Der Klimawandel stellt möglicherweise die größte Einzelbedrohung für die Menschheit und die Umwelt dar, da er unsere terrestrische Oberfläche erheblich beeinflusst, die Lebensraum für die meisten Lebewesen ist. Angeregt durch Verfahren zur Videovorhersage und unter Ausnutzung der Verfügbarkeit von Copernicus Sentinel-2-Daten haben jüngste Studien versucht, die Entwicklung der Landoberfläche als Funktion der vergangenen Landoberflächenentwicklung, der Geländehöhe und des Wetterzustands vorherzusagen. Erweiternd dieses Paradigma stellen wir ein Modell vor, das auf einem konvolutionellen Langzeit-Kurzzeit-Gedächtnis (ConvLSTM) basiert, das rechnerisch effizient (leichtgewichtig) ist, jedoch gegenüber früheren Baselines deutlich bessere Ergebnisse erzielt. Durch die Einführung einer ConvLSTM-basierten Architektur können wir nicht nur heterogene Datensätze (Sentinel-2-Zeitreihen, Wetterdaten und ein Digitales Geländemodell (DEM)) integrieren, sondern die zukünftigen Vorhersagen explizit auf den Wetterzustand bedingen. Unsere Experimente bestätigen die Bedeutung von Wetterparametern für das Verständnis der Dynamik der Landbedeckung und zeigen, dass Wetterkarten in diesem Task signifikant wichtiger sind als das DEM. Zudem führen wir generative Simulationen durch, um zu untersuchen, wie sich die Änderung eines einzelnen Wetterparameters auf die Entwicklung der Landoberfläche auswirkt. Alle Studien werden anhand des EarthNet2021-Datensatzes durchgeführt. Der Quellcode, zusätzliche Materialien und Ergebnisse sind unter https://github.com/dcodrut/weather2land verfügbar.