Die rasante Entwicklung der Fernerkundungstechnologie hat zu einer Vielfalt von zurückgewonnenen Daten geführt. Hochspektrale Bilder, wie die mit der höchsten spektralen Auflösung unter ihnen, wurden immer als wichtige Datenquelle für verschiedene Anwendungen der Erdbeobachtung betrachtet. Auf dem Gebiet der Computervision entwickeln und verbessern sich Mustererkennungsalgorithmen wie Deep Learning weiter, was effektivere technische Mittel für Anwendungen der hochspektralen Fernerkundung bietet. Unter ihnen sind graphische neuronale Netze eine effektive Methode, die in den letzten Jahren weit verbreitet zur Interpretation von hochspektralen Bildern eingesetzt wird. Sie können potenzielle Beziehungen zwischen Mustern nutzen, um lokale und globale Informationen zu extrahieren und hochpräzise Klassifikationsergebnisse mit einer geringen Anzahl von markierten Mustern zu erzeugen. In diesem Artikel wurden mehrere der am häufigsten verwendeten graphischen neuronalen Netzwerkmodelle analysiert, und die untersuchten Methoden wurden durch die Aufschlüsselung der Struktur jedes Modells klassifiziert. Anschließend wurden Methoden graphischer neuronaler Netze im Bereich der Fernerkundung aus mehreren Perspektiven analysiert, wie zum Beispiel der räumlichen Reichweite der Konnektivität, der Informationsstufe der Knoten und der Modellunsicherheit. Darüber hinaus wurden Anwendungen der Klassifikation von hochspektralen Bildern unter Verwendung graphischer neuronaler Netze mit unterschiedlicher Modalität und markierten Mustern vorgestellt. Schließlich wurden die Fortschritte und Perspektiven der Technologien graphischer neuronaler Netze im Rahmen tiefer graphischer Netzwerke, der Kombination weiterer Tiefenlern-Technologien und großer Modelle auf der Basis graphischer neuronaler Netze zusammengefasst.

hochspektrale Fernerkundung; Klassifikation; graphische neuronale Netze; graphische Faltungsnetze; Deep Learning