Os reservatórios urbanos oferecem importantes serviços ecossistêmicos. Contudo, esses sistemas aquáticos têm a qualidade de suas águas impactada pela antropização. A eutrofização cultural é destacada como um efeito negativo das ações humanas e intensifica a ocorrência de florações de algas. As Cianobactérias são as espécies formadoras de florações mais preocupantes em águas continentais devido aos impactos ambientais causados e o potencial para produzir compostos tóxicos. Portanto, esse estudo apresenta uma metodologia para monitorar Cianobactérias por meio de imagens orbitais hiperespectrais e Algoritmos de Aprendizado de Máquina (AAM) em reservatórios tropicais urbanos. O pigmento fotossintético C-Ficocianina (PC) foi usado como proxy para a biomassa de Cianobactérias. O reservatório Billings serviu como área de estudo devido à presença constante de Cianobactérias e o uso para o abastecimento público. Oito campanhas foram realizadas para coletar dados radiométricos, pigmentos fotossintentizantes, e taxonomia. Uma imagem hiperespectral do sensor PRISMA foi adquirida concomitantemente com uma das amostragens, e três algoritmos de correção atmosférica foram avaliados (ASI, ACOLITE e 6SV). Imagens sintéticas dos sensores Landsat-8/OLI e Worldview-3 foram geradas pelo melhor produto de reflectância de superfície do sensor PRISMA. Random Forest (RF), Extreme Gradient Boost (XgBOOST), e Support Vector Machine (SVM) foram escolhidos para modelar a PC. Algoritmos de PC, Índices Normalizados, e Line Heights foram gerados por meio de dados radiométricos reamostrados para cada sensor. Uma metodologia de seleção de atributos baseada em dados foi utilizada para selecionar as feições mais informativas. O algoritmo Grid Search foi aplicado para ajustar os hiperparâmetros. A PC foi modelada com dados de campo por meio de Simulações Monte Carlo para todos os sensores e AAM avaliados. As melhores combinações foram usadas para mapear a PC nas imagens multiespectrais sintéticas e na hiperespectral. Os resultados foram comparados com o algoritmo Mixture Density Network (MDN) (O'SHEA et al., 2021). Foram encontrados valores de PC entre 0 to 301,81 µg/L, com uma média e mediana de 20,28 e 2,9 µg/L. As Cianobactérias foram pelo menos abundantes em 96% das amostras taxonômicas. A ASI teve o melhor produto de reflectância de superfície (MAE < 20% para o espectro do visível). ACOLITE e 6SV tiveram resultados de duas a dez vezes piores que o da ASI. O MDN superestimou os valores de PC tanto nas análises in-situ como orbitais. O RF obteve as melhores estimativas para todos os sensores com dados in-situ, com MAE entre 59 86%. O melhor resultado para dados orbitais foi obtido pelo PRISMA/RF (MAE = 45%). O XgBOOST teve os melhores resultados para as imagens sintéticas do Worldview-3 e (MAE = 49%) e Landsat-8/OLI (MAE = 74%). Esses são os melhores resultados reportados para baixas concentrações de PC e baixas razões PC:Chla. A razão PC:Chla também é a melhor explicação para os erros do MDN, uma vez que o modelo foi treinado com amostras 6 vezes maiores do que a PC:Chla deste estudo. Mais estudos avaliando a PC em águas tropicais devem ser realizados para entender o impacto de diferentes latitudes na produção de PC. Finalmente, o sensor Landsat-8/OLI foi identificado com o sensor mais adequado para o monitoramento de PC devido suas métricas de predição razoáveis, alta resolução temporal e acesso de dados gratuito.