La extrapolación a corto plazo mediante observaciones de radar meteorológico es una de las principales herramientas para realizar pronósticos del tiempo. Recientemente, el aprendizaje profundo se ha aplicado gradualmente a las técnicas de extrapolación de radar, logrando resultados significativos. Sin embargo, para las imágenes de eco de radar que contienen sistemas convectivos fuertes, es difícil obtener resultados de alta calidad con la extrapolación a largo plazo. Además, hay pocos intentos y discusiones para incorporar factores ambientales que rigen la ocurrencia y el desarrollo de tormentas convectivas en el proceso de entrenamiento. Para demostrar el efecto positivo de los factores ambientales en las tareas de extrapolación de eco de radar, este artículo diseña una red neuronal convolucional tridimensional. El artículo describe los pasos de procesamiento para emparejar imágenes de eco de radar con datos ambientales en la dimensión espacio-temporal. Además, desarrolla un estudio experimental sobre la efectividad de siete elementos físicos y sus combinaciones para mejorar la calidad de la extrapolación de eco de radar. Además, se adopta una función de pérdida para guiar el proceso de entrenamiento del modelo para prestar más atención a los sistemas convectivos fuertes. La evaluación estadística cuantitativa muestra que el índice de éxito crítico (CSI) de la predicción de nuestro modelo mejora en un 3.42% (umbral = 40 dBZ) y un 2.35% (umbral = 30 dBZ) después de incorporar datos específicos del campo ambiental. Dos casos representativos indican que los factores ambientales proporcionan información esencial sobre los sistemas convectivos, especialmente en la predicción del nacimiento, extinción, fusión y división de celdas convectivas.