由于空间分布稀疏,城市地区的监测网络无法支持精细的PM2.5暴露评估,而新兴的低成本、高密度的传感器网络显示出巨大的潜力。由于数据加密性,在中国仍然缺乏结合城市传感器网络来建立高分辨率的PM2.5地图。在这项研究中,基于北京652个1小时分辨率的低成本传感器,建立了基于土地利用回归(LUR)和随机森林(RF)模型的PM2.5的时空模型。RF模型的表现优于LUR模型,10倍交叉验证R2为0.89。基于RF模型,本研究获得空间分辨率为1km的PM2.5浓度日均值分布地图。与开源的TAP(Tracking Air Pollution)和CHAP(China High Air Pollutants)数据集相比,本研究的预测显示出良好的空间一致性(TAP:r>0.88;CHAP:r>0.95),但能更精确的捕捉污染热点与冷点。此外,与仅基于监管站建立的模型相比,本研究估算的人口加权PM2.5浓度在高污染时期减少7μg/cm3。随着低成本传感器的流行,本研究的建模方法可推广至资源受限的城市环境,以促进更精准的污染热点识别与暴露评估研究。