Die Zuhilfenahme statistischer Modelle basierend auf empirischen Daten und räumlichen Analysen ermöglicht die objektive Bewertung der Landschaftsbildqualität auch großer Untersuchungsgebiete. Verbreitet sind vor allem lineare Regressionsmodelle, die vergleichsweise einfach anzuwenden und zu interpretieren, jedoch bei der Darstellung komplexer Zusammenhänge eingeschränkt sind. Es bleibt meist unbekannt, ob komplexere Verfahren eine menschliche Bewertung besser abbilden könnten. Die vorliegende Arbeit nutzt ein lineares Regressionsmodell und ein neuronales Netz auf Basis derselben Datengrundlagen für eine bundesweite, flächendeckende Bewertung der landschaftlichen Schönheit. Mit neuronalen Netzen können auch komplexe, nichtlineare Zusammenhänge modelliert werden, die Ergebnisbildung ist jedoch nur begrenzt nachvollziehbar. Die Ergebnisse der beiden Modelle werden verglichen und die anwendungsbezogenen Vor- und Nachteile erläutert. Die bundesweite Anwendung beider Modelltypen zeigt überwiegend plausible und stark korrelierende Ergebnisse. Beide Ergebniskarten stellen, insbesondere infolge des markanten Reliefunterschieds, ein deutliches Bewertungsgefälle zwischen der Nord- und Südhälfte Deutschlands dar. Die Modelleigenschaften des linearen Regressionsmodells führen dazu, dass dieses Bewertungsgefälle deutlich zu stark ausgeprägt ist. Beim neuronalen Netz zeigt sich eine ausgewogenere Bewertung zwischen Norden und Süden, bei der auch Landschaftsräume ohne starke Reliefunterschiede häufig hohe Bewertungsstufen erhalten. Die Ergebnisse demonstrieren, dass neuronale Netze als Zweig des maschinellen Lernens einen bedeutenden Beitrag zu landschaftsplanerischen Fragestellungen leisten können.