원격 탐사 분야에서의 많은 작업들은 감독 학습 기법에 기반하고 있다. 그러나 이러한 방법, 특히 최근의 딥러닝 기법은 학습을 위해 대량의 레이블링된 데이터를 요구하는 경향이 있다. 위성은 대량의 데이터를 수집할 수 있지만, 데이터 레이블링은 종종 번거롭고 비용이 많이 들며 전문 지식이 필요하다. 따라서 레이블링 샘플 수를 줄일 수 있는 개선된 방법이 필요하다. 우리는 EuroSAT 및 UC Merced Land Use 벤치마크 데이터셋에서 장면 분류 작업에서 기존 감독 학습 방법과 경쟁 가능한 최초의 반감독 학습 접근법인 MSMatch를 제안한다. 우리는 EuroSAT의 RGB 및 다중 스펙트럴 이미지를 모두 테스트하고, 모델의 핵심 요소를 파악하기 위해 다양한 아블레이션 연구를 수행하였다. 학습된 신경망은 레이블링된 학습 예제의 수에 따라 기존 방법 대비 최대 19.76% 높은 정확도를 달성하며 EuroSAT에서 최신 기술 수준의 성과를 내었다. 클래스당 단지 5개의 레이블링 예제만으로도 EuroSAT RGB 및 다중 스펙트럴 데이터셋에서 각각 94.53%, 95.86%의 정확도를 달성하였다. UC Merced Land Use 데이터셋에서는 최대 5.59% 향상된 성능을 보이며, 클래스당 5개의 레이블링 예제로 90.71%의 정확도를 기록하였다. 우리의 결과는 MSMatch가 레이블링 데이터 요구량을 크게 줄일 수 있음을 보여준다. 이 방법은 다중 스펙트럴 데이터에 잘 적용되며, 현재 레이블링 데이터 부족으로 인해 실현이 어려운 다양한 응용 분야를 가능하게 할 수 있다. MSMatch의 소스 코드를 온라인으로 공개하여 재현의 용이성과 신속한 도입을 지원한다.