Die rasante Entwicklung der Fernerkundungstechnologie hat zur Verfügbarkeit verschiedener Fernerkundungsdaten geführt, wobei das hyperspektrale Bild als der spektral höchstaufgelöste Typ eine wichtige Datenquelle für verschiedene Anwendungen der Erdbeobachtung bleibt. Im Bereich des maschinellen Sehens entwickeln und verbessern sich die Mustererkennungsalgorithmen, einschließlich des tiefen Lernens, weiterhin, was effektivere technologische Mittel für Anwendungen der hyperspektralen Fernerkundung bietet. Darunter ist das grafische neuronale Netzwerk eine effektive Methode, die in den letzten Jahren breit in der Klassifizierung von hyperspektralen Bildern verwendet wird, die potenzielle Beziehungen zwischen den Proben nutzen kann, um lokale und globale Kontextinformationen zu extrahieren und genaue Klassifizierungsergebnisse mit wenigen markierten Proben zu erzielen. Dieser Artikel fasst mehrere der am häufigsten verwendeten Architekturen graphischer neuronaler Netzwerke aus bestehenden Forschungen zusammen, analysiert die Merkmale der Methoden und klassifiziert diese Methoden. Dieser Artikel klassifiziert die vorhandenen Errungenschaften im Bereich graphischer neuronaler Netzwerke nach drei Aspekten: raumbezogene Verbindungsreichweite des Graphen, Informationsniveau der Knoten des Graphen und Unsicherheit des Modells. Darüber hinaus präsentiert dieser Artikel den Einsatz graphischer neuronaler Netzwerke bei der Klassifizierung von hyperspektralen Fernerkundungsbildern für unterschiedliche Anzahlen von Modalitäten und unterschiedliche Anzahlen von Etiketten. Schließlich diskutiert und fasst dieser Artikel führende Technologien graphischer neuronaler Netzwerke in drei Aspekten zusammen: tiefe Bildnetze, Kombination anderer Tiefenlern-Techniken, große modellbasierte graphische Modelle, die Orientierung und Ideen für zukünftige Forschungen graphischer neuronaler Netzwerke im Bereich der Fernerkundung bieten.

hyperspektrale Fernerkundung; Klassifizierung; graphische neuronale Netzwerke; graphische Faltungsnetzwerke; tiefes Lernen