حوالي نصف جميع الملاحظات البصرية التي يتم جمعها عبر الأقمار الصناعية الفضائيةتتأثر بالضباب أو السحب. ونتيجة لذلك، فإن تغطية السحب تؤثر على قدرة ممارس الاستشعار عن بعدعلى مراقبة كوكبنا بشكل مستمر وسلس. يتناول هذا العمل تحدي إعادة بناء صور الأقمار الصناعية البصرية وإزالة السحب من خلال اقتراح مجموعة بيانات جديدة متعددة الأوضاع ومتنوعة زمنياً تُسمى SEN12MS-CR-TS. نقترح نموذجين يسلطان الضوء على فوائد واستخدامات SEN12MS-CR-TS:أولاً، شبكة عصبية ثلاثية الأبعاد متعددة الأوضاع ومتنوعة زمنياً (3D-Convolution Neural Network) تقوم بتوقع صورة خالية من السحبمن سلسلة صور بصرية ورادارية مغطاة بالسحب. ثانياً، نموذج الترجمة من سلسلة إلى سلسلة (sequence-to-sequence translation model)يتوقع سلسلة زمنية خالية من السحب من سلسلة زمنية مغطاة بالسحب. تم تقييم كلا النهجين تجريبياً، حيث تم تدريب وتesting النماذج الخاصة بهما على SEN12MS-CR-TS.تؤكد التجارب التي أجريت على المساهمة التي يقدمها مجموعة البيانات الخاصة بنا للمجتمع العلمي في مجال الاستشعار عن بعدوكذلك فوائد المعلومات المتعددة الأوضاع والمتنوعة زمنياً في إعادة بناء المعلومات الضوضائية. يمكن الوصول إلى مجموعة البيانات الخاصة بنا عبر الرابط التالي:https://patrickTUM.github.io/cloud_removal