Uno de los desafíos abiertos más importantes en la ciencia del clima es la reducción de escala. Es un procedimiento que permite hacer predicciones a escalas locales, partiendo de información de campo climático disponible a gran escala. Los avances recientes en aprendizaje profundo proporcionan nuevos conocimientos y soluciones de modelado para abordar tareas relacionadas con la reducción de escala al aprender automáticamente el mapeo de resolución de gruesa a fina. En particular, los modelos de aprendizaje profundo diseñados para problemas de super resolución en visión por computadora pueden ser explotados debido a la similitud entre imágenes y mapas de campos climáticos. Por esta razón, se ha desarrollado una nueva arquitectura adaptada para la reducción estadística de escala (SD), denominada MSG-GAN-SD, que permite interpretabilidad y buena estabilidad durante el entrenamiento, debido a la información de gradiente a múltiples escalas.