Los modelos globales de aerosoles a menudo subestiman la concentración de masa de aerosoles en la troposfera remota, como lo evidencian las mediciones de aeronaves. Este estudio aprovechó los datos de la Misión de Tomografía Atmosférica de la NASA (ATom), que proporciona concentraciones de aerosoles remotos, para refinar los algoritmos para simular estas concentraciones. Usando el modelo GEOS-Chem, simulamos cinco tipos de aerosoles finos y mejoramos los resultados de la simulación utilizando cinco algoritmos de aprendizaje automático: Random Forest, XGBoost, SVM, KNN y LightGBM, y comparamos el rendimiento de estos algoritmos. Además, evaluamos el efecto de refinamiento de los algoritmos basados en árboles de decisión en un conjunto de datos de validación. Los resultados demuestran que GEOS-Chem generalmente subestimó la concentración de masa de aerosoles. Entre los algoritmos probados, los algoritmos basados en árboles de decisión, particularmente el algoritmo Random Forest y el algoritmo LightGBM, mostraron un rendimiento superior, mejorando significativamente la precisión de la predicción y la eficiencia computacional tanto en las fases de entrenamiento como de prueba, así como en el conjunto de datos de validación.