La détection des changements par 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 (Synthetic Aperture Radar) offre une capacité d'imagerie 24h/24 et par tous les temps, surmontant les problèmes de la détection optique affectée par les conditions météorologiques 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 la surface et dans les zones ombragées, les changements de structure et de propriétés physiques des objets, ainsi que les changements minimes. Actuellement, la plupart des revues sur la détection des changements temporels en télédétection se concentrent principalement sur les images optiques, manquant de synthèses systématiques et ciblées sur la détection basée sur les images SAR. De plus, avec le développement de l'apprentissage profond et des techniques de fusion multi-sources, la détection homogène et hétérogène basée sur les images SAR est devenue un sujet de pointe. Cet article, basé sur des centaines de publications classiques et récentes nationales et internationales, combinées aux principes d'imagerie des satellites SAR, explore d'abord les applications typiques de la détection des changements sous différentes conditions d'imagerie. Ensuite, il établit un processus général de détection des changements à double phase comprenant l'acquisition de données, le prétraitement des images, la reconnaissance et le post-traitement des changements. Sur cette base, il passe en revue de manière systématique les données et méthodes de détection des changements courantes. La partie données couvre les ensembles de données open-source de détection homogène et hétérogène basées sur SAR, la partie méthodes inclut les méthodes traditionnelles et les méthodes d'apprentissage profond pour la détection homogène et hétérogène. En particulier, il organise les liens vers les ensembles de données et codes modèles pertinents, fournissant une référence importante pour les recherches futures. Enfin, l'article résume les principaux défis actuels du domaine à 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 computationnelle, et la portée d'application de la détection des changements. Face à ces défis, les perspectives futures incluent la fusion multimodale, la conception de modèles intelligents et légers, ainsi que le développement de la détection multi-variée des changements.

détection des changements à double phase en télédétection;images SAR;méthodes traditionnelles;apprentissage profond;homogène et hétérogène