La mayoría de las grabaciones sísmicas públicas, muestreadas a cientos de Hz, tienden a estar sin etiquetar, es decir, no catalogadas, principalmente debido al gran volumen de muestras y la cantidad de tiempo que necesitan los expertos para etiquetar con confianza los eventos detectados. Esto es especialmente desafiante para eventos micro sísmicos de muy baja relación señal-ruido que caracterizan deslizamientos de tierra durante el desplazamiento de masas de roca y suelo. Aunque se han propuesto numerosos modelos de aprendizaje automático supervisado para clasificar eventos de deslizamiento, dependen de una gran cantidad de conjuntos de datos etiquetados. Por lo tanto, hay una necesidad urgente de desarrollar herramientas para automatizar eficazmente el proceso de etiquetado de datos a partir de un pequeño conjunto de muestras etiquetadas. En este artículo, proponemos un método semi-supervisado para el etiquetado de señales registradas por sismómetros que puede reducir el tiempo y la experiencia necesarios para crear conjuntos de datos completamente anotados. El enfoque de red siamés propuesto aprende los mejores anclajes de clase ejemplar, aprovechando la similitud aprendida entre estas incrustaciones de anclaje y señales no etiquetadas. La clasificación se realiza a través de etiquetado suave y umbralización en lugar de límites de clase rígidos. Además, se utiliza la explicabilidad de la salida de la red para explicar las malas clasificaciones y demostramos el efecto de los anclajes en el rendimiento, a través de estudios de ablación. El enfoque propuesto clasifica cuatro clases de deslizamientos de tierra, a saber, terremotos, microtemblores, caídas de rocas y ruido antropogénico, demostrando una buena concordancia con los eventos detectados manualmente mientras requiere pocos datos de entrenamiento para ser efectivo, reduciendo así el tiempo necesario para etiquetar y actualizar modelos.