La tormenta de lluvia del frente Meiyu es uno de los principales eventos meteorológicos desastrosos en verano en el este de China. En este estudio, se diseñaron siete experimentos de asimilación de datos de observación de múltiples tipos, como datos de perfil de viento, datos de radiómetro de microondas y datos de sondeo de radiosondas, para pronosticar la tormenta de lluvia del frente Meiyu el 15 de junio de 2020. Los resultados muestran que los siete experimentos pueden simular básicamente la orientación de la franja de lluvia. El experimento integral que asimila todos los tipos de observaciones es el que mejor simula la ubicación de la tormenta de lluvia intensa y muestra un buen rendimiento en la simulación de la precipitación superior a la lluvia moderada. Para el experimento integral, la desviación del pronóstico de la tormenta de lluvia y la tormenta de lluvia intensa es pequeña, y el puntaje de amenaza equitativa también ha mejorado considerablemente en comparación con otros experimentos. Se encontró que la energía potencial convectiva disponible se incrementa después de la asimilación de datos de observación de superficie. Además, la convergencia del viento y el transporte de vapor de agua se modifican después de asimilar datos de perfil de viento. En consecuencia, la eficiencia de precipitación mejora en el experimento integral. Los perfiles de temperatura potencial pseudo-equivalente, vorticidad y divergencia muestran que la asimilación de nuevos tipos de datos de observación de radar de perfil de viento y radiómetro de microondas aumenta la inestabilidad de la estratificación atmosférica y potencia el movimiento ascendente en el centro de precipitación intensa. Los resultados anteriores muestran que la introducción de varios datos de nuevos tipos antes de la simulación numérica puede reducir la desviación del pronóstico. Además, la asimilación combinada de datos de radiómetro de microondas y datos de sondeo presenta un mejor rendimiento que la asimilación de un solo tipo de datos, lo que indica que la complementariedad mutua de los datos es esencial para mejorar la precisión del pronóstico.