پیش‌بینی بارش در مناطق خشک و نیمه‌خشک به دلیل نوسانات زمانی شدید، ناهمگنی مکانی، غیرخطی بودن و عدم‌قطعیت داده‌ها، کاری حیاتی اما چالش‌برانگیز است. این مطالعه اثرات ترکیبیِ روش‌های شناسایی داده‌های پرت، تکنیک‌های پرکردن مقادیر گمشده، و مدل‌های یادگیری ماشین را بر دقت شبیه‌سازی هیدرولوژیکی در سه حوضه نیمه‌خشک ایران شامل حوضه گاوخونی، حوضه سیاه‌کوه و حوضه قره‌قوم ارزیابی می‌کند. یک سری زمانی 2۴ ساله (2000–۲۰۲۴) بارش ERA5 با استفاده از Google Earth Engine استخراج شد. داده‌های سال‌های 2000 تا ۲۰۲۲ برای آموزش و سال‌های ۲۰۲۳ تا ۲۰۲۴ برای آزمون استفاده شدند. دو روش شناسایی داده‌های پرت، انحراف مطلق از میانه (MAD) و جنگل ایزوله (Isolation Forest)و دو روش پرکردن داده‌های گمشده شامل نزدیک‌ترین همسایه‌ها (kNN) و تحلیل طیف (SSA)، در ترکیب با مدل‌های جنگل تصادفی (RF)و تقویت گرادیان حدی (XGBoost) ارزیابی شدند. عملکرد مدل‌ها با استفاده از شاخص کارایی کلینگ–گوپتا (KGE) سنجیده شد. در مقیاس تجمیعی، روش MAD با میانگین KGE حدود 525/0 عملکرد بهتری نسبت به Isolation Forest با مقدار تقریبی 467/0 داشت. همچنین روش kNN با میانگین KGE حدود 503/0 اندکی بهتر از SSA با مقدار 49/0 عمل کرد. در میان مدل‌ها، RF با میانگین KGE حدود 51/0 پایداری کلی بیشتری نسبت به XGBoost با مقدار 482/0 نشان داد. در حوضه گاوخونی، مقادیر KGE برای مدل RF در بازه 63/0 تا 68/0 قرار داشت و بیشینه مقدار 74/0 برای ترکیب MAD + SSA + XGBoost به دست آمد. در حوضه قره‌قوم، اعمال پیش‌پردازش موجب بهبود KGE تا حدود 49/0 تا 51/0 شد.