تقنية TSInSAR (الرادار التخيلي بفتحة اصطناعية التسلسل الزمني) تسمح بالحصول على انحرافات كبيرة وقد نجحت في التطبيق على مراقبة الكوارث الجيولوجية وتقييم سلامة البنية التحتية الحضرية ومراقبة المنحدرات في مناجم وغيرها. ومع ذلك، تواجه السلاسل الزمنية الكبيرة للانحرافات المستخرجة بتقنية TSInSAR تحديا كبيرا في تفسير الانحرافات بدقة. تصنيف البيانات الزمنية الكبيرة تلعب دورا هاما في تفسير الانحرافات بدقة واكتشاف إشارات الخطورة في الوقت المناسب. يقدم هذا البحث أسلوبا للتجمع العميق لانحرافات سلاسل الزمنية InSAR بناءا على التعلم التبايني الذاتي. يقوي هذا الأسلوب قدرة النموذج على التجمع على البيانات التي لا تحمل علامات بنيتها الذاتية. وفي الوقت نفسه، بالنسبة لطرق تعزيز بيانات سلاسل الزمن الناتجة عن عدم كفايةها في الحصول على تغيرات زمنية، تقترح استراتيجية تعزيز بيانات تعتمد على توافق الشكل الدوراني. من خلال تدوير بيانات سلاسل الزمن الأساسية بزوايا مختلفة، يحافظ هذا الاستراتيجية بشكل فعال على التشابهية في الشكل للسلاسل الزمنية ويعزز دقة التجمع ومرونته. باستخدام مجموعة البيانات التحقق، يتم مقارنة الأسلوب المقترح في هذه الدراسة مع طريقة K-shape في أفضل دقة التجمع وقيمة المعلومات المتبادلة الموحدة. النتائج تشير إلى أن الأسلوب المقترح في هذه الدراسة يزيد من دقة 25.8% و16.3% بالتوالي مقارنة بالطريقة التقليدية K-means. توضح هذه النتائج أن الأسلوب المقترح في هذه الدراسة يظهر دقة أكبر في تقاطع ملامح السلاسل الزمنية وقياس التشابه في السلاسل الزمنية. علاوة على ذلك، تحلل هذه الدراسة انحرافات سلاسل الزمن المستخرجة من بيانات الأقمار الصناعية من نوع سنتينل-1 التي تغطي بيانات التجمع في الصين في الفترة ما بين يناير 2020 وأكتوبر 2022. توضح النتائج النهائية لتجميع الانحرافات الزمنية الناشئة نتائج تصنيف موثوقة، مما يوضح أن الأسلوب المقترح يمكن أن يصنف بنجاح سلاسل الزمن لانحرافات InSAR.

self-supervised learning;contrastive learning;data enhancement;deep clustering;time series analysis