Eine genaue Hochwasserkartierung ist für die Katastrophenvorsorge unerlässlich, insbesondere ange­sichts immer häufiger auftretender extremer Niederschlagsereignisse. Diese Studie stellt eine Methodik vor, die georäumliche Daten, hydrometeorologische Daten und Fernerkundungsdaten mit fortschritt­lichem maschinellem Lernen integriert, um zuverlässige Hochwasserzonenkarten zu erstellen. Der Ansatz kombiniert aus Digitalen Höhenmodellen (DEM) abgeleitete Indikatoren wie Neigung, Krümmung und Topographischer Feuchtigkeitsindex (TWI) mit Entwässerungsdichte, Landnutzung, hydrographischen Netzwerken, Infrastrukturdaten und Satellitenbildern sowie Zeitreihen zu Niederschlag und Wasserstand. Als Fallstudie diente die Überschwemmung im Juli 2021 in Klüsserath, Rheinland-Pfalz (Deutschland). Die Leistung von XGBoost, LightGBM, FocalLGBM und deren Kombinationen wurde mit dem vorgeschla­genen integrierten Rahmen verglichen. Einzelne Modelle erzielten zwar eine hohe Genauigkeit, zeigten jedoch aufgrund von Klassenungleichgewichten und fragmentierten Vorhersagen Einschränkungen bei der Abgrenzung des Ausmaßes von Überschwemmungen. Die integrierte Methodik erzielte mit einer Genauigkeit von 0,99, einem F1-Score von 0,89 und einem IoU von 0,79 überlegene Ergebnisse und übertraf damit sowohl einzelne Algorithmen als auch kombinierte Modelle (z. B. LightGBM + FocalLGBM). Die Fehleranalyse bestätigte, dass die Methode die Anzahl der echten Positive maximiert und gleichzeitig die Anzahl der falschen Positive und Negative minimiert, wodurch eine höhere Zuverlässigkeit für die Entscheidungsfindung gewährleistet wird. Diese Ergebnisse zeigen, dass die Integration heterogener Daten mit räumlicher Nachbearbeitung die physikalische Konsistenz der Hochwasserkartierung erheblich verbessert und ein robustes Werkzeug für die Risikobewertung, Evakuierungsplanung und den Schutz der Infrastruktur darstellt.