La tecnología TSInSAR (Radar de apertura sintética interferométrico en secuencia temporal) permite obtener grandes deformaciones y se ha aplicado con éxito en la monitorización de desastres geológicos, evaluación de la seguridad de infraestructuras urbanas, monitoreo de laderas en canteras, etc. Sin embargo, las grandes series temporales de deformaciones obtenidas mediante la tecnología TSInSAR representan un gran desafío para una interpretación precisa de las deformaciones. La clasificación automática de los enormes conjuntos de datos temporales de deformaciones es crucial para una interpretación precisa de las deformaciones y para la detección oportuna de señales de peligro. Este estudio propone un método de agrupación profunda de series temporales de deformación InSAR basado en el aprendizaje supervisado de contraste automático. Este método refuerza la capacidad del modelo para agrupar datos sin etiquetas. Además, para superar las deficiencias de los métodos de mejora de datos de series temporales en la captura de la invarianza de las series temporales, se propone una estrategia de mejora de datos basada en la coherencia de forma rotativa. Esta estrategia preserva eficazmente la similitud de la forma de las series temporales al realizar rotaciones a diferentes ángulos, mejorando así la precisión y la robustez del agrupamiento. Utilizando un conjunto de datos de validación, el método propuesto en este estudio se compara con el método K-shape en cuanto a la mejor precisión de agrupamiento y el valor de información mutua normalizada. Los resultados muestran que el método propuesto en este estudio mejora la precisión en un 25,8% y 16,3% respectivamente en comparación con el método tradicional de K-medias. Estos resultados muestran que el método propuesto en este estudio presenta una precisión mayor en la captura de las características de las series temporales y en la medida de su similitud. Además, este estudio utiliza deformaciones temporales extraídas de datos orbitales Sentinel-1 que cubren la provincia de Yunnan desde enero de 2020 hasta octubre de 2022 para validar el método propuesto. El análisis de las deformaciones temporales después del agrupamiento ha arrojado resultados de clasificación confiables, lo que demuestra que el método puede clasificar con éxito las series temporales de deformaciones InSAR.

self-supervised learning;contrastive learning;data enhancement;deep clustering;time series analysis