Predecir el contenido total de electrones en la ionosfera global (TEC) es crítico para aplicaciones GNSS de alta precisión, pero algunos modelos existentes no logran capturar conjuntamente la heterogeneidad espacial y las tendencias temporales multiescala. Para abordar el problema, este trabajo propone una red neuronal gráfica espaciotemporal (STGNN) que enfrenta estas limitaciones a través de (1) un mecanismo de atención posicional entrenable para inferir dinámicamente las dependencias de los nodos sin restricciones geográficas fijas y (2) un módulo secuencial GRU-Transformer para modelar jerárquicamente patrones temporales locales y globales. La red propuesta se valida mediante diferentes actividades solares y geomagnéticas. Con un conjunto de datos de entrenamiento con un período de tiempo entre 2008 y 2018, el modelo propuesto se prueba en una fase solar alta para el año 2015 y una fase solar baja para el año 2018. Para 2015, los resultados experimentales muestran una reducción del 21.9% en el RMSE en latitudes bajas en comparación con los resultados del modelo iTransformer. Para el evento de tormenta geomagnética, el STGNN propuesto logra una estabilidad un 16.0% mayor. Para la prueba de predicción de una semana (84 pasos), el STGNN muestra un error un 27.0% menor en comparación con el modelo MLPMultivariate. El aprendizaje espacial auto-adaptativo del modelo y el modelado temporal multiescala permiten de manera única la predicción del TEC bajo diversas condiciones geofísicas.