Das Wasserkraftwerk Baihetan ist ein nationales Großprojekt mit komplexen geologischen Bedingungen im Stauseegebiet, weshalb die Überwachung der Stabilität der Uferböschungen nach der Befüllung von entscheidender Bedeutung ist. Die traditionelle InSAR-Technik basiert auf Deformationsgeschwindigkeitsindikatoren, was es schwierig macht, zeitliche Entwicklungsmuster zu erkennen. Dieser Artikel kombiniert Transferlernen und zeitliche Faltungsnetzwerke (TCN), um ein intelligentes Modell zur Erkennung zeitlicher Deformationsmuster zu entwickeln, mit dem Ziel, das Verständnis der Deformationsentwicklung im Stauseegebiet zu verbessern. Die Studie verwendet Sentinel-1-Satellitendaten von April 2021 bis März 2024 und wendet die SBAS-InSAR-Technik zur Inversion an, um das zeitliche Deformationsfeld im gesamten Staugebiet zu gewinnen. Es wird eine tiefe zeitliche Klassifizierungsarchitektur mit Transferlernen vorgeschlagen: Vortraining mit simulierten Daten und Feinabstimmung mit realen Daten. Ein sechsdimensionales Klassifikationssystem für Deformationen, das stabile, lineare, stufenförmige, segmentell lineare, potenzielle und undefinierte Klassen umfasst, wurde aufgebaut und auf die Erkennung von Deformationsmustern im Baihetan-Stauseegebiet angewendet. Die Ergebnisse zeigen: (1) Die Klassifikationsstatistik von 97.377 Deformationspunkten im Staugebiet zeigt, dass stabile (45,6%) und segmentell lineare (24,4%) die dominierenden Muster sind, stabile Typen deutlich mit niedrigen Raten und hoher Kohärenz assoziiert sind; (2) Der Erdrutsch Shimenkan wird durch den zeitlichen Nachlauf des Stauseewasserspiegels reguliert, mit einer Verzögerung der Hebung von etwa 2 Monaten nach dem Füllhöchststand, und der Hang von Yezhutang zeigt niederschlagsinduzierte stufenförmige Deformationen und segmentell lineare Reaktionen, die mit Wasserstand-Niederschlagskopplung in Zusammenhang stehen. Diese Arbeit überwindet den traditionellen auf Raten basierenden Einzelframe-Analyseansatz, bestätigt die Wirksamkeit des Transferlernens zur Senkung der Kosten für zeitliche Beschriftungen und zeigt, dass multidimensionale Deformationsmusteranalysen neue methodische Paradigmen für die dynamische Bewertung von Katastrophenrisiken im Staugebiet bieten können.

zeitliche Deformationsklassifikation; TCN; Transferlernen; Baihetan-Staugebiet; SBAS-InSAR; Deep Learning; Uferhangrutschungen; geologische Überwachungen