El asunto del éxito en la predicción de la precipitación es de gran importancia para el control de inundaciones y el alivio de sequías, así como para la planificación y gestión de recursos hídricos. Para el problema no lineal en la predicción de series temporales de precipitación, se propone un modelo de predicción híbrido basado en la descomposición de modo variacional (VMD) acoplado con una máquina de aprendizaje extremo (ELM) para reducir la dificultad en la modelización de la predicción mensual de precipitación y mejorar la precisión de la predicción. Se utilizan los datos de precipitación mensual de los últimos 60 años de la ciudad de Yan"an y la montaña Huashan, en la provincia de Shaanxi, como casos para probar este nuevo modelo híbrido. Primero, las series temporales de precipitación mensual no estacionarias se descomponen en varias funciones de modo intrínseco (IMFs) relativamente estables utilizando VMD. Luego, se establece un modelo de predicción ELM para cada IMF. A continuación, se acumulan los valores predichos de estos componentes para obtener los resultados finales de la predicción. Finalmente, se adoptan tres indicadores predictivos para medir la precisión de la predicción del modelo híbrido propuesto, la red neuronal de retropropagación (BP), la red neuronal de Elman (Elman), ELM y los modelos EMD-ELM: error absoluto medio (MAE), raíz del error cuadrático medio (RMSE) y error porcentual absoluto medio (MAPE). Los resultados de la simulación experimental muestran que el modelo híbrido propuesto tiene una mayor precisión de predicción y puede ser utilizado para predecir las series temporales de precipitación mensual.