México no muere de fiebre, muere de sed. – GreenByte

Un interrogatorio estadístico a millones de datos satelitales retrospectivos para descubrir exactamente dónde, cómo y por qué se fractura la resiliencia climática de México, sin hipótesis previas.

23

Variables satelitales

10

Años de cobertura

16

Hotspots críticos Gi*

120K

Observaciones procesadas

🌍 ODS 13: Acción Climática 📡 Detección Agnóstica 📊 Análisis Multivariado

"Interrogamos al país como si fuese una escena de crimen medioambiental."

🔍 ¿Por qué GreenByte?

Hemos decidido que para tomar acción por el clima, primero debemos diagnosticar al ecosistema a nivel granular. El propósito de GreenByte es realizar un riguroso "pase de visita médico" ambiental; integrar científicamente lo que el territorio y el océano mexicano sufren cada hora, un diagnóstico que suele maquillarse cuando miramos simplemente los promedios nacionales.

Nos rehusamos a validar hipótesis prefabricadas. Cruzamos indicadores instrumentales sobre factores de contaminación (NO₂), asfixia foliar (NDVI) y estrés térmico-hídrico (LST y ERA5) para comprender sin sesgos dónde y a qué velocidad colapsa nuestra geografía física ante la presión antrópica.

NO₂ Contaminación NDVI Asfixia Foliar LST Estrés Térmico ERA5 Anomalía Climática

Nota Metodológica: Pese a requerir homologar los satélites a una ventana temporal corta (2019-2024), la significancia de los resultados permite mapear claramente los focos de peligro ecosistémico para la toma de decisiones presupuestales de resiliencia.

ODS 13 · Naciones Unidas · Agenda 2030

El Objetivo de Desarrollo Sostenible 13 exige tomar medidas urgentes y transversales contra el cambio climático y todos sus devastadores impactos, exigiendo la adopción inmediata en la planeación nacional del país.

Nuestra meta con GreenByte es entregar herramientas tecnológicas que sustenten la inyección del rigor geoespacial en la política pública, maximizando la eficiencia de fondos y programas de adaptación exactamente donde la ciencia detecta los focos de mayor sufrimiento.

⚠️ Urgencia para México: Entre cinturones de aridez extendiéndose y costas térmicamente alteradas, nuestra seguridad alimentaria, hídrica y de biodiversidad cuelgan de un hilo si no priorizamos recursos a las zonas heridas con evidencia científica.

Para evitar sesgos, clasificamos el territorio en Quintiles de Huella Humana (gHM). Queríamos saber: ¿Sufre más el bosque virgen o la ciudad industrial?

Lo que encontramos fue una Divergencia Ecosistémica: - En las zonas prístinas (Q1), la naturaleza es honesta: pierde agua y pierde verdor. - En las zonas industriales (Q5), hemos creado “burbujas” que mantienen un verdor artificial mientras la fiebre del suelo sube sin control.

Evolución del NDVI por Quintiles de Presión Humana

Matriz de Descubrimiento

Aquí es donde comenzó todo. Lanzamos una red de correlaciones sobre millones de datos satelitales. No buscábamos líneas rectas, buscábamos anomalías.

Al filtrar el ruido estadístico, la señal fue clara: México tiene 16 puntos donde el sistema simplemente se rompió. Estos son nuestros sospechosos principales.

Análisis de Impacto (n = 120,140)

La correlación de Spearman confirma que las variables de presión antropogénica y climática están dictando la salud del ecosistema con una confianza estadística superior al 99.9%.

Hallazgos Clave:

El Colapso Hídrico: La relación inversa entre LST_day y ET (rho: -0.69) confirma que el aumento de temperatura inhibe la evapotranspiración.
Eutrofización Costera: La correlación entre NO2 y Clorofila-a (0.77) vincula la actividad industrial con la alteración marina.
Falso Verdor: El vínculo entre la huella humana (gHM) y el NDVI (0.49) delata paisajes antropizados.

Visualización de Correlaciones

Matriz de Correlación Espacial Masiva: Presión vs Respuesta

Análisis Crítico: El Nexo Tierra-Océano

La correlación de rho: 0.77 entre NO2 y Clorofila-a es reveladora. El fitoplancton no consume NO2 directamente, pero este funciona como un marcador de actividad industrial.

