La tecnología TSInSAR (Radar de Apertura Sintética Interferométrico de Series Temporales) puede obtener una amplia cobertura de deformaciones y se ha aplicado con éxito en la vigilancia de desastres geológicos, evaluación de la seguridad de la infraestructura urbana, vigilancia de laderas mineras, etc. Sin embargo, el volumen enorme de series temporales de deformación obtenido mediante la tecnología TSInSAR representa un gran desafío para la interpretación precisa del campo de deformación. La clasificación automática de las enormes series temporales de deformación tiene una importancia crucial para la interpretación precisa de la información de deformación y la detección rápida de señales de peligro. Esta investigación propone un método de agrupación profunda de deformaciones temporales TSInSAR basado en el aprendizaje comparativo autocontrolado. Fortalecer la capacidad del modelo para agrupar datos sin etiquetas mediante la introducción de un marco de aprendizaje comparativo autocontrolado. Al mismo tiempo, el método existente de aumento de series temporales para abordar las deficiencias en la captura de transformaciones tiene sus inconvenientes. Este enfoque propone una estrategia de aumento de datos basada en la forma mediante la rotación. Esta estrategia, al girar las series temporales originales a diferentes ángulos, preserva eficazmente la similitud de forma de la secuencia temporal, mejorando así la precisión del agrupamiento y la robustez. Utilizando un conjunto de datos de validación, nuestro método propuesto se comparó con el método tradicional de K-medias en términos de mejor precisión de agrupamiento y valor de información mutua normalizada. Los resultados de la validación mostraron que nuestro método propuesto mejoró la precisión en un 25.8% y 16.3% respectivamente en comparación con el método tradicional de K-medias. Esto indica que el método propuesto en este estudio muestra una mejor precisión en la captura de características de series temporales y la medición de su similitud. Además, utilizamos un conjunto de datos de monitoreo que cubre la cuenca de vertido de minas en la ciudad de Gejiu, provincia de Yunnan, República Popular China, desde enero de 2020 hasta octubre de 2022, proveniente del satélite Sentinel 1. Después de analizar el agrupamiento de deformaciones temporales, se obtuvieron resultados de clasificación confiables, lo que indica que este método puede agrupar eficazmente las secuencias temporales de deformación TSInSAR.

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