Faser-Spekkelgramm-Sensoren (FSS) sind für die Umweltüberwachung von entscheidender Bedeutung aufgrund ihrer hohen Temperaturempfindlichkeit, jedoch stellt ihre komplexe Datenstruktur Herausforderungen für Vorhersagemodelle dar. Diese Studie stellt Prion-ViT vor, ein von biologischen Prionen inspiriertes Vision-Transformer-Modell, das die Modellierung langfristiger Abhängigkeiten und die Genauigkeit der Temperaturvorhersage durch FSS-Daten verbessert. Prion-ViT nutzt einen dauerhaften Speicherzustand, um wichtige Merkmale über mehrere Schichten hinweg zu speichern und weiterzugeben, wodurch der mittlere absoluter Fehler (MAE) auf 0,71 °C reduziert wird und Modelle wie ResNet, Inception Net V2 und Standard-Vision-Transformers übertrifft. Der vorliegende Beitrag diskutiert zudem Explainable-AI-Techniken (XAI), bietet eine Perspektive auf Spekkelgramme durch Aufmerksamkeits- und Saliency-Karten, die wichtige Bereiche hervorheben, die zur Vorhersage beitragen.