Le développement rapide de la technologie de télédétection a entraîné une diversité de données récupérées. Les images à haute résolution spectrale, comme les plus hautes résolutions spectrales parmi elles, ont toujours été considérées comme une source importante de données pour diverses applications d'observation de la Terre. Dans le domaine de la vision par ordinateur, les algorithmes de reconnaissance de schémas, tels que l'apprentissage profond, continuent de se développer et de progresser, offrant ainsi des moyens techniques plus efficaces pour les applications de télédétection à haute résolution spectrale. Parmi eux, les réseaux neuronaux graphiques sont une méthode efficace largement utilisée pour interpréter les images à haute résolution spectrale au cours des dernières années. Peut utiliser les relations potentielles entre les échantillons pour extraire des informations locales et mondiales, générant des résultats de classification de haute précision avec un petit nombre d'échantillons étiquetés. Dans cet article, plusieurs des réseaux neuronaux graphiques les plus couramment utilisés ont été analysés, et les méthodes examinées ont été classées en décomposant la structure de chaque modèle. Ensuite, des méthodes de réseaux neuronaux graphiques dans le domaine de la télédétection ont été analysées sous plusieurs aspects, tels que la portée spatiale de la connectivité, le niveau d'information des nœuds et l'incertitude du modèle. De plus, des applications de classification d'images à haute résolution spectrale utilisant des réseaux neuronaux graphiques avec différents nombre de modalités et d'échantillons étiquetés ont été présentées. Enfin, les avancées et les perspectives des technologies de réseaux neuronaux graphiques ont été résumées dans le cadre des réseaux graphiques profonds, de la combinaison d'autres technologies d'apprentissage en profondeur et de gros modèles basés sur les réseaux neuronaux graphiques.

télédétection à haute résolution spectrale; classification; réseaux neuronaux graphiques; réseaux de convolution graphique; apprentissage profond