La detección de cambios en teledetección es una técnica de monitoreo importante, ampliamente utilizada en planificación urbana, evaluación de desastres, gestión de recursos y otros campos. El Radar de Apertura Sintética SAR (Synthetic Aperture Radar) tiene la capacidad de imagen las 24 horas y en todas las condiciones climáticas, superando los problemas de detección óptica afectados por el clima y la iluminación. Su capacidad de penetración de microondas, características de polarización y mecanismo de formación de imágenes coherentes le brindan ventajas únicas para monitorear cambios subterráneos y en áreas bloqueadas, cambios en la estructura y propiedades físicas del terreno, así como cambios mínimos. Actualmente, la mayoría de las revisiones de detección de cambios de doble fase en teledetección se centran principalmente en imágenes ópticas, careciendo de resúmenes sistemáticos y enfocados en la detección basada en imágenes SAR. Además, con el desarrollo del aprendizaje profundo y técnicas de fusión de múltiples fuentes, la detección homogénea y heterogénea basada en imágenes SAR se ha convertido en una tendencia de vanguardia. Por lo tanto, basándose en cientos de documentos clásicos y actuales nacionales e internacionales, y combinando los principios de formación de imágenes por satélite SAR, este artículo primero discute aplicaciones típicas de detección de cambios en diferentes condiciones de imagen. Luego, construye un proceso general de detección de cambios de doble fase que incluye adquisición de datos, preprocesamiento de imágenes, reconocimiento de cambios y postprocesamiento. Sobre esta base, revisa sistemáticamente los datos y métodos principales de detección de cambios. La parte de datos cubre conjuntos de datos abiertos para detección homogénea y heterogénea basada en SAR, la parte metodológica incluye métodos tradicionales y métodos de aprendizaje profundo para detección homogénea y heterogénea. En particular, organiza enlaces a conjuntos de datos y códigos de modelos relevantes, proporcionando referencias importantes para futuras investigaciones. Finalmente, el artículo resume los principales desafíos actuales del campo en tres niveles: datos, algoritmos y aplicaciones, tales como calidad y cantidad de datos, capacidad de expresión de características del modelo, complejidad computacional y rango de aplicación de la detección de cambios. Frente a estos desafíos, se plantean perspectivas futuras como la fusión multimodal, el diseño de modelos inteligentes y livianos, y el desarrollo de detección multivariada de cambios.

detección de cambios de doble fase en teledetección;imágenes SAR;métodos tradicionales;aprendizaje profundo;homogénea y heterogénea