Como el gas de efecto invernadero más abundante en la atmósfera, el CO tiene un impacto significativo en el cambio climático. Por lo tanto, la determinación de la distribución temporal y espacial del CO es de gran importancia en la investigación climática. Sin embargo, los métodos de monitoreo de CO existentes tienen grandes limitaciones, y es difícil obtener datos de monitoreo a gran escala con alta resolución espacial, lo que limita el monitoreo efectivo de las fuentes y sumideros de carbono. Para obtener información completa sobre el CO a escala diaria en China, utilizamos datos de XCO del OCO-2, datos de XCO del Carbon Tracker y datos geográficos multivariantes para construir un conjunto de datos de entrenamiento del modelo, que luego se combinó con varios modelos de aprendizaje automático, incluidos Random Forest, Extreme Random Forest, XGBoost, LightGBM y CatBoost. Los resultados indicaron que el modelo Random Forest presentó el mejor rendimiento, con un R de validación cruzada de 0.878 y un RMSE de 1.123 ppm. Según los resultados de estimación final, en términos de distribución espacial, el valor promedio de RF XCO a varios años fue el más alto en el este de China (406.94 +/- 0.65 ppm), mientras que el más bajo fue en el noroeste de China (405.56 +/- 1.43 ppm). En términos de tiempo, de 2016 a 2018, el XCO anual en China continuó aumentando, pero la tasa de crecimiento mostró una tendencia a la baja. En términos de efectos estacionales, el promedio de XCO a varios años fue más alto en primavera (407.76 +/- 1.72 ppm) y más bajo en verano (403.15 +/- 3.36 ppm). En comparación con los datos del Carbon Tracker, el conjunto de datos de XCO construido en este estudio mostró cambios espaciales más detallados, por lo que puede ser utilizado de manera efectiva para identificar fuentes y sumideros de carbono potencialmente importantes.