O desenvolvimento de algoritmos com boa acurácia e precisão para obtenção de informações ópticas de águas interiores é fundamental para aumentar a aplicabilidade de dados de sensoriamento remoto para fins de monitoramento. Embora os algoritmos semi-analíticos tenham sido desenvolvidos para as águas oceânicas, diversos trabalhos adaptaram e aplicaram estes em águas continentais e costeiras, com relativo sucesso, entretanto para águas opticamente complexas ainda não foi possível validá-los. Para compreender melhor estes ambientes e auxiliar o desenvolvimento de ferramentas para o monitoramento de planícies de inundação da Amazônia, este estudo possui 3 objetivos: i) Realizar a caracterização bio-óptica da Reserva de Desenvolvimento Sustentável Mamirauá (RDSM) ii) Avaliar o impacto do SNR nos algoritmos para estimativa de Chl-a e TSS em quatro lagos localizados na RDSM iii) Avaliar dois algoritmos semi-analíticos aplicados aos lagos da Amazônia, que são muito dinâmicos, e com alta variabilidade na concentração de matéria orgânica, sedimentos e fitoplâncton. Para isto, dados ópticos in situ foram obtidos durante cinco missões entre 2015 e 2016, com um total de 102 pontos de amostragem. A análise das propriedades óticas deste ambiente mostrou que estas são controladas por duas forçantes, tempo e espaço. Durante a vazante, os lagos possuem características relativamente homogêneas, enquanto que durante a enchente, o impacto varia em função da posição dos lagos em relação aos rios de entorno. Para os lagos localizados dentro da floresta e longe dos rios principais, observou-se um aumento na matéria orgânica, enquanto que para os lagos localizados próximos aos rios, observou-se um aumento de detrito. Para avaliar o impacto do SNR em medidas bio-ópticas, dois conjuntos de dados foram simulados (espectros com e sem ruído) com base em medições in situ e nas características do sensor (MSI / Sentinel-2, OLCI / Sentinel-3 e OLI / Landsat 8). O conjunto de dados foi testado em três algoritmos empíricos para TSS e em quatro para Chl-a. Os resultados mostraram que o impacto do SNR em cada algoritmo exibiu padrões semelhantes para ambos os constituintes. Para algoritmos lineares e aditivos, a amplitude do erro é constante para toda a faixa de concentração. No entanto, para algoritmos multiplicativos, o erro muda de acordo com a equação do algoritmo e a magnitude da Rrs. Por fim, para o algoritmo exponencial, a amplitude de erro é maior para concentração baixa. O sensor OLCI possui o melhor desempenho (erro de até 2 mug/L para o Chl-a, com faixa entre 9 e 14 mug/L, e 3 mg/L para o TSS, com faixa entre 5 e 30 mg/L). Para MSI, o erro dos algoritmos aditivos e lineares para TSS e Chl-a é baixo (até 5 mg/L e 1 mug/L, respectivamente); mas, para o algoritmo multiplicativo, os erros foram acima de viii 10 mug/L. A simulação OLI resultou em erros abaixo de 3 mg/L para o TSS. No entanto, o número e a posição das bandas do OLI restringem a estimativa de Chl-a. Para a avaliação dos algoritmos semi-analíticos, foram testados dois algoritmos para os lagos da RDSM: Spectral Optimization Algorithm (SOA); e Quasi-Analítical Algoritm (QAA). Cada algoritmo foi calibrado, utilizando tanto a estrutura original quanto mudanças propostas para águas opticamente complexas. Os algoritmos foram inicialmente testados para todo o conjunto de dados coletados in situ com resultados não satisfatórios para o QAA. Para melhorar o desempenho dos algoritmos, o conjunto de dados foi dividido em lagos escuros (Bua Bua e Mamiraua) e lagos claros (Pirarara e Pantaleão), com base no espectro de Rrs. Os resultados mostraram que os espectros de absorção total derivados do SOA, quando comparados a medidas in situ, apresentaram alta correlação, entretanto ao discriminar as frações em fitoplâncton e detrito+CDOM, o algoritmo não foi capaz de discriminas a fração do fitoplâncton em lagos escuros. Para o QAA, os resultados se mostraram satisfatórios, tanto para a absorção total, quanto para as absorções fracionada. Entretanto, observou-se uma tendência do QAA subestimar os valores de absorção. Considerando que os algoritmos não foram desenvolvidos para ambientes opticamente complexos e com grande variação espacial e temporal os resultados se mostraram