Los datos de precipitación precisos con una buena distribución espacio-temporal siguen siendo un desafío en todo el mundo, particularmente en regiones áridas como el oeste de Arabia Saudita, donde la variabilidad influye críticamente en la gestión de recursos hídricos y la mitigación de inundaciones. Este estudio evalúa cinco productos de precipitación basados en satélites: GPM, GPCP, CHIRPS, PERSIANN-CDR y PERSIANN, en comparación con la precipitación mensual observada en 28 estaciones de medición, utilizando el coeficiente de correlación (CC), el error cuadrático medio (RMSE), el sesgo relativo (RB) y el error absoluto medio (MAE). Entre los productos no corregidos, GPM logró el CC medio más alto (0.52) y el RMSE más bajo (17.0 mm) y MAE (9.18 mm) en comparación con CC = 0.39 (RMSE 19.9 mm) para GPCP, CC = 0.20 (RMSE 21.6 mm) para CHIRPS, CC = 0.43 (RMSE 19.2 mm) para PERSIANN-CDR y CC = 0.26 (RMSE 57.3 mm) para PERSIANN. Se aplicaron cuatro métodos de corrección de sesgo: escalado lineal, ajuste no lineal, mapeo de cuantiles y redes neuronales artificiales (ANN). La ANN redujo el RMSE de GPM en un 19% a 13.8 mm, aumentó el CC a 0.59, redujo el RB al 2.5% y logró un MAE de 6.89 mm. Estos resultados demuestran que GPM, particularmente cuando se corrige el sesgo a través de ANN, proporciona un conjunto de datos de precipitación confiable para la modelización hidrológica y la evaluación del riesgo de inundaciones en entornos áridos.