Da die Menge der Fernerkundungsdaten stark zunimmt, sind effiziente Verarbeitungsmöglichkeiten von größter Bedeutung. Fernerkundungsdaten von Satelliten sind in vielen wissenschaftlichen Bereichen, wie Biodiversität und Klimaforschung, von entscheidender Bedeutung. Wetter und Klima für fast alle lebenden Organismen auf der Erde von besonderem Interesse. Daher ist die effiziente Klassifizierung von Wolken eines der wichtigsten Probleme. Geostationäre Satelliten, wie Meteosat Second Generation (MSG), bieten die einzige Möglichkeit, langfristige Wolkendatensätze mit hoher räumlicher und zeitlicher Auflösung zu erzeugen. Diese Arbeit befasst sich daher mit der effizienten und parallelen Verarbeitung von MSG-Daten, um neue Anwendungen und Erkenntnisse zu ermöglichen. Zuerst wird das Fehlen einer geeigneten Verarbeitungskette zur Erzeugung einer langfristigen Nebel- und niedrgem Stratus- (FLS) Zeitreihe aufgegriffen. Wir präsentieren eine effiziente MSG-Datenverarbeitungskette, die mehrere Aufgaben gleichzeitig, sowie Rasterdaten parallel, mit der Open Computing Language, verarbeitet. Die Verarbeitungskette ermöglicht eine einheitliche Klassifizierung von FLS, die Tag- und Nachtansätze kombiniert. Infolgedessen ist es möglich, die FLS-Raster für ein Jahr in kurzer Zeit zu berechnen. Das zweite Thema präsentiert die Anwendung von Convolutional Neural Networks (CNN) zur Wolkenklassifikation. Gängige Ansätze zur Wolkenerkennung klassifizieren oft nur einzelne Pixel und ignorieren die Tatsache, dass Wolken hochdynamische und räumlich kontinuierliche Einheiten sind. Daher schlagen wir eine neue Methode vor, die auf Deep Learning basiert. Basierend auf einer CNN-Architektur zur Bildsegmentierung klassifiziert das vorgestellte Cloud Segmentation CNN (CS-CNN) alle Pixel einer Szene gleichzeitig. Wir zeigen, dass CS-CNN multispektrale Satellitendaten verarbeiten kann, um kontinuierliche Phänomene, wie Wolken zu identifizieren. Unser Ansatz liefert ausgezeichnete Ergebnisse auf MSG-Satellitendaten in Bezug auf Qualität, Robustheit und Laufzeit im Vergleich zu Random Forest, einer oft verwendeten maschinellen Lernmethode. Schließlich stellen wir die Verarbeitung von Rasterzeitreihen mit einem System zur Visualisierung, Transformation und Analyse (VAT) von raumzeitlichen Daten vor. Es ermöglicht daten-getriebene Forschung mit explorativen Workflows und verwendet Zeit als integralen Bestandteil. Die Kombination aus heterogenen Raster- und Vektordaten-Zeitreihen ermöglicht neue Anwendungen und Erkenntnisse. Wir stellen einen Anwendungsfall vor, der Wetterinformationen und Flugzeugtrajektorien kombiniert, um Muster in Schlechtwettersituationen zu identifizieren., As the amount of remote sensing data is increasing at a high rate, due to great improvements in sensor technology, efficient processing capabilities are of utmost importance. Remote sensing data from satellites is crucial in many scientific domains, like biodiversity and climate research. Because weather and climate are of particular interest for almost all living organisms on earth, the efficient classification of clouds is one of the most important problems. Geostationary satellites such as Meteosat Second Generation (MSG) offer the only possibility to generate long-term cloud data sets with high spatial and temporal resolution. This work, therefore, addresses research problems on efficient and parallel processing of MSG data to enable new applications and insights. First, we address the lack of a suitable processing chain to generate a long-term Fog and Low Stratus (FLS) time series. We present an efficient MSG data processing chain that processes multiple tasks simultaneously, and raster data in parallel using the Open Computing Language (OpenCL). The processing chain delivers a uniform FLS classification that combines day and night approaches in a single method. As a result, it is possible to calculate a year of FLS rasters quite easy. The second topic presents the application of Convolutional Neural Networks (CNN) for cloud classification. Conventional approaches to cloud detection often only classify single pixels and ignore the fact that clouds are highly dynamic and spatially continuous entities. Therefore, we propose a new method based on deep learning. Using a CNN image segmentation architecture, the presented Cloud Segmentation CNN (CS-CNN) classifies all pixels of a scene simultaneously. We show that CS-CNN is capable of processing multispectral satellite data to identify continuous phenomena such as highly dynamic clouds. The proposed approach provides excellent results on MSG satellite data in terms of quality, robustness, and runtime, in comparison to Random Forest (RF), another widely used machine learning method. Finally, we present the processing of raster time series with a system for Visualization, Transformation, and Analysis (VAT) of spatio-temporal data. It enables data-driven research with explorative workflows and uses time as an integral dimension. The combination of various raster and vector data time series enables new applications and insights. We present an application that combines weather information and aircraft trajectories to identify patterns in bad weather situations.