Wildbrande gehören zu den natürlichen Gefahren, die die Europäische Union im Rahmen des Copernicus EMS-Programms zur Erdbeobachtung aktiv überwacht, das kontinuierlich öffentliche Informationen zu solchen katastrophalen Ereignissen bereitstellt. Solche Vorkommnisse verursachen sowohl kurzfristige als auch langfristige Schäden. Um deren Auswirkungen zu begrenzen und die Wiederherstellungsmaßnahmen planen zu können, ist eine schnelle Intervention der zuständigen Behörden erforderlich, die durch den Einsatz von Satellitenbildern und automatisierten Methoden zur Abgrenzung verbrannter Gebiete erheblich beschleunigt werden kann, was die Reaktions- und Entscheidungsprozesse effizienter gestaltet. In diesem Kontext analysieren wir das Problem der Schadensschätzung von verbrannten Gebieten unter Verwendung eines modernen Deep-Learning-Frameworks. Die experimentellen Ergebnisse vergleichen verschiedene Modellarchitekturen und Verlustfunktionen anhand eines sehr umfangreichen realweltbasierten Satellitendatensatzes aus Sentinel-2. Darüber hinaus wird eine neuartige mehrkanalige, auf Aufmerksamkeit basierende Analyse vorgestellt, um das Vorhersageverhalten zu entschlüsseln und die Interpretierbarkeit des Modells zu verbessern. Zur Bewertung des Beitrags verschiedener, domänengesteuerter Kanalgruppen zur Schadensschätzung wird eine Störmechanismus auf ein auf Aufmerksamkeit basierendes DS-UNet angewendet.