Der vorliegende Forschungsantrag adressiert die Verbesserung von Starkregen- und Überflutungsvorhersagen insbesondere in urbanen Gebieten. Gegenüber rein physikalisch basierten Modellansätzen sollen in dieser Arbeit datengetriebene Modellansätze aus dem Bereich der Künstlichen Intelligenz (KI), insbesondere des Maschinellen Lernens (ML), weiterentwickelt und angewendet werden. Die Ziele dieses Forschungsantrags resultieren aus den im KIWaSuS-Projekt identifizierten Defiziten der aktuellen ML-Modelle im Anwendungskontext des Nowcastings. Es sollen daher in den Themenfeldern Niederschlags- und Überflutungsvorhersage grundlagenwissenschaftliche Untersuchungen durchgeführt werden, auf deren Basis ein vorwettbewerblicher Prototyp entwickelt werden kann, der beide Komponenten beinhaltet. Dabei steht bei den ML-Modellen zur Niederschlagsvorhersage die Qualitätsverbesserung (Generalisierungsfähigkeit) und die Vertrauenswürdigkeit der Vorhersagen im Vordergrund. Dafür sollen bisher genutzte ML-Modellstrukturen erweitert werden, um spezifische wasserwirtschaftliche Anforderungen besser berücksichtigen (Fusion multimodaler Sensordaten) und eine Unsicherheitsquantifizierung für die hochdimensionalen zeitlichen Datensequenzen räumlich und zeitlich verteilter Zeitreihen (z. B. Radardaten) ermöglichen zu können. Bei den Modellen zur Überflutungsvorhersage werden dagegen primär Methoden zur Skalierung und Generalisierung der Modelle auf größere Gebiete untersucht. Dabei soll u.a. geprüft werden, ob die Methode des aktiven Lernens zu einer Verbesserung führt. Nach einer zunächst separaten Entwicklung beider Modelltypen soll am Ende eine hydro-meteorologische Modellkette aufgebaut werden, in der beide Vorhersagemodelle gekoppelt werden.