La predicción precisa de precipitaciones a corto plazo (tiempo de anticipación: 0-2 h), que requiere datos de alta resolución espaciotemporal, es de gran relevancia en muchas actividades sociales y operativas dependientes del clima. En este estudio, nuestro objetivo es construir modelos de aprendizaje profundo (DL) altamente precisos para obtener directamente la predicción de precipitaciones en intervalos de 6 minutos para el tiempo de anticipación de 0-2 h. Se utilizaron los modelos de Memoria a Largo y Corto Plazo Convolucional (ConvLSTM) y Red Neuronal Recurrente Predictiva (PredRNN) como modelos DL comparativos, y se seleccionó el método de Flujo Óptico de Lucas-Kanade (LK) como una línea base de extrapolación tradicional. Los modelos se entrenaron con conjuntos de datos de alta calidad (resolución: 1 min) creados a partir de observaciones de precipitaciones registradas por estaciones meteorológicas automáticas en la provincia de Guizhou (China). Se realizó una evaluación integral de la predicción de precipitaciones, que incluyó la consideración del error cuadrático medio, la puntuación de amenaza equitativa (ETS) y la probabilidad de detección (POD). La evaluación indicó que la reducción del número de valores faltantes y la normalización de datos aumentaron la eficiencia del entrenamiento y mejoraron la habilidad de pronóstico de los modelos DL. Aumentar la longitud de la serie temporal del conjunto de entrenamiento y el número de muestras de entrenamiento mejoró tanto la POD como la ETS de los modelos DL y mejoró la estabilidad de la predicción con el tiempo. El entrenamiento con el conjunto de datos Hea-P mejoró aún más la habilidad de pronóstico de los modelos DL y aumentó drásticamente la ETS para umbrales de 2.5, 8 y 15 mm, especialmente para el tiempo de anticipación de 1 h. El modelo PredRNN entrenado con el conjunto de datos Hea-P (longitud de la serie temporal: 8 años) superó al método tradicional de Flujo Óptico LK para todos los umbrales (0.1, 1, 2.5, 8 y 15 mm) y obtuvo el mejor rendimiento de todos los modelos considerados en este estudio en términos de ETS. Además, el Método de Evaluación Diagnóstica Basada en Objetos en un caso de tormenta reveló que el modelo PredRNN, entrenado adecuadamente con datos de observación de alta calidad, podría capturar características no lineales complejas de las precipitaciones de manera más precisa que lo que se puede lograr utilizando el método de Flujo Óptico LK y establecer una red de mapeo razonable durante cambios drásticos en las precipitaciones. Así, sus resultados coincidieron más estrechamente con las observaciones, y su habilidad de pronóstico para umbrales que superan los 8 mm mejoró sustancialmente.