Atmosphärische Aerosole, die eine Schlüsselrolle in der atmosphärischen Umwelt, dem Klimawandel und der menschlichen Gesundheit spielen, haben in den letzten fünfzig Jahren breite Aufmerksamkeit erregt. Mit der Entwicklung von Fernerkundungstechniken sind Satellitenbeobachtungen zu einem wichtigen Mittel geworden, um die Eigenschaften atmosphärischer Aerosole im globalen Maßstab zu erhalten. Die traditionelle Methode der inversen Suche hat den Prozess der Satellitenfernerkennung atmosphärischer Aerosole teilweise vereinfacht, erfüllt aber immer noch schwer die Anforderungen an die Genauigkeit der Umkehrung und die Echtzeitverarbeitung von räumlichen Informationen. In den letzten Jahren hat die Entwicklung künstlicher Intelligenz wichtige Veränderungen im Bereich der Fernerkundung atmosphärischer Aerosole gebracht, wobei maschinelles Lernen nicht nur die Effizienz der Umkehr signifikant verbessert, sondern auch das Potenzial hat, komplexe Probleme der Umkehrung von atmosphärischen Aerosolen zu lösen, wie zum Beispiel das Problem der Trennung von Erde und Luft, das die Forscher seit langem beschäftigt, und dazu beiträgt, die Umkehrung atmosphärischer Aerosole über Satelliten in eine intelligente Entwicklungsphase zu führen. In diesem Artikel wird dieser Trend in der Entwicklung von Umkehrmethoden für die Fernerkundung atmosphärischer Aerosole untersucht, die wichtigsten Vor- und Nachteile sowie Einschränkungen der aktuellen Methoden des maschinellen Lernens im Bereich der Aerosole analysiert und weitere Entwicklungsrichtungen der künstlichen Intelligenz im Bereich der Fernerkundung atmosphärischer Aerosole diskutiert, um die Forscher bei der Untersuchung der Fernerkundung von Aerosolen zu leiten.

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