La série temporelle SAR par interférométrie TSInSAR peut obtenir une déformation à grande échelle et est couramment utilisée pour la surveillance des catastrophes géologiques, l'évaluation de la sécurité des infrastructures urbaines et la surveillance des glissements de terrain dans les zones minières. Cependant, la grande quantité de séries temporelles de déformation obtenues par la technologie TSInSAR pose de grands défis pour une interprétation précise du champ de déformation. La classification automatique des vastes ensembles de données de séries temporelles de déformation est d'une grande importance pour une interprétation précise des informations de déformation et la détection rapide des signaux de danger. Dans cette étude, nous avons proposé une méthode de clustering en profondeur des déformations temporelles TSInSAR basée sur l'apprentissage par auto-contraste. Cette méthode renforce la capacité du modèle à regrouper les données non étiquetées en introduisant un cadre d'apprentissage par auto-contraste. En même temps, nous nous concentrons sur une stratégie d'amélioration des données de séries temporelles, empruntée aux méthodes d'amélioration de données de séries temporelles dans la capture de l'invariance aux changements de séries temporelles. Cette stratégie améliore la précision du clustering et la robustesse. En utilisant des ensembles de données de validation, nous avons comparé la méthode proposée dans cette étude à la méthode K-forme dans la meilleure précision de classification et la valeur de l'information mutuelle normalisée. Nous avons constaté des résultats de validation que la méthode proposée dans cette étude a amélioré de 25,8% et 16,3% respectivement par rapport à la méthode traditionnelle K-moyennes. Cela indique que cette méthode montre une meilleure précision dans la capture des caractéristiques des séries temporelles et la mesure de la similarité entre les séries temporelles. De plus, cette étude a utilisé un ensemble de données couvrant les données de déplacement liées à la mine dans la province de Kezuo en Chine de janvier 2020 à octobre 2022 pour valider la méthode proposée dans cette étude. Après l'analyse de la classification des séries temporelles de déformation, nous avons obtenu des résultats fiables, ce qui indique que cette méthode peut classifier efficacement les séries temporelles de déformation TSInSAR.

Auto-contraste; Amélioration des données; Déformations temporelles; Classification des déformations; Séries temporelles TSInSAR