图神经网络（GNN）是一类专门用于图结构数据学习的模型。将其应用于海图（ENC）这种空间向量数据是自然的延伸，但目前尚不清楚哪种消息传递机制、网络结构和图表示方式最适合对 ENC 中对象的变更进行安全关键性分类。为此，我们将 ENC 的空间对象视为图的节点，利用它们的空间相邻关系和语义关联构建边，从而得到一个完整的图结构。旧版 ENC 与新版 ENC 分别编码为两张图，任务被表述为图对分类：判断两张图的差异是否构成对航行安全的关键风险。基于此表示，我们选取了多种主流 GNN 架构（如 GCN、GraphSAGE、GAT）并在海事专家标注的变更样本上进行训练与评估。实验结果显示，图‑基表示显著提升了关键/非关键风险的判别准确率，并为 ENC 维护工作提供了可扩展的自动化方案。
点评：该研究证明了图神经网络在地理空间变更检测中的潜力，为海图更新的智能化管理奠定了技术基础。