Las partículas finas con un diámetro aerodinámico inferior a 2.5 um afectan profundamente los sistemas ambientales, la salud humana y las estructuras económicas. Los datos de múltiples fuentes y los métodos avanzados de aprendizaje automático o profundo han proporcionado una nueva oportunidad para estimar las concentraciones con una alta resolución espacio-temporal. En este artículo, se aplicó el algoritmo Random Forest (RF) para estimar las concentraciones horarias en el área del Norte de China (Beijing-Tianjin-Hebei, BTH) basado en los productos de profundidad óptica de aerosol (AOD) del satélite meteorológico geoestacionario de nueva generación Himawari-8/AHI (Advanced Himawari Imager). Para mejorar la estimación de la concentración en grandes áreas, construimos un método para ponderar conjuntamente la similitud ambiental y las distancias geográficas utilizando un mecanismo de atención, de modo que pueda caracterizar eficientemente la influencia de la información espacio-temporal oculta en los sitios de monitoreo terrestre adyacentes. En los resultados del experimento, las estimaciones horarias están bien correlacionadas con las mediciones en el suelo en BTH, con un coeficiente de determinación de 0.887, un error cuadrático medio (RMSE) de 18.31 g/m^3, y un error absoluto medio (MAE) de 11.17 ug/m^3, lo que indica un buen rendimiento del modelo. Además, este artículo realiza un análisis exhaustivo de la efectividad de los datos de múltiples fuentes en el proceso de estimación, de esta manera, para simplificar la estructura del modelo y mejorar la eficiencia de estimación del modelo mientras se asegura su precisión.