تعتبر الجسيمات العالقة في الهواء بمثابة عامل رئيسي يؤثر على البيئة الجوية، وتغير المناخ، وصحة الإنسان، وقد لفتت انتباه واسعة في النصف القرن الماضي. مع تطور تقنيات الرصد عن بعد، أصبحت المراقبة الفضائية وسيلة هامة للحصول على خصائص الجسيمات العالقة في الهواء على مستوى العالم. على الرغم من أن الطرق التقليدية لجدول البحث تبسيط إجراءات مراقبة الجسيمات العالقة في الهواء عبر الأقمار الصناعية إلى حد ما، فإنه من الصعب لا يزال أن يتم تلبية إحتياجات دقة العكس ومعالجة المعلومات الفضائية في الوقت الحقيقي. وفي السنوات الأخيرة، جلب تطور الذكاء الاصطناعي تغييرات كبيرة في مجال رصد الجسيمات العالقة في الهواء، حيث يمكن لخوارزميات التعلم الآلي أن تعزز بشكل كبير كفاءة العكس، وتتمتع أيضًا بإمكانيات حل صعوبات عكس الرصد الفضائي الأساسية (مثل مسألة فصل الأرض والجو التي تعانيها الباحثين منذ وقت طويل)، مما يسهم في دفع عمليات العكس الفضائي للجسيمات العالقة في الهواء نحو المرحلة الذكية. في هذا البحث، نستعرض هذا الاتجاه من تطور أساليب العكس المتعلقة برصد الجسيمات العالقة في الهواء عبر الأقمار الصناعية، ونحلل المزايا والعيوب الرئيسية لطرق التعلم الآلي الحالية في تطبيقات الجسيمات العالقة في الهواء، وقيودها إلى جانب ذلك، نستكشف أيضاً الاتجاهات المستقبلية للتطورات الذكاء الاصطناعي في مجال رصد الجسيمات العالقة في الهواء، وذلك كدليل لفائدة الباحثين في مجال رصد الجسيمات العالقة في الهواء.

aerosol;atmospheric remote sensing;machine learning;artificial intelligence;retrieval algorithms