A pesar del creciente impacto de las emisiones en nuestra salud y el medio ambiente, sigue existiendo una necesidad insatisfecha de predicción y pronóstico de la concentración de emisiones. Los datos acumulados de estaciones de monitoreo y satélites hacen que el problema sea adecuado para el aprendizaje automático cuántico. Este trabajo adopta un enfoque de aprendizaje automático cuántico para la predicción espaciotemporal de la concentración de emisiones. Se desarrolló un modelo de red neuronal cuántica cuanvolucional y se comparó con un modelo clásico de ConvLSTM espaciotemporal utilizando un marco de evaluación de modelos de referencia y métricas de pérdida por píxel y precisión de intersección sobre unión. La red neuronal cuántica cuanvolucional desarrollada genera con éxito pronósticos de concentración de emisiones a una hora vista con pérdidas cada vez menores (6.5% y 30.5% menos) y mayor precisión (18.4% y 18.6% más) en comparación con las líneas base independientes de la entrada y aleatorias al final del entrenamiento. El modelo cuántico también fue comparable al modelo clásico de ConvLSTM, con una pérdida ligeramente menor (4%) pero también una precisión ligeramente inferior (3.7%). Los resultados del estudio sugieren que el enfoque de aprendizaje automático cuántico tiene el potencial de mejorar la modelización de la concentración de emisiones y podría convertirse en una herramienta poderosa para predecir con precisión la contaminación del aire.