Este estudio examina cómo la morfología urbana, las configuraciones viales y los factores meteorológicos moldean la dispersión de material particulado fino (PM2.5) en entornos urbanos de alta densidad, abordando una brecha en el análisis de la calidad del aire a nivel de manzana. Mientras que investigaciones anteriores se han centrado en cañones de calles individuales, este estudio destaca la influencia más amplia de la disposición y altura de los edificios. La integración de simulaciones de dinámica de fluidos computacional (CFD) con modelos de aprendizaje automático (ML) interpretables cuantifica las concentraciones de PM2.5 en diversas configuraciones urbanas. Se realizaron simulaciones CFD en diferentes diseños viales, configuraciones de altura de bloques y niveles de relación de aspecto (AR). El conjunto de datos resultante entrenó cinco modelos de ML con Extreme Gradient Boosting (XGBoost), logrando la mayor precisión (91-95%). Los hallazgos muestran que las estrategias de mitigación específicas para cada carretera deben ser adaptadas. En redes de carreteras en bucle, los edificios elevados centralmente mejoran la ventilación, mientras que en redes de carreteras en cuadrícula, los edificios perimetrales más altos protegen los bloques interiores de las emisiones arteriales. Además, este estudio identifica un efecto umbral de AR, donde los valores que superan 2.5 mejoran la dispersión de PM2.5 bajo alta velocidad del viento. Esto subraya la necesidad de diseños sensibles al viento, incluidos corredores de viento optimizados y alineaciones de edificios, particularmente en áreas de alta densidad. La integración de ML con CFD mejora la precisión predictiva, apoyando estrategias de planificación urbana basadas en datos para optimizar diseños viales, regulaciones de zonificación e intervenciones aerodinámicas para mejorar la calidad del aire.