Durch den Klimawandel gewinnen Tropenkrankheiten weltweit an Bedeutung. Die Vorhersage ihrer Ausbreitung mittels Machine Learning wird daher immer wichtiger. Die kutane Leishmaniose, eine durch Leishmania-Protozoen verursachte Infektionskrankheit, führt weltweit zu 600.000 bis 1 Million Fällen jährlich. Sie wird durch Sandmücken übertragen und verursacht chronische, narbenbildende Hautläsionen. Grundlage für eine Simulation bzw. Projektion ist die Verknüpfung verschiedenster Datentypen, womit das Projekt eine Methodik für eine Foresight-Studie etabliert und evaluiert. Brasilien dient aufgrund seiner hohen Krankheitslast und zugänglicher Datenlage als Modellregion, um bestehende klimabasierte Modelle für Nordafrika zu erweitern. Hierfür werden Krankheitsfälle (DATASUS) mit Geodaten (GADM) und Klimavariablen (WorldClim) verknüpft. Um das Problem unausgeglichener Falldaten zu lösen, wird die Aufgabe als Klassifikation formuliert. Bekannte Krankheitsorte („Präsenz“) werden mit einer gleichen Anzahl zufälliger Hintergrundpunkte („Pseudo-Absenzen“) verglichen, um ein balanciertes Trainingsset zu schaffen. Ein Random-Forest-Modell wird trainiert, um die Lebensraum-Eignung vorherzusagen. Das finale Ziel ist die Anwendung dieser validierten Methodik zur Erstellung einer Risikoprognose für Nordafrika bis 2060.