De snelle ontwikkelingen op het gebied van Machine Learning (ML) hebben ervoor gezorgd dat deze data-analysemethode voor steeds meer doeleinden gebruikt wordt en vaak een kostenefficiënt alternatief vormt voor bestaande methodes. Deze studie onderzoekt de meerwaarde van Machine Learning in het operationele waterbeheer. Hiervoor zijn testen uitgevoerd om waterstandreeksen te genereren voor de Bovenmark ten zuiden van Breda, in het beheergebied van Waterschap Brabantse Delta. In het onderzoek zijn vier verschillende Machine Learning algoritmes getest: Autoregressive Integrated Moving Average (ARIMA), Gradient Boosting Regression Trees (GBRT), Long Short-Term Memory (LSTM) en Multi-Layer Perceptron (MLP). De meest nauwkeurige verwachtingen zijn behaald door waterstandsveranderingen te berekenen en deze te transformeren naar momentane waterstanden. Dit bleek beter te werken dan direct de waterstanden te berekenen. De nauwkeurigheid van de berekeningen neemt af als men meerdere dagen vooruit wil voorspellen. De beste resultaten werden behaald met GBRT, welke voor een verwachting van één dag vooruit een gemiddelde verklaarde variantie (R2) van 0,95 had en voor drie dagen vooruit een gemiddelde R2 van 0,80, met een gemiddelde absolute afwijking van 0,006 m
