La estimación precisa de las emisiones de CO antropogénico es crucial para políticas efectivas de mitigación del cambio climático. Este estudio tiene como objetivo mejorar las estimaciones de emisiones de CO en China utilizando mediciones de teledetección de las fracciones molares promedio de aire seco de CO (XCO) y un enfoque de red neuronal. Evaluamos las anomalías de XCO derivadas de tres enfoques de concentración de XCO de fondo: CHN (mediana nacional), LAT (mediana latitudinal de 10 grados) y NE (promedio de las cuadrículas no emisoras más cercanas). Luego aplicamos el modelo de Red Neuronal de Regresión Generalizada, combinado con una estrategia de modelado por particiones utilizando el algoritmo de agrupamiento K-means, para estimar las emisiones de CO basadas en anomalías de XCO, productividad primaria neta y datos de población. Los resultados indican que el método NE superó o fue al menos comparable al método LAT, mientras que el método CHN tuvo el peor rendimiento. La estrategia de modelado por particiones y la inclusión de datos de población mejoraron efectivamente las estimaciones de emisiones de CO. Específicamente, aumentar el número de particiones de 1 a 30 utilizando el método NE resultó en valores de error absoluto medio (MAE) que disminuyeron de 0.254 a 0.122 gC/m/día, mientras que la incorporación de datos de población llevó a una disminución en los valores de MAE entre 0.036 y 0.269 gC/m/día para diferentes particiones. Los métodos y hallazgos presentes ofrecen información crítica para apoyar la formulación de políticas gubernamentales y el establecimiento de objetivos.