TSInSAR (Interferometría SAR en serie temporal) puede obtener una deformación a gran escala y se aplica con éxito en la monitorización de desastres geológicos, evaluación de la seguridad de la infraestructura urbana y control de deslizamientos de tierra en zonas mineras. Sin embargo, la gran cantidad de series temporales de deformación obtenidas mediante la tecnología TSInSAR representa un gran desafío para la interpretación precisa del campo de deformación. La clasificación automática de grandes conjuntos de datos de series temporales de deformación es de gran importancia para la interpretación precisa de la información de deformación y la detección oportuna de señales de peligro. En este estudio, se propone un método de clustering profundo de deformaciones temporales TSInSAR basado en el aprendizaje por contraste automático. Este método fortalece la capacidad del modelo para agrupar datos sin etiquetas al introducir un marco de aprendizaje por contraste automático. Al mismo tiempo, nos centramos en una estrategia de mejora de datos de series temporales, tomada de los métodos de mejora de datos de series temporales en la captura de la invarianza a los cambios de las series temporales. Esta estrategia mejora la precisión del clustering y la robustez. Utilizando conjuntos de datos de validación, comparamos el método propuesto en este estudio con el método de K-forma en la mejor precisión de clasificación y la información mutua normalizada. Encontramos resultados de validación que el método propuesto en este estudio superó en un 25,8% y 16,3% respectivamente en comparación con el método tradicional de K-medias. Esto indica que este método muestra una mayor precisión en la captura de las características de las series temporales y la medición de la similitud entre las series temporales. Además, este estudio utilizó un conjunto de datos que abarca los desplazamientos relacionados con las minas en la provincia de Kezuo en China de enero de 2020 a octubre de 2022 para validar el método propuesto en este estudio. Después del análisis de la clasificación de las series temporales de deformación, obtuvimos resultados confiables, lo que indica que este método puede clasificar eficazmente las series temporales de deformación TSInSAR.

Aprendizaje por contraste automático; Mejora de datos; Deformaciones temporales; Clasificación de deformaciones; Series temporales TSInSAR