بالرغم من ندرة الصور المُعلَّمة للكشف عن التغير باستخدام الصور الساتلية، وارتفاع تكلفتها في الحصول عليها، فإن هناك كمًا هائلاً من الصور غير المُعلَّمة يتم إنشاؤه يوميًا. للاستفادة من هذه البيانات في تعلُّم تمثيل صوري أكثر ملاءمة للكشف عن التغير، نستكشف طرقًا تستغل الاتساق الزمني لسلسلة صور سنتين-2 للحصول على إشارة تعلُّم ذاتي قابلة للاستخدام. ولتحقيق ذلك، قمنا بإنشاء مجموعة بيانات تُسمى "أزواج المدن متعددة الأزمنة من سنتين-2" (S2MTCP)، ونُشرت بشكل عام (https://zenodo.org/record/4280482)، وتتضمن أزواج صور متعددة الأزمنة من 1520 منطقة حضرية حول العالم. وقمنا بتجريب نتائج عدة طرق لتعلم ذاتي لتحسين نماذج الكشف عن التغير، وتم تطبيقها على مجموعة بيانات عامة للكشف عن التغير مكوّنة من أزواج صور سنتين-2 (OSCD).