"El fitoplancton es un importante productor primario que se encuentra en la base de la cadena alimentaria de los ecosistemas marinos y costeros. Sin embargo, nuestra limitada capacidad de monitoreo y comprensión cuantitativa de la distribución de la mayoría de los grupos que lo conforman, limita la capacidad de comprender su contribución al funcionamiento de los ecosistemas. Por ello, se requiere del desarrollo de técnicas modernas que permitan el monitoreo y la comprensión de los mecanismos y procesos que influyen en el dominio de una población dentro de los ecosistemas. En este trabajo se propone el uso de imágenes satelitales de alta resolución espacial (30 m) para el estudio, y su posible uso en el monitoreo, de proliferaciones algales (PA). Para ello, se evaluó la capacidad predictiva de los modelos de regresión (Regresión Lineal Simple [RLS], Regresión Lineal Múltiple [RLM] y Modelos Aditivos Generalizados [MAG]) para estimar la concentración de Clorofila-a (Chl-a) a partir de datos in situ y valores de reflectancia de las bandas espectrales de imágenes Landsat 8. Adicionalmente, se evaluaron los patrones de distribución espacial y temporal de cuatro de los principales grupos formadores de proliferaciones algales, encontrados durante un ciclo anual de monitoreo en la Bahía de La Paz (Tripos, Prorocentrum, Pseudo-nitzschia y Gymnodinium). De acuerdo a los estadísticos de prueba, el modelo RLM que fue construido con cuatro bandas espectrales (1, 2, 3 y 5) fue considerado el mejor método para predecir la Chl-a, explicando el 87% de la variabilidad de los datos. Los modelos de distribución de especies (MDE) sugieren que los géneros seleccionados presentan una fuerte variabilidad espacial y estacional, observándose la mayor abundancia de Tripos y Gymnodinium de mayo a junio, Prorocentrum de junio a noviembre y Pseudo-nitzschia de enero a junio. La evaluación de la capacidad predictiva indica que estos modelos pueden explicar entre 65 y 92% de la variabilidad de los datos de cada uno de los géneros analizados. Los resultados de este trabajo sugieren que las imágenes Landsat 8 podrían aplicarse de manera efectiva para estimar la concentración de Chl-a en ambientes costeros, mientras que los MDE podrían ser una herramienta útil para describir las preferencias de hábitat de las comunidades de fitoplancton, permitiendo, en su conjunto, implementar programas de monitoreo para la detección de PA...""Phytoplankton is an important primary producer that lies at the base of the food chain of marine and coastal ecosystems. However, our limited ability to monitor and quantitatively understand the distribution of most of the groups that comprise it, limits the capability to understand their contribution to the functioning of ecosystems. Thus, the reason for developing modern techniques required to allow monitoring and understanding the mechanisms and processes that influence the domain of a population within ecosystems. This study used satellite images of high spatial resolution (30 m) proposed for the study and possible use in monitoring algal blooms (AB). For this purpose, the predictive performance of regression models (Simple Linear Regression [SLR], Multiple Linear Regression [MLR] and Generalized Additive Models [GAMs]) was assessed to estimate the concentration of chlorophyll-a (Chl-a) from in situ data and reflectance values of the spectral bands of Landsat 8 images. In addition, the spatial and temporal distribution patterns of four of the main algal proliferation (Tripos, Prorocentrum, Pseudo-nitzschia and Gymnodinium) groups recorded were assessed during an annual monitoring cycle in the Bahía de La Paz. According to the test statistics, the MRL model that was constructed with four spectral bands (1, 2, 3 and 5) was considered the best method to predict Chl-a, explaining 87% of datum variability. The species distribution models (SDM) suggested that the selected genera had a strong spatial and seasonal variability, observing a greater abundance of Tripos and Gymnodinium from May to June; Prorocentrum from June to November; Pseudo-nitzschia from January to June. The assessment of predictive performance indicated that these models could explain from 65-92% of variability of the data of each analyzed genus. The results obtained in this study suggested that Landsat 8 images could be applied effectively to estimate Chl-a concentrations in coastal environments while SDM could be a useful tool to describe habitat preferences of phytoplankton communities, which as a whole, allows implementing monitoring programs for the detection of AB. Together, both methodologies could be used as an early warning system for harmful algal bloom (HAB) detection in coastal ecosystems."