Atmosphärische Aerosole als Schlüsselfaktor, der die Luftumwelt, den Klimawandel und die menschliche Gesundheit beeinflusst, haben in den letzten fünfzig Jahren breite Aufmerksamkeit erregt. Mit der Entwicklung von Fernerkundungstechnologien ist die Satellitenbeobachtung zu einem wichtigen Mittel zur Erfassung globaler Eigenschaften von Aerosolen geworden. Traditionelle Suchmethoden in Tabellen haben den Prozess der Satellitenfernerkundung von Aerosolen in gewissem Maße vereinfacht, können jedoch immer noch nicht die Anforderungen an die Genauigkeit der Rückgewinnung und die Echtzeitverarbeitung von Rauminformationen erfüllen. In den letzten Jahren hat die Entwicklung künstlicher Intelligenz grundlegende Veränderungen im Bereich der Aerosolfernerkundung gebracht, da maschinelles Lernen nicht nur die Effizienz der Rückgewinnung signifikant verbessern kann, sondern auch das Potenzial hat, schwierige Probleme der Fernerkundung zu lösen, die die Forscher lange Zeit beschäftigt haben (zum Beispiel das Problem der Entkopplung von Erde und Atmosphäre), was dazu beiträgt, den Prozess der Satellitenfernerkundung von Aerosolen in eine intelligente Entwicklungsphase zu bringen. In diesem Artikel haben wir die Entwicklung der Methoden der Satellitenfernerkundung von Aerosolen untersucht, die wesentlichen Vor- und Nachteile der traditionellen Methoden des maschinellen Lernens im Bereich der Aerosole und ihre Einschränkungen analysiert und die zukünftigen Ausrichtungen der Entwicklung der künstlichen Intelligenz im Bereich der Aerosolfernerkundung diskutiert, um Forschern im Bereich der Aerosolfernerkundung Anhaltspunkte zu geben.

Aerosole; atmosphärische Fernerkundung; maschinelles Lernen; künstliche Intelligenz; Rückgewinnungsalgorithmen