Predicting cloud cover from ground-based observations is crucial for weather forecasting and meteorological analyses. Current methodologies face chal- lenges in terms of cost, time consumption, and accuracy. This study evaluates the effectiveness of three state of the art semantic segmentation models in accurately segmenting cloud images for cloud coverage computation. The objectives include evaluating performance of each respective model, comparing their results with human observer predictions, and examining the impact of dataset volume on model performance. Methodologically, the study involves fine-tuning models on a custom dataset and conducting experiments to assess their capabilities. An evaluation with various metrics showed that all models were able to segment cloud images well, with DeepLabV3 exhibiting superior performance in all evaluation metrics. Comparison with human predictions for cloud cover in cloud images suggests practical alignment, showing the viability of deep learning models in predicting cloud cover in cloud images. Moreover, the study revealed that dataset modifications, including data augmentation, expansion, and reduction of the dataset did not lead to significant improvements in model performance. For this reason, further exploration is encouraged, considering the homogeneity of the custom dataset. In conclusion, this study advances cloud observation methodologies, provid- ing insight into the applicability of deep learning models. Future research should focus on refining model generalization, exploring diverse datasets, and enhancing real-world applicability.

Att förutsäga molnighet baserat på markobservationer är avgörande för väderprognoser och metereologiska analyser. De nuvarande metoder som används står inför utmananingar avseende kostnads, tid och noggranhet. Denna studie utvärderar prestandan hos tre semantiska segmenteringsmodeller för segmentering av molnbilder för att kunna förutsäga molnigheten i bilderna. Målen i studient innefattar utvärdering av de tidigarenämnda modellerna, jämföra molnigheten berkänad från segmentering med en metereologs gissning av molnighet på bilderna, samt undersöka datasetets påverkan på modellpresetandan. Modellerna i denna studie tränades på ett eget byggt dataset och användes som bas vid fine-tuning av modellerna. En utvärdering med olika mätetal visade att alla modeller var kapabla till att segmentera molnbilderna väl, där DeepLabV3 uppvisade överlägsen prestanda på alla utvärderingsmått (IoU, F1, och pixelnoggranhet). Resultaten av jämförelse för molnighet på molnbilder mellan modell och metereolog visade kapaciteten hos djupinlärningsmodeller för att användas vid förutsägelser av molnighet i molnbilder. Slutligen visade resultaten i denna studie ingen signifikant förbättring vid modifikation av datat. Av denna anledning uppmuntras ytterligare utforskning att studera detta, med tanke på datasetes begränsningar. Sammanfattningsvis främjar denna studie molnobservationsmetodik och ger insikter om användbarheten hos djupinlärningsmodeller. Framtida forskning bör fokusera på att förbättra modellgeneralisering, utforska olika dataset och förstärka användningen i verkliga situationer.