Fernerkundungsbilder zeichnen sich in der Regel durch komplexe Hintergründe, Skalen- und Orientierungsvariationen sowie große intraklassen-Variabilität aus. Allgemeine semantische Segmentierungsmethoden scheitern oft daran, diese Probleme vollständig zu untersuchen, wodurch ihre Leistung bei der Segmentierung von Fernerkundungsbildern begrenzt ist. In dieser Arbeit schlagen wir unser LOGCAN++ vor, ein für Fernerkundungsbilder angepasstes semantisches Segmentierungsmodell, das aus einem Global Class Awareness (GCA)-Modul und mehreren Local Class Awareness (LCA)-Modulen besteht. Das GCA-Modul erfasst globale Repräsentationen zur Klassenkontextmodellierung, um die Störungen durch Hintergrundrauschen zu reduzieren. Das LCA-Modul generiert lokale Klassenrepräsentationen als Zwischenwahrnehmungselemente, um Pixel indirekt mit den globalen Klassenrepräsentationen in Verbindung zu bringen und damit das Problem der großen intraklassen-Variabilität anzugehen. Insbesondere führen wir affine Transformationen im LCA-Modul ein, um die adaptive Extraktion lokaler Klassenrepräsentationen effektiv zu ermöglichen und so Skalen- und Orientierungsvariationen in ferngesteuerten Bildern besser zu tolerieren. Ausführliche Experimente auf drei Benchmark-Datensätzen zeigen, dass unser LOGCAN++ die aktuellen Hauptströmungen allgemeiner und spezialisierter Fernerkundungs-Segmentierungsmethoden übertrifft und eine bessere Balance zwischen Geschwindigkeit und Genauigkeit erreicht. Der Quellcode ist unter https://github.com/xwmaxwma/rssegmentation verfügbar.