Los Modelos Digitales de Elevación (MDE) se utilizan comúnmente para estudios relacionados con el medio ambiente, la ingeniería y la arquitectura. Uno de los factores más importantes para la precisión de la generación de MDE es el proceso de interpolación espacial, que se utiliza para estimar los valores de altura de las celdas de la cuadrícula. El uso de métodos de aprendizaje automático, como las redes neuronales artificiales para la interpolación espacial, contribuye a una interpolación espacial con mayor precisión. En este estudio, se compararon los rendimientos de la interpolación FBNN basada en diferentes parámetros, como el número de capas ocultas y neuronas, el número de épocas, el tiempo de procesamiento y las funciones de entrenamiento (algoritmos de optimización de gradientes), y las diferencias se evaluaron estadísticamente utilizando una prueba de análisis de varianza (ANOVA). Esta investigación ofrece información significativa sobre la optimización de los gradientes de redes neuronales, con un enfoque particular en la interpolación espacial. La precisión de la función de entrenamiento de Levenberg-Marquardt fue la mejor, mientras que las funciones de entrenamiento más significativamente diferentes, retropropagación de descenso de gradiente y descenso de gradiente con momento y retropropagación de regla de aprendizaje adaptativo, fueron las peores. Así, este estudio contribuye a la investigación de la selección de parámetros de ANN para la interpolación espacial en la estimación de altura de MDE para diferentes tipos de terreno y distribuciones de puntos.