Este estudio explora la aplicación del algoritmo de red neuronal convolucional completa (FCN) en el campo de la meteorología, específicamente para la predicción a corto plazo de eventos meteorológicos convectivos severos como granizo, ráfagas de viento convectivo (CG), tormentas eléctricas y lluvias intensas a corto plazo (STHR) en Gansu. Los datos de entrenamiento provienen del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF) y de observaciones en tiempo real en el suelo. El rendimiento del modelo FCN propuesto, basado en conjuntos de datos de entrenamiento de 2017 a 2021, demostró una alta precisión en las predicciones, con una tasa de error general del 16.6%. Además, el modelo mostró una tasa de error del 18.6% en condiciones meteorológicas severas y no severas cuando se probó con el conjunto de datos de 2022. El despliegue operativo en 2023 arrojó un índice de éxito crítico (CSI) promedio del 24.3%, una probabilidad de detección (POD) del 62.6% y una tasa de falsas alarmas (FAR) del 71.2% para estos eventos convectivos. Es notable que el rendimiento predictivo para STHR fue particularmente efectivo con el mayor POD y CSI, así como la menor FAR. Las predicciones de CG y granizo tuvieron puntuaciones de CSI y FAR comparables, aunque el POD para CG superó al de granizo. Las mejores actuaciones del modelo FCN en términos de predicción de granizo ocurrieron en la 4ª, 8ª y 10ª horas de pronóstico, mientras que para CG, la 6ª hora fue la más precisa, y para STHR, las 2ª y 4ª horas fueron las más efectivas. Estos hallazgos subrayan la idoneidad ideal del modelo FCN para la predicción a corto plazo de fenómenos meteorológicos convectivos severos, presentando amplias perspectivas para la automatización de operaciones meteorológicas en el futuro.