Obwohl annotierte Bilder für die Änderungserkennung mittels Satellitenbilder rar und kostspielig zu beschaffen sind, werden täglich eine Fülle an ungelabelten Bildern generiert. Um diese Daten nutzen zu können, um eine für die Änderungserkennung angemessenere Bilddarstellung zu lernen, erforschen wir Methoden, die die zeitliche Konsistenz von Sentinel-2-Zeitreihen ausnutzen, um ein nutzbares selbstüberwachtes Lernsignal zu erzeugen. Dazu erstellen und stellen wir öffentlich zugänglich (https://zenodo.org/record/4280482) die Sentinel-2 Multitemporal Cities Pairs (S2MTCP)-Datensatz bereit, der multitemporale Bildpaare aus 1520 städtischen Gebieten weltweit enthält. Wir testen die Ergebnisse mehrerer selbstüberwachter Lernmethoden zur Vortrainierung von Modellen für die Änderungserkennung und wenden diese auf einer öffentlichen Datensatz für Änderungserkennung basierend auf Sentinel-2-Bildpaaren (OSCD) an.