En este estudio, aplicamos una técnica de aprendizaje automático explicable basada en el método LightGBM, una categoría de algoritmo de árboles de decisión de refuerzo por gradiente, para realizar una estimación cuantitativa de la precipitación por radar y comprender las razones subyacentes de las excelentes estimaciones. Al introducir datos de reflectividad de radar en 3D en el algoritmo LightGBM, construimos tres modelos de LightGBM, incluidos modelos de LightGBM en 2D y 3D. Se llevaron a cabo diez grupos de experimentos para comparar el rendimiento de los modelos de LightGBM con los métodos tradicionales de relación Z-R. Para evaluar aún más el rendimiento de los modelos de LightGBM, se utilizaron eventos de lluvia con un total de 11,483 muestras durante agosto-septiembre de 2022 para el análisis estadístico, y se eligieron específicamente dos eventos de lluvia intensa para la evaluación de la distribución espacial. Los resultados tanto del análisis estadístico como de la distribución espacial demuestran que el rendimiento del modelo 3D de LightGBM con nueve puntos es el mejor método para la estimación cuantitativa de la precipitación en este estudio. Al analizar la explicabilidad de los modelos de LightGBM a partir de los valores de regresión de explicaciones aditivas de Shapley (SHAP), se puede inferir que el rendimiento superior del modelo 3D de LightGBM se atribuye principalmente a su consideración de los atributos de las estaciones de pluviómetro, las características de variación diurna y la influencia del desplazamiento espacial.