Le développement rapide de la technologie de la télédétection a apporté une diversité de données de télédétection. Les images hyperspectrales, en tant que type d'image avec la plus haute résolution spectrale, ont toujours été une source de données importante pour les applications d'observation de la terre. Dans le domaine de la vision par ordinateur, les algorithmes de reconnaissance de formes, représentés par l'apprentissage en profondeur, continuent de se développer et de progresser, offrant ainsi des moyens technologiques plus efficaces pour les applications de télédétection hyperspectrale. Parmi ces applications, les réseaux neuronaux graphiques sont une méthode efficace largement utilisée dans les tâches de décodage d'images hyperspectrales au cours des dernières années, permettant d'exploiter les relations potentielles entre les échantillons pour extraire des informations contextuelles locales et globales et générer des résultats de classification de haute précision avec un petit nombre d'échantillons marqués. Cette étude a résumé les architectures les plus couramment utilisées des réseaux neuronaux graphiques à partir de recherches existantes, et a analysé les caractéristiques des méthodes en décomposant la structure de chaque type d'architecture dans la littérature. Cette étude a catégorisé les méthodes de réseaux neuronaux graphiques pour les tâches de décodage d'images hyperspectrales dans le domaine de la télédétection à partir de trois points de vue : la portée spatiale des liaisons, le niveau d'information des nœuds et l'incertitude du modèle. De plus, cette étude a présenté les applications des réseaux neuronaux graphiques pour la classification d'images hyperspectrales dans différentes modalités et avec différents nombres d'étiquettes. Enfin, cette étude a résumé et évoqué les dernières avancées et les perspectives des avancées technologiques des réseaux neuronaux graphiques à partir de trois aspects : les réseaux graphiques profonds, la combinaison d'autres technologies d'apprentissage en profondeur et les grandes modèles basés sur les réseaux neuronaux graphiques, offrant des orientations et des idées pour les futures recherches dans le domaine des réseaux neuronaux graphiques dans le domaine de la télédétection.

télédétection hyperspectrale; classification; réseaux neuronaux graphiques; réseaux de convolution de graphes; apprentissage en profondeur