TSInSAR（時系列干渉合成開口レーダー）技術は広範囲の変形を測定し、地質災害モニタリング、都市インフラの安全評価、鉱山地域の斜面モニタリングなどに成功裏に適用されています。しかし、TSInSAR技術で得られた大量の変位時系列データは変形場の正確な解釈に大きな挑戦をもたらしています。大量の時系列変形データの自動分類は、正確な変形情報の解釈と危険信号の早期発見に重要です。本研究では、自己教師あり対照学習に基づくInSAR時系列変形深層クラスタリング手法を提案します。この手法は、自己教師あり対照学習フレームワークを導入して、ラベルのないデータでのクラスタリング能力を強化します。同時に、時系列データの増強方法における時系列変換不変性の不足に対処し、回転形状の一貫性に基づくデータ増強戦略を提案します。この戦略は、元の時系列データを異なる角度で回転させ、時系列の形態の類似性を効果的に保ち、クラスタリングの精度と頑健性を向上させます。検証データセットを使用して、本研究で提案された手法とK-Shape法を最適なクラスタリング精度と正規化相互情報に基づいて比較しました。検証結果では、本研究で提案された手法が伝統的なK-Means法をそれぞれ25.8％および16.3％向上させたことが示されました。これは、この手法が時系列特徴を捉え時間列間の類似性測定においてより良い精度を示していることを意味します。さらに、中国雲南省にある斉衡市カファンテーリング堆積物の信号1号軌道データセットから抽出された2020年1月から2022年10月までの時系列変形を使用して、本研究で提案された手法を検証しました。時系列変形のクラスタリング分析を行うと、モデルで信頼できるクラス分類結果が得られ、この手法がInSAR時系列変形を効果的にクラスタ化できることを示しました。

自己教師あり対照学習; データ増強; 時系列変形; 変形クラスタリング; 時系列InSAR