Los aguaceros y otros eventos de lluvia extrema se están volviendo más frecuentes e intensos, lo que hace que las previsiones precisas y la preparación para desastres sean más desafiantes. A pesar de los avances en el monitoreo meteorológico, los modelos actuales a menudo carecen de la precisión necesaria para las previsiones de lluvia extrema hiperlocales. Este estudio aborda la brecha de investigación en el modelado consciente de la configuración espacial al proponer un nuevo marco que combina la selección de estaciones meteorológicas basada en la geometría con arquitecturas avanzadas de aprendizaje profundo. El objetivo principal es utilizar datos en tiempo real de estaciones meteorológicas automáticas bien ubicadas para mejorar la precisión y fiabilidad de las predicciones de lluvia extrema. Se generaron doce conjuntos de datos únicos utilizando cuatro topologías geométricas diferentes: lineal, triangular, cuadrilátero y circular, centradas alrededor de la estación objetivo Chinchwad en Pune, India, un sitio que ha registrado diversas intensidades de lluvia, incluido un evento de aguacero. Usando criterios de rendimiento comunes, se entrenaron y evaluaron seis modelos de aprendizaje profundo a través de estas topologías. El modelo Bi-GRU propuesto bajo la topología lineal logró la mayor precisión predictiva ( = 0.9548, = 2.2120), superando a otras configuraciones. Estos hallazgos subrayan la importancia de la topología geométrica en la predicción de la lluvia y proporcionan orientación práctica para refinar el diseño de la red de estaciones meteorológicas automáticas en regiones con escasez de datos. En contraste, el modelo Transformer mostró una mala generalización con valores altos. Estos resultados destacan el papel crítico de la configuración espacial de las estaciones y la arquitectura del modelo en la mejora de la precisión de las predicciones. El marco propuesto permite sistemas de alerta temprana específicos para la ubicación en tiempo real capaces de emitir alertas 2 horas antes de los eventos de lluvia extrema. Predicciones oportunas y fiables apoyan la reducción del riesgo de desastres, la resiliencia de la infraestructura y la preparación de la comunidad, que son esenciales para salvaguardar vidas y propiedades en regiones vulnerables.