Als ein Schlüsselfaktor, der die atmosphärische Umwelt, den Klimawandel und die menschliche Gesundheit beeinflusst, haben atmosphärische Aerosole in den letzten fünfzig Jahren breite Aufmerksamkeit erregt. Mit der Entwicklung von Fernerkundungstechnologien ist die Satellitenbeobachtung zu einem wichtigen Mittel geworden, um die Merkmale von Aerosolen im globalen Maßstab zu erhalten. Die traditionelle Methode der Tabellensuche hat den Prozess der raumgestützten Aerosolfernerkundung zum Teil vereinfacht, aber es ist immer noch schwierig, die Anforderungen an die Rückstreuungsgenauigkeit und die Echtzeitverarbeitung von Rauminformationen zu erfüllen. In den letzten Jahren hat die Entwicklung künstlicher Intelligenz bedeutende Veränderungen im Bereich der Aerosolfernerkundung nach sich gebracht. Maschinelles Lernen-Algorithmen können nicht nur die Effizienz der Rückstreuung erheblich verbessern, sondern auch das Potenzial haben, die bekannten Probleme der traditionellen physikalischen Fernerkundungsmethoden zu lösen (z.B. das Problem der Entkopplung von Boden-Luft usw.), was dazu beiträgt, die raumgestützte Rückstreuung von Aerosolen in eine intelligente Entwicklungsphase zu bringen. Dieser Artikel untersucht diesen Trend, analysiert die wichtigsten Vor- und Nachteile sowie Einschränkungen der aktuellen Methoden des maschinellen Lernens im Bereich der Aerosole und untersucht weiterhin die zukünftigen Ausrichtungen der künstlichen Intelligenz im Bereich der Aerosolfernerkundung, um den Forschern auf dem Gebiet der Aerosolfernerkundung eine Referenz zu bieten.

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