كشف التغير، وهو مجال بارز في الاستشعار عن بعد، يُعدّ حاسمًا في مراقبة وتحليل التحولات السطحية. وعلى الرغم من التقدم الكبير الذي أُحرز من خلال الأساليب القائمة على التعلم العميق، ما زال تنفيذ كشف التغير بدقة عالية في السياقات المعقدة من حيث المكان والزمن في الاستشعار عن بعد يشكل تحديًا كبيرًا. وتشير ظهور النماذج الأساسية (Foundation Models) حديثًا، مع قدراتها القوية على العمومية والقدرة على التعميم، إلى إمكانية تقديم حلول لهذا التحدي. ومع ذلك، لا يزال التغلب على الفجوة الناتجة عن اختلاف البيانات والمهام عقبة كبيرة. في هذه الورقة، نقدّم طريقة جديدة تُسمى "البُكْرَات الزمنية" (Time Travelling Pixels - TTP)، والتي تدمج المعرفة الخفية من نموذج SAM الأساسي في عملية كشف التغير. وتُعد هذه الطريقة فعّالة في معالجة انزياح المجال عند نقل المعرفة العامة، فضلًا عن التحدي المتمثل في التعبير عن الخصائص المتجانسة وغير المتجانسة للصور متعددة الأزمنة. وقد أظهرت النتائج المتميزة التي تحققت على مجموعة LEVIR-CD فعالية طريقة TTP. ويمكن الوصول إلى الكود عبر الرابط: \url{https://kychen.me/TTP}.