La central hidroeléctrica de Baihetan, como proyecto nacional importante, presenta condiciones geológicas complejas en la zona del embalse, por lo que la monitorización de la estabilidad de las laderas después del llenado es crucial. La tecnología InSAR tradicional depende de indicadores de velocidad de deformación, lo que dificulta revelar las leyes de evolución temporal. Este artículo combina aprendizaje por transferencia y redes convolucionales temporales (TCN) para construir un modelo inteligente de reconocimiento de patrones de deformación temporal, con el objetivo de mejorar la comprensión de la evolución de la deformación en la zona del embalse. El estudio utiliza datos del satélite Sentinel-1 desde abril de 2021 hasta marzo de 2024, aplicando la técnica SBAS-InSAR para invertir y obtener el campo de deformación temporal en toda la zona del embalse. Se propone una arquitectura de clasificación temporal profunda mejorada con aprendizaje por transferencia: un preentrenamiento con datos simulados seguido de un ajuste fino con datos reales. Se estableció un sistema de clasificación de deformación de seis dimensiones que incluye las clases estable, lineal, escalonada, lineal segmentada, potencia e indefinida, y se aplicó para el reconocimiento de patrones de deformación en la zona del embalse de Baihetan. Los resultados muestran que: (1) el análisis de clasificación de 97.377 puntos de deformación en la zona indica que los patrones dominantes son estable (45,6%) y lineal segmentado (24,4%), con una correlación significativa entre el tipo estable, las tasas bajas y la alta coherencia; (2) el deslizamiento de Shimenkan está regulado por el retraso en el nivel del agua del embalse, con un retraso en el levantamiento de aproximadamente 2 meses respecto al pico de almacenamiento, y la ladera de Yezhutang muestra deformaciones escalonadas inducidas por la lluvia y respuestas lineales segmentadas acopladas nivel de agua-precipitación. Este estudio supera el marco de análisis tradicional basado en la tasa, valida la eficacia del aprendizaje por transferencia para reducir los costos de anotación temporal y demuestra que el análisis multidimensional de patrones de deformación puede ofrecer un nuevo paradigma para la evaluación dinámica del riesgo de desastres en la zona del embalse.

clasificación de deformación temporal; TCN; aprendizaje por transferencia; zona del embalse de Baihetan; SBAS-InSAR; aprendizaje profundo; deslizamientos de margen de embalse; monitoreo de desastres geológicos