A detecção de mudanças em sensoriamento remoto é uma importante técnica de monitoramento, amplamente aplicada em planejamento urbano, avaliação de desastres, gestão de recursos e outros campos. O Radar de Abertura Sintética (SAR) possui capacidade de imagem 24 horas por dia e em todas as condições climáticas, superando os problemas da detecção óptica de mudanças afetada por condições meteorológicas e iluminação. Sua capacidade de penetração por micro-ondas, características de polarização e mecanismo de formação de imagem coerente conferem vantagens únicas na monitoração de mudanças abaixo da superfície e em áreas ocultas, mudanças na estrutura e propriedades físicas dos objetos, bem como pequenas mudanças. Atualmente, a maioria das revisões sobre detecção de mudanças bi-temporais no sensoriamento remoto foca principalmente em imagens ópticas, havendo falta de um resumo sistemático e direcionado sobre detecção de mudanças baseada em imagens SAR. Além disso, com o desenvolvimento de aprendizado profundo e técnicas de fusão multi-fonte, a detecção de mudanças homogêneas e heterogêneas baseada em imagens SAR tornou-se um tema de ponta. Portanto, este artigo, baseado em centenas de publicações clássicas e recentes nacionais e internacionais, combinadas com o princípio de formação de imagens de satélite SAR, discute inicialmente as aplicações típicas da detecção de mudanças sob diferentes condições de imageamento. Em seguida, constrói um processo geral de detecção de mudanças bi-temporais que inclui aquisição de dados, pré-processamento de imagens, reconhecimento de mudanças e pós-processamento. Com base nisso, organiza sistematicamente os principais dados e métodos de detecção de mudanças. A parte de dados abrange conjuntos de dados de código aberto para detecção de mudanças homogêneas e heterogêneas baseadas em SAR; a parte de métodos cobre métodos tradicionais e pesquisas sobre detecção homogênea e heterogênea em aprendizado profundo. Especialmente, organiza links de conjuntos de dados relacionados e códigos modelos, fornecendo referência importante para pesquisas futuras na área. Por fim, o artigo resume os principais desafios atuais do campo em três aspectos: dados, algoritmos e aplicações, como qualidade e quantidade de dados, capacidade de expressão das características do modelo, complexidade computacional e escopo de aplicação da detecção de mudanças. Para esses desafios, são previstas direções futuras de desenvolvimento, como fusão multimodal, design inteligente e leve de modelos, e detecção múltipla de mudanças.

Detecção bi-temporal em sensoriamento remoto;imagens SAR;métodos tradicionais;aprendizado profundo;detecção homogênea e heterogênea