Wir präsentieren einen effizienten Faltungsoperator für Faltungsschicht-Neuronale Netze (CNNs) auf unstrukturierten Gittern unter Verwendung parametrisierter Differentialoperatoren, wobei der Fokus auf sphärischen Signalen wie Panoramabildern oder planetaren Signalen liegt. Hierzu ersetzen wir herkömmliche Faltungskerne durch lineare Kombinationen von Differentialoperatoren, die mit lernbaren Parametern gewichtet sind. Differentialoperatoren können auf unstrukturierten Gittern effizient mittels einringiger Nachbarn geschätzt werden, und lernbare Parameter können durch Standard-Rückpropagation optimiert werden. Als Ergebnis erhalten wir extrem effiziente Neuronale Netze, die in Bezug auf Leistung bestehende Top-Architekturen erreichen oder übertreffen, aber mit deutlich weniger Netzparameters. Wir evaluieren unseren Algorithmus in einer umfangreichen Reihe von Experimenten an verschiedenen Aufgaben aus dem Bereich Computer Vision und Klimawissenschaft, einschließlich Formklassifikation, Klimamustersegmentierung und semantische Segmentierung von omnidirektionalen Bildern. Insgesamt präsentieren wir (1) einen neuen Ansatz für CNNs auf unstrukturierten Gittern unter Verwendung parametrisierter Differentialoperatoren für sphärische Signale und (2) zeigen wir, dass unsere einzigartige Kernel-Parametrisierung unser Modell ermöglicht, die gleiche oder höhere Genauigkeit mit erheblich weniger Netzparameters zu erreichen.