Klimawandel ist seit vielen Jahren ein gemeinsames Interesse und steht im Mittelpunkt wichtiger politischer Diskussionen und Entscheidungen. Flache Wolken spielen eine bedeutende Rolle beim Verständnis des Erdklimas, sind jedoch schwierig zu interpretieren und in Klimamodellen darzustellen. Durch die Klassifizierung dieser Wolkenstrukturen besteht eine bessere Möglichkeit, die physikalischen Strukturen der Wolken zu verstehen, was die Erstellung von Klimamodellen verbessern und somit eine genauere Vorhersage des Klimawandels oder Wettervorhersagen ermöglichen würde. Wolken organisieren sich auf vielfältige Weise, was es schwierig macht, traditionelle regelbasierte Algorithmen zur Trennung von Wolkenmerkmalen zu entwickeln. In dieser Arbeit wurde die Klassifizierung von Wolkenorganisationmustern mit einer neuen skalierten Version des Faltungsneuralnetzes (CNN), genannt EfficientNet, als Encoder und UNet als Decoder durchgeführt. Diese arbeiteten als Merkmalsextraktor und Rekonstruktor feingranularer Merkmalskarten und wurden als Klassifikator verwendet, um Experten bei der Erforschung der Auswirkungen von Wolken auf das zukünftige Klima zu unterstützen. Es wurde gezeigt, dass durch die Verwendung eines Segmentierungsmodells für eine Klassifizierungsaufgabe gute Ergebnisse aus diesem Datensatz erzielt werden können, wenn ein guter Encoder zusammen mit UNet eingesetzt wird. Als endgültiges Evaluationsmaß wurde der Dice-Koeffizient verwendet, der Werte von 66,26 % (öffentliche Rangliste) und 66,02 % (private Rangliste – Testdatensatz) im Kaggle-Wettbewerb erzielte.