En las regiones subtropicales, las fuertes lluvias de las nubes cumulonimbus pueden causar desastres como inundaciones repentinas y deslizamientos de tierra. La predicción precisa de la distribución de nubes cumulonimbus es crucial para mitigar tales pérdidas. Se han utilizado enfoques tradicionales de aprendizaje automático en datos de eco de radar generados por sistemas de radar de indicador de posición de plano a altitud constante (CAPPI) para predecir la distribución de nubes cumulonimbus. Sin embargo, los resultados a menudo son demasiado borrosos y difusos. Este artículo propone un enfoque novedoso que integra redes neuronales convolucionales de grafos (GCN) y unidades recurrentes con puerta de trayectoria (TrajGRU) con un mecanismo de atención para predecir la distribución de nubes cumulonimbus a partir de datos de eco de radar. Se realizaron experimentos utilizando el conjunto de datos modificado en movimiento del Instituto Nacional de Estándares y Tecnología (moving MNIST) y datos de eco de radar del mundo real, y el modelo propuesto mostró una mejora del 59.12% en el error cuadrático medio (MSE) y una mejora del 16.26% en la medida de índice de similitud estructural (SSIM) en promedio en el conjunto de datos moving MNIST, una mejora del 65.40% en MSE y una mejora del 10.29% en SSIM en promedio en el conjunto de datos de eco de radar. Estos resultados demuestran la efectividad del enfoque propuesto para mejorar la precisión de la predicción de la distribución de nubes cumulonimbus.