Numerosos modelos de aprendizaje automático se han utilizado ampliamente para la predicción espacial de las concentraciones de masa de PM en el campo de la teledetección, pero la mayoría de los estudios se basan en modelos individuales, lo que limita su capacidad para capturar relaciones no lineales complejas. Además, los métodos tradicionales de Profundidad Óptica de Aerosoles (AOD) sufren de extensos valores faltantes debido a limitaciones algorítmicas, lo que dificulta la recuperación diaria de la concentración de masa de PM. Este estudio desarrolló primero un modelo híbrido de bosque aleatorio y aumento extremo de gradiente (RF-XGBoost) para superar las limitaciones de precisión de los modelos individuales. Posteriormente, la reflectancia en la parte superior de la atmósfera (TOA) reemplazó al AOD convencional como entrada del modelo híbrido. Finalmente, integramos datos de reflectancia TOA de cuatro años (2020-2023), índice de vegetación de diferencia normalizada (NDVI), datos meteorológicos, datos de modelo digital de elevación (DEM) y datos del día del año para desarrollar un modelo híbrido de alta precisión específicamente optimizado para la provincia de Jiangxi. Los resultados de la simulación demostraron que el modelo híbrido RF-XGBoost (test-R = 0.82, RMSE = 7.25 g/m, MAE = 4.90 g/m) superó al modelo de bosque aleatorio individual en un 25% y un 26% en términos de error cuadrático medio (RMSE) y error absoluto medio (MAE), respectivamente. La alta precisión predictiva de nuestro método confirma su efectividad en la generación de estimaciones confiables de PM. El conjunto de datos resultante de cuatro años también delineó con éxito el patrón estacional característico de PM en la región, con los niveles más altos en invierno y los más bajos en verano, junto con una clara tendencia anual decreciente, lo que significa una mejora atmosférica gradual.