En aplicaciones como el monitoreo ambiental, se han propuesto algoritmos y métodos basados en aprendizaje profundo utilizando datos de radar de apertura sintética (SAR) y electro-ópticos (EO) con resultados prometedores. Estos resultados se han logrado utilizando conjuntos de datos ya limpios para el entrenamiento. Sin embargo, en la recopilación de datos del mundo real, los datos a menudo se recopilan independientemente de los ruidos ambientales (nubes, noche, datos faltantes, etc.). Sin limpiar los datos con estos ruidos, el modelo entrenado tiene un problema crítico de bajo rendimiento. Para abordar estos problemas, proponemos el Algoritmo de Recolector Limpio (CCA). En primer lugar, utilizamos un enfoque basado en píxeles para limpiar la máscara QA60 y los valores atípicos. En segundo lugar, eliminamos datos faltantes y datos nocturnos que pueden actuar como ruido en el proceso de entrenamiento. Finalmente, utilizamos un método de refinamiento basado en características para limpiar las imágenes de nubes utilizando FID. Demostramos su efectividad al ganar el primer lugar en la pista de traducción SAR-a-EO del desafío MultiEarth 2023. También destacamos el rendimiento y la robustez del CCA en otros conjuntos de datos de nubes, SEN12MS-CR-TS y Scotland&India.