Comprendre les dynamiques temporelles de la surface terrestre est une mission d'analyse d'images de télédétection multi-temporelles, considérablement facilitée par les modèles de vision profonde grâce à leur carburant -- des images multi-temporelles étiquetées. Cependant, collecter, prétraiter et annoter des images de télédétection multi-temporelles à grande échelle n'est pas trivial, car cela est coûteux et nécessite une expertise approfondie. Dans cet article, nous présentons un générateur de données de changement multi-temporel pour la télédétection par modèle génératif, qui est peu coûteux et automatique, atténuant ainsi ces problèmes. Notre idée principale consiste à simuler un processus stochastique de changement au fil du temps. Nous considérons ce processus stochastique de changement comme une transition d'états sémantiques probabilistes, c'est-à-dire un modèle génératif probabiliste de changement (GPCM), qui divise le problème complexe de simulation en deux sous-problèmes plus gérables : la simulation d'événements de changement et la synthèse sémantique de changement. Pour résoudre ces deux problèmes, nous proposons le générateur de changement (Changen), un GPCM basé sur les GANs (Generative Adversarial Networks), permettant une génération contrôlée de données de changement d'objets, y compris des propriétés d'objets personnalisables et des événements de changement. Les expériences approfondies suggèrent que notre Changen possède une capacité supérieure de génération, et que les détecteurs de changement pré-entraînés avec Changen montrent une excellente transférabilité vers des ensembles de données réels de changement.