El dióxido de carbono (CO) es actualmente el gas de efecto invernadero más dañino en la atmósfera. Obtener conjuntos de datos de concentración de CO en columnas atmosféricas a largo plazo y alta resolución (XCO) es de gran importancia práctica para mitigar el efecto invernadero, identificar y controlar las fuentes de emisión de carbono, y lograr la gestión del ciclo del carbono. Sin embargo, las observaciones satelitales convencionales proporcionan conjuntos de datos de XCO con una resolución espacial baja, lo cual es insuficiente para satisfacer las necesidades de investigaciones de mayor precisión. Para abordar esta brecha, en este estudio, integramos información espacial con el modelo de árboles aleatorios extremos y desarrollamos un nuevo modelo de aprendizaje automático llamado árboles aleatorios extremos espaciales (SExtraTrees) para reconstruir un conjunto de datos de XCO con resolución espacial de 1 km para China desde 2016 hasta 2020. Los resultados indican que la capacidad predictiva de los árboles aleatorios extremos espaciales es más estable y tiene una mayor precisión de ajuste en comparación con otros métodos. En general, el XCO en China muestra una tendencia creciente año tras año, con la distribución espacial revelando niveles de XCO significativamente más altos en las regiones costeras orientales en comparación con las áreas interiores occidentales. Las contribuciones de este estudio se centran principalmente en las siguientes áreas: (1) Considerando la heterogeneidad espacial del XCO y combinando características espaciales con las ventajas del aprendizaje automático, construimos el modelo de árboles aleatorios extremos espaciales, que se verifica que tiene alta precisión predictiva. (2) Usando el modelo de árboles aleatorios extremos espaciales, reconstruimos conjuntos de datos de XCO de alta resolución para China desde 2016 hasta 2020, proporcionando apoyo de datos para la reducción de emisiones de carbono y la toma de decisiones relacionadas. (3) Basándonos en el conjunto de datos generado, analizamos los patrones de distribución espaciotemporal del XCO en China, mejorando así las políticas de reducción de emisiones y las medidas de desarrollo sostenible.