Este estudio compara las técnicas de corrección de sesgo del mapeo de cuantiles empíricos (QM) y el modelo de aprendizaje automático de memoria a largo y corto plazo (LSTM) para la simulación de la lluvia diaria en verano, centrándose en el sesgo dependiente de la precipitación y la variación temporal. Se realizaron experimentos numéricos utilizando el modelo de investigación y pronóstico del tiempo (WRF) sobre Corea del Sur con condiciones de frontera lateral de datos de reanálisis ERA5. Para la distribución espacial de la lluvia media de verano, la simulación WRF sin corregir (WRF_RAW) mostró un sesgo seco en la mayor parte de la región de Corea del Sur. Los resultados de WRF corregidos por QM y LSTM (WRF_QM y WRF_LSTM, respectivamente) mejoraron la simulación de la lluvia media de verano con valores de error cuadrático medio de 0.17 y 0.69, respectivamente, que fueron menores que los de WRF_RAW (1.10). Aunque el WRF_QM tuvo un mejor desempeño que el WRF_LSTM en términos de la precipitación media y mensual de verano, el WRF_LSTM presentó una variación interanual de la lluvia más cercana a la observación que el WRF_QM. El coeficiente de determinación para la lluvia media por día calendario fue el más alto en el siguiente orden: WRF_LSTM (0.451), WRF_QM (0.230) y WRF_RAW (0.201). Sin embargo, el WRF_LSTM tuvo una limitación en la reproducción de lluvias extremas que superan los 50 mm/día debido a los pocos casos de precipitación extrema en los datos de entrenamiento. No obstante, el WRF_LSTM simuló mejor la precipitación observada de ligera a moderada (10-50 mm/día) que los demás.