لصور الاستشعار عن بعد ذات الدقة المكانية العالية (HSR)، يهيمن التعلم الإشرافي الثنائي الزمني دائمًا على اكتشاف التغيرات باستخدام العديد من الصور الثنائية الزمنية المصنفة زوجيًا. ومع ذلك، فإن تصنيف الصور الثنائية الزمنية ذات نطاق واسع ودقة مكانية عالية زوجيًا أمر مكلف للغاية ويستغرق وقتًا طويلاً. في هذا البحث، نقترح التعلم الإشرافي الأحادي الزمني (STAR) لاكتشاف التغيرات من منظور جديد يتمثل في استغلال تغيرات الأشياء في الصور غير المزدوجة كإشارات إشرافية. يمكّننا STAR من تدريب جهاز اكتشاف التغيرات بدقة عالية باستخدام صور مصنفة أحاديًا فقط والتوسع إلى الصور الثنائية الزمنية الحقيقية. لتقدير فعالية STAR، قمنا بتصميم جهاز اكتشاف تغيرات بسيط ولكنه فعال يُسمى ChangeStar، والذي يمكنه إعادة استخدام أي بنية للتمييز الدلالي العميق بواسطة وحدة ChangeMixin. تظهر النتائج التجريبية الشاملة أن ChangeStar يتفوق على النموذج الأساسي بمقدار كبير تحت الإشراف الأحادي الزمني ويحقق أداءً أفضل تحت الإشراف الثنائي الزمني. الرمز متاح على https://github.com/Z-Zheng/ChangeStar