Wolken und Dunstschleier verdecken häufig optische Satellitenbilder, was eine kontinuierliche, dichte Überwachung der Erdoberfläche erschwert. Obwohl moderne Deep-Learning-Methoden implizit lernen können, solche Verdeckungen zu ignorieren, ermöglicht eine explizite Wolkenentfernung als Vorverarbeitungsschritt manuelle Interpretation und Modelltrainings, selbst wenn nur wenige Annotationen zur Verfügung stehen. Die Wolkenentfernung ist aufgrund des breiten Spektrums an Verdeckungsszenarien – von Szenen, die teilweise durch Dunstschleier sichtbar sind, bis hin zu vollständig undurchsichtigen Wolkenbedeckungen – herausfordernd. Darüber hinaus würde die Integration rekonstruierter Bilder in nachgelagerte Anwendungen von einer vertrauenswürdigen Qualitätseinschätzung stark profitieren. In dieser Arbeit stellen wir UnCRtainTS vor, eine Methode zur mehrzeitlichen Wolkenentfernung, die eine neuartige aufmerksamkeitsbasierte Architektur und eine Formulierung für die Vorhersage multivariater Unsicherheiten kombiniert. Diese beiden Komponenten zusammen erzielen einen neuen Stand der Technik in Bezug auf Bildrekonstruktion in zwei öffentlichen Wolkenentferndatensätzen. Zudem zeigen wir, wie die gut kalibrierten vorhergesagten Unsicherheiten eine präzise Steuerung der Rekonstruktionsqualität ermöglichen.