Nous considérons le problème du suivi de végétation et de la détection de changements à partir de séquences d'images satellite présentant une forte répétitivité temporelle mais une faible résolution spatiale. Nous dérivons un critère probabiliste a contrario mesurant la cohérence entre la séquence d'images "basse résolution" et un état antérieur de référence (classification). La mesure ainsi obtenue est au cœur d'un algorithme stochastique qui sélectionne automatiquement les zones contenant les changements apparus au cours de la période étudiée. Le principe de cette approche est validé d'un point de vue théorique : nous montrons que tout changement, aussi local soit-il, peut être détecté pour peu que le niveau de contraste de l'image soit suffisament élevé. Enfin, nous présentons des expériences sur données simulées, qui affichent des performances prometteuses en vue d'une future application à des données réelles.