Este artículo revisa el uso de datos de teledetección de radar de apertura sintética para el mapeo de diques de tierra con énfasis en la detección de deslizamientos en los diques. Los diques de tierra construidos en los diques naturales paralelos al cauce del río están diseñados para proteger grandes áreas de tierras habitadas y cultivadas en los Estados Unidos de inundaciones. Uno de los signos de un posible fallo inminente del dique es la aparición de deslizamientos. La inspección en el lugar de los diques es costosa y lleva tiempo; por lo tanto, es necesario desarrollar técnicas eficientes basadas en tecnologías de teledetección para prevenir fallos bajo cargas de inundación. El análisis de datos de radar multipolarizado es una de las herramientas viables para detectar áreas problemáticas en los diques. En este estudio, desarrollamos métodos para detectar anomalías en el dique, como deslizamientos, y proporcionamos a los gestores de diques nuevas herramientas para priorizar sus tareas. Este artículo presenta los resultados de la aplicación de datos de banda L cuádruple polarizados del Radar de Apertura Sintética de Vehículos Aéreos No Tripulados (UAVSAR) del Laboratorio de Propulsión a Chorro (JPL) de la Administración Nacional de Aeronáutica y del Espacio (NASA) para detectar deslizamientos en diques de tierra. El área de estudio abarca una parte de los diques del río Mississippi inferior en los Estados Unidos. En este artículo, investigamos el rendimiento de las características polarimétricas y de textura para una clasificación eficiente de diques. Las características de textura derivadas de la matriz de co-ocurrencia de niveles de gris (GLCM) y la transformada discreta de ondícula se calcularon y analizaron para una clasificación eficiente de diques. También se calcularon y aplicaron características de descomposición polarimétrica basadas en píxeles, como entropía, anisotropía y ángulo de dispersión, al clasificador de máquina de vectores de soporte para caracterizar las imágenes de radar y se compararon los resultados con la clasificación basada en textura. Nuestros resultados experimentales mostraron que la inclusión de características texturales derivadas de los datos SAR utilizando las características de transformada discreta de ondícula y GLCM proporcionaron mayores precisión de clasificación general en comparación con las características polarimétricas basadas en píxeles.