Durch den Einsatz von Gradient Boosting Decision Trees (XGBoost) können standortspezifische Temperatur- und Feuchteprognosen im Vergleich zu herkömmlichen numerischen Wettervorhersagemodellen deutlich verbessert werden. Die Erklärbarkeit der Vorhersagen durch SHAP-Analysen und die Identifizierung unzuverlässiger Vorhersagen tragen zur Erhöhung der Zuverlässigkeit des Systems bei.
Fortschrittliche maschinelle Lernmodelle haben in den letzten Jahren hohe Vorhersagegenauigkeit für Wetter- und Klimavorhersagen erreicht. Allerdings fehlt diesen komplexen Modellen oft die inhärente Transparenz und Interpretierbarkeit, was das Vertrauen der Nutzer beeinträchtigt und weitere Modellverbesserungen behindert. Daher sind interpretierbare maschinelle Lernverfahren entscheidend, um die Glaubwürdigkeit und Nützlichkeit von Wetter- und Klimamodellierung zu verbessern.