En respuesta a la dificultad de ajuste no lineal del modelado tradicional de la temperatura media ponderada, este artículo propuso cuatro modelos basados en aprendizaje automático (ML). Basándose en los siete radiosondas en la región del Delta del Yangtsé de 2014 a 2019, se construyeron cuatro modelos de pronóstico basados en ML utilizando los algoritmos de Light Gradient Boosting Machine (LightGBM), Support Vector Machine (SVM), Random Forest (RF) y Classification and Regression Tree (CART). La temperatura de la superficie, la presión de vapor de agua y la presión atmosférica se identificaron como factores influyentes cruciales tras analizar sus correlaciones. Los modelos basados en ML fueron entrenados utilizando siete radiosondas de 2014 a 2018. Luego, el sesgo medio y el error cuadrático medio del conjunto de datos de 2019 se utilizaron para evaluar la precisión de los modelos basados en ML. Los resultados experimentales muestran que la precisión general del modelo basado en LightGBM es superior a la de los modelos basados en SVM, CART y RF bajo diferentes variaciones temporales. La media del modelo diario basado en LightGBM se reduce en 0.07 K, 0.04 K y 0.13 K en comparación con los otros tres modelos basados en ML, respectivamente. La media del modelo mensual basado en LightGBM se reduce en 0.09 K, 0.04 K y 0.11 K, respectivamente. La media del modelo trimestral basado en LightGBM se reduce en 0.09 K, 0.04 K y 0.11 K, respectivamente. El sesgo medio del modelo basado en LightGBM también es menor que el de los otros modelos basados en ML. Por lo tanto, el modelo basado en LightGBM puede proporcionar resultados más precisos y es más adecuado para obtener vapor de agua precipitable GNSS en la región del Delta del Yangtsé.