La technologie TSInSAR (radar à ouverture synthétique interférométrique temporelle) est capable d'obtenir une large couverture de déformations et a été appliquée avec succès à la surveillance des catastrophes géologiques, à l'évaluation de la sécurité des infrastructures urbaines, à la surveillance des pentes minières, etc. Cependant, le volume énorme de séries temporelles de déformations obtenu par la technologie TSInSAR constitue un énorme défi pour l'interprétation précise du champ de déformations. La classification automatique des énormes séries temporelles de déformations a une importance capitale pour l'interprétation précise des informations de déformation et la détection rapide des signaux de danger. Cette recherche propose une méthode de regroupement profond des déformations temporelles TSInSAR basée sur l'apprentissage supervisé. Renforcer la capacité du modèle à regrouper les données non étiquetées en introduisant un cadre d'apprentissage supervisé comparatif. Dans le même temps, la méthode existante d'augmentation des séries temporelles pour pallier les lacunes de capture des transformations présente des inconvénients. Cette approche propose une stratégie d'augmentation des données basée sur la forme par rotation. Cette stratégie, en faisant pivoter les séries temporelles originales à des angles différents, préserve efficacement la similarité de forme de la séquence temporelle, améliorant ainsi la précision du regroupement et la robustesse. En utilisant un ensemble de données de validation, notre méthode proposée a été comparée à la méthode traditionnelle des K-moyennes en termes de meilleure précision de regroupement et de valeur d'information mutuelle normalisée. Les résultats de la validation ont montré que notre méthode proposée a amélioré la précision de 25.8% et 16.3% respectivement par rapport à la méthode traditionnelle des K-moyennes. Cela indique que la méthode proposée dans cette étude présente une meilleure précision dans la capture des caractéristiques des séries temporelles et la mesure de leur similarité. En outre, nous avons utilisé un ensemble de données de suivi couvrant le bassin de dépôts de rejets miniers dans la ville de Gejiu, province du Yunnan, en République populaire de Chine, de janvier 2020 à octobre 2022, provenant de l'orbiteur Sentinelle 1. Après avoir analysé le regroupement des déformations temporelles, des résultats de classification fiables ont été obtenus, indiquant que cette méthode peut regrouper efficacement les séquences temporelles de déformations TSInSAR.

self-supervised contrastive learning;Data enhancement;time series analysis;deformation clustering;time-series InSAR