La technologie TSInSAR (Radar à ouverture synthétique interférométrique en séquence temporelle) permet d'obtenir de grandes déformations et est largement utilisée dans la surveillance des catastrophes géologiques, l'évaluation de la sécurité des infrastructures urbaines, la surveillance des versants dans les carrières, etc. Cependant, les grandes séries temporelles de déformations obtenues grâce à la technologie TSInSAR présentent de grands défis pour une interprétation précise des déformations. La classification automatique des énormes séries temporelles de déformations revêt une grande importance pour une interprétation précise des déformations et la détection en temps opportun des signaux de danger. Cette étude propose une méthode de regroupement profond des séries temporelles de déformation InSAR basée sur l'apprentissage supervisé auto-contrastif. Cette méthode renforce la capacité du modèle à regrouper des données non étiquetées. En outre, pour pallier les insuffisances des méthodes d'amélioration des données de séries temporelles dans la capture de l'invariance des séries temporelles, une stratégie d'amélioration des données basée sur la cohérence de forme rotative est proposée. Cette stratégie préserve efficacement la similarité de forme des séries temporelles en effectuant des rotations à différents angles, améliorant ainsi la précision et la robustesse du regroupement. En utilisant un jeu de données de vérification, la méthode proposée dans cette étude est comparée à la méthode K-shape en termes de meilleure précision de regroupement et de valeur d'information mutuelle normalisée. Les résultats montrent que la méthode proposée dans cette étude améliore la précision de 25,8% et 16,3% respectivement par rapport à la méthode traditionnelle K-moyennes. Ces résultats montrent que la méthode proposée dans cette étude présente une précision accrue dans la capture des caractéristiques des séries temporelles et la mesure de leur similarité. De plus, cette étude utilise des déformations temporelles extraites de données en orbite Sentinel-1 couvrant la province de Yunnan de janvier 2020 à octobre 2022 pour valider la méthode proposée. L'analyse des déformations temporelles après regroupement a permis d'obtenir des résultats de classification fiables, démontrant que la méthode peut classer avec succès les séries temporelles de déformations InSAR.

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