La estimación precisa de las concentraciones de material particulado fino (PM) a altas resoluciones espaciales es crucial para el monitoreo de la calidad del aire y la evaluación del riesgo para la salud, particularmente en regiones altamente contaminadas como Beijing-Tianjin-Hebei, China. Este estudio propone un marco de modelado en dos etapas que integra Xtreme Gradient Boosting (XGBoost) con regresión ponderada geográfica y temporal (GTWR) para predecir las concentraciones diarias de PM a una resolución de 3 km. El modelo XGBoost de primera etapa captura relaciones no lineales complejas entre PM y variables predictoras, mientras que el modelo GTWR de segunda etapa tiene en cuenta explícitamente la autocorrelación espaciotemporal residual. Los datos de AOD de MODIS Collection 6.1 de alta resolución (3 km) se fusionan con el reanálisis de MERRA-2 para abordar las lagunas de datos y mejorar la cobertura espacial. La evaluación integral a través de escalas mensuales y estacionales demuestra que el modelo híbrido XGBoost-GTWR (R = 0.95, RMSE = 5.15 ug/m, MAE = 3.66 ug/m) supera significativamente a los modelos individuales (GWR, GTWR, XGBoost) y a modelos híbridos alternativos (XGBoost-GWR). Las concentraciones de PM estimadas exhiben patrones espaciotemporales distintos, siendo el invierno el que muestra los niveles de contaminación más altos (100.3 ug/m como valor promedio de invierno en Handan), mientras que los puntos críticos espaciales se identifican consistentemente en el centro y sur de Beijing-Tianjin-Hebei (BTH).