A detecção de mudanças por sensoriamento remoto é uma técnica de monitoramento importante, amplamente aplicada em planejamento urbano, avaliação de desastres, gerenciamento de recursos e outras áreas. O Radar de Abertura Sintética (SAR) possui capacidade de imageamento 24 horas por dia e em todas as condições climáticas, superando os problemas da detecção óptica afetada pelo clima e iluminação. Sua capacidade de penetração por micro-ondas, características de polarização e mecanismo de imageamento coerente conferem-lhe vantagens únicas na monitoração de mudanças subterrâneas e em áreas obstruídas, mudanças na estrutura e propriedades físicas dos objetos, bem como mudanças pequenas. Atualmente, a maioria das revisões sobre detecção de mudanças em sensoriamento remoto baseadas em dois tempos foca principalmente em imagens ópticas, carecendo de uma síntese sistemática e direcionada sobre detecção de mudanças baseada em imagens SAR. Além disso, com o desenvolvimento do aprendizado profundo e técnicas de fusão de múltiplas fontes, a detecção de mudanças homógena e heterógena baseada em imagens SAR tem se tornado um tópico de ponta. Portanto, este artigo, baseado em centenas de publicações clássicas e recentes nacionais e internacionais, e combinando os princípios de imageamento por satélites SAR, discute primeiramente aplicações típicas de detecção de mudanças sob diferentes condições de imageamento. Em seguida, constrói um processo geral de detecção de mudanças de dois tempos 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 abertos para detecção homógena e heterógena baseada em SAR, e a parte de métodos inclui os métodos tradicionais e os métodos de aprendizado profundo para detecção homógena e heterógena. Em particular, organiza links relevantes para conjuntos de dados e códigos de modelos, fornecendo referências importantes para pesquisas futuras. Por fim, o artigo resume os principais desafios atuais da área em três níveis: dados, algoritmos e aplicações, como qualidade e quantidade dos dados, capacidade de expressão das características do modelo, complexidade computacional e alcance de aplicação da detecção de mudanças. Frente a esses desafios, visualiza futuras direções na fusão multimodal, design de modelos inteligentes e leves, bem como desenvolvimento da detecção multivariada de mudanças.

detecção de mudanças de dois tempos em sensoriamento remoto;imagens SAR;métodos tradicionais;aprendizado profundo;homógena e heterógena