Orientadores : Carlos Roberto de Souza Filho, Ardemirio de Barros SilvaDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de GeocienciasResumo: o objetivo desta pesquisa foi o de realizar análises espaciais através de Sistema de Informações Geográficas visando a produção de mapas de favorabilidade, ou mapas potenciais, para diversos bens minerais na região centro-leste do Estado da Bahia. De posse de um banco de dados geológico, geofísico e geoquímico, o estudo compreendeu a conversão dos dados para um formato adequado; o desenvolvimento de uma nova técnica, denominada Gradiente INR, para auxílio na interpolação de dados discretos; o extenso processamento de dados de modo a se extrair as informações necessárias para as análises; e a produção final de mapas de favorabilidade mineral. Duas abordagens distintas de análise espacial foram avaliadas. A procura de áreas potenciais para depósitos sem ocorrências conhecidas na região estudada, como no caso de mineralizações de níquel, foi efetuada por uma abordagem guiada pelo conhecimento (knowledge-driven). Neste tipo de análise foi fundamental a definição de um modelo metalogenético descritivo para depósitos de níquel, o qual foi adaptado aos dados disponíveis. Norteados por esse modelo, os dados foram ponderados e combinados através das lógicas booleana e fuzzy. Os mapas de favorabilidade gerados a partir do operador fuzzy Gama mostraram-se superiores àqueles obtidos através dos operadores booleanos. A definição de áreas potenciais para depósitos previamente conhecidos na região (aminato, ferro, manganês, entre outros) foi realizada com o auxílio das redes neurais artificiais, em uma abordagem guiada pelos dados (data-driven), fazendo uso de tecnologia de inteligência artificial. Os resultados obtidos através dessa análise foram interessantes, muito embora comprometidos em função da pequena quantidade de depósitos conhecidos na região, o que é essencial para análises data-drivenAbstract: This research focussed on the use of Geographical Infonnation Systems to combine spatial data ITom different sources; to identify and describe spatial associations present in the data; and to use models for analysis and prediction of spatial phenomema related to mineral deposits (mineral potential mapping), in the central-eastem portion ofthe Bahia State, Brazil. Employing geological, geophysical and geochemical data, the work involved several pre-processing and processing steps, inc1uding: (i) the conversion of heterogeneous datasets to a common fonnat and coordinate system; (ii) the development of a new technique, named the 'INR Gradient', that allows a suitable interpolation of points to an area representation; (iii) an extensive data processing of thematic data aiming to extract useful infonnation for input in the GIS analysis; (iv) and multi-map combination and decisive assembly ofmineral potential maps for the studyarea. Both data-driven and knowledge-driven mineral potential predictive models were investigated in this study. The prediction of Ni deposits, for which no infonnation on occurrences were documented in the study area, was based on the knowledge-driven approach. Such analysis was made with the aid of a theoretic, descriptive metalogenetic model for Ni, which was adapted for the available geologic data. Guided by this descriptive model, the various input maps were weighted and combined using Boolean (index oveday) and Fuzzy (gamma operation) logic methods. Among the mineral potential maps yielded through such methods, those derived with the Fuzzy gamma operation proved superior, by better constraining the degree of favourability for Ni. The prediction of mineral potential for known deposits in the study area (asbestos, iron, manganese and others) was made through the data-driven approach, and the various input maps were combined using artificial neural networks analysis. The results derived ITom this model were interesting though inhibited by the lack of a more representative number of occurrences for each type of deposit, a critical issue for the success in any data-driven modellingMestradoGeologia e Recursos NaturaisMestre em Geociencias