A detecção de mudanças por sensoriamento remoto pode obter informações sobre alterações na superfície terrestre, sendo de grande importância para compreender a interação entre humanos e a natureza e promover o desenvolvimento sustentável. Com a melhoria das tecnologias de imagem por sensoriamento remoto e o rápido desenvolvimento das ciências da computação, imagens hiperespectrais, com alta resolução temporal e espacial, têm sido amplamente aplicadas, promovendo o desenvolvimento da detecção de mudanças baseada em aprendizado profundo e seu sucesso em múltiplos campos. Ao contrário da detecção tradicional de mudanças em sensoriamento remoto, a detecção baseada em aprendizado profundo extrai características profundas das imagens de sensoriamento sem necessidade de construir engenharia de características, melhorando a precisão e eficiência da detecção. Este artigo combina a bibliometria para analisar de forma abrangente o estado atual da pesquisa e os tópicos em alta da área, descobrindo que a detecção de mudanças baseada em aprendizado profundo, sob a liderança de instituições e pesquisadores nacionais, tem se desenvolvido rapidamente e alcançado numerosos resultados de pesquisa. Esses resultados baseiam-se principalmente em imagens de alta resolução e redes CNN, sendo aplicados com sucesso na detecção de mudanças no uso/cobertura do solo e em construção, entre outros. Com base nisso, este artigo classifica os métodos de detecção de mudanças baseados em aprendizado profundo em três granularidades: pixel, objeto e cena, explicando o processo de extração de características e análise de redes subsequente para cada granularidade, destacando as vantagens dos métodos baseados em objeto e cena. Por fim, resume os desafios atuais e as possíveis direções futuras. Devido ao desenvolvimento das plataformas de sensoriamento remoto e ao aumento da demanda por aplicações, a detecção de mudanças multimodal e heterogênea é uma tendência futura. Além disso, os métodos de aprendizado profundo ainda precisam superar problemas com amostras não ideais, focar na obtenção de informações variadas sobre mudanças e promover a ampla aplicação da detecção de mudanças.

sensoriamento remoto; detecção de mudanças; aprendizado profundo; bibliometria; classificação de métodos; desafios e desenvolvimento; revisão