A finales de julio de 2025, la llanura de Tumochuan en Mongolia Interior sufrió el impacto combinado de inundaciones en la cuenca debido a lluvias continuas poco comunes y la ruptura del canal de drenaje del lago Hasu, causando graves daños a la producción agrícola y a la infraestructura local. En respuesta a la urgente necesidad de monitoreo de emergencia y gestión de desastres posterior al evento, se propuso un método de identificación precisa de cuerpos de agua multitemporales utilizando imágenes Sentinel-2 que integra un índice integrado de agua y procesamiento morfológico, logrando una extracción automática eficiente de información hídrica. Además, se incorporaron datos históricos de frecuencia de cuerpos de agua para establecer una distribución base, lo que permitió separar con precisión el alcance de la inundación. Los resultados mostraron una precisión general de clasificación de inundaciones del 97,4%, superior al mejor umbral de segmentación de Sentinel-1 del 92,8%. El análisis de series temporales indicó que el área inundada alcanzó su pico alrededor del 25 de agosto, con una superficie total de agua de 880,01 km², aproximadamente 2,2 veces la superficie normal de agua de 2024. Posteriormente, el retroceso del agua fue lento, reduciéndose la superficie inundada solo en un 53% un mes después. La evaluación de daños mostró que el maíz fue el cultivo más afectado, con un área inundada de 192,6 km², donde el 39,4% de las zonas inundadas permanecieron bajo agua más de 30 días. Combinando un modelo DTW-KMeans basado en alineamiento temporal dinámico y algoritmo de K-medias para el análisis de clústeres de series temporales NDVI del maíz, se reveló la recuperación del cultivo y se evaluó el riesgo de pérdida de rendimiento. El área de alto riesgo alcanzó los 238,9 km²; una inundación prolongada de más de dos semanas podría causar caída o muerte de las plantas, reflejando la alta sensibilidad y limitada capacidad de adaptación del maíz al estrés por inundación. Los resultados del estudio pueden proporcionar un apoyo técnico sólido para la rápida identificación de eventos hidrológicos extremos en áreas áridas, evaluación posterior a desastres y gestión de riesgos agrícolas.

teledetección;inundaciones;reconocimiento automático de inundaciones;monitoreo de anomalías en cultivos;análisis de series temporales