الاستشعار عن بعد والرصد التلقائي للأرض يُعدان عنصرين رئيسيين لحل التحديات على نطاق عالمي مثل الوقاية من الكوارث، ومراقبة استخدام الأراضي، أو مواجهة تغير المناخ. وعلى الرغم من وجود كميات هائلة من بيانات الاستشعار عن بعد، إلا أن معظمها لا يحمل تسميات، وبالتالي يظل غير قابل للاستخدام مع خوارزميات التعلم المراقب. يمكن لتقنيات التعلم الناقل تقليل احتياجات البيانات الخاصة بالخوارزميات العميقة، لكن معظم هذه الأساليب تُدرّب مسبقًا على مجموعة بيانات ImageNet، ولا يمكن ضمان تعميمها على صور الاستشعار عن بعد بسبب الفجوة بين المجالات. في هذه الدراسة، نقترح "التباين الموسمي" (SeCo)، وهو نموذج فعّال لاستغلال البيانات غير المُسَمّاة في تدريب مسبق للتمثيلات الخاصة بالاستشعار عن بعد ضمن المجال نفسه. يتكون نموذج SeCo من جزأين: أولاً، إجراء منهجي لجمع مجموعات بيانات ضخمة وغير مُسَمّاة وغير مُنظّمة من صور الاستشعار عن بعد، تضم صورًا من مواقع متعددة على سطح الأرض في أزمنة مختلفة. ثانيًا، خوارزمية ذاتية التعلم تستفيد من التماثل الزمني والمكاني لتعلم تمثيلات قابلة للنقل في تطبيقات الاستشعار عن بعد. ونُظهر تجريبيًا أن النماذج المدربة باستخدام SeCo تحقق أداءً أفضل من نماذج التدريب المسبق على ImageNet، وكذلك من أحدث الأساليب ذاتية التعلم في عدة مهام تطبيقية لاحقة. سيتم إتاحة مجموعات البيانات والنماذج الخاصة بـ SeCo للجمهور لتسهيل التعلم الناقل وتمكين تقدم سريع في تطبيقات الاستشعار عن بعد.