satisfatórios, sendo uma ferramenta fundamental para o desenvolvimento de programas de monitoramento para águas Amazônicas. ABSTRACT: The development of algorithms with good precision and accuracy to obtain optical information from inland waters is fundamental to increase the applicability of remote sensing data for monitoring purposes. Although semianalytical algorithms had been developed for ocean waters, several works adapted and applied them on coastal and inland waters, with relative success, but for extremely complex waters, validations have yet to be achieved. To understand better those environments and to develop new tools to monitor Amazonian flood plains, this has 3 objectives: i) Accomplish the bio-optical characterization of the Mamirauá Sustainable Development Reserve (MSDR) ii) Evaluate the impact of signal-to-noise ratio (SNR) on Chla and TSS algorithms in four lakes located in the Mamirauá Sustainable Development Reserve (RDSM) iii) Evaluate two semi-analytical algorithms applied to Amazon lakes, which are dynamic and with high variability in the organic matter, sediments and phytoplankton concentration. To accomplish that, in situ optical data were obtained during five missions between 2015 and 2016, with a total of 102 sampling stations. The evaluation of the optical propertis of this environment showed that those are controlled by 2 forces, time and space. During the receding water, the lakes have relatively homogeneous characteristics, while during the flood, the impact changes based on the lakes position in relation with the surrounding rivers. For the lakes located inside the forest and far from the main rivers, an increase in organic matter was observed, while for the lakes located near the rivers, an increase in detritus was observed. To evaluate the impact of the SNR on biooptical measurements, two datasets were simulated (noisy and noiseless), based on in situ measurements and sensors design (MSI / Sentinel-2, OLCI / Sentinel-3 e OLI / Landsat 8). The dataset was tested in three empirical algorithms for TSS and four for Chl-a. The results showed that the impact of the SNR on each algorithm showed similar patterns for both constituents. For linear additive algorithms, the error amplitude is constant for all the concentration range. But for multiplicative algorithms, the uncertainty changed based on the algorithm equation and Rrs magnitude. Lastly, for exponential algorithms, the error amplitude is higher for lower concentration. OLCI sensor had the best performance (error of up to 2 mug/L for Chl-a, with range between 9 and 14 mug/L and 3 mg/L for TSS with range between 5 and 30 mg/L). For MSI, the additive and linear algorithms error for TSS and Chl-a is low (up to 5 mg/L and 1 mug/L, respectively); but for multiplicative algorithms, the errors were above 10 mug/L. OLI simulation resulted in errors bellow 3 mg/L for TSS. However, OLI band positions and numbers is restrictive for Chl-a estimation. x To evaluate the semi-analytical algorithms, two algorithms were tested for RDSM lakes: Spectral Optimization Algorithm (SOA); and Quasi-Analítical Algoritm (QAA). Each algorithm was calibrated, using both the original structure and proposed changes for optically complex waters. The algorithms were initially tested for all the dataset sampled in situ, but the results were not satisfactory for QAA. To increase the algorithm performance the dataset was divided on dark lakes (Bua Bua and Mamirauá) and bright lakes (Pirarara and Pantaleão), based on Rrs spectrum. The results showed that the total absorption spectra derived from SOA, when compared to in situ measurements, presented high correlation, however when discriminating the phytoplankton and detritus+CDOM fractions, the algorithm was not successful to discriminate the phytoplankton fraction on dark lakes. For the QAA, the results were satisfactory, for both total and fractioned absorption. However, QAA showed a tendency to underestimate the absorption magnitude. Considering that the algorithms were not developed for optically complex environments and with high spatial and temporal variability, the results were satisfactory, being a fundamental tool for the development of monitoring programs for Amazon waters.