La détection des changements par télédétection permet d’obtenir des informations sur les modifications de la surface terrestre, ce qui est d’une grande importance pour comprendre les interactions entre l’homme et la nature et favoriser le développement durable. Avec l’amélioration des techniques d’imagerie par télédétection et le développement rapide des sciences informatiques, les images de télédétection hyperspectrales, à haute temporalité et haute résolution spatiale sont largement utilisées, ce qui a favorisé le développement de la détection des changements basée sur l’apprentissage profond ainsi que ses applications réussies dans divers domaines. Contrairement à la détection traditionnelle des changements par télédétection, la détection basée sur l’apprentissage profond extrait des caractéristiques profondes des images satellitaires sans avoir besoin de construire des ingénieries de caractéristiques, améliorant ainsi la précision et l’efficacité de la détection. Cet article combine la bibliométrie pour analyser de manière exhaustive l’état de la recherche et les points chauds du domaine, révélant que la détection des changements basée sur l’apprentissage profond, sous la direction des institutions nationales et des chercheurs, se développe rapidement et a produit de nombreux résultats de recherche. Ces résultats reposent principalement sur des images à haute résolution et des réseaux CNN, et ont été appliqués avec succès à la détection des changements d’utilisation/couverture du sol et de bâtiments, entre autres. Sur cette base, l’article présente une classification des méthodes de détection des changements basées sur l’apprentissage profond à trois granularités : pixel, objet et scène, en expliquant le processus d’extraction des caractéristiques et d’analyse réseau ultérieure pour le pixel, l’objet et la scène, les méthodes basées sur l’objet et la scène présentant des avantages. Enfin, il résume les défis actuels et les orientations possibles pour l’avenir. Avec le développement des plateformes de télédétection et l’augmentation des demandes d’application, la détection des changements multimodale et hétérogène est une tendance future. De plus, les méthodes d’apprentissage profond doivent encore surmonter les problèmes d’échantillons non idéaux, s’intéresser à l’obtention d’informations variées sur les changements, et promouvoir l’application large de la détection des changements.

télédétection; détection des changements; apprentissage profond; bibliométrie; classification des méthodes; défis et développement; revue