Self-supervised contrastive learning clustering method for InSAR time series deformation data
摘要
تقنية رادار التراكب الشمسي الاصطناعي الزمني (InSAR) قادرة على الحصول على تشوهات على نطاق واسع وقد حققت نجاحا كبيرا في تطبيقات مثل رصد الكوارث الجيولوجية وتقييم سلامة البنى التحتية الحضرية ومراقبة ميل المناجم وغيرها. ومع ذلك، يشكل السلسل الزمني للتشوهات التي يحصل عليها تقنية InSAR ذات الصورة المعقدة تحديا هائلا لفك تشوهات الحقل. فصنف تلقائي للسلسل الزمنية الكبيرة للتشوهات الزمنية له أهمية كبيرة في فك تشوهات المعلومات واكتشاف الإشارات الخطرة في الوقت المناسب. في هذه الورقة، نقدم طريقة للتجمع العميق للتشوهات المستندة إلى تقنية InSAR ذات الصورة المعقدة باستخدام تعلم العناصر المقابلة الذاتي. من خلال إدخال هيكل تعلم العناصر المقابلة الذاتي، تم تعزيز قدرة النموذج على التجمع على بيانات غير الموسومة. واستنادا إلى نقاط الضعف في تقنيات تكبير البيانات في القبض على ثبات السلسل الزمني للتشوهات، قمنا بتقديم استراتيجية تكبير للبيانات مبنية على ثبات شكل الدوران. تسمح هذه الاستراتيجية بالحفاظ على تشابه الشكل الزمني للبيانات وتحسين دقة وثبات التجمع. في مجموعة البيانات التحقق، تم تحسين الطريقة المقترحة في أدق درجة من ناحية دقة التجمع وقيم المعلومات العادية الموحدة بنسبة تصل إلى 25.8% و 16.3% على التوالي مقارنة بها مع طريقة K-means التقليدية. وبالمقارنة مع طريقة K-shape، تظهر الطريقة المقترحة في هذه الورقة دقة أفضل في الالتقاط للملامح الزمنية وقيمة الشبه للسلسل الزمني. علاوة على ذلك، استفدنا من بيانات التجمع لسلسل الزمنية التشوهات التي تم استخراجها من مجموعة البيانات المحطية للمركب السكني لمدينة كافانج بمقاطعة يونان في الفترة بين يناير 2020 وأكتوبر 2022. قمنا بتحليل سلسل الزمنية للتشوهات المتدرجة وحصلنا على نتائج تصنيف موثوقة، مما يدل على أن هذه الطريقة قادرة بشكل فعال على تجميع السلسل الزمنية للتشوهات المستندة إلى تقنية InSAR
关键词
self-supervised learning;contrastive learning;Data enhancement;deep clustering;time series analysis;deformation clustering;feature representation;time series InSAR.