El satélite FY-4A representa una nueva generación de plataformas geoestacionarias, proporcionando observaciones de alta resolución temporal sobre China. Sin embargo, persisten desafíos para aprovechar eficazmente los datos del satélite FY-4A para la estimación de la concentración de PM de alta resolución temporal, particularmente en lo que respecta a los parámetros clave poco claros requeridos para una estimación precisa y la limitada interpretabilidad de los modelos. Este estudio utiliza un marco de aprendizaje profundo interpretable que integra datos de reflectancia en la parte superior de la atmósfera (TOA) del FY-4A, variables meteorológicas y datos auxiliares para estimar las concentraciones de PM de alta resolución temporal en la superficie desde 2019 hasta 2023. Se aplicó una prueba de multicolinealidad para optimizar la selección de características, mientras que el método SHapley Additive exPlanations (SHAP) se utilizó para mejorar la interpretabilidad del modelo. Los resultados indican que parámetros como TOA02, TOA03, TOA04 y la altura de la capa límite (BLH) influyen significativamente en el rendimiento del modelo a lo largo de los años. El modelo demuestra una fuerte capacidad predictiva en la región de Beijing-Tianjin-Hebei (BTH), logrando un promedio de R de 0.83. Los valores de error cuadrático medio (RMSE) se mantuvieron por debajo de 15 ug/m, alineándose bien con los datos de monitoreo en tierra. Estos hallazgos demuestran que combinar datos satelitales de alta temporalidad con aprendizaje profundo interpretable proporciona un enfoque confiable para el monitoreo a largo plazo y de alta resolución temporal de PM en las regiones.