Los métodos tradicionales de monitoreo de la calidad del agua son limitados para proporcionar evaluaciones oportunas de clorofila-a (Chl-a) en pequeños embalses interiores. Este estudio presenta un enfoque rápido de recuperación de Chl-a basado en un marco cooperativo de vehículo aéreo no tripulado (UAV) y embarcación de superficie no tripulada (USV) que integra imágenes hiperespectrales de UAV, algoritmos de aprendizaje automático y muestreo in situ sincronizado de USV. Llevamos a cabo una campaña de monitoreo cooperativo de tres días en el embalse Longhu de la provincia de Fujian, durante la cual se recolectaron imágenes hiperespectrales de alta frecuencia y muestras de agua. Se desarrolló un innovador método de corrección basado en la mediana para suprimir el ruido de bandas en los datos hiperespectrales de UAV, y se utilizó una estrategia de selección de bandas en dos pasos que combina análisis de correlación y filtrado del factor de inflación de varianza para determinar las características de entrada para los modelos de inversión subsiguientes. Se construyeron y evaluaron cuatro modelos de inversión basados en aprendizaje automático comúnmente utilizados, siendo el modelo de bosque aleatorio el que logró la mayor precisión y estabilidad en ambos conjuntos de datos de entrenamiento y prueba. Los mapas de Chl-a generados revelaron una buena calidad del agua en general, con concentraciones más altas localizadas en zonas débilmente hidrodinámicas. En general, el marco cooperativo UAV-USV permite la adquisición de datos sincronizada, el procesamiento rápido y la cartografía a escala fina, demostrando un gran potencial para el monitoreo de la calidad del agua en respuesta rápida y de emergencia en pequeños embalses de agua potable interiores.