La détection des changements en télédétection est une technique de surveillance importante, largement utilisée dans la planification urbaine, l’évaluation des catastrophes, la gestion des ressources, etc. Le radar à synthèse d’ouverture (SAR) possède une capacité d’imagerie en tout temps et toute météo, surmontant les problèmes de détection optique affectée par la météo et l’éclairage. Sa capacité de pénétration des micro-ondes, ses caractéristiques de polarisation et son mécanisme d’imagerie cohérente lui confèrent des avantages uniques pour surveiller les changements sous-surface et dans les zones occultées, les changements de structure et de propriétés physiques des objets, ainsi que les micro-changements. Actuellement, la plupart des revues sur la détection des changements bi-temporels en télédétection se concentrent principalement sur les images optiques, manquant de synthèses systématiques et ciblées sur la détection des changements basée sur les images SAR. De plus, avec le développement de l’apprentissage profond et des techniques de fusion multi-source, la détection des changements homogènes et hétérogènes basée sur les images SAR est devenue un sujet de pointe. Ainsi, cet article, s’appuyant sur des centaines d’articles classiques et récents nationaux et internationaux, combiné au principe d’imagerie satellitaire SAR, explore d’abord les applications typiques de la détection des changements sous différentes conditions d’imagerie. Ensuite, il construit un processus général de détection des changements bi-temporels comprenant l’acquisition de données, le prétraitement des images, la reconnaissance des changements et le post-traitement. Sur cette base, il passe en revue systématiquement les données et méthodes prédominantes. La partie données couvre les jeux de données open source pour la détection des changements homogènes et hétérogènes basées sur SAR, la partie méthodes inclut les méthodes traditionnelles ainsi que la détection des changements homogènes et hétérogènes en apprentissage profond. Plus particulièrement, il organise les liens vers les jeux de données et les codes des modèles associés, fournissant une référence importante pour les recherches futures dans ce domaine. Enfin, l’article résume les principaux défis actuels de ce domaine selon trois niveaux : données, algorithmes et applications, tels que la qualité et la quantité des données, la capacité d’expression des caractéristiques des modèles, la complexité de calcul et le champ d’application de la détection des changements. Face à ces défis, il envisage les directions futures du développement telles que la fusion multimodale, la conception intelligente et légère des modèles, ainsi que la détection multiple des changements.

Détection bi-temporelle en télédétection;images SAR;méthodes traditionnelles;apprentissage profond;changement homogène et hétérogène