Obtener datos de precipitación precisos y detallados es crucial para analizar la hidrología de cuencas, garantizar una gestión sostenible de los recursos hídricos y monitorear eventos como inundaciones y sequías. Debido a la compleja relación entre la precipitación y los factores geográficos, este estudio divide todo el país de China en ocho zonas de vegetación basadas en diferentes tipos de vegetación. Dentro de cada zona de vegetación, empleamos un enfoque de Árboles Aleatorios Extremos ajustado estacionalmente para reducir espacialmente los datos de precipitación mensual del satélite GPM (Medición Global de Precipitación). Para validar la efectividad de este método, lo comparamos con la interpolación de kriging y métodos tradicionales de reducción global. Al aumentar la resolución espacial del conjunto de datos de precipitación mensual del GPM de 0.1 grados a 0.01 grados, evaluamos los resultados reducidos y los validamos contra datos de pluviómetros a nivel del suelo y datos de precipitación del satélite GPM. Los resultados indican que el método de predicción de área particionada supera a otros enfoques, resultando en un conjunto de datos de precipitación que no solo logra una alta precisión, sino que también ofrece una resolución espacial más fina en comparación con el conjunto de datos de precipitación original del GPM. En general, este enfoque mejora la capacidad del modelo para capturar características espaciales complejas y demuestra una excelente generalización. El conjunto de datos de precipitación de mayor resolución resultante permite la creación de mapas de distribución de precipitación más precisos, proporcionando apoyo de datos para regiones que carecen de información hidrológica. Estos datos pueden utilizarse para analizar patrones de precipitación estacionales y revelar diferencias en la precipitación a través de diferentes estaciones y regiones geográficas.