Dự báo mưa đi kèm bão vẫn đối mặt với nhiều thách thức do sự phức tạp của các hệ thống liên quan và sự biến đổi của bão tại các quy mô khác nhau. Các mô hình dự báo hiện nay vẫn tồn tại những hạn chế, gây ra sai số trong việc ước lượng chính xác lượng mưa đi kèm với bão. Sử dụng các mô hình dự báo tổ hợp có nhiều ưu điểm như sự đa dạng trong dữ liệu đầu vào, giảm thiểu sai số và khả năng tận dụng thông tin từ nhiều nguồn khác nhau. Tuy nhiên, việc lấy trung bình của tất cả các thành phần cũng mang lại những hạn chế trong dự báo. Các phương pháp học máy có những lợi thế đáng kể trong việc xử lý dữ liệu, nhận dạng hình ảnh đồng thời phân tích dữ liệu lớn như dữ liệu vệ tinh, cung cấp một phương pháp hiệu quả để giải quyết nhiều vấn đề tồn tại trong dự báo bão nhiệt đới. Trong nghiên cứu này, nhóm tác giả thử nghiệm phương pháp học máy để cải thiện dự báo mưa trong bão bằng cách đánh giá sự tương đồng pixel-by-pixel về lượng mưa và hình dạng giữa các thành phần của mô hình ECMWF và dữ liệu vệ tinh GSMaP. Từ đó, chúng tôi đề xuất một phương pháp tổ hợp lựa chọn các thành phần tốt nhất từ mô hình ECMWF để dự báo mưa trong bão. Kết quả cho thấy, có sự cải thiện đáng kể của phương pháp tổ hợp lựa chọn so với tổ hợp trung bình thông thường thông qua chỉ số MAE, hệ số tương quan, CSI và BSS qua các khoảng thời gian dự báo và ngưỡng mưa khác nhau.