Air pollution is a major risk factor for death and disease, particularly in low‐ and middle‐income countries (LMIC) where concentrations are relatively high and large populations are exposed. High‐quality exposure assessment is integral to both air pollution epidemiologic studies and impact assessments. Land use regression (LUR) modelling is a powerful exposure assessment technique that uses the relationships between air pollution concentrations at discrete monitoring locations and the surrounding characteristics of those locations to model small‐scale spatial concentration gradients within cities. Regardless of whether they are calibrated based on local measurements or transferred from another location, LUR models require spatially resolved data on predictor variables that may be unavailable or of insufficient quality in many settings. We describe methods for deriving LUR model predictors, including land cover, road locations, and ger (Mongolian yurt) locations, from satellite data and high‐resolution imagery in Ulaanbaatar, Mongolia. These methods may allow LUR models to be developed for more locations in LMIC, potentially improving the quality of air pollution exposure assessments in those settings. Survol des méthodes pour dégager des variables explicatives de la pollution atmosphérique dans un modèle de régression de l'utilisation du sol à partir de données de télédétection à Oulan‐Bator, Mongolie La pollution atmosphérique est un facteur de risque important de mortalité et de morbidité, en particulier dans les pays à revenu faible et intermédiaire (PFR‐PRI) marqués par des concentrations relativement élevées auxquelles de nombreuses populations sont exposées. Une évaluation de haute qualité de l'exposition est indispensable pour les études épidémiologiques de la pollution atmosphérique et les études d'impact. La modélisation de l'utilisation du sol par régression constitue un procédé d'évaluation de l'exposition performant fondé sur les liens entre les concentrations de pollution atmosphérique à des stations de surveillance et les attributs particuliers de ces emplacements afin de modéliser les gradients locaux de concentration dans les villes. Peu importe que le calibrage des modèles de régression de l'utilisation du sol soit effectué avec des mesures locales ou soit transposé d'un autre site, ils requièrent des données spatiales fiables des variables explicatives qui peuvent néanmoins être manquantes ou de faible qualité dans plusieurs contextes. Nous présentons un survol des méthodes permettant de dégager des indicateurs d'un modèle de régression de l'utilisation du sol, y compris la couverture du sol, l'emplacement des voies, et les localisations des ger (yourte mongole), à partir de données satellitaires et d'images de haute résolution à Oulan‐Bator, Mongolie. Ces méthodes permettent d'élaborer des modèles de régression de l'utilisation du sol pour d'autres localités dans les PFR‐PRI afin d'améliorer la qualité des évaluations de l'exposition à la pollution atmosphérique dans ces contextes.