Технология TSInSAR (интерферометрический синтетическоапертурный радар с использованием данных временных рядов) может обеспечить широкий охват деформаций и успешно применяется для мониторинга геологических бедствий, оценки безопасности городской инфраструктуры, мониторинга уклонов в горных районах и т. д. Однако огромный объем временных рядов деформаций, получаемых с помощью технологии TSInSAR, представляет собой огромное вызов в точной интерпретации поля деформаций. Автоматическая классификация огромного объема временных рядов деформаций имеет важное значение для точной интерпретации информации о деформациях и своевременного обнаружения сигналов опасности. В настоящем исследовании предлагается метод глубокой кластерной интерпретации последовательности временных деформаций TSInSAR, основанный на самоспонсированном учебном сравнении. Улучшение способности модели кластеризации данных без меток путем введения фреймворка самоспонсированного учебного сравнения. В то же время, существующий метод по увеличению временных рядов в процессе исправления недостатков в уловке преобразований имеет свои недостатки. Этот подход предлагает стратегию увеличения данных на основе различия форм. Эта стратегия путем вращения первоначальных временных рядов на различные углы эффективно сохраняет сходство формы временной последовательности, улучшает точность кластеризации и стойкость. Используя проверочный набор данных, сравнивается наш предлагаемый метод с традиционным методом K-средних по лучшей точности кластеризации и нормализованной взаимной информации. Результаты проверки показали, что наш предлагаемый метод увеличил точность на 25,8% и 16,3% соответственно по сравнению с традиционным методом K-средних. Это свидетельствует о том, что метод, предложенный в данном исследовании, проявляет лучшую точность в уловке особенностей временных рядов и измерении их сходства. Кроме того, используется набор данных мониторинга, полученный от спутника Sentinel 1 в период с января 2020 года по октябрь 2022 года, покрывающий место установки хвостового карьера для облучателя 1 с провинции Юньнань в Китайской Народной Республике. После анализа кластеризации временных деформаций, получены надежные результаты классификации, что свидетельствует о том, что этот метод может эффективно классифицировать последовательности временных деформаций TSInSAR.

self-supervised contrastive learning;Data enhancement;time series analysis;deformation clustering;time-series InSAR