El pronóstico cuantitativo de precipitaciones a corto plazo es un tema desafiante en meteorología, ya que el número de fenómenos meteorológicos graves está aumentando en la mayoría de las regiones del mundo. Los datos del radar meteorológico son de suma importancia para los meteorólogos para emitir pronósticos del tiempo a corto plazo y advertencias de fenómenos meteorológicos graves. Estamos proponiendo un modelo de clasificación binaria destinado al ahora-casting de precipitaciones basado en la predicción de la reflectividad del radar meteorológico. Específicamente, utiliza dos autoencoders convolucionales, que se entrenan en datos de radar recopilados tanto en condiciones meteorológicas estratiformes como convectivas para aprender a predecir si los valores de reflectividad del radar estarán por encima o por debajo de cierto umbral. Se pretende que sea una prueba de concepto de que los autoencoders son útiles para distinguir entre precipitaciones convectivas y estratiformes. Se utiliza datos reales de radar proporcionados por la Administración Meteorológica Nacional Rumana y el Instituto Meteorológico Noruego para evaluar la efectividad del modelo. Los resultados mostraron que superó a otros clasificadores binarios utilizados en la literatura de aprendizaje supervisado en términos de probabilidad de detección y valor predictivo negativo, destacando su rendimiento predictivo.