تأثیر شاخص mjo بر et0 در ایستگاه ها و فاز های هشت گانه mjo مورد آزمون و بررسی قرار گرفت. نتایج حاکی ازتأثیر معنی دار فاز های هشت گانه mjo روی et0 در ایستگاه های مورد مطالعه بود. بیشترین تعداد همبستگی معنی دار در ایستگاه بندرلنگه اتفاق افتاد. همچنین در فاز هایی که محل فعالیت آن ها از لحاظ فاصله مکانی نزدیک به سواحل جنوبی کشور بوده است، تأثیر گذاری بیشتری ملاحظه شد. در این رابطه فاز های 1 و 8 دارای بیشترین درصد همبستگی معنی دار و همچنین بیشترین میانگین ضرایب ? بودند. بیشترین تأثیر معنی دار mjo روی et0 در ماه ژوئیه بوقوع پیوست. بیشترین درصد متغیر های تبیین نشده در ماه مارس بوقوع پیوست. در این تحقیق mjo3 به عنوان فعال ترین متغیر مستقل انتخاب شد، زیرا بیشترین درصد مشارکت در مدل های رگرسیونی را به خود اختصاص داد.