Технология InSAR (интерферометрический синтетический апертурный радар) для временных рядов способна широко захватывать деформации, и было получено много успешных приложений в мониторинге геологических бедствий, оценке безопасности городской инфраструктуры и мониторинге наклонов в шахтных районах. Тем не менее, огромный временной ряд деформаций, получаемый технологией InSAR, представляет собой огромное испытание для интерпретации поля деформаций. Автоматическая классификация огромных временных рядов деформаций имеет важное значение для интерпретации деформационной информации и своевременного обнаружения опасных сигналов. Данная статья предлагает метод глубокого кластерного анализа деформаций временных рядов InSAR на основе самоконтролируемого сравнительного обучения. Введение рамок самоконтролируемого сравнительного обучения улучшило способности модели к кластеризации на немаркированных данных. Учитывая недостатки подходов к укреплению временных рядов в захвате инвариантности трансформации временных рядов, данная статья предлагает стратегию укрепления данных на основе согласованности формы вращения. Эта стратегия помогает эффективно сохранять подобие формы исходных временных рядов путем вращения временных рядов под разными углами, улучшая точность кластеризации и устойчивость. На проверочных данных предложенный метод показал увеличение в лучшей точности кластеризации и унифицированной взаимной информации в 25,8% и 16,3% соответственно по сравнению с традиционным методом K-средних. По сравнению с методом K-форма, метод, предложенный в данной статье, проявил более высокую точность в захвате особенностей временного ряда и измерении сходства между временными рядами. Кроме того, мы использовали набор данных Sentinel-1, охватывающий деформации временных рядов, извлеченные из хвостового пруда Кафань в городе Гэцззюй провинции Юньнань в период с января 2020 года по октябрь 2022 года в качестве контрольной методики. Мы провели анализ кластеров полученных временных деформаций и получили надежный результат классификации, что свидетельствует о том, что данный метод может эффективно классифицировать временные ряды деформаций InSAR.

Самоконтролируемое обучение; сравнительное обучение; укрепление данных; глубокий кластерный анализ; анализ временного ряда; кластеризация деформаций; представление характеристик; временной ряд InSAR