El aumento en la concentración de emisiones de gas geológico en la atmósfera y, particularmente, el aumento de metano es considerado por la mayoría de la comunidad científica como la principal causa del cambio climático global. Las principales razones que sitúan al metano en el centro de interés radican en su alto potencial de calentamiento global (GWP) y su vida útil en la atmósfera. Los procesos antropogénicos, como los de la ingeniería geológica, afectan en gran medida el perfil diario de los gases en la atmósfera. Si se toman medidas directas para reducir las emisiones de metano, se podría lograr una mitigación inmediata del calentamiento global. Debido a su importancia, el metano ha sido monitoreado por muchas misiones espaciales a lo largo de los años y, desde 2017, por la misión Sentinel-5P. Considerando lo anterior, concluimos que monitorear y predecir la concentración futura de metano basándose en datos pasados es de vital importancia para el curso del cambio climático en las próximas décadas. Con ese fin, introducimos un método que explota redes neuronales recurrentes (RNN) de última generación, que han demostrado ser particularmente efectivas en problemas de regresión, como la predicción de series temporales. Alineado con la iniciativa de inteligencia artificial (IA) verde, el presente documento investiga la capacidad de diferentes arquitecturas de RNN para predecir la concentración futura de metano en las regiones más activas de Texas, Pennsylvania y Virginia Occidental, utilizando datos de metano de Sentinel-5P y enfocándose en la eficiencia computacional y de complejidad. Realizamos varios estudios empíricos y utilizamos los resultados obtenidos para concluir cuál es la arquitectura más efectiva para el caso de uso específico, estableciendo un rendimiento de predicción competitivo que alcanza hasta un error cuadrático medio de 0.7578 en el conjunto de evaluación. Sin embargo, al considerar la eficiencia general de los modelos investigados, concluimos que la explotación de arquitecturas de RNN con un menor número de capas y un número restringido de unidades, es decir, una capa recurrente con 8 neuronas, es capaz de compensar mejor el rendimiento de predicción competitivo, manteniendo al mismo tiempo una menor complejidad computacional y tiempo de ejecución. Finalmente, comparamos modelos de RNN con redes neuronales profundas junto con la regresión de soporte vectorial bien establecida, destacando claramente la supremacía de las recurrentes, así como discutimos futuras extensiones del trabajo introducido.