La presencia de contaminantes en nuestra atmósfera se ha convertido en uno de los mayores desafíos de la humanidad. Estos contaminantes, producidos principalmente por la quema de combustibles fósiles, son perjudiciales para la salud humana, nuestro clima y la agricultura. Este trabajo propone el uso de una red neuronal gráfica espaciotemporal, diseñada para predecir la concentración de ozono basada en el paradigma GraphSAGE, para ayudar en nuestra comprensión de la naturaleza dinámica de la producción y proliferación de estos contaminantes en áreas urbanas. Este modelo fue entrenado y probado utilizando datos de Houston, Texas, Estados Unidos, con diferentes números de retrasos temporales, horizontes de pronóstico (1, 3, 6 h adelante), datos de entrada y estaciones cercanas. Los resultados muestran que el modelo GNN-SAGE propuesto reconoció con éxito los patrones espaciotemporales subyacentes a estos datos, mejorando su rendimiento de pronóstico en comparación con un modelo de persistencia de referencia en un 33.7%, 48.7% y 57.1% para horizontes de pronóstico de 1, 3 y 6 h, respectivamente. El modelo propuesto produce niveles de error más bajos de los que se pueden encontrar en la literatura existente. Las conclusiones extraídas del análisis de importancia variable SHAP también revelaron que al predecir ozono, la radiación solar se vuelve relevante a medida que se aumenta el horizonte de tiempo de pronóstico. De acuerdo con la regulación de la EPA, el modelo también determinó condiciones de incumplimiento para la estación de referencia.