كشف التغيرات من خلال الاستشعار عن بعد (RSCD) يهدف إلى تحديد التغيرات ذات الاهتمام في منطقة معينة من خلال تحليل الصور الفضائية متعددة الأزمنة، وله قيمة بارزة في مراقبة التنمية المحلية. تُركّز الطرق الحالية لـ RSCD على نمذجة السياق في المجال المكاني لتعزيز التغيرات ذات الاهتمام. وعلى الرغم من الأداء المرضي الذي تم تحقيقه، فإن نقص المعرفة في المجال الترددي يحد من تحسين أداء النموذج بشكل أكبر. في هذا البحث، نقترح DDLNet، وهو شبكة لكشف التغيرات من خلال الاستشعار عن بعد تعتمد على التعلم ثنائي المجال (أي المجال الترددي والمجال المكاني). وبشكل خاص، قمنا بتصميم وحدة تعزيز المجال الترددي (FEM) لاستخلاص المكونات الترددية من الصور ثنائية الزمنية المدخلة باستخدام التحويل التوافقي المنتظم (DCT)، وبالتالي تعزيز التغيرات ذات الاهتمام. بالإضافة إلى ذلك، صممنا وحدة استرداد المجال المكاني (SRM) لدمج الميزات الزمانية-المكانية لإعادة بناء التفاصيل المكانية لتمثيلات التغير. أظهرت التجارب الواسعة على ثلاث مجموعات بيانات معيارية لـ RSCD أن الطريقة المقترحة تحقق أداءً من الدرجة الأولى، وتحقيق توازن أفضل بين الدقة والكفاءة. يُتاح كودنا بشكل عام عبر الرابط التالي: https://github.com/xwmaxwma/rschange.