In dieser Arbeit untersuchen wir verschiedene Methoden zur semantischen Beschriftung von sehr hochaufgelösten multimodalen Fernerkundungsdaten. Insbesondere studieren wir, wie tiefgehende vollkonvolutionale Netze angepasst werden können, um mit multimodalen und multiskaligen Fernerkundungsdaten für die semantische Beschriftung umzugehen. Unsere Beiträge sind dreifach: a) Wir präsentieren einen effizienten multiskaligen Ansatz, der sowohl einen großen räumlichen Kontext als auch die hochaufgelösten Daten nutzt, b) Wir untersuchen die frühe und späte Fusion von Lidar- und Multispektraldaten (Lidar and multispectral data), c) Wir validieren unsere Methoden anhand zweier öffentlicher Datensätze mit Stand-der-Technik-Ergebnissen. Unsere Ergebnisse deuten darauf hin, dass die späte Fusion es ermöglicht, Fehler zu korrigieren, die aus ambigen Daten stammen, während die frühe Fusion eine bessere gemeinsame Merkmalslernen ermöglicht, jedoch mit einer höheren Anfälligkeit für fehlende Daten verbunden ist.