ارتفاع لایه مرزی جو یکی از پارامترهای کلیدی برای توصیف اختلالات جوی نزدیک سطح، پراکندگی آلاینده‌ها و تبادلات سطح–جو به شمار می‌رود؛ با این حال، بازیابی پیوسته آن همچنان چالش‌برانگیز است، زیرا سامانه‌های مشاهده‌ای مختلف به نشانه‌های متفاوتی از ساختار آئروسل، ویژگی‌های ترمودینامیکی و آشفتگی پاسخ می‌دهند. اندازه‌گیری‌های لیدار و سیلومتر امکان مشاهده ساختار عمودی جو را با تفکیک‌پذیری مکانی-زمانی بالا فراهم می‌کنند، اما روش‌های متداول مبتنی بر گرادیان، واریانس و تبدیل موجک ممکن است تحت تأثیر ضعف سیگنال ناشی از آئروسل، حضور ابرها، لایه‌های باقیمانده و مرتفع آئروسل، نویز اندازه‌گیری و ویژگی‌های وابسته به ابزار قرار گیرند. این پژوهش چارچوبی ساختاریافته و مبتنی بر لیدار برای ارزیابی پیشرفت‌های اخیر در زمینه بازیابی ارتفاع لایه مرزی جو ارائه می‌دهد که بر پردازش سیگنال، تلفیق داده‌های چندمنبعی ویژه لایه مرزی جو، یادگیری ماشین، یادگیری عمیق و رویکردهای نوظهور مبتنی بر اطلاعات فیزیکی تمرکز دارد. یافته‌های حاصل نشان می‌دهد که بهبود روش‌های پردازش سیگنال، ردیابی خودکار لایه‌ها و بهره‌گیری از اطلاعات مکمل ترمودینامیکی، آشفتگی، سطحی و مدل‌سازی می‌توانند ابهامات موجود در تفسیر ساختار لایه مرزی را که با استفاده از پس‌پراکندگی آئروسل به‌تنهایی قابل رفع نیستند، کاهش دهند. روش‌های یادگیری ماشین قابلیت بیشتری برای بازیابی خودکار و مدل‌سازی روابط غیرخطی فراهم می‌کنند، اما عملکرد گزارش‌شده آن‌ها به تعریف مرجع، رژیم جوی، موقعیت مکانی، نوع ابزار و راهبرد اعتبارسنجی وابسته است. از مهم‌ترین چالش‌های موجود می‌توان به کمی‌سازی عدم‌قطعیت، شناسایی فیزیکی مرز لایه، تعمیم‌پذیری در شرایط جوی، مکان‌ها و سامانه‌های مشاهده‌ای مختلف و قابلیت اطمینان عملیاتی اشاره کرد. بنابراین، پیشرفت‌های آینده نیازمند توسعه روش‌های تلفیقی مبتنی بر دانش فیزیکی، اعتبارسنجی مستقل در شرایط متفاوت، توصیف شفاف عدم‌قطعیت‌ها و ارزیابی نظام‌مند حالات شکست است و نباید صرفاً بر افزایش پیچیدگی الگوریتمی متکی باشد.