A finales de julio de 2025, afectada por lluvias continuas poco comunes, la llanura de Tumochuan en Mongolia Interior sufrió un impacto superpuesto de inundaciones de cuenca y rotura del canal de drenaje del lago Hasu, causando graves daños a la producción agrícola y a la infraestructura local. Ante la urgente necesidad de monitoreo de emergencia y respuesta a la situación tras el desastre, se propuso un método preciso de identificación de cuerpos de agua multitemporales Sentinel-2 que integra un índice hidrológico compuesto y procesamiento morfológico, logrando una extracción eficiente y automatizada de la información de cuerpos de agua. Además, se introdujeron datos históricos de frecuencia de cuerpos de agua para establecer una distribución de referencia, separando con precisión el rango de inundación. Los resultados muestran una precisión global de clasificación de inundaciones del 97.4%, superior al resultado óptimo de segmentación por umbral de Sentinel-1 del 92.8%. El análisis de series temporales indica que la extensión de la inundación alcanzó su pico alrededor del 25 de agosto, con un área total de cuerpos de agua de 880.01 km², aproximadamente 2.2 veces el área de cuerpos de agua normales en 2024, seguido de un proceso lento de retroceso; un mes después, el área inundada se redujo solo en aproximadamente un 53%. La evaluación de daños muestra que el maíz fue el cultivo más afectado, con un área inundada de 192.6 km², de la cual el 39.4% permaneció con agua estancada durante más de 30 días. Combinando la alineación temporal dinámica y el algoritmo K-means, se construyó un modelo DTW-KMeans para realizar análisis de clúster en la serie temporal de NDVI del maíz, revelando la recuperación de los cultivos y evaluando el riesgo de pérdida de rendimiento; el área de alto riesgo alcanzó los 238.9 km², con inundaciones de más de dos semanas que pueden causar el vuelco o incluso la muerte de las plantas, reflejando la alta sensibilidad y baja capacidad de adaptación del maíz al estrés por inundación. Los resultados del estudio pueden proporcionar un fuerte soporte técnico para la identificación rápida de eventos hidrológicos extremos en zonas áridas, evaluación posterior al desastre y gestión de riesgos agrícolas.

teledetección;desastres por inundación;identificación automática de inundaciones;monitoreo de anomalías en cultivos;análisis temporal