El rápido desarrollo de la tecnología de teledetección ha llevado a una diversidad de datos recuperados. Las imágenes de alta resolución espectral, como las de resoluciones espectrales más altas entre ellas, siempre se han considerado 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, como el aprendizaje profundo, continúan desarrollándose y avanzando, brindando medios técnicos más eficaces para las aplicaciones de teledetección de alta resolución espectral. Entre ellos, las redes neuronales gráficas son un método eficaz ampliamente utilizado para interpretar las imágenes de alta resolución espectral en los últimos años. Puede utilizar las relaciones potenciales entre las muestras para extraer información local y global, generando resultados de clasificación de alta precisión con un pequeño número de muestras etiquetadas. En este artículo, se analizaron varios de los modelos de redes neuronales gráficas más comúnmente utilizados, y los métodos examinados se clasificaron descomponiendo la estructura de cada modelo. Luego, se analizaron los métodos de redes neuronales gráficas en el campo de la teledetección desde varios aspectos, como el alcance espacial de la conectividad, el nivel de información de los nodos y la incertidumbre del modelo. Además, se presentaron aplicaciones de clasificación de imágenes de alta resolución espectral utilizando redes neuronales gráficas con diferentes números de modalidades y muestras etiquetadas. Finalmente, se resumieron los avances y perspectivas de las tecnologías de redes neuronales gráficas en el marco de las redes gráficas profundas, la combinación de otras tecnologías de aprendizaje profundo y los grandes modelos basados en redes neuronales gráficas.

teledetección de alta resolución espectral; clasificación; redes neuronales gráficas; redes convolucionales gráficas; aprendizaje profundo