시계열 간섭합성조리개 RADAR (TSInSAR) 기술은 변형을 넓은 지역에서 측정할 수 있으며, 지질재해 모니터링, 도시 기반 시설 안전 평가, 광산 지역의 비탈면 모니터링 등에 성공적으로 적용되고있다. 그러나 TSInSAR 기술로 얻은 대량의 변형 시간열 데이터는 정확한 변형장의 해석에 큰 도전을 제공한다. 대량의 시계열 변형 데이터의 자동 분류는 정확한 변형 정보 해석과 잠재적인 위험 신호의 적시 발견에 중요하다. 본 연구에서는 자기지도 대조 학습을 기반으로 한 InSAR 시계열 변형 깊은 클러스터링 방법을 제시한다. 이 방법은 자기지도 대조 학습 프레임워크를 도입하여 레이블이 없는 데이터에서의 클러스터링 능력을 강화한다. 동시에, 시계열 데이터 증강 방법의 시계열 변환 불변성을 잡는 데 있는 부족함에 대응하여, 돌아간 모양 일관성에 기반한 데이터 증강 전략을 제시한다. 이 전략은 원시 시계열 데이터를 다른 각도로 돌리고, 이로써 시계열의 형태 유사성을 효과적으로 유지하여 클러스터링의 정확성과 강건성을 향상시킨다. 유효성 검사 데이터셋을 통하여, 본 연구의 방법과 K형상 클러스터링 방법을 최적 클러스터링 정확도와 정규화된 상호 정보로 비교하였다. 유효성 결과에 따르면, 본 연구의 방법이 전통적인 K-Means 방법보다 각각 25.8 % 및 16.3 % 향상되었다. 이는 시계열 특징을 포착하고 시계열 유사성 측정 면에서 더 나은 정밀성을 보이는 것을 시사한다. 또한, 본 연구는 중국 윈난 요난 시 가팡 테일링 스톡피에 대한 2020년 1월부터 2022년 10월까지의 센티넬-1 오비트 데이터로부터 추출한 시계열 변형에 대한 분류 분석을 수행하였다. 시계열 변형 분류 결과는 우리의 방법이 InSAR 시계열 변형을 효과적으로 분류할 수 있음을 시사한다.

자기지도 대조 학습; 데이터 증강; 시계열 변형; 변형 클러스터링; 시계열 InSAR