Este estudio presenta un paradigma de gemelo digital que utiliza tanto sensores estacionarios como móviles y aprendizaje automático de vanguardia para el monitoreo de la calidad del aire urbano. Al aumentar los valores de 0.29 a 0.87-0.95, nuestro método de calibración en dos pasos incrementó la precisión de los sensores de PM de bajo costo, mostrando la posibilidad de expandir redes de monitoreo sin sacrificar la precisión de las mediciones. Se encontró una variabilidad temporal y espacial significativa en las concentraciones de PM mediante el despliegue de sensores móviles, con variaciones de hasta el 300% en distancias cortas, predominantemente durante el tráfico intenso. Durante las horas pico, se encontraron concentraciones máximas en bulevares de múltiples carriles e intersecciones, lo que indica preocupaciones importantes de exposición que generalmente son pasadas por alto por las redes de monitoreo estacionarias. Según nuestro modelo de Red Neuronal Gráfica, que describió con éxito los patrones de dispersión de contaminantes, la resuspensión de polvo de carretera predomina en áreas residenciales, mientras que las emisiones de vehículos representan el 65% de PM a lo largo de corredores de alto tráfico. Las áreas verdes urbanas reducen los niveles de PM en un 30%, sin embargo, cuando se implementaron por primera vez las zonas de bajas emisiones actuales, no tuvieron un efecto discernible en la calidad del aire. Las autoridades municipales pueden utilizar esta estrategia de gemelo digital para adquirir conocimientos prácticos para mejoras específicas en la calidad del aire. El método ayuda a tomar decisiones de gestión del tráfico y planificación urbana basadas en evidencia al identificar puntos críticos de contaminación no detectados y contribuciones de fuentes. La técnica ofrece una opción escalable para establecer un desarrollo urbano más saludable y marca un salto sustancial en el monitoreo ambiental.