Die Segmentierung von Wolken und Wolken-Schatten stellt grundlegende Prozesse in der Analyse optischer Fernerkundungsbilder dar. Aktuelle Methoden zur Erkennung von Wolken und Schatten in geospatialen Bildern weisen eine geringere Genauigkeit auf, als erforderlich, insbesondere in Gegenwart von Schnee und Haze. In diesem Artikel wird ein tiefes Lernverfahren zur Detektion von Wolken und Schatten in Landsat-8-Bildern vorgestellt. Unser Ansatz nutzt ein konvolutionales neuronales Netzwerk, Cloud-Net+ (eine Weiterentwicklung unseres zuvor vorgeschlagenen Cloud-Net \cite{myigarss}), das mit einer neuartigen Verlustfunktion, der sogenannten „Filtered Jaccard Loss“, trainiert wird. Diese vorgeschlagene Verlustfunktion ist empfindlicher gegenüber dem Fehlen von Vordergrundobjekten in einem Bild und bewertet die vorhergesagten Masken präziser, indem sie entweder stärker bestraft oder belohnt, als herkömmliche Verlustfunktionen. Zusätzlich wurde eine datenbasierte Erweiterungstechnik entwickelt, die auf die Sonnenrichtung abgestimmt ist, um die Detektion von Wolken-Schatten zu verbessern und die Verallgemeinerungsfähigkeit des vorgeschlagenen Modells durch Erweiterung bestehender Trainingsdatensätze zu erhöhen. Die Kombination aus Cloud-Net+, der Filtered Jaccard Loss-Funktion und dem vorgeschlagenen Erweiterungsalgorithmus erzielt herausragende Ergebnisse auf vier öffentlichen Datensätzen zur Wolken- und Schatten-Detektion. Unsere Experimente auf dem Pascal VOC-Datensatz belegen die Anwendbarkeit und Qualität unseres vorgeschlagenen Netzwerks sowie der Verlustfunktion in weiteren Anwendungen der Computer Vision.