La centrale hydroélectrique de Baihetan, en tant que projet national majeur, présente des conditions géologiques complexes dans la zone du réservoir, rendant la surveillance de la stabilité des pentes après la mise en eau essentielle. La technologie InSAR traditionnelle repose sur des indicateurs de vitesse de déformation, limitant la capacité à révéler les lois d'évolution temporelle. Cet article intègre l'apprentissage par transfert et les réseaux convolutifs temporels (TCN) pour construire un modèle intelligent de reconnaissance des modes de déformation temporelle, visant à améliorer la compréhension de l'évolution des déformations dans la zone du réservoir. L'étude utilise les données satellite Sentinel-1 d'avril 2021 à mars 2024, applique la technique SBAS-InSAR pour inverser et obtenir le champ de déformation temporelle de l'ensemble de la zone. Une architecture de classification temporelle profonde renforcée par apprentissage par transfert est proposée : un pré-entraînement avec des données simulées suivi d'un affinage avec des données réelles. Un système de classification des déformations en six dimensions comprenant les classes stable, linéaire, par paliers, segmentée linéairement, puissance et indéfinie est établi et appliqué à la reconnaissance des modèles de déformation dans la zone du réservoir de Baihetan. Les résultats montrent que : (1) sur 97 377 points de déformation, les modèles dominants sont stable (45,6%) et segmenté linéaire (24,4%), les modèles stables étant significativement liés à des vitesses faibles et une forte cohérence ; (2) le glissement de terrain de Shimenkam est contrôlé par le retard du niveau d'eau du réservoir, avec un retard du soulèvement d'environ 2 mois par rapport au pic de remplissage, le flanc de la pente Yezhutang présente une déformation par paliers déclenchée par les précipitations et une réponse segmentée linéaire couplée niveau-eau/précipitations. Cette étude dépasse le cadre d'analyse traditionnelle basée sur la vitesse, valide l'efficacité de l'apprentissage par transfert pour réduire les coûts d'annotation temporelle et montre qu'une analyse multi-dimensionnelle des modes de déformation peut offrir un nouveau paradigme pour l'évaluation dynamique des risques de catastrophe dans la zone du réservoir.

classification des déformations temporelles; TCN; apprentissage par transfert; zone du réservoir de Baihetan; SBAS-InSAR; apprentissage profond; glissements de rive; surveillance des risques géologiques