Downscaling is a fundamental procedure in the assessment of the future climate change impact at regional and watershed scales.Hence, it is important to investigate the spatial variability of the climate conditions that are constructed by various downscaling methods to assess whether each method can properly model the climate conditions at various spatial scales. To gain some insight into this issue with respect to statistical versus dynamical downscaling approaches, an assessment of the precipitation variability from a popular statistical downscaling method [bias correction with spatial disaggregation (BCSD)] and a dynamical downscaling method [by MM5: Fifth-Generation National Center for Atmospheric Research (NCAR)/Penn State Mesoscale Model] was performed. This assessment is based on the historical NCAR/National Center for Environmental Prediction (NCEP) reanalysis data, a community climate system model version 3  CCSM3) globa climate model (GCM) control run for the 1950?1999 period, and the CCSM3 GCM A1B emission scenario simulations for a projection period. Two spatial characteristics are investigated: (1) the normalized standard deviation (NSD), and (2) the precipitation change over the northern California region. The results of this investigation show that BCSD-based NSD and local precipitation change values do not show realistic spatial variation. Instead, they show interpolated spatial patterns from the coarse grid data set of two-degree resolution for both historic and projection periods. Meanwhile, MM5-based NSD and local precipitation change values show realistic spatial characteristics of precipitation variability for each month (December and July), for each season [December-January-February (DJF) and June-July-August (JJA)],
and for the annual values, due to the heterogeneity in the northern California study region’s land characteristics.