El rayo es responsable, directa o indirectamente, de importantes pérdidas humanas y daños a la propiedad en todo el mundo. Una predicción oportuna de su ocurrencia puede permitir a las autoridades y al público tomar las acciones de precaución necesarias, lo que resulta en la disminución de los peligros potenciales causados por el rayo. En este artículo, basado en la suposición de que los fenómenos atmosféricos se comportan de manera continua, presentamos un modelo basado en U-nets residuales donde la arquitectura de la red aprovecha este sesgo inductivo al combinar la información que pasa directamente de la entrada a la salida con los cambios necesarios requeridos en la anterior, predichos por una red neuronal. Nuestro modelo se entrena únicamente con datos de rayos de satélites meteorológicos geoestacionarios y puede utilizarse para predecir la ocurrencia de rayos futuros. Nuestro modelo tiene la ventaja de no depender de modelos numéricos de clima, que son inherentemente lentos debido a su naturaleza secuencial, lo que permite su uso para predicciones a corto plazo (nowcasting). Además, nuestro modelo tiene un rendimiento similar en comparación con otros predictores de rayos basados en aprendizaje automático en la literatura, mientras utiliza una cantidad significativamente menor de datos para el entrenamiento, limitado a datos de rayos. Nuestro modelo, que se entrena para cuatro diferentes tiempos de anticipación de 15, 30, 45 y 60 minutos, supera la línea base de persistencia tradicional en un 4%, 12% y 22% para tiempos de anticipación de 30, 45 y 60 minutos, respectivamente, y tiene una precisión comparable para un tiempo de anticipación de 15 minutos.