No final de julho de 2025, a planície de Tumochuan, na Mongólia Interior, sofreu o impacto combinado de inundações de bacia causadas por chuvas contínuas raras e o rompimento do canal de drenagem do lago Hasu, causando danos graves à produção agrícola e infraestrutura local. Em resposta à urgente necessidade de monitoramento emergencial pós-desastre e resposta a danos, foi proposta uma metodologia refinada de identificação de corpos d'água multitemporais utilizando imagens Sentinel-2 que integra um índice hídrico abrangente e processamento morfológico, alcançando uma extração automática eficiente das informações hídricas. Além disso, foram incorporados dados históricos de frequência de corpos d'água para estabelecer uma distribuição base de corpos d'água, permitindo a separação precisa da extensão da inundação. Os resultados mostraram uma precisão geral de classificação de inundações de 97,4%, superior ao melhor resultado de segmentação por limiar do Sentinel-1 de 92,8%. A análise de séries temporais indicou que a extensão da inundação atingiu seu pico em torno de 25 de agosto, com uma área total de água de 880,01 km², cerca de 2,2 vezes a área normal de água de 2024. Posteriormente, o processo de recuo das águas foi lento, com a área inundada reduzindo-se em apenas cerca de 53% um mês depois. A avaliação dos danos mostrou que o milho foi a cultura mais afetada, com uma área inundada de 192,6 km², onde 39,4% das áreas permaneceram alagadas por mais de 30 dias. Utilizando um modelo DTW-KMeans que combina alinhamento dinâmico de tempo e algoritmo k-médias para análise de agrupamento da série temporal NDVI do milho, foi revelado o estado de recuperação das culturas e avaliado o risco de perda de rendimento. A área de alto risco atingiu 238,9 km², e uma inundação prolongada de mais de duas semanas pode causar tombamento ou morte das plantas, refletindo a alta sensibilidade e baixa capacidade de adaptação do milho ao estresse por inundação. Os resultados do estudo podem fornecer suporte técnico robusto para a rápida identificação de eventos hidrológicos extremos em regiões áridas, avaliação pós-desastre e gerenciamento de riscos agrícolas.

sensoriamento remoto;desastres de inundações;reconhecimento automático de inundações;monitoramento de anomalias em culturas;análise de séries temporais