Bài báo này trình bày một cách tiếp cận mới để nâng cao độ chính xác trong ước tính lượng mưa tại miền Trung Việt Nam bằng cách sử dụng mô hình học máy Extreme Gradient Boosting (XGBoost). Phương pháp đề xuất tích hợp dữ liệu đa nguồn, kết hợp hình ảnh vệ tinh từ Himawari-8, phân tích lại khí quyển từ ERA-5 và mô hình độ cao kỹ thuật số từ ASTER DEM để đào tạo mô hình. Dữ liệu đo mưa từ 175 trạm trên khắp khu vực được sử dụng làm nhãn mục tiêu để xác thực. Mô hình đề xuất đạt được CSI 0,45, POD 0,75 và RMSE 4,53, với mức cải thiện lần lượt từ 11,11% tới 86,67%, 28% tới 93,33% và 16,99% tới 51,87%, so với các sản phẩm lượng mưa khác như IMERG-Final Run, GSMaP_MVK, FengYun 4A và PERSIANN-CCS. Bản đồ lượng mưa chi tiết do mô hình đề xuất tạo ra đã được so sánh với ảnh radar trong các sự kiện mưa, chứng minh mức độ tương đồng cao. Hơn nữa, phương pháp này tạo cơ sở để chạy các mô hình ước tính lượng mưa gần thời gian thực cho khu vực Việt Nam.This paper presents a novel approach to enhancing the accuracy of precipitation estimation in Central Vietnam using the Extreme Gradient Boosting (XGBoost) machine learning model. The proposed method integrates multi-source data, combining satellite imagery from Himawari-8, atmospheric reanalysis from ERA-5, and digital elevation models from ASTER DEM to train the model. Rain gauge data from 175 stations across the region are used as target labels for validation. The proposed model achieved a CSI of 0.45, a POD of 0.75, and an RMSE of 4.53, with improvements of 11.11% to 86.67%, 28% to 93.33%, and 16.99% to 51.87%, respectively, compared to other precipitation products such as IMERG-Final Run, GSMaP_MVK, FengYun 4A, and PERSIANN-CCS. Detailed rainfall maps generated by the proposed model were compared with radar imagery during rainfall events, demonstrating a high degree of similarity. Furthermore, this approach serves as the basis for running near-real-time rainfall estimation models for the region of Vietnam.