El monitoreo de las emisiones de CO antropogénico, que aumentan la concentración de CO en la atmósfera, juega el papel más importante en la gestión de la reducción y control de emisiones. Con el masivo aumento de datos de observación basados en satélites relacionados con las emisiones de carbono, un método de aprendizaje automático basado en datos tiene grandes perspectivas para predecir las emisiones de CO antropogénico. Las muestras de entrenamiento, que se utilizan para modelar predicciones de emisiones de CO antropogénico a través de algoritmos de aprendizaje automático, juegan un papel clave en la obtención de predicciones precisas para la heterogeneidad espacial de las emisiones de CO antropogénico. Proponemos un enfoque para predecir las emisiones de CO antropogénico utilizando los conjuntos de datos de entrenamiento derivados de la agrupación de la concentración de CO atmosférico y la segmentación de emisiones para resolver el problema de la heterogeneidad espacial de las emisiones de CO antropogénico en el modelado de aprendizaje automático. Evaluamos algoritmos de aprendizaje automático basados en árboles de decisión y aumento de gradiente (GBDT), incluyendo LightGBM, XGBoost y CatBoost. Utilizamos múltiples parámetros relacionados con actividades emisoras de CO antropogénico como variables predictoras y datos de inventario de emisiones de 2019 a 2021, y comparamos y verificamos la precisión y efectividad de diferentes modelos de predicción basados en los diferentes métodos de muestreo de conjuntos de datos de entrenamiento combinados con algoritmos de aprendizaje automático. Como resultado, las emisiones de CO antropogénico predichas por el modelado de CatBoost a partir del conjunto de datos de entrenamiento derivado del análisis de agrupación y el método de segmentación demostraron una precisión y rendimiento óptimos para revelar las emisiones de CO antropogénico. Basado en un algoritmo de aprendizaje automático que utiliza datos de observación, este enfoque para predecir las emisiones de CO antropogénico podría ayudarnos a obtener rápidamente información actualizada sobre las emisiones de CO antropogénico como una de las herramientas de monitoreo de emisiones.