La predicción confiable de términos de fuente para nubes de contaminantes peligrosos en microentornos urbanos es un desafío, especialmente para la gestión de riesgos bajo estrictas limitaciones de tiempo. El movimiento de las nubes es altamente estocástico debido a la turbulencia atmosférica, intensificada por los complejos doseles urbanos. Esta complejidad, combinada con las limitaciones de tiempo, hace que la modelización computacional avanzada sea poco práctica. Un enfoque más eficiente es aprovechar datos pasados y presentes utilizando técnicas de Aprendizaje Automático (ML). Este estudio propone un método basado en ML, enriquecido con modelización física simplificada, para la estimación de términos de fuente de liberaciones de aire peligrosas imprevistas en áreas urbanas monitoreadas. Se ha seleccionado la Regresión de Bosques Aleatorios, comúnmente utilizada en meteorología y estudios de calidad del aire. Se introduce un nuevo método de selección de variables, que incluye lo siguiente: (a) un Índice de Carga de Exposición (EBI) derivado del modelo que refleja las interacciones de morfología de la nube; (b) un indicador del tiempo de viaje de la nube; (c) la desviación estándar de las variables de entrada que captura el comportamiento estocástico; y (d) la relación total de dosis a masa liberada en las ubicaciones de los sensores como variable objetivo. El estudio de caso examina experimentos de campo JU2003 que involucran nubes de SF liberadas a nivel de calle en el núcleo urbano de Oklahoma City, un escenario desafiante debido al número limitado de sensores y datos históricos. Los resultados demuestran la efectividad del enfoque, ofreciendo una alternativa prometedora y realista a los métodos tradicionales que requieren intensivos recursos computacionales.