La técnica InSAR de series de tiempo (Radar de Apertura Sintética Interferométrico) puede obtener deformaciones a gran escala, y ha tenido mucho éxito en su aplicación en monitoreo de desastres geológicos, evaluación de seguridad de infraestructuras urbanas, monitoreo de pendientes mineras, entre otros. Sin embargo, las series de tiempo InSAR representan un gran desafío para la interpretación del campo de deformaciones. La clasificación automática de la abundancia de deformaciones temporales es de gran importancia para la interpretación de la información sobre deformaciones y la detección oportuna de señales de peligro. En este artículo se propone un método de clustering profundo de deformaciones temporales InSAR basado en el aprendizaje de contraste auto-supervisado. Al introducir el marco de aprendizaje de contraste auto-supervisado, se mejoraron las capacidades de clasificación del modelo en datos sin etiquetas. Conscientes de las deficiencias de los métodos de mejora de datos de series temporales en la captura de la invarianza de transformación de las series temporales, en este artículo se propone una estrategia de mejora de datos basada en la coherencia de forma rotativa. Esta estrategia, al rotar los datos de series temporales originales a diferentes ángulos, preserva con éxito la similitud de forma de las series temporales, mejorando la precisión y robustez de la clasificación. En general, el método propuesto en este artículo mostró, en el conjunto de datos de validación, un aumento en la mejor precisión de clasificación y en el valor de información mutua normalizada del 25.8% y 16.3% respectivamente en comparación con el método tradicional K-means. En comparación con el método K-shape, el método de este artículo muestra una mejor precisión en la captura de las características de las series temporales y en la medición de la similitud de las series temporales. Además, se utilizó un conjunto de datos de órbita ascendente de la misión Sentinel-1 que cubre Ka Fangwei mina de colas en Gejiu, provincia de Yunnan, de enero de 2020 a octubre de 2022 para validar las series temporales de deformaciones InSAR extraídas. Se realizó un análisis de clustering en las deformaciones temporales extraídas, obteniendo resultados de clasificación confiables, lo que demuestra que este método puede clasificar eficazmente las series temporales de deformaciones InSAR.

self-supervised learning;contrastive learning;Data enhancement;deep clustering;time series analysis;deformation clustering;feature representation;time series InSAR.