Detaillierte Informationen zur Landbedeckung sind wichtig für ein besseres Verständnis unserer Umwelt - etwa zur Abschätzung von Ökosystemleistungen wie Bestäubung oder um Nitrat- und Nährstoffeinträge in Gewässer zu quantifizieren. Diese Informationen werden zunehmend aus zeitlich und räumlich hochaufgelösten Satellitenbildern gewonnen. Häufig versperren jedoch Wolken den Blick aus dem All auf die Erdoberfläche. Eine dynamische Anwendung von Methoden des maschinellen Lernens kann das lokale Auftreten von Wolken berücksichtigen, ohne auf bislang genutzte Interpolationsverfahren zurückzugreifen. Das zeigen Wissenschaftler des UFZ in einer Studie, die im Fachblatt Remote Sensing of Environment veröffentlicht wurde. Ihr Algorithmus erkennt 19 verschiedene Feldfruchtarten mit einer Genauigkeit von 88 Prozent.
