Las emisiones de metano (CH) son un contribuyente importante a los gases de efecto invernadero y representan desafíos significativos para los esfuerzos de mitigación del clima global. La determinación precisa de las concentraciones de CH a través de la teledetección es crucial para el monitoreo de emisiones, pero sigue siendo obstaculizada por la heterogeneidad espectral de la superficie, notablemente las variaciones de albedo y la diversidad del uso del suelo. Este estudio evaluó sistemáticamente la sensibilidad de tres algoritmos principales, a saber, el filtro emparejado (MF), el filtro emparejado reponderado-L1 corregido por albedo (ACRWL1MF) y la espectroscopía de absorción óptica diferencial (DOAS), al tipo de superficie, albedo y tasa de emisión a través de experimentos de simulación de alta fidelidad, y propuso un algoritmo de filtro emparejado adaptativo regularizado dinámico (DRAMF). Los experimentos simularon imágenes hiperespectrales aéreas del Espectrómetro de Imágenes Visibles/Infrarrojas Aéreo - Nueva Generación (AVIRIS-NG) con concentraciones de CH conocidas sobre diversas superficies (incluyendo vegetación, suelo y agua) y variaciones controladas en albedo a través del modo de simulación de grandes remolinos (LES) del modelo de Investigación y Pronóstico del Tiempo (WRF) y el modelo de transferencia radiativa MODTRAN. Los resultados muestran lo siguiente: (1) MF y DOAS tienen tasas de verdaderos positivos más altas (TP > 90%) en escenarios de alta reflectividad, pero el problema de los falsos positivos es prominente (TN < 52%); ACRWL1MF mejora significativamente la tasa de verdaderos negativos (TN = 95.9%) a través de la corrección de albedo, pero carece de la capacidad para detectar bajas concentraciones de CH (TP = 63.8%). (2) Todos los algoritmos funcionan mejor a altas tasas de emisión (1000 kg/h) que a bajas tasas de emisión (500 kg/h), pero ACRWL1MF tiene un rendimiento más robusto en escenarios de bajo albedo. (3) El algoritmo DRAMF propuesto mejora la puntuación F1 (0.129) en aproximadamente un 180% en comparación con los algoritmos MF y DOAS y mejora el valor de TP (81.4%) en aproximadamente un 128% en comparación con el algoritmo ACRWL1MF a través de actualizaciones dinámicas de fondo y un mecanismo de reponderación iterativa. En aplicaciones prácticas, el algoritmo DRAMF también puede monitorear eficazmente los flujos. Esta investigación indica que los algoritmos deben seleccionarse considerando el escenario de aplicación específico y proporciona una dirección para mejoras técnicas (por ejemplo, modelo de aprendizaje profundo) para el monitoreo de emisiones de gases.