El rápido desarrollo de la tecnología de teledetección ha traído consigo la disponibilidad de diversos datos de teledetección, y la imagen hiperespectral, como el tipo de resolución espectral más alta, siempre ha sido una fuente importante de datos para diversas aplicaciones de observación de la Tierra. En el campo de la visión por computadora, los algoritmos de reconocimiento de patrones, incluido el aprendizaje profundo, continúan desarrollándose y avanzando, lo que proporciona medios tecnológicos más eficaces para las aplicaciones de teledetección hiperespectral. Entre ellos, la red neuronal gráfica es un método eficaz ampliamente utilizado en la clasificación de imágenes hiperespectrales en los últimos años, que puede utilizar relaciones potenciales entre las muestras para explorar la información contextual local y global, generando resultados de clasificación de alta precisión con poco número de muestras etiquetadas. Este artículo resume varias arquitecturas de redes neuronales gráficas más utilizadas de las investigaciones existentes, analizando las características de los métodos, y clasifica estos métodos. Este artículo clasifica los logros existentes en el campo de las redes neuronales gráficas en tres aspectos: alcance espacial de la conexión del gráfico, nivel de información de los nodos del gráfico, y la incertidumbre del modelo. Además, este artículo presenta el uso de redes neuronales gráficas en la clasificación de imágenes de teledetección hiperespectrales para diferentes cantidades de modalidades y diferentes cantidades de etiquetas. Finalmente, este artículo discute y resume las tecnologías punteras de las redes neuronales gráficas en tres aspectos: redes de imágenes profundas, combinación de otras tecnologías de aprendizaje profundo, grandes modelos basados en gráficos, ofreciendo orientación e ideas para futuras investigaciones sobre redes neuronales gráficas en el campo de la teledetección.

teledetección hiperespectral; clasificación; redes neuronales gráficas; redes convolucionales gráficas; aprendizaje profundo