RESUMO O monitoramento constante da qualidade da água é fundamental para o entendimento dos ambientes aquáticos, mas este esforço demanda grandes investimentos financeiros, além de estar suscetível a inconsistências e falhas na obtenção dos valores. Usando uma base de dados composta por 59 campanhas amostrais, realizadas durante um período de 12 anos, em 10 estações de monitoramento ao longo da bacia do rio Iguaçú, este trabalho apresentou um modelo baseado em redes neurais artificiais que preencheu 1.370 valores para onze parâmetros tradicionais de qualidade da água. Os erros de validação do modelo variaram de 0,978 mg L-1 a 0,017 mg L-1 para os parâmetros tradicionais, enquanto para a cafeína, este erro foi de 0,212 µg L-1 e para os hormônios de 0,04 µg L-1 (E1) e 0,044 µg L-1 (EE1). Duas técnicas (isolamento e anulação) foram aplicadas nos modelos para se entender o relacionamento treinado pelo modelo entre as variáveis de entrada e saída. Os resultados apontam para a viabilidade da aplicação de redes neurais para a modelagem de parâmetros de qualidade da água (em especial, a cafeína), o que poderia levar a uma melhor alocação de recursos no monitoramento ambiental, além de expandir os bancos de dados disponíveis e valorizar os esforços despendidos para este monitoramento. aquáticos financeiros 5 amostrais 1 anos Iguaçú 1370 370 1.37 0978 0 978 0,97 L1 L L- 0017 017 0,01 cafeína 0212 212 0,21 004 04 0,0 E1 E (E1 0044 044 EE1. EE1 EE . (EE1) isolamento anulação saída especial , cafeína) ambiental 137 37 1.3 097 97 0,9 001 01 021 21 0,2 00 0, (E (EE1 13 3 1. 09 9 02 2 (EE

ABSTRACT The constant monitoring of water quality is fundamental for the understanding of the aquatic environment, yet it demands great financial investments and is susceptible to inconsistencies and missing values. Using a database composed of 59 sampling campaigns, performed for 12 years, on 10 monitoring stations along the Iguassu River Basin (Southern Brazil), this study presents a model, based on feed-forward neural networks, which imputed 1,370 values for 11 traditional water quality parameters, as well as 3 contaminants of emerging concern (caffeine, estradiol and ethinylestradiol). The model validation errors varied from 0.978 mg L-1 and 0.017 mg L-1 for the traditional parameters, for caffeine the validation error was of 0.212 µg L-1 and for the hormones, the errors were of 0.04 µg L-1 (E1) and 0.044 µg L-1 (EE1). The models underwent two techniques to understand the operations performed within the model (isolation and nullification), which were consistent to those explained by natural processes. The results point to the validity of modeling water quality parameters (especially the concentrations of caffeine) through neural networks, which could lead to better resource allocation in environmental monitoring, as well as improving available datasets and valuing previous monitoring efforts. environment 5 campaigns 1 years Southern Brazil, Brazil , Brazil) feedforward feed forward networks 1370 370 1,37 caffeine, (caffeine ethinylestradiol. ethinylestradiol . ethinylestradiol) 0978 0 978 0.97 L1 L L- 0017 017 0.01 0212 212 0.21 hormones 004 04 0.0 E1 E (E1 0044 044 EE1. EE1 EE (EE1) isolation nullification, nullification nullification) processes especially efforts 137 37 1,3 097 97 0.9 001 01 021 21 0.2 00 0. (E (EE1 13 1, 09 9 02 2 (EE