تقنية TSInSAR (الرادار الصناعي المطور بالتداخل التسلسلي عبر الزمن) قادرة على الحصول على تشوهات بشكل واسع وقد نجحت في تطبيقها في رصد الكوارث الجيولوجية، وتقييم سلامة البنية التحتية الحضرية، ورصد ميل المناجم وغيرها. ومع ذلك، فإن سلسلة الوقت الهائلة للتشوهات التي حصلت عليها تقنية TSInSAR تعرضت لتحديات هائلة في تفسير المشهد التفسيري للتشوهات بدقة. تصنيف البيانات الهائلة لتسلسل الوقت للتشوهات تلقائيًا، له أهمية كبيرة لتفسير دقيق لمعلومات التشوهات واكتشاف إشارات الخطر بشكل فوري. هذا البحث يقترح طريقة تجميع تشوهات TSInSAR بالعمق بناءً على التعلم التنسيقي الذاتي المقارن. تعزيز قدرة النموذج في تجميع البيانات بدون تسميات عن طريق إدخال إطار العمق التنسيقي الذاتي المقارن. في الوقت نفسه، واجهت الطريقة الحالية عوارض في تكبير البيانات الزمنية في تقاطع تجاوز العيوب في إمساك التحوّلات في عملية تكبير البيانات الزمنية. وقدمت هذه الاستراتيجية استراتيجية تكبير بناءً على تباين الأشكال. تقوم هذه الاستراتيجية بتدوير البيانات الزمنية الأصلية بزوايا مختلفة، وتحافظ بشكل فعال على تشابه شكل السلسلة الزمنية، مما يعزز دقة التجميع والصمود. باستخدام مجموعة البيانات للتحقق، قارنت طريقتنا المقترحة مع طريقة K-shape التقليدية في أفضل دقة تجميع وقيمة المعلومات المتبادلة الموحدة. اكتشفت نتائج التحقق: أن طريقتنا المقترحة زادت الدقة بنسبة 25.8٪ و16.3٪ على التوالي مقارنة بطريقة K-means التقليدية. تشير هذه الدراسة إلى أن الطريقة المقترحة في هذه الدراسة تظهر دقة أفضل في الإمساك بميزات السلسلة الزمنية وقياس تشابه السلسلة الزمنية. بالإضافة إلى ذلك، استخدم رصد تحسسي بواسطة الأقمار الصناعية من نوع Sentinel 1 بين يناير 2020 وأكتوبر 2022 والتي تغطي مخازن الفضلات في مدينة Gejiu في مقاطعة يوننان بجمهورية الصين الشعبية. بعد تحليل تطبيقات تجميع تشوهات السلسلة الزمنية، توصلت هذه الدراسة إلى نتائج تصنيف موثوقة، مما يشير إلى أن هذه الطريقة يمكنها تجميع سلاسل التشوهات TSInSAR بفعالية.

self-supervised contrastive learning;Data enhancement;time series analysis;deformation clustering;time-series InSAR