Spatial monitoring of algal blooms includes the identification of algal blooms using hyperspectral images and satellite images as well as estimating spatial variation by point monitoring. With the recent advancement of technology, satellite images have been deemed as practically useful tools to identify the spatial distribution of algal blooms. High-resolution accessible satellite imagery throughout large areas has enables us to study long-term environmental trends on global scale. The accuracy of algal identification is imperative for effective spatial monitoring of algal blooms in the context of ecological health and assessment. Our study aimed to predict chlorophyll-a concentrations using 13-band satellite images derived from Sentinel-2. In order to validate the values from the satellite images, we compared them with simultaneously observed chlorophyll-a concentrations based on fluorescence measurement. The goal of this study is to improve the accuracy of predictions induced from satellite images. The analytical techniques (multiple linear regression, decision-tree classifier, and artificial neural network) were comparatively evaluated. The results showed that artificial neural network exhibited the best performance among them, improving more than 37% accuracy compared to that of multiple linear regression. Furthermore, the accuracy of identifying algal blooms has been shown to increase at high algal concentrations. In the end, it was successful to create algal bloom maps using a new algorithm to analyze algal bloom management.