A medida que las concentraciones de dióxido de carbono (CO) continúan aumentando, el cambio climático, caracterizado por el calentamiento global, presenta un desafío significativo para el desarrollo sostenible global. Actualmente, la mayoría de las recuperaciones de CO en el infrarrojo de onda corta a nivel global dependen de algoritmos de recuperación completamente físicos, para los cuales son necesarios cálculos complejos. Este documento propone un método para predecir la concentración de CO promediada en columna (XCO) a partir de datos hiperespectrales de satélites en el infrarrojo de onda corta, utilizando aprendizaje automático para evitar los cálculos iterativos del método físico. El conjunto de datos de entrenamiento se construyó utilizando los datos espectrales del Observatorio de Carbono en Órbita-2 (OCO-2), recuperaciones de XCO de OCO-2, datos de albedo de superficie y mediciones de profundidad óptica de aerosol (AOD) para 2019. Este estudio empleó una variedad de algoritmos de aprendizaje automático, incluyendo Random Forest, XGBoost y LightGBM, para el análisis. Los resultados mostraron que Random Forest supera a los otros modelos, logrando una correlación de 0.933 con productos satelitales, un error absoluto medio (MAE) de 0.713 ppm y un error cuadrático medio (RMSE) de 1.147 ppm. Este modelo se aplicó luego para recuperar las concentraciones de CO en columna para 2020. Los resultados mostraron una correlación de 0.760 con las mediciones de la Red de Observación de Carbono Total en Columna (TCCON), que es superior a la correlación de 0.739 con los datos de productos satelitales, verificando la efectividad del método de recuperación.