Due to the spatial-temporal inadequacy of large-scale general circulation models (GCMs), linking large-scale GCM data with small-scale local climatic data has found great interest. In this paper, in order to downscale minimum and maximum temperatures and precipitation predictands, the performance of three statistical downscaling techniques including Long Ashton Research Station-Weather Generator (LARS-WG), statistical downscaling model (SDSM), and artificial neural network (ANN) was compared based on Intergovernmental Panel on Climate Change-Fifth Assessment Report (IPCC-AR5) in northwest Iran. For this purpose, a nonparametric test named Mann-Whitney test, Spearman correlation coefficient, and the root mean square error (RMSE) were utilized to assess the efficiency of downscaling models. To scrutinize the climate change impacts, periods of 1961–1990 and 1991–2005 were considered as the baseline and verification periods, respectively. The findings revealed the superior performance of the ANN model for minimum and maximum temperatures, while for precipitation predictand, the SDSM represented the best performance among the models. Simulation results for future temperature indicated an ascending trend as 0.1–1.3 °C, 0.3–1.7 °C, and 0.5–2.1 °C for LARS-WG, SDSM, and ANN techniques, respectively. On the other hand, simulation outputs for the precipitation indicated a descending trend of 10–30% in future precipitation of the region according to downscaling models under Representative Concentration Pathway 8.5 (RCP8.5) pessimistic scenario of Hadley Center Coupled Model version 3 (HadCM3) GCM model.

由于大型通用环流模型（GCM）的时空不足，因此将大型GCM数据与小型局部气候数据联系在一起已引起人们极大的兴趣。为了降低最低和最高温度和降水的预测值，本文采用了三种统计缩减技术的性能，这些技术包括Long Ashton研究站-天气生成器（LARS-WG），统计缩减模型（SDSM）和人工神经网络（ANN） ）是根据伊朗西北部政府间气候变化专门委员会第五次评估报告（IPCC-AR5）进行比较的。为此，使用了一个名为Mann-Whitney检验，Spearman相关系数和均方根误差（RMSE）的非参数检验来评估缩减模型的效率。为了仔细研究气候变化的影响，1961-1990年和1991-2005年分别被视为基准期和验证期。研究结果揭示了ANN模型在最低和最高温度下的优越性能，而对于降水预测和SDSM则代表了模型中的最佳性能。未来温度的模拟结果表明，对于LARS-WG，SDSM和ANN技术，其上升趋势分别为0.1–1.3°C，0.3–1.7°C和0.5–2.1°C。另一方面，根据哈德利中心耦合模型第3版（HadCM3）的代表性浓度路径8.5（RCP8.5）悲观情景下的降尺度模型，降水的模拟输出表明该地区未来降水的下降趋势为10–30％。 ）GCM模型。分别。研究结果揭示了ANN模型在最低和最高温度下的优越性能，而对于降水预测和SDSM则代表了模型中的最佳性能。未来温度的模拟结果表明，对于LARS-WG，SDSM和ANN技术，其上升趋势分别为0.1–1.3°C，0.3–1.7°C和0.5–2.1°C。另一方面，根据哈德利中心耦合模型第3版（HadCM3）的代表性浓度路径8.5（RCP8.5）悲观情景下的降尺度模型，降水的模拟输出表明该地区未来降水的下降趋势为10–30％。 ）GCM模型。分别。研究结果揭示了ANN模型在最低和最高温度下的优越性能，而对于降水预测和SDSM则代表了模型中的最佳性能。未来温度的模拟结果表明，对于LARS-WG，SDSM和ANN技术，其上升趋势分别为0.1–1.3°C，0.3–1.7°C和0.5–2.1°C。另一方面，根据哈德利中心耦合模型第3版（HadCM3）的代表浓度路径8.5（RCP8.5）悲观情景下的降尺度模型，降水的模拟输出表明该地区未来降水的下降趋势为10-30％。 ）GCM模型。SDSM代表了模型中最好的性能。未来温度的模拟结果表明，对于LARS-WG，SDSM和ANN技术，其上升趋势分别为0.1–1.3°C，0.3–1.7°C和0.5–2.1°C。另一方面，根据哈德利中心耦合模型第3版（HadCM3）的代表浓度路径8.5（RCP8.5）悲观情景下的降尺度模型，降水的模拟输出表明该地区未来降水的下降趋势为10-30％。 ）GCM模型。SDSM代表了模型中最好的性能。未来温度的模拟结果表明，对于LARS-WG，SDSM和ANN技术，其上升趋势分别为0.1–1.3°C，0.3–1.7°C和0.5–2.1°C。另一方面，根据哈德利中心耦合模型第3版（HadCM3）的代表浓度路径8.5（RCP8.5）悲观情景下的降尺度模型，降水的模拟输出表明该地区未来降水的下降趋势为10-30％。 ）GCM模型。