Este estudio examina el rendimiento de tres modelos de aprendizaje automático, a saber, Red Neuronal Artificial (ANN), Bosque Aleatorio (RF) y Red Neuronal Convolucional (CNN), para la reducción espacial de pronósticos estacionales de la temperatura mínima diaria de 12 km a 250 m de resolución horizontal. La reducción espacial se lleva a cabo con un mes de anticipación, con un análisis dividido en períodos de pronóstico a corto plazo (de 1 a 8 días) y extendido (de 9 a 28 días), lo que permite una evaluación detallada del rendimiento de los modelos a lo largo del tiempo. Los resultados sugieren que la CNN supera a la ANN y a la RF, logrando un menor Error Cuadrático Medio (que varía de 2.04 degreesC a 2.66 degreesC) y un Error Absoluto Medio (de 1.59 degreesC a 2.03 degreesC), junto con una mayor correlación (de 0.75 a 0.88) y un sesgo reducido (de -0.38 degreesC a -0.68) en todas las estaciones, para el corto plazo. El modelo CNN también exhibe un rendimiento superior en la predicción de heladas, con la puntuación F1 más alta (0.78) y la tasa de descubrimiento falso más baja (0.30) en la predicción de eventos de heladas, particularmente en la primavera temprana para el período de pronóstico a corto plazo entre 2010 y 2018. Sin embargo, los errores aumentan en meses de transición, como abril, y en el período de pronóstico extendido, confirmando los desafíos intrínsecos inherentes a la predicción de eventos de heladas en estos meses. A pesar de la disminución de habilidades para los períodos de pronóstico extendido, los resultados sugieren que la efectividad del modelo CNN para la reducción espacial de la temperatura mínima y la predicción de heladas sobre terrenos complejos proporciona una herramienta valiosa para la gestión del riesgo de heladas.