Die rasante Entwicklung der Fernerkundungstechnologie hat zu einer Vielfalt von Fernerkundungsdaten geführt, und hyperspektrale Bilder, als der spektral am höchsten auflösende Typ, waren schon immer eine wichtige Datenquelle für Erdbeobachtungsanwendungen. Im Bereich der Computervision entwickeln und verbessern sich Mustererkennungsalgorithmen auf Basis des Deep Learning weiter und bieten effektivere technische Mittel für Anwendungen im Zusammenhang mit hyperspektraler Fernerkundung. Unter diesen wurde in den letzten Jahren in der Interpretation von Bildern der hyperspektralen Fernerkundung breit eingesetzt und kann potenzielle Beziehungen zwischen den Proben nutzen, um lokale und globale Kontextinformationen zu extrahieren und präzise Klassifikationsergebnisse zu generieren. Dieses Dokument klassifiziert die Methoden der graphischen neuronalen Netze früherer Untersuchungen nach räumlicher Konnektivität, Informationshöhen der Knoten und Unsicherheit des Modells. Darüber hinaus präsentiert dieses Dokument den Einsatz von graphischen neuronalen Netzwerken zur Klassifizierung von hyperspektralen Fernerkundungsbildern in verschiedenen Modalitäts- und Labelanzahlmodi. Schließlich fasst dieses Dokument die modernen Technologien der graphischen neuronalen Netze in der Tiefenbildgebung, der Integration anderer zunehmender Lernmodelle und der großen Modelle auf Basis der graphischen neuronalen Netze zusammen und gibt weiterhin Anleitung und Ideen für die zukünftige Forschung in diesem Bereich.

hyperspectral remote sensing;classification;graph neural network;graph convolutional networks;deep learning