Heutzutage erlebt der Energiesektor den Übergang zu sauberen Energiequellen, die die Kohlenstoffemissionen reduzieren. Geothermie kann den Bedarf an Energienetzstabilität decken und zur Dekarbonisierung beitragen. Die aus dem Untergrund entnommene Wärme kann ohne Umwandlung direkt als Wärme für die Raumkühlung und -heizung genutzt werden. Die Entnahme von Wärme aus geringen unterirdischen Tiefen (bis zu 200 m) ist die Grundlage dieser Forschung. Um die langfristige Nachhaltigkeit von Projekten zu gewährleisten, die den Einsatz von Geothermie und die Wärmegewinnung beinhalten, ist es notwendig, die geothermischen Ressourcen sorgfältig zu überwachen und zu verwalten. Die Grundwassertemperatur (GWT) ist ein kritischer Umweltparameter, der die Nutzung von Geothermieanlagen beeinflusst. Eine genaue Vorhersage der GWT ist für die Bewertung der Effizienz und die Optimierung der Leistung von Geothermieanlagen unerlässlich. Diese Arbeit untersucht die Vorhersagemodellierung von GWT mit Techniken des maschinellen Lernens (ML). Um die GWT mit Hilfe von ML-Algorithmen genau vorhersagen zu können, wurde ein umfassender Datensatz mit ausgewählten Merkmalen zusammengestellt, der Messungen aus der eHYD-Datenbank sowie Wetterdaten von Visual Crossing enthält. Dazu wurden die Daten von 1996 bis 2016 von flachen Geothermiebohrungen in Wien, Bezirk 22, verwendet. Schritte zur Datensatzvorverarbeitung werden beschrieben und ML-Algorithmen werden angewendet und ausgewertet, um die Temperatur vorherzusagen. Die Analyse ergab, dass das Modell der K-nächsten Nachbarn das Modell ist, das die höchste Genauigkeit bei der Vorhersage der GWT bietet, und zeigte die Bedeutung einer zusätzlichen Berücksichtigung städtischer Faktoren bei der Untersuchung geothermischer Anwendungen auf städtischer Ebene.