Die rasante Entwicklung der Fernerkundungstechnologie hat eine Vielfalt von Fernerkundungsdaten gebracht. Hyperspektrale Bilder als der Typ mit der höchsten spektralen Auflösung sind schon immer eine wichtige Datenquelle für Anwendungen der Erdbeobachtung gewesen. Im Bereich des Computersehens entwickeln und verbessern sich Mustererkennungsalgorithmen, die durch tiefes Lernen vertreten sind, weiterhin und bieten so effektivere technologische Mittel für die Anwendungen der hyperspektralen Fernerkundung. Unter diesen Anwendungen sind graphische neuronale Netze eine effektive Methode, die in den letzten Jahren weit verbreitet in Dekodierungsaufgaben für hyperspektrale Bilder verwendet wurde und es ermöglicht, potenzielle Beziehungen zwischen Proben zu nutzen, um lokale und globale Kontextinformationen zu extrahieren und genaue Klassifizierungsergebnisse mit einer geringen Anzahl von markierten Proben zu generieren. Diese Studie hat die am häufigsten verwendeten Architekturen von graphischen neuronalen Netzen aus bestehenden Forschungen zusammengefasst und die Merkmale der Methoden analysiert, indem die Struktur jeder Architektur in der Literatur analysiert wurde. Diese Studie hat die Methoden von graphischen neuronalen Netzen für Dekodierungsaufgaben von hyperspektralen Bildern im Bereich der Fernerkundung aus drei verschiedenen Perspektiven kategorisiert: der räumlichen Reichweite der Verbindungen, der Informationslage der Knoten und der Unsicherheit des Modells. Darüber hinaus hat diese Studie die Anwendungen von graphischen neuronalen Netzen für die Klassifizierung von hyperspektralen Bildern in verschiedenen Modalitäten und mit verschiedenen Markierungsanzahlen vorgestellt. Schließlich hat diese Studie die neuesten Entwicklungen und Perspektiven der fortgeschrittenen Technologien von graphischen neuronalen Netzen aus drei Aspekten zusammengefasst und skizziert: tiefen graphischen Netzen, Kombinationen anderer Tiefenlern-Technologien und große Modelle auf Basis von graphischen neuronalen Netzen, um Richtungen und Ideen für zukünftige Forschungen im Bereich der graphischen neuronalen Netze im Bereich der Fernerkundung zu liefern.

hyperspektrale Fernerkundung; Klassifizierung; graphische neuronale Netze; graphische Faltungsnetze; tiefes Lernen