Die raum-zeitliche Vorhersage von an Messpunkten gemessenen Umweltvariablen ist eine wichtige Methode in den Geowissenschaften. Hierbei werden zunehmend maschinelle Lernverfahren genutzt, welche mithilfe von Kreuzvalidierungsmethoden evaluiert und getuned werden. Die traditionelle Kreuzvalidierung, bei der Trainingsdaten zufällig in Gruppen eingeteilt werden, ist bei räumlich strukturierten Daten jedoch oft nicht angemessen. Alternativ existiert eine Vielzahl an räumlichen Kreuzvalidierungsmethoden, welche jedoch nicht universell einsetzbar sind.

Hier stellen wir (k)NNDM vor, eine neue, in R implementierte Kreuzvalidierungsmethode, die sowohl im Prädiktorraum, als auch dem geographischen Raum funktioniert und unabhängig vom Stichprobendesign eingesetzt werden kann.
Wir vergleichen die Genauigkeit der neuen Kreuzvalidierungsmethode unter verschiedenen Szenarien, und diskutieren die Eignung von Kreuzvalidierungen im Prädiktorraum im Vergleich zu Kreuzvalidierungen im geographischen Raum .