Ruta de Impacto:

Las zonas con altas emisiones de NO2 coinciden con focos de escorrentía de fertilizantes y aguas residuales. Este nexo confirma que la presión humana altera la productividad primaria, precursora de la hipoxia.

Veredicto:

El ecosistema opera bajo un régimen de estrés donde el calor es el verdugo de la disponibilidad de agua.

Contribucion al ecosistema

¿De que factor depende mas la degradacion del ecosistema?

Aislamiento de la Señal ENSO (El Niño)

Para un diagnóstico riguroso, hemos separado la variabilidad natural del fenómeno El Niño/La Niña de la tendencia oceánica real.

Resultados del Modelo Residual:

Confianza Estadística: Con un \(p = 0.02\), hemos logrado detectar una señal climática que el “ruido” natural solía esconder.
Enfriamiento Subyacente: Tras remover el efecto ONI, la superficie marina muestra un descenso de -0.044°C/año.
Desequilibrio Térmico: Este hallazgo es crítico; mientras la atmósfera continental se calienta, el océano costero residual se enfría, creando un “choque térmico” que altera los regímenes de viento y transporte de humedad hacia México.

Año	ONI (Fenómeno)	SST Real (°C)	Residual (Señal Pura)
2015	El Niño (Fuerte)	26.19	+0.35
2023	El Niño (Extremo)	25.67	-0.22
Tendencia	–	–	Significativa (p=0.02)

Interpretación GreenByte: El océano no está siguiendo el calentamiento de la tierra de forma lineal. Existe un proceso de enfriamiento residual que podría estar intensificando la sequía continental al reducir la evaporación efectiva hacia las costas mexicanas.

Selecciona una variable y desliza el año para observar la evolución del estrés climático en México.

Plotly = require("https://cdn.plot.ly/plotly-2.24.1.min.js").catch(() => window.Plotly)

// 2. CARGA DE DATOS
data = FileAttachment("resultados/master_greenbyte_v4.csv").csv({ typed: true })

// 3. CONTROLES
viewof selectedVar = Inputs.select(
  new Map([
    ["🌡️ Fiebre (Anomalía T2m)", "t2m_anomaly"],
    ["💧 Sed (Anomalía Precipitación)", "precip_anomaly"],
    ["🌿 Vigor Vegetal (NDVI)", "NDVI"],
    ["🏭 Contaminación (NO2)", "NO2"]
  ]),
  { label: "Variable:", value: "t2m_anomaly" }
)

viewof selectedYear = Inputs.range(
  [2015, 2024],
  { value: 2024, step: 1, label: "Año de Análisis:" }
)

// 4. FILTRADO
filtered = data.filter(d => +d.year === +selectedYear)

// 5. MAPA — todo en una sola celda, Plotly ya está resuelto arriba
{
  // Esperamos explícitamente a que Plotly esté listo
  const P = await Plotly;

  const div = document.createElement("div");
  div.style.cssText = `
    width: 100%; height: 700px;
    border-radius: 15px;
    background: #0f172a;
    border: 1px solid #1e293b;
    box-shadow: 0 4px 6px -1px rgb(0 0 0 / 0.1);
  `;
  yield div;

  if (!filtered || filtered.length === 0) return;

  const isAnomaly = selectedVar.includes("anomaly");

  const trace = {
    type: "scattergeo",
    lat: filtered.map(d => +d.latitude),
    lon: filtered.map(d => +d.longitude),
    mode: "markers",
    marker: {
      size: 4.5,
      color: filtered.map(d => +d[selectedVar]),
      colorscale: isAnomaly ? "RdBu" : "Viridis",
      reversescale: selectedVar === "t2m_anomaly",
      opacity: 0.9,
      colorbar: {
        title: { text: "Intensidad", font: { color: "#94a3b8", size: 12 } },
        tickfont: { color: "#94a3b8" },
        thickness: 18,
        len: 0.8
      }
    },
    hovertemplate: `<b>%{lat:.2f}N, %{lon:.2f}W</b><br>Valor: %{marker.color:.4f}<extra></extra>`
  };

  const layout = {
    geo: {
      scope: "north america",
      resolution: 50,
      showland: true,     landcolor: "#1e293b",
      showocean: true,    oceancolor: "#0f172a",
      showlakes: true,    lakecolor: "#0f172a",
      showcountries: true, countrycolor: "#475569",
      showcoastlines: true, coastlinecolor: "#475569",
      showframe: false,
      bgcolor: "rgba(0,0,0,0)",
      lonaxis: { range: [-118, -86] },
      lataxis: { range: [14, 33] },
      projection: { type: "mercator" }
    },
    margin: { r: 10, t: 40, b: 10, l: 10 },
    paper_bgcolor: "rgba(0,0,0,0)",
    plot_bgcolor:  "rgba(0,0,0,0)",
    font: { family: "Inter, sans-serif", color: "#f8fafc" },
    title: {
      text: `Análisis Geoespacial · ${selectedVar} · ${selectedYear}`,
      font: { color: "#22c55e", size: 16 },
      x: 0.05
    }
  };

