Este artículo presenta una solución para resolver de manera eficiente y precisa problemas de mínimos cuadrados separables con múltiples conjuntos de datos. Estos problemas implican determinar parámetros lineales específicos para cada conjunto de datos, asegurando que los parámetros no lineales se mantengan consistentes en todos los conjuntos de datos. Un enfoque bien establecido para resolver tales problemas es el algoritmo de proyección de variables introducido por Golub y LeVeque, que reduce efectivamente un problema separable a su componente no lineal. Sin embargo, este algoritmo asume que los conjuntos de datos tienen tamaños iguales y parámetros de modelo auxiliar idénticos. Este artículo está motivado por una aplicación del mundo real en teledetección donde estas suposiciones no se aplican. En consecuencia, proponemos un algoritmo generalizado que extiende la teoría original para superar estas limitaciones. El nuevo algoritmo ha sido implementado y probado utilizando tanto datos satelitales sintéticos como reales para la recuperación del dióxido de carbono atmosférico. También se ha comparado con solucionadores convencionales de última generación, y sus ventajas se discuten a fondo. Los resultados experimentales demuestran que el algoritmo propuesto supera significativamente a todos los demás métodos en cuanto a tiempo de cálculo, manteniendo una precisión y estabilidad comparables. Por lo tanto, este método novedoso puede tener un impacto positivo en futuras aplicaciones en teledetección y podría ser valioso para otros problemas de ajuste científico con propiedades similares.