La technique séquentielle InSAR (Radar à ouverture synthétique interférométrique) peut obtenir des déformations sur une large échelle, et a été largement appliquée avec succès dans la surveillance des catastrophes géologiques, l'évaluation de la sécurité des infrastructures urbaines, la surveillance de la pente des mines, et autres applications. Cependant, les séquences temporelles InSAR posent un énorme défi pour l'interprétation du champ de déformations. La classification automatique de l'abondance des déformations temporelles est d'une grande importance pour l'interprétation des informations sur les déformations et la détection rapide des signaux de danger. Cet article propose une méthode de clustering profond des déformations temporelles InSAR basée sur l'apprentissage de contraste auto-supervisé. En introduisant le cadre de l'apprentissage de contraste auto-supervisé, les capacités de classification du modèle ont été améliorées sur des données non étiquetées. Conscient des lacunes des méthodes d'amélioration des données temporelles dans la capture de l'invariance de transformation des séries temporelles, cet article propose une stratégie d'amélioration des données basée sur la cohérence de forme rotative. Cette stratégie, en faisant pivoter les données de séries temporelles d'origine à différents angles, préserve avec succès la similitude de forme des séries temporelles, améliorant la précision et la robustesse de la classification. Dans l'ensemble, la méthode proposée dans cet article a montré, sur l'ensemble de données de validation, une augmentation de la meilleure précision de classification et de la valeur d'information mutuelle normalisée de 25.8% et 16.3% respectivement par rapport à la méthode traditionnelle K-means. Comparé à la méthode K-shape, la méthode de cet article montre une meilleure précision dans la capture des caractéristiques des séries temporelles et dans la mesure de la similarité des séries temporelles. De plus, nous avons utilisé un ensemble de données de trajectoire ascendante de la mission Sentinel-1 couvrant la ville de Gejiu, province du Yunnan, de janvier 2020 à octobre 2022 pour valider les déformations temporelles InSAR extraites. Nous avons effectué une analyse de clustering sur les déformations temporelles extraites, obtenant des résultats de classification fiables, démontrant ainsi que cette méthode peut classifier efficacement les séries temporelles de déformations InSAR.

self-supervised learning;contrastive learning;Data enhancement;deep clustering;time series analysis;deformation clustering;feature representation;time series InSAR.