Bien que les images annotées pour la détection de changements à partir d’images satellitaires soient rares et coûteuses à obtenir, un volume considérable d’images non étiquetées est généré quotidiennement. Afin d’exploiter ces données afin d’apprendre une représentation d’image plus adaptée à la détection de changements, nous explorons des méthodes qui exploitent la cohérence temporelle des séries temporelles Sentinel-2 pour obtenir un signal d’apprentissage auto-supervisé utilisable. À cet effet, nous construisons et mettons à disposition publiquement (https://zenodo.org/record/4280482) le jeu de données Sentinel-2 Multitemporal Cities Pairs (S2MTCP), comprenant des paires d’images multitemporelles provenant de 1 520 zones urbaines à travers le monde. Nous évaluons les performances de plusieurs méthodes d’apprentissage auto-supervisé pour le pré-entraînement de modèles destinés à la détection de changements, et appliquons ces approches sur un jeu de données publique de détection de changements composé de paires d’images Sentinel-2 (OSCD).