L'objectif de la prévision de précipitations à court terme (nowcasting) est de prédire l'intensité des pluies futures dans une région locale sur une période relativement courte. Très peu d'études antérieures ont examiné ce problème météorologique crucial et complexe sous l'angle de l'apprentissage automatique. Dans cet article, nous formulons la prévision de précipitations à court terme comme un problème de prévision de séquences spatio-temporelles, où tant les données d'entrée que la cible de prédiction sont des séquences spatio-temporelles. En étendant le LSTM entièrement connecté (FC-LSTM) pour qu'il possède des structures convolutionnelles dans les transitions d'entrée-état et d'état-état, nous proposons le LSTM convolutionnel (ConvLSTM) et l'utilisons pour construire un modèle entraînable de bout en bout pour le problème de prévision de précipitations à court terme. Les expériences montrent que notre réseau ConvLSTM capture mieux les corrélations spatio-temporelles et surpassent constamment le FC-LSTM ainsi que l'algorithme opérationnel ROVER, qui est à la pointe du domaine pour la prévision de précipitations à court terme.