Бурное развитие технологии дистанционного зондирования привело к разнообразию получаемых данных. Высокоспектральные изображения, как из них с наивысшим спектральным разрешением, всегда считались важным источником данных для различных прикладных приложений для наблюдений за Землей. В области компьютерного зрения алгоритмы распознавания образов, основанные на глубоком обучении и другие, продолжают развиваться и совершенствоваться, что предоставляет более эффективные технические средства для приложений высокоспектрального дистанционного зондирования. Среди них, графовые нейронные сети представляют собой эффективный метод, который широко используется для решения задач толкования высокоспектральных изображений в последние годы. Может использовать потенциальные отношения между образцами для извлечения локальной и глобальной информации и генерации результатов классификации высокой точности с небольшим количеством помеченных образцов. В этой статье были проанализированы наиболее популярные несколько графовых нейронных сетей, исследуемые методы были классифицированы путем разложения структуры каждой модели. Затем были проанализированы методы графовых нейронных сетей в области дистанционного зондирования из нескольких аспектов, таких как пространственный диапазон соединений, информационный уровень узлов и неопределенность модели. Кроме того, были представлены приложения классификации высокоспектральных изображений с использованием графовых нейронных сетей с различным количеством модальностей и помеченных образцов. Наконец, обзор и перспективы передовых технологий графовых нейронных сетей были подведены в рамках глубоких графовых сетей, сочетания других технологий глубокого обучения и крупных моделей на основе графовых нейронных сетей.

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