장기간에 걸친 토양 침식은 동북부 흑토 지역에 심각한 위협을 가하며, 침식 협곡이 주요 형태 중 하나입니다. 현재 원격 탐사 기술은 침식 협곡의 모니터링 및 보호에 널리 활용되고 있으며, 주석이 달린 대량의 역사 조사 데이터가 축적되어 있습니다. 그러나 다양한 시간대와 서로 다른 센서로 촬영된 최신 데이터에서 침식 협곡 정보를 신뢰성 있게 추출하기 위해 역사 데이터를 효과적으로 활용하는 방법은 여전히 해결해야 할 중요한 기술적 문제입니다. 이를 위해 본 논문에서는 순환 자기 학습 프레임워크인 CSTF(Cyclic Self-Training Framework)를 제안합니다. 본 프레임워크는 매 자기 학습 과정에서 객체 수준의 가짜 레이블 생성 전략을 활용하여 최신 데이터에 고품질의 가짜 레이블을 제공하며, 가짜 레이블 신뢰 인자 기반 손실 함수를 도입하여 가짜 레이블 노이즈의 부정적 영향을 효과적으로 완화합니다. CSTF의 유효성을 검증하기 위해 본 논문에서는 흑룡강성 화천현의 두 데이터 세트를 대상으로 다른 선진 방법들과 상세한 비교 분석을 수행하였습니다. 결과는 CSTF가 침식 협곡 시공간 추출에서 뚜렷한 우위를 보여주며, 동북부 흑토 지역 토지 모니터링 및 보호 촉진에 중요한 잠재력과 응용 가치를 충분히 입증함을 나타냅니다.

토양 침식; 동북부 흑토 지역; 침식 협곡; 시공간 추출; 자기 학습; 객체 수준 가짜 레이블 생성 전략; 가짜 레이블 신뢰 인자; 가짜 레이블 노이즈