Moderne Methoden aus dem Bereich maschinelles Lernen haben in den letzten Jahren enorme wissenschaftliche Fortschritte gemacht und ganze wissenschaftliche Disziplinen grundlegend verändert. Insbesondre künstliche neuronale Netze haben bei diesem Prozess eine entscheidende Rolle gespielt. Auch in der Hydrologie ist dieser Wandel akut zu beobachten und zahlreiche Studien aus den letzten Jahren haben gezeigt das neuronale Netze zu den besten verfügbaren Modellen für eine Vielzahl von hydrologischen Fragestellungen gehören. Im Kontrast, zu ihrer nachweislich hervorragenden Vorhersageleistung, ist das theoretische Verständnis neuronaler Netzwerke jedoch noch immer unzureichend, und Fragen zur optimalen Architektur oder Training sind bis dato unbeantwortet. Dieses mangelnde Verständnis hat auch Auswirkungen auf die Hydrologie und es ist z.B. noch immer unklar, ob neuronale Netzwerke geeignet sind extreme Systemzustände vorherzusagen und in wie weit sie als Lernwerkzeug eingesetzt werden können. In Anbetracht ihrer außergewöhnlichen Vorhersagekraft und der stetig wachsenden Anwendungsfälle ist deshalb dringend mehr grundlegende Forschung erforderlich, um besser zu verstehen, wie neuronale Netze Informationen über hydro-meteorologische Flüsse und Zustände speichern und transformieren. Letzteres ist der Schlüssel zu einer besseren Quantifizierung von Unsicherheiten in netzwerkbasierten Vorhersagen und die Grundvoraussetzung, die Grenzen und Versprechen dieser Ansätze im Rahmen der Hydrologie zu verstehen. Das übergeordnete Ziel des vorgeschlagenen Forschungsprojekts DETOX (Demystifiying recurrent neural networks in a hydrology context) ist es deshalb Licht in die Blackbox neuronaler Netze zu werfen, zu testen in wie weit diese mehr als nur hervorragende Interpolatoren sind und zu prüfen wie neuronale Netze, ähnlich wie hydrologische Modelle, als Lernwerkzeug in der Hydrologie eingesetzt werden können.