A mineração é uma das principais atividades que contribui para o desenvolvimento econômico mundial. Na mineração superficial, o solo é escavado para atingir a matéria prima, como consequência os processos envolvidos no ciclo hidrológico são afetados, em especial, os caminhos das águas superficiais. O monitoramento em campo associado à predição precisa e confiável de escoamento superficial auxilia no planejamento e gestão dos recursos hídricos de áreas mineradas superficialmente, como minas de bauxita. Nesta tese, (i) os estudos sobre escoamento superficial em minas de superfície na última década foram revisados (2009 a 2020); (ii) a análise do escoamento superficial antes da mineração e durante seis anos de reabilitação com plantio de Eucalipto, após a mineração de bauxita foi apresentada; e, (iii) modelos de regressão e cinco algoritmos de aprendizado de máquina foram usados para explicar e predizer o escoamento mensal de seis anos de reabilitação em minas de bauxita. Revisão da literatura, monitoramento do escoamento superficial em campo e os fatores que o influenciam, assim como análises e modelagem no software R foram realizadas para atingir os três objetivos desta tese. As novas descobertas foram: A China, os Estados Unidos e Espanha lideram os trabalhos sobre escoamento superficial em áreas de mineração superficial. O escoamento anual variou entre 2,75 mm até 488 mm, sendo que a maior parte do planeta não registrou os impactos hidrológicos dessa atividade em escala local, por meio de artigos científicos. O escoamento percentual médio monitorado em campo nas minas de bauxita foi inferior a 1% em todos os períodos de reabilitação e chegou a ser 14,09 vezes menor que antes da mineração (1,13%), sendo que as características do solo, serapilheira e vegetação foram os fatores mais explicativos. As equações de regressão linear e algoritmos de aprendizado de máquina indicaram o volume precipitado, duração acumulada da precipitação, intensidade máxima da precipitação, o mês e o número de eventos como as variáveis mais explicativas para a geração do escoamento. A abordagem de modelos de regressão linear foi satisfatória na predição do escoamento superficial de área minerada de bauxita, sendo recomendado usar a equação anual ajustada para o respectivo ano de reabilitação. Os algoritmos de aprendizado de máquina Cubist e Random Forest apresentaram as melhores acurácias para redizer o escoamento na maioria dos anos de reabilitação, mas não houve um melhor modelo que apresentasse consistentemente o melhor resultado em todos os anos de reabilitação, sendo recomendado usar o modelo anual para o respectivo ano de reabilitação. Apesar da reabilitação completa da área minerada demandar um longo processo, nossas descobertas indicam que a sucessão da vegetação e os cuidados com a adequação das características do solo são eficazes para potencializar a recuperação do ecossistema após a desestruturação do solo em minas de bauxita a céu aberto. Assim como, equações e algoritmos apresentaram-se como ferramentas úteis para a predição do escoamento mensal em áreas mineradas, tornando-se um ponto inicial na busca da otimização do planejamento hidrológico das minas superficiais de bauxita. Palavras-chave: Águas superficiais. Mineração. Reabilitação. Inteligência artificial. Hidrologia Florestal.