Технология TSInSAR (интерферометрический синтетический апертурный радар последовательности времени) позволяет получать большие деформации и успешно применяется для мониторинга геологических бедствий, оценки безопасности городской инфраструктуры и мониторинга уступов в карьерах и т. д. Однако массовые временные ряды деформаций, полученные с помощью технологии TSInSAR, представляют собой огромные вызовы для точного интерпретации деформаций. Автоматическая классификация массовых данных временных рядов имеет важное значение для точной интерпретации деформаций и своевременного обнаружения сигналов опасности. В данном исследовании предлагается метод глубокой кластеризации временных рядов деформации InSAR на основе авто-сравнительного обучения. Этот метод усиливает способность модели кластеризовать данные без меток. В то же время, для преодоления недостатков методов усиления данных временных рядов в получении инвариантности к изменениям во времени предлагается стратегия усиления данных на основе вращения формы. Эта стратегия эффективно сохраняет схожесть формы временных рядов путем их вращения на различные углы, улучшая точность и устойчивость кластеризации. С использованием проверочного набора данных предложенный в данном исследовании метод сравнивается с методом K-форма по наилучшей точности кластеризации и нормализованному взаимному информационному значению. Результаты показывают, что предлагаемый в данном исследовании метод улучшил точность на 25.8% и 16.3% соответственно по сравнению с традиционным методом K-средних. Эти результаты показывают, что предлагаемый в данном исследовании метод проявляет большую точность в захвате признаков временных рядов и измерении их схожести. Кроме того, в данном исследовании данные временных рядов деформации, полученные из данных станции-1 (Sentinel-1), охватывающие данные кластеризации в провинции Юньнань с января 2020 года по октябрь 2022 года, были использованы для проверки предложенного метода. Анализ позволил получить надежные результаты классификации временных рядов деформации, что свидетельствует о возможности успешной классификации временных рядов деформации InSAR.

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