No âmbito hidrográfico, sabe-se que a principal técnica empregada para o levantamento batimétrico de um corpo hídrico consiste no sensoriamento remoto acústico, com o emprego de ecobatímetros, uma vez que esses fornecem informações acuradas mesmo em grandes profundidades. A aquisição de dados batimétricos, com o foco em atualizar e editar cartas náuticas, é o principal objetivo de um Levantamento Hidrográfico. No entanto, o procedimento para aquisição de dados empregando métodos acústicos de sondagem são de alto custo, além de demandarem um longo período de execução. Nesse sentido, a utilização de técnicas para obtenção da batimetria derivada de satélite está trazendo resultados cada vez mais precisos com o avanço tecnológico e aprimoramento dos sensores, uma vez que esse método permite uma produtividade maior se comparado aos sensores acústicos e podem contribuir para a segurança da navegação, detectando perigos que podem ser representados em cartas e, portanto, evitado por navegadores. Assim, este trabalho busca apontar, por meio de uma avaliação dos sistemas Landsat 8, CBERS 4 e Sentinel 2A, em conjunto com métodos empíricos de Machine Learning, que são abordagens mais efetivas para estimativa da batimetria derivada de satélites em diferentes áreas de estudo. A partir resultados foi possível perceber a superioridade do sistema Landsat 8 em relação aos demais, principalmente quando empregado junto com o algoritmo Random Forest, o qual possibilitou o alcance de valores de RMSE inferiores que as demais abordagens, até mesmo analisando as discrepâncias em relação a profundidades dos rios. Além disso, foi possível observar que a imagem CBERS 4 é capaz de estimar a profundidade com apenas 0,48 m de incerteza para corpos hídricos com uma menor taxa de sedimentos em suspensão. Palavras-chave: Batimetria. Satellite Derived Bathymetry. Métodos Empíricos. Machine Learning.In the hydrographic scope, it is known that the main technique used for the bathymetric survey of a water body consists of acoustic remote sensing, with the use of echo sounders, since these provide accurate information even at great depths. The acquisition of bathymetric data, with a focus on updating and editing nautical charts, is the main objective of a Hydrographic Survey. However, the procedure for data acquisition using acoustic probing methods is expensive, in addition to requiring a long execution period. In this sense, the use of techniques to obtain satellite-derived bathymetry is bringing more and more accurate results with technological advancement and sensor improvement, since this method allows for greater productivity when compared to acoustic sensors and can contribute to safety. of navigation, detecting dangers that can be represented in charts and, therefore, avoided by navigators. Thus, this work seeks to point out, through an evaluation of the Landsat 8, CBERS 4 and Sentinel 2A systems, together with empirical methods of Machine Learning, which are more effective approaches for estimating the bathymetry derived from satellites in different areas of study. Based on the results, it was possible to perceive the superiority of the Landsat 8 system in relation to the others, especially when used together with the Random Forest algorithm, which allowed the achievement of lower RMSE values than the other approaches, even analyzing the discrepancies in relation to river depths. In addition, it was possible to observe that the CBERS 4 image is capable of estimating the depth with only 0.48 m of uncertainty for water bodies with a lower rate of suspended sediments. Keywords: Bathymetry. Satellite Derived Bathymetry. Empirical Methods. Machine Learning.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior