Временной ряд инферометрического синтеза апертуры TSInSAR может обеспечить широкомасштабную деформацию и успешно применяется для мониторинга геологических бедствий, оценки безопасности городской инфраструктуры и мониторинга устойчивости склонов в шахтных районах. Тем не менее, огромное количество временных рядов деформаций, полученных с помощью технологии TSInSAR, представляет собой огромное трудностей для точной интерпретации поля деформаций. Автоматическая классификация огромных данных временных рядов деформаций имеет важное значение для точной интерпретации информации о деформациях и своевременного обнаружения сигналов угрозы. В данном исследовании предлагается метод глубокой классификации временных деформаций TSInSAR на основе самообразования обучения. Этот метод усиливает возможность модели классификацией данных без меток путем внедрения фреймворка самообразования обучения. В то же время, уделяется внимание стратегии улучшения данных временных рядов, заимствованных из методов улучшения данных временных рядов в захвате инвариантности к изменениям временных рядов. Эта стратегия улучшает точность классификации и устойчивость. С использованием проверочных наборов данных, мы сравнили метод, предложенной в этом исследовании с методом К-образной в лучшей точности классификации и нормализованного взаимной информации. Мы обнаружили результаты проверки правильности, что метод, предложенный в этом исследовании, превысил 25.8% и 16.3% по сравнению с традиционным методом К-средних. Это указывает на более высокую точность этого метода в захвате характеристик временных рядов и измерения сходства между временными рядами. Кроме того, это исследование использовало набор данных, покрывающий данные возвышения связанные с карьером в провинции Кьюджоу в Китае с января 2020 года по октябрь 2022 года, чтобы подтвердить метод, предложенный в этом исследовании. После анализа классификации временных рядов деформаций у нас получились надежные результаты, что означает, что этот метод может эффективно классифицировать временные ряды деформаций TSInSAR.

Самообразование обучения; Улучшение данных; Временные деформации; Классификация деформаций; Временные ряды TSInSAR