La recuperación precisa de la fracción molar de aire seco promedio por columna de metano (XCH) en la atmósfera es importante para la gestión de emisiones de gases de efecto invernadero. Los métodos tradicionales de recuperación de XCH son complejos, mientras que el aprendizaje automático puede utilizarse para modelar relaciones no lineales al analizar grandes conjuntos de datos, proporcionando una alternativa eficiente. Este estudio propone un método de recuperación basado en el algoritmo XGBoost para mejorar la eficiencia de la recuperación de XCH atmosférico. Primero, se determinaron las longitudes de onda clave que afectan la recuperación de XCH utilizando un modelo de transferencia radiativa. Los datos satelitales L1B del Instrumento de Monitoreo de la TROposfera (TROPOMI), los productos L2 de XCH y los datos auxiliares se emparejaron para construir el conjunto de datos. El conjunto de datos construido se utilizó para entrenar el modelo XGBoost y obtener el modelo TRO_XGB_XCH. Finalmente, se evaluó la precisión del modelo propuesto utilizando varios valores de parámetros y se validó contra los productos de XCH y las observaciones terrestres de la Red de Observación de Carbono Total (TCCON). Los resultados mostraron que el modelo TRO_XGB_XCH propuesto tenía una precisión de validación cruzada de diez veces R de 0.978, una validación terrestre R de 0.749 y una precisión de extensión temporal R de 0.863. Por lo tanto, la precisión del modelo de recuperación TRO_XGB_XCH es comparable a la del producto oficial TROPOMI L2.