برآورد بارش با روش‌های سنتی به‌ویژه در رخدادهای همرفتی و رگباری معمولاً با خطای قابل‌توجه همراه است. به‌منظور افزایش دقت برآورد بارش، ترکیب داده‌های ماهواره‌ای و داده‌های بازتحلیل با روش یادگیری عمیق مورد استفاده قرار گرفت. در این پژوهش مدل U شکل مبتنی بر توجه توسعه یافت که ورودی آن دمای روشنایی ساعتی چندکاناله ماهواره‌های نسل دوم متئوست و خروجی آن داده‌های بازتحلیل نسل پنجم مربوط به سطح خشکی (ERA5-Land) در بازه‌ی زمانی ۲۰۱۹ تا ۲۰۲۲ با وضوح زمانی یک‌ساعته و وضوح مکانی 0.1 درجه بود. برای بهبود عملکرد مدل، از نسخه‌ای بهبودیافته و وزن‌دهی‌شده‌ی تطبیقیِ تابع زیان هوبر استفاده شد که با ترکیب مزایای توابع میانگین مربعات خطا و میانگین قدرمطلق خطا، پایداری بیشتری در برابر داده‌های بارشی حدی ایجاد می‌کند. همچنین به منظور انتقال اطلاعات بین مسیرهای رمزگذار و رمزگشا و حذف ویژگی‌های غیرضروری، از سازوکار دروازه توجه استفاده شد که همانند یک فیلتر هوشمند تنها ویژگی‌های مرتبط با پیش‌بینی بارش را عبور می‌دهد. بعد از آموزش، مدل توانست میانگین خطای مطلق را برابر با 0.39 میلی‌متر، ریشه میانگین مربعات خطا را 0.862 میلی‌متر و ضریب همبستگی را 0.8 به‌دست آورد و همبستگی مکانی مطلوبی با داده‌های ERA5‑Land نشان دهد. این پژوهش در محدوده جغرافیایی 28.5 تا 35.5 درجه شمالی و 52 تا 59 درجه شرقی انجام شده است. نتایج کلی نشان می‌دهد رویکرد ترکیبی داده‌های چندمنبع و معماری توسعه‌یافته مدل U شکل مبتنی بر توجه، به‌عنوان ابزاری مؤثر برای پایش و پیش‌بینی بارش، به‌ویژه در مناطق فاقد شبکه ایستگاهی، می‌تواند مورد استفاده قرار گیرد.