كشف التغير يُعد مهمة بالغة الأهمية في تطبيقات المراقبة الأرضية. في الآونة الأخيرة، أظهرت الطرق القائمة على التعلم العميق أداءً واعدًا، وتم اعتمادها بسرعة في مهام كشف التغير. ومع ذلك، لا تزال الهياكل المُستخدمة على نطاق واسع مثل المُشفرات المتعددة والفكّاك الأحادي (MESD) والبنية الثنائية للمُشفرات والفكّاك (DED) تعاني من صعوبات في التعامل بكفاءة مع مهام كشف التغير. فالمُشفرات المتعددة والفكّاك الأحادي تواجه مشكلة تداخل الميزات ثنائية الزمن في عملية دمج الميزات على مستوى الميزات، بينما لا تصلح البنية الثنائية للمُشفرات والفكّاك لتطبيقات كشف التغير داخل الفئة أو كشف التغير في المباني من زوايا متعددة. ولحل هذه المشكلات، نقترح استراتيجية جديدة تعتمد على بنية مُشفر-فكّاك ثنائية متبادلة، مدعومة بتوجيهات معنوية وتحديد مكاني دقيق، للكشف الثنائي عن التغير. تحل الاستراتيجية المقترحة مشكلة التداخل المفاهيمي بين الميزات الثنائية الزمنية في بنية MESD من خلال دمج الميزات الثنائية الزمنية على مستوى القرار، كما تحل مشكلة عدم القابلية للتطبيق في بنية DED من خلال تحديد المناطق المتغيرة باستخدام ميزات معنوية ثنائية الزمن. قمنا ببناء نموذج كشف تغير ثنائي بناءً على هذه الاستراتيجية، ثم قمنا بتحققها ومقارنتها مع 18 طريقة حديثة من طرق كشف التغير على ستة مجموعات بيانات في ثلاث سيناريوهات، تشمل مجموعات بيانات كشف التغير داخل الفئة (CDD، SYSU)، ومجموعات بيانات كشف التغير في المباني من منظور واحد (WHU، LEVIR-CD، LEVIR-CD+)، ومجموعة بيانات كشف التغير في المباني من زوايا متعددة (NJDS). أظهرت النتائج التجريبية أن النموذج المقترح يحقق أداءً متفوقًا بفعالية عالية، ويتفوق على جميع الطرق المعيارية، حيث بلغت قيم F1-score 97.77% و83.07% و94.86% و92.33% و91.39% و74.35% على مجموعات بيانات CDD وSYSU وWHU وLEVIR-CD وLEVIR-CD+ وNJDS على التوالي. سيكون الشفرة البرمجية لهذا العمل متاحة على الرابط: https://github.com/NJU-LHRS/official-SGSLN.