يهدف الكشف عن التغيرات في صور الاستشعار عن بعد (RSCD) إلى اكتشاف الفروق بين صورتين زمنيتين تم التقاطهما في نفس المكان. وقد تم استخدام التعلم العميق على نطاق واسع في مهام الكشف عن التغيرات، مما أدى إلى نتائج ملموسة من حيث دقة التعرف على التغيرات. ومع ذلك، نظرًا لزاوية التقاط الصور بواسطة الأقمار الصناعية، وتأثيرات الغيوم الرقيقة، وظروف الإضاءة المحددة، فإن مشكلة الحواف الضبابية في مناطق التغير في بعض صور الاستشعار عن بعد لا يمكن التعامل معها بشكل مناسب باستخدام الخوارزميات الحالية للكشف عن التغيرات. ولحل هذه المشكلة، قمنا بطرح نموذج جديد يُدعى "الكشف عن التغيرات من خلال فصل الجسم وجمع الميزات متعددة المقاييس" (BD-MSA)، والذي يجمع معلومات خريطة الميزات العالمية والمحليّة من حيث الأبعاد القناة والمكانية خلال مراحل التدريب والتنبؤ. يمكّن هذا النهج من استخلاص معلومات الحدود الخاصة بمنطقة التغير بنجاح، مع فصل جوهر منطقة التغير عن حدودها. وقد أظهرت العديد من الدراسات أن مقاييس التقييم ونتائج التقييم لهذا النموذج على مجموعات البيانات العامة DSIFN-CD وS2Looking وWHU-CD هي الأفضل مقارنةً بالنماذج الأخرى.