الطرق الحالية للتعرف على التغييرات باستخدام التعلم العميق تحاول تصميم شبكات عصبية معقدة ذات تمثيلات ميزات قوية، ولكنها تتجاهل الانحراف النمطي الشامل الناجم عن التغييرات في تغطية الأرض المتغيرة بمرور الوقت، بما في ذلك التقلبات في الإضاءة والتغيرات الموسمية بين صور ما قبل الحدث وما بعد الحدث، مما يؤدي إلى نتائج غير مثلى. في هذا البحث، نقترح إطارًا للتكيف النمطي المشرف من البداية إلى النهاية للكشف عن التغييرات عبر المجالات، يُطلق عليه SDACD (Supervised Domain Adaptation for Cross-Domain Change Detection)، لتخفيض الانحراف النمطي بين الصور ثنائية الزمن بشكل فعال وتحقيق توقعات أفضل للتغيير. بشكل خاص، يعرض إطارنا SDACD عمليات تكيف مشتركة من وجهتي نظر الصورة والميزات باستخدام التعلم المشرف. يستخدم التكيف النمطي للصورة التعلم المعادي الجيني مع قيود الاستقرار الدائري لأداء تحويل الأسلوب عبر المجالات، مما يضيق الفجوة النموذجية بطريقة إنتاج ثنائية الجانب بشكل فعال. بالنسبة للتكيف النموذجي للميزات، نستخرج ميزات ثابتة عبر المجالات لتوفيق توزيعات الميزات المختلفة في فضاء الميزات، مما يمكن أن يقلل المزيد من الفجوة النموذجية للصور ثنائية الزمن. لتحسين الأداء بشكل أكبر، نجمع ثلاثة أنواع من الصور ثنائية الزمن للتنبؤ النهائي بالتغيير، والتي تشمل الصور ثنائية الزمن الأولية ومجموعتين من الصور ثنائية الزمن التي تم إنشاؤها من مجال ما قبل الحدث وما بعد الحدث. أظهرت التجارب والتحليلات الواسعة على معيارين مختلفين فعالية وإطلاق نطاق الإطار المقترح لدينا وشموليته. وبشكل لافت للنظر، دفع إطارنا العديد من النماذج الأساسية الممثلة إلى تسجيل مستويات جديدة من الطليعية (State-Of-The-Art)، حيث حقق نسبة 97.34٪ و92.36٪ على مجموعة بيانات CDD ومجموعة بيانات المباني WHU على التوالي. الرمز المصدر والنماذج متاحة بشكل عام على الرابط https://github.com/Perfect-You/SDACD.