La detección de cambios en teledetección es una técnica de monitoreo importante, ampliamente utilizada en la planificación urbana, evaluación de desastres, gestión de recursos y otros campos. El radar de apertura sintética (SAR) cuenta con capacidad de imagen las 24 horas y en todas las condiciones meteorológicas, superando los problemas de la detección óptica que se ve afectada por el clima y la iluminación. Su capacidad de penetración de microondas, características de polarización y mecanismo de formación de imagen coherente le otorgan ventajas únicas en la monitorización de cambios subsuperficiales y en áreas ocultas, cambios en la estructura y propiedades físicas de objetos, así como en cambios mínimos. Actualmente, la mayoría de las revisiones sobre detección de cambios bi-temporales en teledetección se centran principalmente en imágenes ópticas, y carecen de un resumen sistemático y específico sobre la detección de cambios basada en imágenes SAR. Además, con el desarrollo del aprendizaje profundo y las técnicas de fusión multisource, la detección de cambios homogéneos y heterogéneos basada en imágenes SAR se ha convertido en un tema de vanguardia. Por tanto, este artículo, basado en cientos de documentos clásicos y recientes nacionales e internacionales, y combinando el principio de formación de imágenes satelitales SAR, primero explora aplicaciones típicas de detección de cambios en diferentes condiciones de imagen. Luego, construye un proceso general de detección de cambios bi-temporales que incluye adquisición de datos, preprocesamiento de imágenes, reconocimiento de cambios y postprocesamiento. Sobre esta base, organiza sistemáticamente los principales datos y métodos de detección. La parte de datos abarca conjuntos de datos abiertos para detección de cambios homogéneos y heterogéneos basados en SAR, y la parte de métodos incluye métodos tradicionales así como investigaciones sobre detección homogénea y heterogénea en aprendizaje profundo. Particularmente, organiza enlaces relacionados con conjuntos de datos y códigos de modelos, proporcionando una referencia importante para futuras investigaciones en el campo. Finalmente, el artículo resume los principales desafíos actuales del campo desde tres niveles: datos, algoritmos y aplicaciones, como la calidad y cantidad de datos, la capacidad de expresión de características de los modelos, la complejidad computacional y el ámbito de aplicación de la detección de cambios. Frente a estos desafíos, se anticipan direcciones futuras como la fusión multimodal, diseño inteligente y ligero de modelos y detección múltiple de cambios.

Detección bi-temporal en teledetección;imágenes SAR;métodos tradicionales;aprendizaje profundo;cambios homogéneos y heterogéneos