Abstract Weather forecasts serve as a fundamentally important input to the flight planning process. While other types of input data are mostly known to airlines to a high degree of certainty, weather forecasts carry an inherent measure of uncertainty. Flight planning engines commonly have no other means but to consider a forecast to be entirely accurate. Such uncertainties thus lead to a trajectory being planned that does not represent the most cost-optimal option. In fact, weather forecast uncertainties have been identified to be the greatest source of trajectory prediction errors. Weather forecast generation relies on numerical simulations of the earth's atmosphere, which in turn rely on models imitating the physical processes involved. However, these represent approximations of reality and are thus not able to perfectly capture the complex processes involved. Technological advances have meanwhile lead to a surge in means to more efficiently process large amounts of data, commonly termed Big Data. Such processing includes the possibility of applying analysis and Machine Learning techniques, in order to apprehend any patterns otherwise undetectable to the human observer. It is therefore of interest whether forecast uncertainties can be predicted using these means and whether these predictions in turn yield a benefit for the flight planning process. This thesis provides a feasibility evaluation of a data-centric approach to weather forecast uncertainty prediction and a subsequent validation of potential benefits to a flight planning engine's measure of predictability. Core to this research is a data cluster, on which global weather forecast and re-analysis data spanning close to ten years have been gathered. Eight Machine Learning algorithms are trained on this data using the discrepancy between forecast and re-analysis data. Doing so ensures that the algorithms learn an underlying pattern of forecast errors or uncertainties. This can in turn be utilized to predict the uncertainties in a test set to determine the best-performing algorithm per forecast instance. A second algorithmic layer is further realized which leverages this information to determine the algorithm generating the most accurate prediction, per forecast instance. A validation data set spanning a year of data is utilized to serve as input data for the flight plan generation of three flights. These are then compared to the flight's actual flown trajectories. It is examined whether the discrepancy between flight plan and trajectory is decreased with a flight plan based on predictions of the methodology herein, as compared to a control. Results indicate that algorithms' predictions are able to decrease forecast uncertainty in a majority of cases. Subsequent flight plan results indicate an ambivalent result. A heavy dependence on the world region the flight is performed in is recorded. As such, no benefit to flight plan predictability is observed for a short haul flight in South East Asia, while a slight benefit is recorded for an intercontinental long haul flight. An operational realization is not recommended at the time of writing, as further validations covering more areas and a greater number of flights need to be performed to better gauge the boundaries in which the method is beneficial to the flight planning process. Further research is needed to understand the underlying patterns in algorithmic prediction performance and increase reliability. Zusammenfassung Wettervorhersagen stellen einen wesentlichen Einsatz im Flugplanungsprozess dar. Während andere Eingangsgrößen meist mit einer hohen Gewissheit den Fluggesellschaften bekannt sind, besitzen Wettervorhersagen ein inhärentes Maß an Unsicherheit. Flugplanungssysteme haben jedoch in den meisten Fällen keine andere Wahl, als die Vorhersage als vollständig akkurat anzunehmen. Solche Unsicherheiten führen dazu, dass eine Trajektorie geplant wird, welche nicht die kosteneffizienteste ist. Tatsächlich wurden Vorhersageunsicherheiten als die größte Ursache von Trajektorienvorhersagefehlern identifiziert. Wettervorhersagen werden allgemein durch numerische Simulationen der globalen Atmosphäre erzeugt. Diese Simulationen basieren dabei auf Modellen, welche die physikalischen Prozesse modellieren. Da diese jedoch nur eine Approximation der komplexen Vorgänge in der Atmosphäre darstellen, entsprechen die Vorhersagen nicht der Wahrheit. Technologische Fortschritte im Bereich der Datenverarbeitung haben zu einer breiteren Fülle an Möglichkeiten zur Verarbeitung von großen Datenmengen, allgemein als Big Data bekannt, geführt. Diese Datenverabeitung schließt Datenanalysen und Methoden des maschinellen Lernens ein, womit für das menschliche Auge nicht erkennbare Muster detektiert werden können. Es ist somit von wissenschaftlichem Interesse, ob Unsicherheiten in Wettervorhersagen ebenfalls mit diesen Methoden prognostiziert werden können und ob damit ein Vorteil auf den Flugplanungsprozess erzeugt werden kann. Diese Arbeit liefert eine Durchführbarkeitsuntersuchung einer datenbasierten Herangehensweise an die Prognose von Vorhersageunsicherheiten, mitsamt einer anschließenden Validierung potentieller Vorteile auf die Planbarkeit eines Flugplanungssystems. Dafür wird ein Datencluster benutzt, worauf globale Wettervorhersage- und Re-Analyse-Daten über knapp unter zehn Jahre aufbereitet werden. Acht Algorithmen des maschinellen Lernens werden anhand dieser Daten mit der Diskrepanz zwischen besagten Datensätzen trainiert. Ziel ist es, dass die Algorithmen zugrundeliegende Muster der Unsicherheit erlernen. Dieses erlernte Wissen kann anschließend anhand eines Testdatensatzes auf die algorithmische Vorhersageleistung geprüft werden. Gleichzeitig kann so auch der am besten prognostizierende Algorithmus je Vorhersageinstanz bestimmt werden. Eine zweite algorithmische Schicht wird im Anschluss realisiert, welche diese Testergebnisse zur Bestimmung des womöglich am besten prognostizierenden Algorithmus je Vorhersageinstanz eines weiteren Datensatzes benutzt. Dieser Validierungsdatensatz erstreckt sich zeitlich über ein Jahr und liefert somit zeitgleich die Vorhersagen für die Flugplanung von drei Flugverbindungen. Diese Pläne werden im Anschluss mit den echt geflogenen Trajektorien verglichen, indem eine Diskrepanz ermittelt wird. Dadurch wird evaluiert, ob die Diskrepanz des mit Algorithmen prognostizierten Flugplans geringer ist als die des Plans basierend auf den Originalvorhersagen. Ergebnisse zeigen, dass die Algorithmen die Unsicherheit in einer Mehrheit von Fällen verringern können. Nachfolgende Ergebnisse zu den Flugplänen zeigen ein ambivalenteres Bild auf. Eine starke Korrelation zwischen Vorhersageleistung und durchflogener Weltregion kann dabei beobachtet werden. So kann kein Vorteil bezüglich der Vorhersagbarkeit des Flugplanungssystems für einen Flug in Südostasien bestimmt werden, während ein leichter Vorteil für einen interkontinentalen Langstreckenflug identifiziert wird. Eine operationelle Umsetzung ist zum jetzigen Zeitpunkt nicht empfohlen, da weitere Validierungen durch eine größere Zahl an Flugverbindungen über alle Weltregionen zur Bestimmung der Machbarkeits- und Zuverlässigkeitsgrenzen nötig sind. Weiterführende Forschung wird zum Verständnis zugrundeliegender Muster sowie zur Erhöhung der Systemzuverlässigkeit benötigt.weiterlesen