Para abordar el problema de costos asociado con la anotación de imágenes a nivel de píxeles en la segmentación semántica totalmente supervisada, se propone un método basado en la segmentación semántica semi-supervisada para extraer áreas de siembra de trigo de invierno. Este enfoque utiliza autoentrenamiento con pseudomarcas para aprender de un pequeño conjunto de imágenes con anotaciones a nivel de píxeles y un gran conjunto de imágenes no etiquetadas, logrando así la extracción. En el conjunto de datos inicial construido, se emplea una estrategia de muestreo aleatorio para seleccionar proporciones de datos etiquetados de 1/16, 1/8, 1/4 y 1/2. Además, en conjunto con el concepto de regularización de consistencia, se aplican técnicas de aumentación de datos fuertes a las imágenes no etiquetadas, superando métodos clásicos como el recorte y la rotación para construir un modelo semi-supervisado. Esto alivia efectivamente el sobreajuste causado por etiquetas ruidosas. Al comparar los resultados de predicción de diferentes proporciones de datos etiquetados utilizando SegNet, DeepLabv3+ y U-Net, se determina que el modelo de red U-Net ofrece el mejor rendimiento de extracción. Además, las métricas de evaluación MPA y MIoU muestran diferentes grados de mejora para la segmentación semántica semi-supervisada en comparación con la segmentación semántica totalmente supervisada. Notablemente, el modelo U-Net entrenado con datos etiquetados de 1/16 supera a los modelos entrenados con 1/8, 1/4 y 1/2 datos etiquetados, logrando puntuaciones de MPA y MIoU de 81.63%, 73.31%, 82.50% y 76.01%, respectivamente. Este método proporciona información valiosa para extraer áreas de siembra de trigo de invierno en escenarios con datos etiquetados limitados.