La contaminación del aire presenta un grave peligro para la salud humana y el medio ambiente debido al aumento global de la industrialización y la urbanización. Si bien el monitoreo de alta resolución es crucial para comprender la formación y el control de la contaminación del aire y sus efectos en la salud humana, los métodos existentes a nivel macro-regional o a nivel del suelo hacen inferencias sobre la contaminación del aire en la misma escala espacial y no abordan las correlaciones espaciotemporales entre la distribución de la contaminación del aire de grano cruzado. En este artículo, proponemos un modelo de superresolución de atención espaciotemporal 3D (AirSTFM) para la inferencia de contaminación del aire de alta resolución a nivel de una región de gran escala. En primer lugar, diseñamos un módulo de convolución de autoatención por parches 3D para extraer las características espaciotemporales de la contaminación del aire, que agrega tanto información espacial como temporal de la contaminación del aire de grano grueso y emplea una ventana deslizante para añadir características locales espaciales. Luego, proponemos una capa de avance de flujo óptico bidireccional para extraer las características de difusión de contaminación del aire a corto plazo, que puede aprender la correlación temporal de la difusión de contaminantes entre intervalos de tiempo cercanos. Finalmente, construimos una tarea de pretexto de sobremuestreo de superresolución espaciotemporal para modelar la mapeo de características de dispersión de nivel superior entre la distribución de contaminación del aire de grano grueso y de grano fino. El método propuesto se prueba en el conjunto de datos de contaminación por PM de la región del Delta del Río Yangtsé. Nuestro modelo supera al segundo mejor modelo en RMSE, MAE y MAPE en un 2.6%, 3.05% y 6.36% en la división del 100%, y nuestro modelo también supera al segundo mejor modelo en RMSE, MAE y MAPE en un 3.86%, 3.76% y 12.18% en la división del 40%, lo que demuestra la aplicabilidad de nuestro modelo para diferentes tamaños de datos. Además, los resultados de los experimentos comprensivos muestran que nuestro propuesto AirSTFM supera a los modelos de última generación.