Nuestro estudio investiga el uso de modelos de aprendizaje automático para la predicción diaria de precipitaciones utilizando datos de 56 estaciones meteorológicas en la provincia de Jilin, China. Evaluamos modelos de Memoria a Largo Plazo y Corto Plazo Apilados (LSTM), Transformador y Regresión de Vectores de Soporte (SVR), siendo el LSTM apilado el que mostró el mejor rendimiento en términos de precisión y estabilidad, medido por el Error Cuadrático Medio (RMSE). Para mejorar la robustez, se introdujo ruido gaussiano, mejorando particularmente las predicciones para días sin precipitaciones. Los principales predictores identificados a través del análisis de atribución de variables incluyen temperatura, punto de rocío, precipitaciones anteriores y presión atmosférica. Además, demostramos los beneficios prácticos de las previsiones de precipitaciones en la optimización de la asignación de recursos hídricos. Una estrategia basada en predicciones supera la distribución equitativa en la gestión eficiente de recursos, como se muestra en un estudio de caso utilizando datos de Beidahu de 2022. En general, nuestra investigación avanza en la predicción de precipitaciones a través del aprendizaje profundo y ofrece valiosos conocimientos para la gestión de recursos hídricos.