Die Quantifizierung der Grundwasserneubildung bleibt eine zentrale Herausforderung in der Hydrogeologie, insbesondere im Zusammenhang mit Klimaschwankungen und Ressourcenmanagement. Lysimeter-Messungen liefern direkte Schätzungen der Neubildung, sind jedoch räumlich spärlich verteilt und aufwendig in der Wartung. Diese Studie untersucht das Potenzial von Modellen des Maschinellen Lernens (ML) als datengesteuerte Ersatzgrößen für die Schätzung der Grundwasserneubildung anhand von Zeitreihen meteorologischer Variablen. Wir trainieren und evaluieren Long Short-Term Memory (LSTM)-Netzwerke anhand hochauflösender Lysimeterdaten aus mehreren Jahrzehnten, um Sickerflussraten auf der Grundlage von Niederschlag, Temperatur und damit verbundenen meteorologischen Merkmalen vorherzusagen. LSTM eignet sich gut, um die verzögerte und nichtlineare Natur von Neubildungsprozessen zu erfassen, bei denen Niederschläge Wochen oder Monate später messbare Sickerflüsse beeinflussen können. Wir bewerten den Einfluss von Hyperparametern wie Fensterlänge und Modellkomplexität auf die Vorhersagekraft des Algorithmus. Zudem vergleichen wir die Ergebnisse des LSTM mit weiteren Ansätzen des maschinellen Lernens. Die Auswahl der meteorologischen Merkmale orientiert sich an etablierten empirischen Beziehungen. Diese Arbeit untersucht, ob datengesteuerte Ansätze etablierte Schätzverfahren für die Grundwasserneubildung übertreffen können. Unsere Ergebnisse zeigen wichtige Einschränkungen auf, insbesondere die Notwendigkeit ausreichend großer Datensätze und die Verschlechterung der Modellleistung bei Datenlücken. Dennoch ist maschinelles Lernen vielversprechend für die Extrapolation der Dynamik der Grundwasserneubildung, wenn es entsprechend trainiert wird. Diese Arbeit leistet einen Beitrag zur wachsenden Debatte über die Integration physikalischer Erkenntnisse mit datengestützten Methoden zur Unterstützung der quantitativen Bewertungen von Grundwasserresourcen.