La predicción de la precipitación de julio utilizando la temperatura de la superficie del mar en la fase de invierno a través de un modelo de aprendizaje automático no lineal sigue siendo un desafío. Dada la escasez de muestras observadas y la necesidad de prestar más atención a los eventos de precipitación anómalos, se emplean redes neuronales (NN) superficiales y varias técnicas de mejora para establecer el sistema de predicción estadística. Para mejorar la estabilidad de la precipitación predicha, la precipitación final es un conjunto de múltiples modelos de NN con semillas iniciales óptimas. Los datos de precipitación de años anómalos se amplifican para centrarse en eventos anómalos en lugar de eventos normales. Se crean algunas muestras artificiales basadas en la teoría de fondo relevante para mitigar el problema del tamaño de muestra insuficiente para el entrenamiento del modelo. Los experimentos de sensibilidad indican que las técnicas mencionadas podrían mejorar la estabilidad y la interpretabilidad del sistema de predicción. Las predicciones continuas indican además que el sistema de predicción es robusto y que la mitad de los eventos anómalos pueden ser predichos con éxito. Estas técnicas de mejora utilizadas en este estudio pueden aplicarse no solo a la precipitación en los tramos medio-bajos del río Yangtsé, sino también a otros eventos climáticos.