Basado en datos de radar meteorológico en banda C y datos de precipitación en el área de la montaña Helan en Yinchuan entre 2017 y 2020, evaluamos el rendimiento de pronóstico de 15 modelos de aprendizaje profundo de corriente principal utilizados en los últimos años, incluidos modelos basados en recurrentes y modelos sin recurrencia. Se utilizaron el índice de éxito crítico (CSI), la probabilidad de detección (POD), la tasa de falsas alarmas (FAR), el error cuadrático medio (MSE), el error absoluto medio (MAE) y la similitud de parches de imagen perceptual aprendida (LPIPS) para evaluar las capacidades de pronóstico. Los resultados mostraron que (1) los modelos sin recurrencia tienen ventajas significativas en cantidad de parámetros y potencia de cálculo, especialmente el modelo SimVP. Entre los modelos basados en recurrentes, PredRNN y PredRNN++ demuestran buenas capacidades predictivas para cambios en la ecolocalización y la intensidad, siendo PredRNN++ más efectivo en la predicción de secuencias largas (1 h); (2) SimVP utiliza Inception para extraer características temporales, lo que no puede capturar los cambios físicos complejos en las imágenes de eco de radar y no logra extraer correlaciones espacio-temporales ni predecir con precisión las áreas de fuertes lluvias de manera efectiva. Por lo tanto, construimos el modelo SimVP-GMA, reemplazando el módulo de predicción temporal en SimVP y modificando la parte del codificador espacial. En comparación con SimVP, los indicadores MSE y LPIPS mejoraron en 0.55 y 0.0193, respectivamente. Se puede ver en las imágenes de pronóstico que los detalles del pronóstico han mejorado significativamente, especialmente en la predicción del clima de fuertes lluvias.