Las lluvias extremas son el principal factor que contribuye a los deslizamientos de tierra. Por lo tanto, es de gran importancia monitorear y prever las lluvias a corto plazo en áreas propensas a deslizamientos. Sin embargo, la escala espacial de las áreas propensas a deslizamientos es pequeña, y los modelos de pronóstico numérico tradicionales tienen dificultades para prever con precisión las lluvias en esta escala. Para resolver el problema anterior, este estudio propone un método de pronóstico de lluvias a corto plazo para áreas propensas a deslizamientos combinando el algoritmo de red neuronal de retropropagación (BP-NN) y observaciones del sistema global de navegación por satélite (GNSS) para lograr un pronóstico preciso de lluvias a corto plazo en áreas propensas a deslizamientos. En primer lugar, se establece un modelo de temperatura media ponderada atmosférica (Tm) de alta precisión utilizando datos de radiosondeo para obtener estimaciones de vapor de agua precipitable (PWV) de alta precisión. En segundo lugar, se introduce el algoritmo BP-NN, y se utilizan como parámetros de entrada el PWV derivado del GNSS, la temperatura y la presión de una estación meteorológica, y la lluvia de la hora anterior y la siguiente para establecer un modelo de pronóstico de lluvias basado en BP-NN. Como caso ilustrativo, se realizan experimentos en un área propensa a deslizamientos en la provincia de Yunnan utilizando datos de 15 estaciones GNSS y la estación meteorológica correspondiente. Los resultados estadísticos muestran que el modelo regional Tm establecido tiene una alta precisión, con un error cuadrático medio (RMS) y un sesgo promedio de 3 K y 0.15 K, respectivamente. Además, el modelo de pronóstico de lluvias a corto plazo basado en el algoritmo BP logra una tasa de detección verdadera de hasta el 93.70% y una tasa de pronóstico falso de tan solo el 38.30%, lo que es significativo para el pronóstico de lluvias a corto plazo en áreas propensas a deslizamientos.