Abordando los desafíos planteados por la escasez de estaciones meteorológicas en tierra y la resolución y precisión insuficientes de los productos de precipitación de reanálisis y satelitales, este estudio establece un sistema de características ambientales de múltiples fuentes que coincide precisamente con la resolución de los datos de precipitación objetivo (1 km x 1 km). Sobre esta base, propone de manera innovadora un algoritmo de umbral adaptativo de doble espectro basado en Random Forest (RF-DSAT) para la selección de factores clave y posteriormente integra una Red Neuronal Convolucional (CNN) con una Unidad Recurrente Con Puerta (GRU) para construir un Modelo de Corrección de Sesgo Acoplado Espaciotemporalmente para datos de múltiples fuentes (CGBCM). Además, al integrar estos componentes tecnológicos, presenta un método de reducción de escala de precipitación de datos de múltiples fuentes impulsado por Inteligencia Artificial (AIMPD), capaz de reducir la escala de campos de precipitación de 0.1 grados x 0.1 grados a una resolución de alta precisión de 1 km x 1 km. Tomando la región de curvatura de la Cuenca del Río Amarillo en China como estudio de caso, AIMPD demuestra un rendimiento superior en comparación con la interpolación bicúbica, eXtreme Gradient Boosting (XGBoost), CNN y redes de Memoria a Largo y Corto Plazo (LSTM), logrando mejoras de aproximadamente 1.73% a 40% en la Eficiencia de Nash-Sutcliffe (NSE). Exhibe una precisión excepcional, particularmente en la reducción de escala de precipitaciones extremas, al tiempo que mejora significativamente la eficiencia computacional, ofreciendo así nuevas perspectivas para la investigación sobre la reducción de escala de precipitaciones globales.