La construcción de modelos precisos que proporcionen información sobre el contenido de vapor de agua en la troposfera mejora la fiabilidad de los pronósticos meteorológicos numéricos y la precisión de posición de los receptores de Sistema de Navegación Global por Satélite (GNSS) de bajo costo. Sin embargo, desarrollar modelos con alta resolución espacial y temporal requiere conjuntos de datos observacionales compactos en las regiones de interés. Modelos empíricos, como el Global Pressure and Temperature 3 (GPT3w), se han construido basándose en las salidas promediadas mensualmente de modelos meteorológicos numéricos. Estos modelos se basan en la asimilación de mediciones existentes para proporcionar estimaciones de parámetros atmosféricos. Por lo tanto, su precisión puede verse reducida en regiones con baja resolución de estaciones de radiosonda o GNSS continuas. Al aumentar y emerger los satélites en órbita baja terrestre (LEO) que miden perfiles de parámetros atmosféricos utilizando la técnica de Oclusión Radio (RO), han surgido nuevas oportunidades para adquirir observaciones atmosféricas de alta resolución a diferentes altitudes. Este estudio tiene como objetivo aplicar estas observaciones de RO para mejorar la precisión del modelo GPT3w sobre Irán, que es escaso en términos de mediciones de GNSS y radiosonda a largo plazo. Los parámetros de temperatura, presión y presión de vapor de agua del modelo GPT3w se han utilizado como capas de entrada de la técnica de Máquina de Aprendizaje Extremo (ELM). Los índices de refractividad húmeda de la técnica RO se consideran parámetros objetivo en la capa de salida para entrenar el ELM. Las observaciones de RO de 2007-2020 se aplican para el entrenamiento, y las de 2020-2022 para evaluar el rendimiento del ELM desarrollado. Nuestros resultados numéricos indican que el ELM desarrollado disminuye los valores del Error Cuadrático Medio (RMSE) de los índices de refractividad húmeda en aproximadamente un 17 por ciento, en comparación con los valores de RMSE del GPT3w original. Además, los índices de refractividad húmeda del ELM han revelado coeficientes de correlación de aproximadamente 0.64, que son aproximadamente 1.9 veces los relacionados con el modelo GPT3w original. El rendimiento del ELM también se ha examinado mediante la comparación con los datos de seis estaciones de radiosonda ubicadas que cubren el año 2020. Esta comparación muestra una mejora de aproximadamente un 14 por ciento en los valores promedio de RMSE de los índices de refractividad húmeda estimados.