النوع الزمني لرادار الفتح الاصطناعي التفاضلي الشكلي (TSInSAR) يمكنه الحصول على تشوهات على نطاق واسع وقد نجح في التطبيق على مراقبة الكوارث الجيولوجية وتقييم سلامة البنية التحتية للمدن ومراقبة ميل المناجم. ومع ذلك، فإن السلسلة الزمنية الكبيرة للتشوهات التي تم الحصول عليها بواسطة تكنولوجيا TSInSAR تجعل من الصعب تفسير حقل التشوهات بدقة. التصنيف التلقائي لبيانات تشوهات السلسلة الزمنية الكبيرة لديه أهمية كبيرة في تفسير دقيق لمعلومات التشوهات واكتشاف الإشارات الخطرة في الوقت المناسب. في هذه الدراسة، قدمنا طريقة تجميع عميقة لتشوهات السلسلة الزمنية TSInSAR بناءً على تعلم المقارنة الذاتية. تعزز هذه الطريقة قدرة النموذج على التجميع على البيانات بدون علامات من خلال اعتماد إطار عمل المقارنة الذاتية. في الوقت نفسه، ركزنا على استراتيجية تحسين بيانات سلسلة الزمنية بالنسبة لأساليب تحسين بيانات سلسلة الزمنية في التقاط ثابت التغير في سلسلة الزمنية. تقوم هذه الاستراتيجية بتحسين دقة التجميع والصلابة. باستخدام مجموعة بيانات التحقق من صحة، قارنا الطريقة التي قدمناها في هذه الدراسة مع طريقة K-shape في أفضل دقة تجميع وقيمة المعلومات المتبادلة المقيسة. وجدنا نتائج التحقق من الصحة بأن الطريقة التي قدمناها في هذه الدراسة قد رفعت بشكل أفضل بنسبة 25.8٪ و16.3٪ على التوالي من طريقة K-means التقليدية. هذا يشير إلى أن الطريقة التي قدمناها في هذه الدراسة تظهر دقة أفضل في التقاط سمات سلسلة الزمن وقياس ملكية الشبه بين السلاسل الزمنية. بالإضافة إلى ذلك، استخدمت هذه الدراسة مجموعة البيانات التي تغطي البيانات المحدثة من سنة 2020 إلى سنة 2022 لمستودع كارست لمين في مدينة جي جيو إقليم يونان، وقد وجدت مجموعة بيانات السلسلة الزمنية من هذه الدراسة نتائج تجميع موثوقة، مما يشير إلى أن هذه الطريقة يمكنها تجميع السلاسل الزمنية الناتجة عن تشوهات TSInSAR بشكل فعال.

تعلم المقارنة الذاتية; تحسين البيانات; تشوهات سلسلة الزمن; تجميع التشوهات; TSInSAR سلسلة الزمن