Die TSInSAR-Technologie (Interferometrischer synthetischer Aperturradar-Zeitreihen) ermöglicht die Erfassung großer Deformationen und wird erfolgreich zur Überwachung von geologischen Katastrophen, zur Bewertung der Sicherheit städtischer Infrastrukturen, zur Hangüberwachung in Steinbrüchen usw. eingesetzt. Allerdings stellen die großen Deformationszeitreihen, die mit der TSInSAR-Technologie gewonnen werden, eine große Herausforderung für eine präzise Interpretation der Deformationen dar. Die automatische Klassifizierung großer Zeitreihendaten von Deformationen ist für eine präzise Interpretation der Deformationen und die rechtzeitige Erkennung von Gefahrensignalen entscheidend. In dieser Studie wird eine Methode zur tiefen Clusterbildung von InSAR-Deformationszeitreihen auf der Grundlage des selbstüberwachten Kontrastlernens vorgeschlagen. Diese Methode stärkt die Fähigkeit des Modells, Daten ohne Labels zu clustern. Darüber hinaus wird eine Strategie zur Datenverstärkung auf der Basis von Rotationsformkohärenz vorgeschlagen, um die Unzulänglichkeiten der Datenaugmentation von Zeitreihen beim Erfassen von zeitlichen Änderungen zu überwinden. Diese Strategie erhält die Formähnlichkeit der ursprünglichen Zeitreihendaten durch Rotation um verschiedene Winkel, was die Genauigkeit und Robustheit des Clusterings verbessert. Mit einem Validierungsdatensatz wird die in dieser Studie vorgeschlagene Methode mit der K-Shape-Methode in Bezug auf die beste Clusterpräzision und den normalisierten gegenseitigen Informationswert verglichen. Die Ergebnisse zeigen, dass die in dieser Studie vorgeschlagene Methode die Präzision um 25,8% bzw. 16,3% gegenüber der traditionellen K-Means-Methode verbessert. Diese Ergebnisse zeigen, dass die in dieser Studie vorgeschlagene Methode eine höhere Präzision bei der Capture temporalspezifischer Merkmale und der Ähnlichkeitsmessung zeitlicher Reihen aufweist. Darüber hinaus werden in dieser Studie die aus den Sentinel-1-Orbitdaten von Januar 2020 bis Oktober 2022 extrahierten Deformationszeitreihen verwendet, um die vorgeschlagene Methode zu validieren. Die Analyse der Deformationszeitreihen nach dem Clustering hat zuverlässige Klassifizierungsergebnisse erbracht, was darauf hinweist, dass die Methode die Deformationszeitreihen von InSAR erfolgreich klassifizieren kann.

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