El monitoreo y la predicción de la biodiversidad y los cambios ambientales están limitados por la disponibilidad de variables climáticas precisas y espacialmente contiguas en escalas temporales y espaciales finas. En este estudio, evaluamos las mejores prácticas para generar superficies de temperatura máxima diaria del aire con resolución de un kilómetro en un contexto regional, el estado de Oregón, EE. UU. Las covariables utilizadas en la interpolación incluyen elevación derivada de sensores remotos, aspecto, altura del dosel, porcentaje de cobertura forestal y Temperatura de Superficie Terrestre (LST) del MODIS. Debido a los valores faltantes, agregamos los valores diarios de LST como climatologías mensuales a largo plazo (2000-2010) para aprovechar su detalle espacial en la interpolación. Predijimos la temperatura con tres métodos: Kriging Universal, Regresión Geográficamente Ponderada (GWR) y Modelos Aditivos Generalizados (GAM), y evaluamos las predicciones utilizando estaciones meteorológicas durante 365 días en 2010. Encontramos que GAM es el menos sensible al sobreentrenamiento (overfitting) y resulta en los errores más bajos en términos de distancia a las estaciones de entrenamiento más cercanas. La elevación media, LST y la distancia al océano son las covariables más frecuentemente señaladas como significativas entre todas las predicciones diarias. Los resultados indican que GAM con latitud, longitud y elevación es el mejor modelo, pero que LST tiene potencial para proporcionar una estructura espacial adicional de grano fino relacionada con los efectos de la cobertura terrestre. El estudio también destaca la necesidad de métodos y datos más rigurosos para evaluar la estructura espacial y la precisión de grano fino de las superficies predichas.