  P.react(div, [trace], layout, { responsive: true, displayModeBar: false });
}

Diagnóstico de Supervivencia Ecosistémica ODS 13

Utilizando la estadística espacial Gi* de Getis-Ord, hemos identificado clústeres donde el estrés no es un evento aislado, sino un fenómeno sistémico.

Interpretación de la Simbología:

🔴 Hotspot (Rojo): Zonas con valores altos de estrés rodeadas de otros valores altos (\(p < 0.01\)). Representan el epicentro del colapso.
🟠 Estrés Aislado (Naranja): Puntos individuales que superan el percentil 95 de la muestra nacional.
Mapa de Calor: Representa la densidad acumulada de presión antrópica y degradación.

Tendencias Nacionales: Dinámica de Estrés 2019–2024

Diagnóstico: Inestabilidad Climática

El análisis de series temporales revela que México enfrenta un escenario de multi-estrés. Aunque el periodo de 6 años es breve para tendencias climáticas definitivas, la pendiente de Sen permite identificar señales de alerta temprana.

Alertas Críticas:

Pulsos de Calor: La anomalía de temperatura (t2m) muestra una pendiente positiva de +0.097°C/año, con un pico extremo en 2023 que dispara el estrés hídrico.
Vigor Vegetal en Declive: Tanto el NDVI como el EVI presentan tendencias negativas, indicando una pérdida de salud fotosintética persistente en el territorio nacional.
Presión Atmosférica: El NO2 es la variable más cercana a la significancia estadística (\(p=0.06\)), confirmando un aumento sistemático en la carga contaminante.

Conclusión: La narrativa de los datos sugiere que el ecosistema mexicano está perdiendo su capacidad de amortiguar eventos extremos. La “fiebre” (calor) debilita la defensa, pero es la “sed” (déficit hídrico acumulado) lo que finalmente causa el colapso.

Inventario de Evidencia Satelital (2019–2024)

Auditoría de Calidad: Robustez y Alcance

Este análisis se fundamenta en un flujo de datos de alta resolución, procesado rigurosamente para minimizar sesgos instrumentales y asegurar la reproducibilidad científica (v3).

Fortalezas del Dataset:

Continuidad Atmosférica: El uso exclusivo de Sentinel-5P (TROPOMI) para NO2, SO2 y CO desde 2019 garantiza que las tendencias de contaminación no sean artefactos de un cambio de sensor.
Sincronía Temporal: La integración del índice ONI al 100% permite correlacionar el estrés hídrico con ciclos globales de El Niño/La Niña con precisión total.
Control de Errores: Se ha excluido el año 2024 de la variable loss_anual (detectado como NaN en auditoría) para evitar el sesgo de reporte incompleto del algoritmo de Hansen.

Limitaciones y Sesgos:

Eventos Discretos: La menor cobertura en fire_count (24.2%) y ET (32.4%) responde a la naturaleza estocástica de los incendios y a la interferencia de nubosidad en sensores ópticos/térmicos.
Restricción Geográfica: Las variables oceánicas (SST y Clorofila-a) presentan coberturas del ~35-53% debido a que su dominio espacial se limita exclusivamente a las zonas costeras de México.

Rango Geográfico de Análisis

El estudio abarca una extensión latitudinal desde los 14.49° hasta los 33.80°, cubriendo desde la Selva Maya hasta el Desierto de Sonora. Esta cobertura total permite identificar el avance del estrés térmico en diversos biomas mexicanos.

Ficha Técnica de Fuentes (v3)

Dimensión	Fuente Principal	Período
Clima	ERA5-Land (Anomalías T2m)	2015–2024
Vegetación	MODIS (NDVI / EVI)	2015–2024
Calidad Aire	Sentinel-5P (TROPOMI)	2019–2024
Antrópica	Global Human Modification (gHM)	2019 (Ref)