Los datos de lluvia de alta calidad son esenciales en muchos problemas de gestión del agua, incluida la gestión de aguas pluviales, la gestión de recursos hídricos y más. Debido a las variaciones espaciales-temporales, la medición de la lluvia podría ser desafiante y costosa, especialmente en áreas urbanas. Esto podría ser aún más desafiante en regiones tropicales con sus típicos eventos de lluvia de corta duración y alta intensidad, ya que algunos de los países subdesarrollados o en desarrollo en esas regiones carecen de una red densa de pluviómetros y tienen recursos limitados para utilizar lecturas de radar y satélite. Por lo tanto, explorar métodos alternativos de estimación de lluvia podría ser útil para compensar algunas deficiencias. Recientemente, algunos estudios han examinado la utilización de métodos de ciencia ciudadana para recopilar datos de lluvia como complemento a las redes de pluviómetros existentes. Sin embargo, estos intentos están en las primeras etapas y se han publicado trabajos limitados sobre la mejora de la calidad de dichos datos. Por lo tanto, este estudio se centra en la estimación de lluvia basada en imágenes con un uso potencial en ciencia ciudadana. Para ello, se desarrolla un modelo novedoso de red neuronal convolucional (CNN) para predecir la intensidad de la lluvia procesando las imágenes capturadas por ciudadanos (por ejemplo, mediante teléfonos inteligentes o cámaras de seguridad) en un área urbana. El modelo desarrollado es simplemente una herramienta de detección complementaria (por ejemplo, una mejor cobertura espacial) a la red de pluviómetros existente en un área urbana y no tiene la intención de reemplazarla. Este estudio también presenta uno de los conjuntos de datos de imágenes de lluvia más extensos jamás publicados en la literatura. Los datos de lluvia estimados por el modelo CNN propuesto en este estudio utilizando imágenes capturadas por cámaras de vigilancia y cámaras de teléfonos inteligentes se comparan con la lluvia observada por una estación meteorológica y muestran valores de R fuertes de 0.955 y 0.840, respectivamente.