Los modelos de circulación general (GCM) se ejecutan a resolución regional o a escala continental. Por lo tanto, estos resultados no pueden utilizarse directamente para la predicción de temperaturas y precipitaciones locales. Se requieren técnicas de reducción de escala para calibrar los GCM. Los modelos de reducción de escala estadística (SDSM) son los más utilizados para la corrección de sesgos de los GCM. Sin embargo, pocos estudios han comparado SDSM con redes neuronales artificiales de perceptrón multicapa y en la mayoría de estos estudios, los resultados indican que SDSM supera a otros enfoques. Este artículo investiga una arquitectura alternativa de redes neuronales, a saber, la memoria a corto y largo plazo (LSTM), para pronosticar dos variables climáticas críticas, a saber, temperatura y precipitaciones, con una aplicación a cinco estaciones de medición climática en la cuenca del lago Chad. El lago Chad es un área con escasez de datos que ha sido impactada por sequías severas, donde los recursos hídricos han sido influenciados por el cambio climático y la reciente expansión agrícola. SDSM se utilizó como referencia en este artículo para la reducción de escala de temperatura y precipitaciones para la predicción del clima a escalas mensuales, utilizando la salida de GCM a una resolución de cuadrícula de 5 grados de latitud x 5 grados de longitud en una cuadrícula global. Se utilizaron tres indicadores de rendimiento en este estudio, a saber, el error cuadrático medio (RMSE), para medir la sensibilidad del modelo a los valores atípicos, el error porcentual absoluto medio (MAPE), para estimar el rendimiento general de las predicciones, así como la Eficiencia de Nash Sutcliffe (NSE), que es una medida estándar utilizada en el campo de la predicción climática. Los resultados en el conjunto de validación para SDSM y el conjunto de prueba para LSTM indicaron que LSTM produjo una mejor precisión en promedio en comparación con SDSM. Para la predicción de precipitaciones, el RMSE y MAPE promedio para LSTM fueron 33.21 mm y 24.82% respectivamente, mientras que el RMSE y MAPE promedio para SDSM fueron 53.32 mm y 34.62% respectivamente. En términos de pronósticos de temperatura mínima a tres años, LSTM presenta un RMSE promedio de 4.96 grados Celsius y un MAPE promedio de 27.16%, mientras que SDSM presenta un RMSE promedio de 8.58 grados Celsius y un MAPE promedio de 12.83%. Para el pronóstico de temperaturas máximas, LSTM presenta un RMSE promedio de 4.27 grados Celsius y un MAPE promedio de 11.09%, mientras que SDSM presenta un RMSE promedio de 9.93 grados Celsius y un MAPE promedio de 12.07%. Dado los resultados, LSTM puede ser un enfoque alternativo adecuado para reducir la escala de la salida de los modelos de simulación climática global, para mejorar la gestión del agua y la predicción a largo plazo de temperaturas y precipitaciones a nivel local.