超越网格数据：探索用于地球观测的图神经网络

地球观测（EO）数据分析已因深度学习（DL）而发生显著变革，但其应用通常局限于网格状数据结构。图神经网络（GNNs）作为一种重要创新，推动DL进入非欧几里得领域。自然，GNNs能够有效应对EO数据所提出的多样化模态、多传感器和异构性等挑战。为在相关领域引入GNNs，我们的综述首先提供GNNs的基础知识。然后，我们总结了EO中的通用问题，GNNs可为其提供潜在解决方案。此后，我们探索了GNNs在地球系统科学问题中的广泛应用，涵盖天气与气候分析、灾害管理、空气质量监测、农业、土地覆盖分类、水文过程建模和城市建模等领域。我们解释了在这些领域采用GNNs的理由，以及组织图和设计适用于各种任务的架构的方法。此外，我们强调了在这些领域实施GNNs的方法学挑战及可能的解决方案，这些方案可指导未来研究。虽然承认GNNs并非万能方案，但本文最后通过将其与其他流行架构（如Transformer）进行比较并分析其潜在协同效应来总结全文。