Les aérosols atmosphériques, qui jouent un rôle clé dans l'environnement atmosphérique, le changement climatique et la santé humaine, ont suscité un intérêt considérable au cours des cinquante dernières années. Avec le développement des techniques de télédétection, les observations par satellite sont devenues un moyen important d'obtenir des caractéristiques des aérosols atmosphériques à l'échelle mondiale. La méthode traditionnelle de recherche inversée a en partie simplifié le processus de télédétection des aérosols atmosphériques par satellite, mais elle répond encore difficilement aux exigences en matière de précision d'inversion et de traitement en temps réel des informations spatiales. Ces dernières années, le développement de l'intelligence artificielle a apporté des changements importants dans le domaine de la télédétection des aérosols atmosphériques, les algorithmes d'apprentissage automatique permettant non seulement d'améliorer considérablement l'efficacité de l'inversion, mais également de résoudre les problèmes complexes de l'inversion de télédétection des aérosols atmosphériques, tels que le problème de découplage terre-atmosphère qui préoccupe depuis longtemps les chercheurs, et aide à faire évoluer l'inversion des aérosols atmosphériques par satellite vers une phase intelligente de développement. Dans cet article, nous examinons cette tendance dans le développement des méthodes d'inversion de télédétection des aérosols atmosphériques, analysons les principaux avantages et inconvénients, ainsi que les limites des méthodes actuelles d'apprentissage automatique dans le domaine des aérosols, et discutons en outre des orientations futures du développement de l'intelligence artificielle dans le domaine de la télédétection des aérosols atmosphériques, afin de guider les chercheurs dans le domaine de l'étude de la télédétection des aérosols.

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