تمثّل تصنيف مشهد الاستشعار عن بعد (RS) تطبيقات واسعة في الرصد البيئي والمسح الجيولوجي. وفي التطبيقات الواقعية، قد تكون صور مشاهد الاستشعار عن بعد التي تُلتقط بواسطة الأقمار الصناعية في بيئة صافية أو بيئة مغطاة بالغيوم. ومع ذلك، لم تأخذ معظم الطرق الحالية في الاعتبار هاتين البيئتين معًا في الوقت نفسه. في هذا البحث، نفترض أن الخصائص العالمية والمحليّة تكون مميزة في كل من البيئتين الصافية والغائمة. وقد حققت العديد من النماذج القائمة على الشبكات العصبية التلافيفية (CNN) إنجازات متميزة في تصنيف الصور، لكنها تهمل إلى حد ما الخصائص العالمية والمحليّة داخل هيكل الشبكة. ولذلك، نقترح شبكة جديدة تعتمد على CNN (تُسمى GLNet) تضم مُشفّرًا عالميًا ومُشفّرًا محليًا لاستخراج الخصائص المميزة عالميًا ومحليًا لتصنيف مشاهد الاستشعار عن بعد، حيث تُدمج قيود التباعد بين الفئات والكثافة داخل الفئة في عملية تدريب GLNet. وأظهرت النتائج التجريبية على مجموعتي بيانات علنيتين لتصنيف مشاهد الاستشعار عن بعد أن يمكن لـ GLNet تحقيق أداءً أفضل مقارنة بعدة نماذج CNN مُعتمدة على هيكل أساسي (backbone) في كلا البيئتين، الصافية والغائمة.