Los datos precisos de precipitación son esenciales para una gestión efectiva de los recursos hídricos. Este estudio tuvo como objetivo corregir los valores de precipitación del conjunto de datos de reanálisis ERA5_Ag utilizando datos de observación de 20 estaciones meteorológicas ubicadas en la cuenca del Tensift, Marruecos. Se evaluaron cinco modelos de aprendizaje automático: MLP, XGBoost, CatBoost, LightGBM y Random Forest. El rendimiento del modelo se evaluó utilizando métricas de RMSE, MAE, R y sesgo, lo que permitió seleccionar el modelo de mejor rendimiento para aplicar la corrección. Los resultados mostraron mejoras significativas en la precisión de las estimaciones de precipitación, con R oscilando entre 0.80 y 0.90 en la mayoría de las estaciones. El mejor modelo se utilizó posteriormente para corregir y generar mapas raster de precipitación corregida durante 42 años, proporcionando una herramienta espacialmente detallada de gran valor para la gestión de recursos hídricos. Este estudio es particularmente importante en regiones semiáridas como la cuenca del Tensift, donde la escasez de agua exige una toma de decisiones más precisa e informada.