Los aerosoles atmosféricos, que desempeñan un papel clave en el entorno atmosférico, el cambio climático y la salud humana, han atraído una gran atención en los últimos cincuenta años. Con el desarrollo de las técnicas de teledetección, las observaciones por satélite se han convertido en un medio importante para obtener las características de los aerosoles atmosféricos a escala global. El método tradicional de búsqueda inversa ha simplificado en parte el proceso de teledetección de aerosoles atmosféricos por satélite, pero aún resulta difícil satisfacer los requisitos de precisión inversa y procesamiento en tiempo real de la información espacial. En los últimos años, el desarrollo de la inteligencia artificial ha traído importantes cambios al campo de la teledetección de aerosoles atmosféricos, los algoritmos de aprendizaje automático no solo mejoran significativamente la eficiencia de la inversión, sino que también tienen el potencial de resolver problemas complejos de inversión de teledetección de aerosoles atmosféricos, como el problema de desacoplamiento tierra-atmósfera que ha preocupado a los investigadores durante mucho tiempo, y ayudar a llevar la inversión de aerosoles atmosféricos por satélite a una fase de desarrollo inteligente. En este artículo, se examina esta tendencia en el desarrollo de métodos de inversión de teledetección de aerosoles atmosféricos, se analizan las principales ventajas y desventajas, así como limitaciones de los métodos actuales de aprendizaje automático en el campo de aerosoles, y se discuten además las orientaciones futuras del desarrollo de la inteligencia artificial en el campo de la teledetección de aerosoles atmosféricos, a fin de guiar a los investigadores en el campo del estudio de la teledetección de aerosoles.

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