Die TSInSAR (Time-series Interferometric Synthetic Aperture Radar)-Technologie ermöglicht es, Deformationen in großem Maßstab zu erfassen und erfolgreich für die Überwachung von geologischen Hazarden, die Bewertung der Sicherheit städtischer Infrastruktur und die Überwachung von Bergbauhängen einzusetzen. Die enorme Menge an Deformationszeitreihendaten, die von der TSInSAR-Technologie erfasst werden, stellt jedoch eine große Herausforderung für die genaue Interpretation des Deformationsfelds dar. Die automatische Klassifizierung der massiven Zeitreihen-Deformationsdaten ist von großer Bedeutung für die präzise Interpretation von Deformationsinformationen und die rechtzeitige Erkennung von Gefahrensignalen. In dieser Studie wird eine auf selbstüberwachtem kontrastivem Lernen basierende Tiefenclustering-Methode für InSAR-Deformationszeitreihen vorgestellt. Diese Methode verstärkt die Fähigkeit des Modells zur Clusterbildung auf unbeschrifteten Daten, indem ein Rahmen für selbstüberwachtes kontrastives Lernen eingeführt wird. Gleichzeitig wird eine Datenverbesserungsstrategie auf der Basis von rotationsinvarianter Formkonsistenz für die Methode zur Verbesserung von Zeitreihendaten vorgeschlagen. Diese Strategie umfasst die rotation des ursprünglichen Zeitreihendatensatzes in verschiedenen Winkeln, um die morphologische Ähnlichkeit der Zeitreihen effektiv zu erhalten und die Genauigkeit und Robustheit des Clusterings zu verbessern. Mit dem Validierungsdatensatz wurden die von dieser Studie vorgeschlagene Methode und die K-Shape-Methode hinsichtlich der besten Clusterpräzision und der normalisierten gegenseitigen Informationen verglichen. Die Validierungsergebnisse zeigen, dass die von dieser Studie vorgeschlagene Methode die traditionelle K-Means-Methode um 25,8 % bzw. 16,3 % verbessert hat. Dies zeigt, dass die vorgeschlagene Methode dieser Studie eine bessere Genauigkeit bei der Erfassung von Zeitreihenmerkmalen und der Ähnlichkeitsmessung von Zeitreihen aufweist. Darüber hinaus wurde in dieser Studie die Zeitreihendeformationen, die aus den Sentinel-1-Aufstiegsbahndaten des Kafang-Tailingslagers in Gejiu, Yunnan, in den Jahren 2020 bis 2022 extrahiert wurden, mithilfe der vorgeschlagenen Methode validiert. Nach der Clusteranalyse der Zeitreihendeformationen wurden zuverlässige Klassifizierungsergebnisse erzielt, was zeigt, dass die Methode zur Klassifizierung von InSAR-Deformationszeitreihen effektiv ist.

Selbstüberwachtes kontrastives Lernen; Datenverbesserung; Zeitreihen-Deformation; Deformationsclustering; Zeitreihen-InSAR