气候变化多年来一直是政治讨论和决策的重要议题。浅层云在理解地球气候方面发挥着重要作用，但它们在气候模型中的解释和表示却颇具挑战性。通过对这些云结构进行分类，可以更好地理解云的物理结构，从而改进气候模型的生成，提高对气候变化的预测或天气预报的准确性。云以多种形式组织，这使得构建传统的基于规则的算法来区分云特征变得非常困难。本文使用了一种新的扩展版卷积神经网络（Convolutional Neural Network, CNN）——EfficientNet作为编码器，UNet作为解码器，二者分别用于特征提取和细粒度特征图的重建，并作为分类器帮助专家了解云如何塑造未来气候。通过在分类任务中使用分割模型，研究结果表明，在Kaggle竞赛的数据集中，结合良好的编码器和UNet可以实现较好的性能表现。最终评估指标采用了Dice系数，分别在公共排行榜和私有排行榜（测试集）上获得了66.26%和66.02%的得分。