O monitoramento, detecção e quantificação de florações de cianobactérias são importantes para controlar os riscos à saúde pública e entender as dinâmicas dos ecossistemas aquáticos. Nesse contexto, o Sensoriamento Remoto surge como uma importante ferramenta no monitoramento desses ecossistemas, fornecendo informações sobre parâmetros de qualidade da água com base em algoritmos bio-ópticos. Uma vez que a ficocianina é um pigmento único de cianobactérias, a quantificação de suas concentrações a partir de observações de satélites tem sido amplamente avaliada para monitoramento da qualidade da água. Este trabalho tem como objetivo testar os algoritmos de última geração para recuperação das concentrações de ficocianina em um reservatório brasileiro usando imagens multiespectrais e hiperespectrais e dados in-situ concorrentes. Nesta pesquisa, duas análises principais foram realizadas: (i) desenvolvimento de um algoritmo híbrido para estimar a concentração de ficocianina em águas opticamente dinâmicas usando dados de imagens OLCI; e (ii) comparação entre a estimativa de ficocianina a partir de modelos semi-analíticos e de machine learning aplicados em observações hiperespectrais PRISMA. Na primeira análise (i), um algoritmo de detecção de cianobactérias foi primeiramente aplicado em três imagens OLCI corrigidas atmosfericamente (L2-WFR, 6SV e ACOLITE) para identificar pixels com a presença de florações de cianobacterias. Para cada classe, um algoritmo bioóptico adequado foi então aplicado, compondo o modelo híbrido final. As incertezas de estimativa do pigmento mostraram que o modelo híbrido (zeta = 25,35%) é superior aos algoritmos simples calibrados para toda a faixa de propriedades ópticas. A aplicação final do modelo híbrido provou ser altamente sensível a variações na forma do espectro e menos sensível ao deslocamento espectralmente neutro da Rrs corrigida. Na segunda análise (ii), o modelo semianalítico forneceu erro absoluto médio baixo (MdAE) para a concentração de ficocianina estimada a partir de dados PRISMA (MdAE = 3,06 mg.m-3 ) e de imagens do sensor OLCI (MdAE = 3,93 mg.m-3), enquanto superestimou a concentração de Chl-a obtida a partir de dados do satélite PRISMA (MdAE = 42,11 mg.m-3). O modelo random forest para estimativa da ficocianina aplicado as iamgens PRISMA teve desempenho ligeiramente inferior ao semi-analítico (MdAE = 5,21 mg.m-3). O modelo Mixture Density Network (MDN) apresentou desempenhos bastante diferentes com erros maiores para PC (MdAE = 40,94 mg.m-3) e erros menores para Chl-a (MdAE = 23,21 mg.m-3). Os resultados gerais sugerem que o modelo calibrado com dados in-situ do local apresentou melhor desempenho, indicando que modelos semi-analíticos podem ser aplicados as iamgens PRISMA e OLCI para sensoriamento remoto de PC nos reservatórios brasileiros. Em conclusão, ambas as abordagens avaliadas foram capazes de estimar a concentração de pigmento com a precisão necessária, explorando as vantagens e desvantagens dos sensores multiespectrais e hiperespectrais. Futuras investigações sobre a sinergia entre os dois sensores podem ser importantes para o monitoramento de cianobactérias em pequenos corpos d’água com características ópticas dinâmicas. ABSTRACT:Timely monitoring, detecting, and quantifying cyanobacterial blooms are important for controlling public health risks and understanding aquatic ecosystem dynamics. In this context, Remote sensing emerges as an important tool in monitoring these ecosystems, providing information about water quality parameters based on bio-optical algorithms. Since phycocyanin is a unique pigment of inland water cyanobacteria, the quantification of its concentrations from satelliltes obervations has been largely assessed for water quality monitoring. This work aims to test the state-of-the-art algorithms for retrieving phycocyanin concentrations in a Brazilian reservoir using multispectral and hyperspectral images and concurrent in-situ data. In this research, two main analyses were performed: (i) development of a hybrid algorithm to retrieve PC concentration in optically dynamic waters uing OLCI imagery data; and (ii) comparison between the PC estimate from semi-analytical and machine learning models applied in hyperspectral PRISMA observations. In the first analysis (i), a cyanobacteria detection algorithm was firstly applied in three atmospherically corrected OLCI image (L2-WFR, 6SV, and ACOLITE) to mask the cyano-dominant waters. For each class, a suitable bio-optical algorithm was then applied, composing the final hybrid model. The PC retrieval uncertainties showed that the hybrid model (zeta = 25.35%) is superior to the single algorithms calibrated for the entire range of optical properties. The final application of the hybrid model proved to be highly sensitive to variations in the spectrum shape, and less sensitive to spectrally neural offset in the corrected Rrs. In the second analysis (ii), the semi-analytical model provided low median absolute error (MdAE) for PRISMA-derived (MdAE = 3.06 mg.m-3) and OLCI-derived (MdAE = 3.93 mg.m-3) PC concentrations, while it overestimated PRISMA-derived Chl-a (MdAE = 42.11 mg.m-3). The random forest model for PC applied to PRISMA performed slightly worse than the semi-analytical (MdAE = 5.21 mg.m-3). The Mixture Density Network (MDN) model showed a rather different performances with higher errors for PC (MdAE = 40.94 mg.m-3) and lower errors for Chl-a (MdAE = 23.21 mg.m-3). The results overall suggest that model calibrated with site-specific measurement perform better and indicate that semi-analytical models could be applied to PRISMA and OLCI for remote sensing of PC in the Brazilian reservoirs. In conclusion, both evaluated approaches were capable of estimating the pigment concentration with the required accuracy, exploring the advantages and disadvantages of the multispectral and hyperspectral sensors. Future investigations on the synergy between the two sensors may be important for monitoring cyanobacteria in small water bodies with dynamic optical characteristics.