Die ganzjährige Bodenerosion stellt eine ernsthafte Bedrohung für das Schwarzbödengebiet im Nordosten dar, wobei Erosionsrinnen eine der Hauptmanifestationen sind. Derzeit wird die Fernerkundungstechnologie weit verbreitet zur Überwachung und zum Schutz von Erosionsrinnen eingesetzt, wobei eine große Menge an annotierten historischen Untersuchungsdaten vorliegt. Wie jedoch historische Daten effektiv genutzt werden können, um zuverlässig Informationen über Rinnen aus den neuesten Daten abzuleiten, die zu unterschiedlichen Zeiten und von verschiedenen Sensoren aufgenommen wurden, bleibt eine dringend zu lösende technische Herausforderung. Zu diesem Zweck schlägt dieser Artikel einen zyklischen Selbsttrainingsrahmen CSTF (Cyclic Self-Training Framework) vor. Dieser Rahmen nutzt in jedem Selbsttrainingszyklus eine objektbasierte Strategie zur Erzeugung von Pseudolabels, um qualitativ hochwertige Pseudolabels für die neuesten Daten bereitzustellen, und führt eine Verlustfunktion basierend auf dem Vertrauensfaktor der Pseudolabels ein, um die negativen Auswirkungen von Pseudolabel-Rauschen effektiv zu mildern. Zur Validierung der Wirksamkeit von CSTF wurde eine detaillierte Vergleichsanalyse mit anderen fortschrittlichen Methoden auf zwei Datensätzen aus dem Kreis Huachuan in der Provinz Heilongjiang durchgeführt. Die Ergebnisse zeigen, dass CSTF bei der zeitübergreifenden Extraktion von Erosionsrinnen klare Vorteile bietet, was sein großes Potenzial und seinen Anwendungswert zur Förderung der Überwachung und des Schutzes von Landflächen im Schwarzbödengebiet im Nordosten unterstreicht.

Bodenerosion; Schwarzbödengebiet im Nordosten; Erosionsrinnen; zeitübergreifende Extraktion; Selbsttraining; objektbasierte Strategie zur Generierung von Pseudolabels; Vertrauensfaktor von Pseudolabels; Pseudolabel-Rauschen