Die Interferometrische Synthetic Aperture Radar (InSAR) Zeitreihentechnologie ist in der Lage, Verformungen auf einem großen Gebiet zu erfassen. Sie hat sich erfolgreich in der Überwachung geologischer Katastrophen, der Bewertung der Sicherheit städtischer Infrastrukturen und der Überwachung von Hängen in Bergbaugebieten bewährt. Allerdings stellt die große Menge von Verformungszeitreihen, die mit der InSAR-Technologie erfasst werden, eine große Herausforderung für die Interpretation der Verformungsfelder dar. Die automatische Klassifizierung großer Mengen von Verformungen im Zeitverlauf ist von großer Bedeutung für die Interpretation von Verformungsinformationen und die rechtzeitige Erkennung von Gefahrensignalen. In diesem Artikel wird eine Methode zur tiefen Clusteranalyse von InSAR-Verformungszeitreihen auf der Basis von selbstüberwachtem kontrastivem Lernen vorgestellt. Durch die Einführung des Rahmens des selbstüberwachten kontrastiven Lernens wird die Fähigkeit des Modells zur Clusterbildung von unbeaufsichtigten Daten gestärkt. Als Reaktion auf die Mängel von Zeitreihendatenaugmentierungsmethoden bei der Erfassung der Invarianz von Zeitreihentransformationen schlägt diese Studie eine datengesteuerte Strategie zur Formkonsistenzaugmentation vor. Diese Strategie, durch die Rotation der originalen Zeitreihendaten in verschiedene Winkel, erhält effektiv die Ähnlichkeit der Form von Zeitreihen und verbessert die Genauigkeit und Robustheit des Clusterings. In dem Validierungsdatensatz verbesserte die in diesem Artikel vorgeschlagene Methode die Clusterungsgenauigkeit um 25,8% und den normalisierten gegenseitigen Informationswert um 16,3% im Vergleich zur traditionellen K-means-Methode. Im Vergleich zur K-shape-Methode zeigt die in diesem Artikel vorgeschlagene Methode eine größere Genauigkeit bei der Erfassung von Zeitreiheneigenschaften und der Messung der Ähnlichkeit von Zeitreihen. Darüber hinaus verwendet diese Studie Zeitreihendaten der Sentinel-1-Aufstiegsdaten, die zwischen Januar 2020 und Oktober 2022 die KaFang-Tailing-Deponie in der Stadt Gejiu in der Provinz Yunnan abdecken, um die in diesem Dokument vorgeschlagene Methode zu validieren. Es wurde eine Clusteranalyse der aufgenommenen Verformungen durchgeführt und ein zuverlässiges Clusterergebnis erhalten, was darauf hinweist, dass diese Methode die Verformungszeitreihen von InSAR effektiv klassifizieren kann.

Selbstüberwachtes Lernen; Kontrastives Lernen; Datenaugmentierung; Tiefe Clusterung; Zeitreihenanalyse; Deformationsclustering; Merkmalsdarstellung; InSAR von Zeitreihen