Бурное развитие технологии дистанционного зондирования привело к разнообразию данных дистанционного зондирования. Высокоспектральные изображения, как самый высокий по спектральному разрешению тип, всегда были важным источником данных для наблюдения за землей. В области компьютерного зрения появляются и развиваются алгоритмы распознавания образов на основе глубокого обучения, что обеспечивает более эффективные технологические средства для применения высокоспектрального дистанционного зондирования. Среди этих применений графовые нейронные сети являются эффективным методом, широко используемым в задачах декодирования высокоспектральных изображений. Они могут использовать потенциальные отношения между образцами для извлечения локальной и глобальной контекстной информации и генерации высокоточных результатов классификации при небольшом количестве маркированных образцов. В данной работе на основе существующих исследований были обобщены наиболее часто используемые несколько различных архитектур графовых нейронных сетей, а также проанализированы особенности методов в разбиении на классы по структуре каждой архитектуры. В данной работе методы графовых нейронных сетей для задач декодирования высокоспектральных изображений в области дистанционного зондирования были проанализированы с трех точек зрения: пространственного диапазона связи, информационного уровня узла и неопределенности модели. Кроме того, в данной работе представлены приложения графовых нейронных сетей для классификации высокоспектральных изображений с различным количеством модальностей и различным числом маркированных образцов. Наконец, в данной работе были обобщены и представлены в виде резюме передовые технологии графовых нейронных сетей по глубокому графическому анализу, сочетание других технологий глубокого обучения и большие модели на основе графовых нейронных сетей, предоставляя направления и идеи для будущих исследований в области графовых нейронных сетей в области дистанционного зондирования.

высокоспектральное зондирование; классификация; графовые нейронные сети; графовые сверточные сети; глубокое обучение