La contaminación del aire sigue siendo un problema significativo, particularmente en áreas urbanas. Este estudio exploró la predicción de concentraciones de PM basadas en puntos por hora utilizando el algoritmo XGBoost para asimilarlas en un modelo de regresión geoespacial de uso del suelo para mapas de predicción de alta resolución espacial y temporal. La configuración y el entrenamiento del modelo incorporaron datos meteorológicos, metadatos de estaciones y variables temporales basadas en valores estadísticos y conocimiento experto. Se utilizaron mediciones horarias de aproximadamente 400 estaciones desde 2009 hasta 2017 para el entrenamiento. El modelo seleccionado tuvo un error absoluto medio (MAE) de 6.88 g m, un error cuadrático medio (RMSE) de 9.95 g m y un R^2 de 0.65, con variaciones dependiendo del tipo de ubicación y área circundante. El modelo logró una alta precisión del 98.54% y una exactitud del 73.96% en la predicción de superaciones del valor límite actual de la UE para la media diaria de 50 g m. A pesar de las limitaciones identificadas, el modelo puede predecir eficazmente valores horarios para su asimilación en un modelo de regresión geoespacial de uso del suelo.