Los aerosoles desempeñan un papel crucial en el sistema climático debido a sus efectos directos e indirectos, como la dispersión y absorción de energía radiante. También tienen efectos adversos en la visibilidad y la salud humana. Los humanos están expuestos a PM fino, que tiene impactos negativos en la salud relacionados con enfermedades cardiovasculares y respiratorias. Las tendencias a largo plazo en las concentraciones de PM están influenciadas por emisiones y variaciones meteorológicas, mientras que los factores meteorológicos impulsan principalmente las variaciones a corto plazo. Factores como la cobertura vegetal, la humedad relativa, la temperatura y la velocidad del viento impactan en la divergencia de las concentraciones de PM en la superficie. El aprendizaje automático demostró ser un buen predictor de la calidad del aire. Esta investigación se centra en predecir el PM con estos parámetros como entrada para información espacial y temporal. El trabajo analiza las observaciones in situ de PM en Singapur durante siete años (2014-2021) en cinco ubicaciones, y estos conjuntos de datos se utilizan para la predicción espacial de PM. El estudio tiene como objetivo proporcionar un nuevo marco basado en la predicción temporal utilizando Random Forest (RF), Gradient Boosting (GB) regression y Tree-based Pipeline Optimization Tool (TP). Auto ML funciona basado en metaheurística a través de algoritmos genéticos. TP produjo valores razonables del Índice de Rendimiento Global; 7.4 fue el valor de GPI más alto en agosto de 2016, y el más bajo fue -0.6 en junio de 2019. Esto indica el buen rendimiento del modelo TP; incluso los valores negativos son menores que los de otros modelos, lo que denota predicciones menos pesimistas. Los resultados se explican con técnicas de Inteligencia Artificial Explicable (XAI) que ayudan a investigar la fidelidad de la importancia de las características de los modelos de aprendizaje automático para extraer información sobre el cambio rítmico del patrón de PM.