Cuantificar las emisiones de metano es esencial para cumplir con los objetivos climáticos a corto plazo y se lleva a cabo típicamente utilizando concentraciones de metano medidas a favor del viento de la fuente. Una fuente importante de metano que es crucial observar y remediar rápidamente son las emisiones fugitivas de los sitios de producción de petróleo y gas, pero instalar sensores de metano en los miles de sitios dentro de una cuenca de producción es costoso. En los últimos años, se han utilizado sensores de óxido metálico relativamente económicos para medir las concentraciones de metano en los sitios de producción. Los métodos actuales utilizados para calibrar los sensores de óxido metálico han demostrado tener deficiencias significativas, lo que resulta en una confianza limitada en las concentraciones de metano generadas por estos sensores. Para abordar esto, investigamos el uso de aprendizaje automático (ML) para generar un modelo que convierta la salida del sensor de óxido metálico en relaciones de mezcla de metano. Para generar datos de prueba, se colocaron dos sensores de óxido metálico, TGS2600 y TGS2611, junto con un analizador de metano traza a favor del viento de liberaciones controladas de metano. Durante la duración de las mediciones, la relación de mezcla promedio de metano del analizador de gases traza fue de 2.40 ppm con un máximo de 147.6 ppm. Las relaciones de mezcla de metano calculadas promedio para el TGS2600 y TGS2611 utilizando el algoritmo de ML fueron de 2.42 ppm y 2.40 ppm, con valores máximos de 117.5 ppm y 106.3 ppm, respectivamente. Una comparación de histogramas generados utilizando el analizador y las relaciones de mezcla de los sensores de óxido metálico muestra coeficientes de superposición de 0.95 y 0.94 para el TGS2600 y TGS2611, respectivamente. En general, nuestros resultados mostraron que había un buen acuerdo entre las relaciones de mezcla de los sensores de óxido metálico derivadas de ML y las generadas utilizando el analizador de gases traza más preciso. Esto sugiere que la respuesta de los sensores de bajo costo calibrados utilizando ML podría usarse para generar relaciones de mezcla con precisión y exactitud comparables a las de los analizadores de metano traza de mayor precio. Esto mejoraría la confianza en la respuesta de los sensores de bajo costo, reduciría el costo de implementación de sensores y permitiría un seguimiento oportuno y preciso de las emisiones de metano.