Orientadores: Claudia Pereira Krueger, Günter Seeber e Selma Regina Aranha Ribeiro / Inclui apendice / Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciencias da Terra, Programa de Pós-Graduaçao em Ciencias Geodésicas. Defesa: Curitiba, 2006 / Inclui bibliografia / Resumo: O objetivo desta pesquisa é propor um método para modelagem do relevo oceânico a partir de dados batimétricos usando Redes Neurais Artificiais (RNA). Os dados batimétricos utilizados na pesquisa foram coletados pelo navio de pesquisas oceanográficas Polarstern (Bremerhaven - Alemanha) durante uma expediçao iniciada em julho de 2000 cobrindo uma área situada na Província de Pelágia, entre a Irlanda e o Reino Unido. Os dados batimétricos foram coletados por um sistema multibeam chamado de Hydrosweep DS-2, e foram cedidos pelo instituto de pesquisas alemao Alfred Wegener Institut für Polar und Meeresforschung (AWI). As informaçoes de profundidades e as intensidades de backscatter serviram como base para os experimentos realizados nesta pesquisa. A área selecionada para as investigaçoes, possui uma variaçao em profundidades de 400 m até 1700 m, sendo águas categorizadas como profundas. O método proposto utiliza a técnica das Redes Neurais Artificiais a fim de se executar a interpolaçao e a integraçao desses dados. O modelo proposto consiste em uma RNA com duas camadas escondidas, fazendo uso do algoritmo de treinamento supervisionado backpropagation . Na primeira etapa dos processamentos, como variáveis de entrada para o treinamento da rede, foram adotadas as posiçoes planimétricas das profundidades dadas pelas coordenadas E, N; as intensidades de backscatter e também foram atribuídos pesos binários aos valores numéricos dos 59 PFB's e pesos lineares, utilizando os ângulos de incidencia dos feixes, variáveis estas, denominadas de peso binário e peso linear. Numa segunda etapa foram utilizadas também as coordenadas planimétricas E, N de uma grade gerada pelo interpolador convencional local, o Inverso do Quadrado da Distância (IQD), e o treinamento executado e armazenado da primeira etapa. Desta forma as grades foram generalizadas pela rede nas mesmas posiçoes da grade IQD, a qual foi adotada como sendo o modelo de referencia "verdade de campo", visando obter as grades RNA nas mesmas posiçoes da grade IQD, variando apenas a coordenada Z (profundidades). As verificaçoes dos processamentos foram feitas mediante análises qualitativas (curvas isobatimétricas) e quantitativas (resíduos), do comportamento das profundidades interpoladas e das grades generalizadas pela rede. Para tal, fez-se uso de elementos amostrais de verificaçao, os quais nao fizeram parte do aprendizado e as saídas da rede (análise pontual). Também foram avaliadas as grades generalizadas pela RNA, comparando-as com o modelo de referencia adotado, isto é, a grade gerada através do algortimo de interpolaçao IQD (análise entre grades).O estudo comprova que o método proposto gera resultados que atendem a precisao do equipamento (multibeam), conforme o fabricante e também conforme especificaçoes da Organizaçao Internacional de Hidrografia (IHO) que preconizam 1% conforme a altura da lâmina d' água para a categoria de profundidades em questao, sendo o erro máximo permitido neste caso de 17 m. A RNA forneceu resultados cujo erro máximo foi de 14 m. Os resultados obtidos indicam que o uso de modelos neurais, treinados por algoritmos de aprendizado supervisionado, é uma alternativa promissora para a modelagem tridimensinal do relevo oceânico, tanto no aspecto da interpolaçao para a estimativa de profundidades como na possibilidade de integraçao de diferentes variáveis de entrada para o treinamento da rede