Detectar e quantificar a ocorrência de florações de cianobactérias desempenha um papel importante na prevenção de riscos à saúde pública e na compreensão da dinâmica dos ecossistemas aquáticos. O sensoriamento remoto por satélite tem sido uma fonte de dados essencial para estimar a biomassa de cianobactérias com base na concentração de pigmentos. A ficocianina (PC) é um pigmento único das cianobactérias de águas interiores e tem sido amplamente utilizada como um indicador da biomassa algal dessas cianobactérias. Com base na característica de absorção da PC em torno de 620 nm, diversos esforços científicos foram feitos para desenvolver modelos bio-ópticos para observações orbitais de satélite. No entanto, os modelos de PC propostos apresentam limitações na recuperação dos dados em diferentes faixas de concentração e dependem de modelos empíricos calibrados para ambientes aquáticos específicos. Este estudo propõe uma abordagem híbrida de aprendizado de máquina para a estimativa de PC, que adota de forma eficiente o algoritmo mais adequado para faixas específicas de concentração de PC. Um conjunto de dados in situ, contendo 165 amostras coletadas entre novembro de 2020 e dezembro de 2021, foi utilizado para o treinamento e validação do método proposto. Primeiro, um algoritmo de Random Forest foi aplicado para classificar as águas de baixa concentração de PC (0 – ∼14 mg.m⁻³) e as águas de alta concentração de PC (∼14,1 – 300 mg.m⁻³). Em seguida, para cada classe definida, um algoritmo específico de estimativa de PC foi calibrado. O modelo híbrido de PC final foi aplicado a imagens do sensor Sentinel-3/OLCI corrigidas atmosfericamente por três abordagens diferentes (L2-WFR, 6SV e ACOLITE). O desempenho do modelo híbrido de PC foi avaliado comparando as concentrações estimadas de PC a partir das imagens de satélite com as medições in situ. Os resultados do modelo híbrido (precisão simétrica mediana (ζ) = 25,35%) superaram os algoritmos individuais de PC calibrados para toda a faixa de concentração, demonstrando sua aplicabilidade prática para a quantificação da concentração de PC em águas opticamente dinâmicas. ABSTRACT:Detecting and quantifying cyanobacteria algal bloom occurrence plays an important role in preventing public health risks and understanding aquatic ecosystem dynamics. Satellite remote sensing has been used as an important data source to estimate cyanobacteria biomass based on pigment concentration. Phycocyanin (PC) is a unique pigment of inland water cyanobacteria and has been widely used as a proxy for cyanobacteria algal biomass. Based on the PC absorption feature around 620 nm, scientific efforts have been made to develop bio-optical models for orbital satellite observations, but proposed PC models limit the retrievals at different concentration ranges and depend on empirical models calibrated for specific aquatic environments. This study proposes a hybrid machine learning approach for PC retrieval that efficiently adopts the optimal algorithm for specific PC concentration ranges. An in-situ dataset of 165 samples was collected between November 2020 and December 2021 to support full training and validation of the proposed method. First, a Random Forest algorithm was applied to classify PC-low-concentration waters (0 – ∼14 mg.m−3) and PC-high-concentration waters (∼14.1 – 300 mg.m−3). Then, for each defined class, an individual PC estimation algorithm was calibrated. The final PC-hybrid model was applied to atmospherically corrected Sentinel-3/OLCI imagery derived by three approaches (L2-WFR, 6SV, and ACOLITE). The PC hybrid-model performance was evaluated by comparing the estimated PC concentration from satellite and in situ measurements. The hybrid PC model estimates (median symmetric accuracy (ζ) = 25.35%) outperformed the individual PC algorithms calibrated for the entire range of PC concentration, proving the practical applicability for quantifying PC concentration in optically dynamic waters.