La detección de cambios en el uso y la cobertura del suelo (LULC) es un área de investigación fundamental en aplicaciones de teledetección, que plantea un desafío significativo debido a las variaciones en la iluminación, la radiación y el ruido de imagen entre imágenes bi-temporales. Actualmente, las soluciones de aprendizaje profundo, particularmente las redes neuronales convolucionales (CNN), representan el estado del arte (SOTA) para la detección de cambios. Sin embargo, los modelos basados en CNN requieren grandes cantidades de datos anotados, lo que puede ser costoso y llevar mucho tiempo. Por el contrario, adquirir un gran volumen de imágenes no anotadas es relativamente fácil. Recientemente, el aprendizaje contrastivo auto-supervisado ha surgido como un método prometedor para aprender de imágenes no anotadas, reduciendo así la necesidad de anotación. Sin embargo, la mayoría de los métodos existentes emplean valores aleatorios o modelos preentrenados en ImageNet para inicializar sus codificadores y carecen de conocimiento previo adaptado a las demandas de las tareas de detección de cambios, lo que limita el rendimiento de los modelos de detección de cambios. Para abordar estos desafíos, introducimos un nuevo marco basado en la diferencia de características llamado Barlow Twins para el preentrenamiento y ajuste fino auto-supervisado en la detección de cambios (BTCD). El enfoque propuesto emplea diferencias absolutas de características para aprender directamente representaciones únicas asociadas con regiones que han cambiado a partir de imágenes de teledetección bi-temporales no etiquetadas de manera auto-supervisada. Además, introducimos una pérdida de predicción invariante y una pérdida de regularización de consistencia de cambios para mejorar la alineación de imágenes entre imágenes bi-temporales tanto en el espacio de decisión como en el de características durante el entrenamiento de la red, mitigando así el impacto de la variación en las condiciones de radiación, el ruido y los puntos de vista de imagen. Seleccionamos el modelo UNet++ mejorado para el ajuste fino de modelos de preentrenamiento auto-supervisado y realizamos experimentos utilizando dos conjuntos de datos de detección de cambios LULC disponibles públicamente. Los resultados experimentales demuestran que nuestro enfoque propuesto supera a los métodos SOTA existentes en términos de métricas de rendimiento cuantitativo y cualitativo competitivas.