يُعتبر سد بَيْهِيتان مشروعًا وطنيًا هامًا، حيث تتميز الظروف الجيولوجية لمنطقة الخزان بالتعقيد، ويُعَدُّ مراقبة استقرار منحدرات الضفة بعد التخزين أمرًا بالغ الأهمية. تعتمد تقنية InSAR التقليدية على مؤشرات معدل التشوه، مما يصعب كشف قوانين التطور الزمني، وهنا تجمع هذه الورقة بين التعلم الانتقالي وشبكة الالتفاف الزمنية (TCN) لإنشاء نموذج ذكي للتعرف على أنماط التشوه الزمنية بهدف تحسين فهم تطور التشوه في منطقة الخزان. يستخدم البحث بيانات قمر Sentinel-1 من أبريل 2021 إلى مارس 2024، ويطبق تقنية SBAS-InSAR لاسترجاع مجال التشوه الزمني في المنطقة بأكملها، مقترحًا بنية تصنيف زمنية عميقة معززة بالتعلم الانتقالي: تدريب مبدئي باستخدام بيانات محاكاة، ثم تعديل دقيق باستخدام بيانات حقيقية، وتم إنشاء نظام تصنيف تشوه سداسي الأبعاد يشمل الأنماط المستقرة والخطية والمتدرجة والمجزأة والقدرة والفئات غير المعرفة، وتطبيقه على التعرف على أنماط التشوه في منطقة خزان بَيْهِيتان. تظهر النتائج أن: (1) من بين 97377 نقطة تشوه في المنطقة، تُعتبر الأنماط المستقرة (45.6%) والمجزأة الخطية (24.4%) هي السائدة، حيث ترتبط الأنماط المستقرة بمعدلات منخفضة وتماسك عالٍ بشكل ملحوظ؛ (2) يتأثر الانحدار في شيمينكان بتأخير مستوى المياه في السد، حيث يتأخر الارتفاع حوالي شهرين عن ذروة تخزين المياه، وتظهر كتلة منحدر وِييلُزْهْتان علامات التشوه المتدرجة الناجمة عن الأمطار واستجابة خطية مجزأة مرتبطة بمستوى المياه والأمطار. تتجاوز هذه الدراسة إطار التحليل التقليدي القائم على المعدل فقط، وتثبت فعالية التعلم الانتقالي في تقليل تكاليف تسمية التسلسل الزمني، كما تبين أن تحليل أنماط التشوه متعددة الأبعاد يوفر نمطًا جديدًا لتقييم المخاطر الديناميكي للكوارث في منطقة الخزان.

تصنيف التشوه الزمني; TCN; التعلم الانتقالي; منطقة خزان بَيْهِيتان; SBAS-InSAR; التعلم العميق; انحدار الضفة; مراقبة الكوارث الجيولوجية