監視学習技術は、リモートセンシングにおける多くのタスクの中心的な役割を果たしている。しかし、特に最近の深層学習手法は、訓練に大量のラベル付きデータを必要とする傾向にあり、問題となっている。衛星は大量のデータを取得できるものの、そのラベル付けはしばしば煩雑で高コストであり、専門知識を要する。したがって、ラベル付きサンプルをより少ない数で済ませられる改善された手法の開発が求められている。本研究では、EuroSATおよびUC Merced Land Useベンチマークデータセットにおけるシーン分類において、従来の監視学習手法と競合可能な性能を発揮する、初めての半教師あり学習アプローチ「MSMatch」を提案する。EuroSATのRGB画像およびマルチスペクトル画像の両方を用いて実験を行い、モデルの重要な構成要素を特定するための多様なアブレーションスタディを実施した。訓練されたニューラルネットワークは、ラベル付き学習例の数に応じて、従来手法よりも最大19.76%高い精度を達成し、EuroSATにおいて最先端の結果を実現した。クラスあたりわずか5例のラベル付きデータを用いた場合、EuroSATのRGBデータセットでは94.53%、マルチスペクトルデータセットでは95.86%の精度を達成した。UC Merced Land Useデータセットでは、従来手法を最大5.59%上回り、同様に5例のラベル付きデータで90.71%の精度を達成した。本研究の結果から、MSMatchがラベル付きデータの必要量を大幅に削減可能であることが示された。本手法はマルチスペクトルデータにも良好に適用可能であり、現在ラベル付きデータ不足により実現が困難な多くの応用を可能にする可能性を秘めている。MSMatchのソースコードはオンラインで公開しており、再現性の確保および迅速な導入を可能としている。