Las concentraciones de metano atmosférico (CH) han aumentado a 2.5 veces sus niveles preindustriales, con una marcada aceleración en las últimas décadas. El CH es responsable de aproximadamente el 30% del aumento de la temperatura global desde la Revolución Industrial. Esta creciente concentración contribuye a la degradación ambiental, incluyendo la acidificación de los océanos, el cambio climático acelerado y un aumento en los desastres naturales. La fracción molar de aire seco promedio en columna de metano (XCH) es un indicador crucial para evaluar los niveles de CH en la atmósfera. En este estudio, se empleó el instrumento TROPOMI de Sentinel-5P para monitorear, mapear y estimar las concentraciones de CH a escalas regionales y globales. Sin embargo, los datos de TROPOMI presentan limitaciones como brechas espaciales y una resolución relativamente gruesa, particularmente a escalas regionales o sobre áreas pequeñas. Para mitigar estas limitaciones, se desarrolló un nuevo modelo de Autoencoder de Red Neuronal Convolucional (CNN-AE). La validación se realizó utilizando la Red de Observación de Carbono Total en Columna (TCCON), proporcionando un punto de referencia para evaluar la precisión de varios modelos de interpolación y predicción. El modelo CNN-AE demostró la mayor precisión en el análisis a escala regional, logrando un Error Absoluto Medio (MAE) de 28.48 ppb y un Error Cuadrático Medio (RMSE) de 30.07 ppb. Esto fue seguido por el regresor de Bosque Aleatorio (RF) (MAE: 29.07 ppb; RMSE: 36.89 ppb), el Interpolador de Vecino Más Cercano de GridData (NNI) (MAE: 30.06 ppb; RMSE: 32.14 ppb) y el Interpolador de Función de Base Radial (RBF) (MAE: 80.23 ppb; RMSE: 90.54 ppb). A escala global, el CNN-AE nuevamente superó a otros métodos, obteniendo el MAE y RMSE más bajos (19.78 y 24.7 ppb, respectivamente), seguido por RF (21.46 y 27.23 ppb), GridData NNI (25.3 y 32.62 ppb) y RBF (43.08 y 54.93 ppb).