Las granjas de ganado son fuentes reconocidas de emisiones de amoníaco, lo que impacta las concentraciones de partículas de polvo fino en las regiones cercanas, aunque la magnitud total de este impacto sigue siendo incierta. Los modelos de dispersión del aire, comúnmente empleados para estimar los niveles de material particulado (PM), dependen en gran medida de la calidad de los datos, lo que resulta en diferentes niveles de precisión. Este estudio compara el rendimiento de los modelos de dispersión del aire y los modelos de aprendizaje profundo espaciotemporales en la estimación de concentraciones de PM en las áreas de ganadería de la República de Corea. Se recopilaron datos de concentración de PM por hora, junto con temperatura, humedad y presión atmosférica, de siete estaciones de monitoreo en toda el área de estudio. Utilizando una cuadrícula de predicción de 200 m x 200 m, se generaron pronósticos para intervalos de 1 h y 24 h utilizando el modelo Lagrangiano de Graz (GRAL) y una red neuronal convolucional unidimensional combinada con el algoritmo de memoria a largo y corto plazo (1DCNN-LSTM). Los resultados destacan el potencial del modelo de aprendizaje profundo para mejorar la predicción de PM, indicando su promesa como una alternativa o complemento efectivo a los modelos de dispersión del aire convencionales, particularmente en áreas con escasez de datos, como las que rodean a las granjas de ganado. Obtener una comprensión integral y evaluar las ventajas y desventajas de cada enfoque ofrecería valiosos conocimientos científicos para monitorear los niveles de contaminación atmosférica dentro de un área específica.