Le changement climatique a été un intérêt commun et se trouve à l'avant-garde des discussions et décisions politiques cruciales depuis de nombreuses années. Les nuages bas jouent un rôle significatif dans la compréhension du climat terrestre, mais ils sont difficiles à interpréter et à représenter dans les modèles climatiques. En classifiant ces structures nuageuses, il y a une meilleure possibilité de comprendre les structures physiques des nuages, ce qui améliorerait la génération des modèles climatiques, conduisant ainsi à de meilleures prédictions du changement climatique ou à des mises à jour météorologiques. Les nuages s'organisent sous de nombreuses formes, ce qui rend difficile la construction d'algorithmes traditionnels basés sur des règles pour séparer les caractéristiques nuageuses. Dans cet article, la classification des motifs d'organisation nuageuse a été réalisée en utilisant une nouvelle version élargie du réseau neuronal convolutif (CNN) appelée EfficientNet comme encodeur et UNet comme décodeur. Ces derniers ont fonctionné comme extracteur et reconstructeur de cartes de caractéristiques fines, servant également de classificateur pour aider les experts à comprendre comment les nuages façonneront le climat futur. L'utilisation d'un modèle de segmentation pour une tâche de classification a montré qu'il est possible d'obtenir de bonnes performances avec ce jeu de données grâce à un bon encodeur associé à UNet. Le coefficient Dice a été utilisé comme métrique finale d'évaluation, donnant respectivement des scores de 66,26 % et 66,02 % pour le classement public et privé (ensemble de test) lors de la compétition Kaggle.