La reducción espacial es una forma efectiva de mejorar la resolución espacial de los productos de precipitación. Sin embargo, los métodos existentes a menudo no logran considerar adecuadamente la heterogeneidad espacial y la compleja no linealidad entre la precipitación y los parámetros de superficie, lo que resulta en un rendimiento de reducción deficiente y una expresión inexacta de los detalles regionales. En este estudio, proponemos un modelo de reducción de precipitación basado en regresión ponderada de red neuronal geográfica (GNNWR), que integra el índice de vegetación de diferencia normalizada, el modelo digital de elevación, la temperatura de la superficie terrestre y los datos de pendiente para abordar la heterogeneidad espacial y la compleja no linealidad. Exploramos las tendencias espaciotemporales de la precipitación en la región de Sichuan durante las últimas dos décadas. Los resultados muestran que el modelo GNNWR supera a los métodos comunes en la reducción de la precipitación para las cuatro estaciones distintas, logrando un R máximo de 0.972 y un RMSE mínimo de 3.551 mm. En general, la precipitación en la provincia de Sichuan exhibe una tendencia creciente significativa de 2001 a 2019, con un patrón de distribución espacial de baja en el noroeste y alta en el sureste. Los resultados reducidos por GNNWR exhiben la correlación más fuerte con los datos observados y proporcionan una representación más precisa de los patrones espaciales de precipitación. Nuestros hallazgos sugieren que GNNWR es un método práctico para la reducción de precipitación considerando su alta precisión y rendimiento del modelo.