La previsión de precipitación inminente se refiere a la predicción de precipitación en un corto plazo, que generalmente se considera un problema de predicción de secuencias espaciotemporales basado en mapas de eco de radar. Sin embargo, debido a su dependencia de la predicción de una sola imagen, carece de una buena captura de eventos convectivos severos repentinos y de restricciones físicas, lo que puede llevar a ambigüedades en la predicción y problemas como falsas alarmas y alarmas perdidas. Por lo tanto, este estudio combina dinámicamente elementos meteorológicos de observaciones en superficie con datos de reanálisis de la atmósfera superior para establecer relaciones no lineales complejas entre variables meteorológicas basadas en datos multisource. Diseñamos una Red Convolucional Espaciotemporal Residual (ResSTConvNet) específicamente para este propósito. En este modelo, la fusión de datos se logra a través del mecanismo de atención de canales, que asigna pesos a diferentes canales. La extracción de características se lleva a cabo mediante operaciones de convolución tridimensional y bidimensional simultáneas utilizando una estructura puramente convolucional, lo que permite el aprendizaje de información de características espaciotemporales. Finalmente, el ajuste de características se realiza a través de conexiones residuales, mejorando la capacidad predictiva del modelo. Además, evaluamos el rendimiento de nuestro modelo en pronósticos de 0 a 3 horas. Los resultados muestran que, en comparación con métodos de referencia, esta red exhibe un rendimiento significativamente mejor en la predicción de lluvias intensas. Además, a medida que aumenta el tiempo de pronóstico, las características espaciales de los resultados de pronóstico de nuestra red son más ricas que las de otros modelos de referencia, lo que conduce a predicciones más precisas de la intensidad de la precipitación y del área de cobertura.