Las altas concentraciones de ozono a nivel del suelo (O) representan una amenaza significativa para la salud humana. Obtener información de alta resolución espacial y temporal sobre el O a nivel del suelo es de suma importancia para el control de la contaminación por O. Sin embargo, los métodos de monitoreo actuales tienen muchas limitaciones. El monitoreo terrestre no proporciona una cobertura extensa, y el teledetección basada en satélites está limitada por bandas espectrales específicas, careciendo de sensibilidad al O a nivel del suelo. Para abordar este problema, combinamos datos de temperatura de brillo del satélite Himawari-8 con datos meteorológicos y datos de estaciones terrestres para entrenar cuatro modelos de aprendizaje automático para obtener información de alta resolución espacial y temporal sobre el O a nivel del suelo, incluyendo Categorical Boosting (CatBoost), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM) y Random Forest (RF). Entre estos, el modelo CatBoost mostró un rendimiento superior, logrando una validación cruzada de diez veces con un R de 0.8534, un RMSE de 17.735 g/m y un MAE de 12.6594 g/m. Además, todas las variables de características seleccionadas en nuestro estudio influyeron positivamente en el modelo. Posteriormente, empleamos el modelo CatBoost para estimar las concentraciones promedio de ozono a nivel del suelo por hora a una resolución de 2 km. Los resultados de la estimación indican una relación estrecha entre las concentraciones de ozono a nivel del suelo y las actividades humanas y la radiación solar.