O monitoramento da qualidade da água é fundamental para a manutenção e conservação dos recursos hídricos. O método convencional de monitoramento é feito por amostragens pontuais, que se limitam a representar a variabilidade espacial dos seus parâmetros, sendo expressivamente oneroso. Uma alternativa promissora constitui-se nas técnicas de sensoriamento remoto com o uso de sensores orbitais, que vêm sendo aplicadas para mapear parâmetros de qualidade da água, principalmente os Componentes Opticamente Ativos (COAs), como os Sólidos Suspensos Totais (SST), Clorofila-a (Chl-a) e Matéria Orgânica Dissolvida Colorida (CDOM). No entanto, o monitoramento de pequenos reservatórios com sensores orbitais sempre apresenta limitações, como as resoluções espectrais, espaciais ou temporais. Além disso, todos os sensores ópticos orbitais estão sujeitos a perturbações atmosféricas, além das nuvens, principalmente no período de chuva, justamente quando o carreamento de sedimentos é mais intenso. Nesse contexto, o objetivo deste trabalho foi desenvolver um sistema de monitoramento da concentração de Sólidos Suspensos Totais (SST) em reservatórios com base em sensores multiespectrais acoplados a uma Aeronave Remotamente Pilotada (RPA). Para isso, foi utilizado um sensor multiespectral MicaSense RedEdge, que possui cinco bandas nas faixas dos espectros do azul, verde, vermelho, rededge e infravermelho (NIR). Foram realizadas quatro campanhas de in loco, em diferentes estações do ano, variando desde o período de estiagem de 2019 ao período com condições de chuva extremas de 2020. Dois reservatórios de acumulação de água totalmente inseridos no bioma de Mata Atlântica foram escolhidos. Os dados foram submetidos a cinco diferentes algoritmos de aprendizado de máquina: Random Forest (RF), Support Vector Machines Radial Sigma (SVM-RS), Multivariate Adaptive Regression Spline (MARS), Multiple Linear Regression (MLR) e Cubist, a fim de estimar a concentração de SST nos reservatórios, tendo sido usados os índices estatísticos raiz do erro quadrático médio (RMSE), erro absoluto médio (MAE) e coeficiente de determinação (r²) na comparação entre os valores preditos e observados. Os resultados mostraram que o Recursive Feature Elimination (RFE) reduziu significativamente o número de covariáveis dos modelos de aprendizado de máquina. O modelo SVM-RS foi o que teve o melhor ajuste aos dados, enquanto o RF apresentou grandes dificuldades para extrapolar o limite para qual foi treinado. Para os modelos Cubist e MARS o desempenho foi moderado e para o MLR foi mais limitado, não conseguindo boas predições de SST. Este estudo demostra que a utilização de sensor multiespectral acoplado a RPA apresenta elevado grau de precisão na estimativa de SST em pequenos reservatórios. Palavras-chave: Sensoriamento remoto. Espectrometria. Água - Qualidade. Monitoramento. Imagens multiespectrais.Monitoring water quality is essential for the maintenance and conservation of water resources. The conventional method of monitoring is done by spot sampling, which is limited to representing the spatial variability of its parameters, being significantly expensive. A promising alternative is the Remote Sensing techniques with the use of orbital sensors, which have been applied to map water quality parameters, mainly Optically Active Components (OAC), such as Total Suspended Solids (TSS), Chlorophyll-a (Chl-a) and Colored Dissolved Organic Matter (CDOM). However, the monitoring of small reservoirs with orbital sensors always has limitations, such as spectral, spatial or temporal resolutions. In addition, all optical orbital sensors are subject to atmospheric disturbances, in addition to clouds, especially during rainy periods, just when the sediment transport is more intense. In this context, the objective of this work was to develop a system for monitoring the concentration of Total Suspended Solids (TSS) in reservoirs based on a multispectral sensor on board a Remote Piloted Aircraft (RPA). For this, a MicaSense RedEdge multispectral sensor was used, which has five bands in the spectra blue, green, red, rededge and infrared (NIR). Four on-site campaigns were carried out, in different seasons in 2019, varying from the drought period to the period with extreme rain conditions in 2020. Two reservoirs of water accumulation fully inserted in the Atlantic Forest biome were chosen. The data were submitted to five different machine learning algorithms: Random Forest (RF), Support Vector Machines Radial Sigma (SVM-RS), Multivariate Adaptive Regression Spline (MARS), Multiple Linear Regression (MLR) and Cubist, in order to estimate the SST concentration in the reservoirs, using the root statistical indices of the mean square error (RMSE), mean absolute error (MAE) and determination coefficient (r²) in the comparison between the predicted and observed values. The results showed that Recursive Feature Elimination (RFE) significantly reduced the number of covariates in machine learning models. The SVM-RS model was the one that had the best fit to the data, while the RF presented great difficulties to extrapolate the limit for which it was trained. For the Cubist and MARS models, performance was moderate and for the MLR it was more limited, not achieving good SST predictions. This study shows that the use of a multispectral sensor on board a RPA has a high degree of precision in estimating OSH in small reservoirs. Keywords: Remote sensing. Spectrometry. Water - Quality. Monitoring. Multispectral images.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior