Comparamos tres modelos de aprendizaje automático: red neuronal artificial (ANN), bosque aleatorio (RF) y red neuronal convolucional (CNN) para la reducción espacial de la temperatura a 2 m sobre el suelo (T2M) de un reanálisis ERA5-Land de 9 km a 1 km en un área de terreno complejo, incluyendo el Valle Non y el Valle del Adige en los Alpes italianos. Los resultados sugieren que CNN tiene un mejor rendimiento que los otros métodos en todas las estaciones. RF tiene un rendimiento similar al de CNN, particularmente en primavera y verano, pero su rendimiento se reduce en invierno y otoño. El mejor rendimiento se observó en verano para CNN (R = 0.94, RMSE = 1 degreesC, MAE = 0.78 degreesC) y el más bajo en invierno para ANN (R = 0.79, RMSE = 1.6 degreesC, MAE = 1.3 degreesC). La elevación es un predictor importante para ANN y RF, mientras que no juega un papel significativo para CNN. Además, CNN supera a los demás incluso sin la elevación como característica adicional. Además, el MAE aumenta con una mayor elevación para ANN en todas las estaciones. Por el contrario, el MAE disminuye con el aumento de la elevación para RF y CNN, particularmente en verano, y se mantiene mayormente estable en otras estaciones.