Las Olas de Calor Cambian 176% la Vida en el Océano#
702.037 estimaciones de biomasa. 1.566 especies de peces. 29 años de datos. ¿Quién gana y quién pierde cuando el océano se calienta?
📄 Paper: Blowes et al. (2026). Nature Ecology & Evolution. DOI: 10.1038/s41559-026-03013-5
▶️ Video: Ver en YouTube
El océano se calienta, ¿y los peces?#
El océano se calienta de tres formas distintas: la tendencia de fondo (décadas), los años atípicamente cálidos, y las olas de calor marinas. Las tres amenazan a los peces — pero nadie había separado cuánto daño hace cada una.
Para responderlo, usaron FISHGLOB — una base de datos que reúne censos de arrastre científico de todo el mundo. 33.990 poblaciones de peces, 1.566 especies, 29 años de muestreo en las principales cuencas del Hemisferio Norte.
La idea clave: cada población de peces tiene una posición térmica — si vive cerca del límite cálido de su especie (borde cálido) o cerca del límite frío (borde frío). Cuando el océano se calienta, las del borde frío podrían beneficiarse… y las del borde cálido, perder.
Veamos qué dicen los datos.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
UMBRAL_POSICION = 0.5 # Separar borde frío (<-0.5) de borde cálido (>0.5)
P_SIGNIFICATIVO = 0.05 # Umbral de significancia estadística
FUENTE = 'Fuente: Blowes et al. (2026), Nat. Ecol. Evol. | Datos: Supplementary Data S1'
COLOR_FRIO = '#2563EB' # Azul CaM — borde frío (ganadores)
COLOR_CALIDO = '#DC2626' # Rojo — borde cálido (perdedores)
COLOR_CENTRO = '#D97706' # Amber — centro térmico
COLOR_SEC = '#059669' # Emerald — datos secundarios
# ══════════════════════════════════════════════════════════════
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os, urllib.request
# Estilo CaM
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
style_file = '/tmp/cam.mplstyle'
if not os.path.exists(style_file):
urllib.request.urlretrieve(
'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main/cam.mplstyle', style_file)
plt.style.use(style_file)
# Cargar datos agregados
df_pos = pd.read_csv('datos/biomasa_por_posicion_termica.csv')
df_resumen = pd.read_csv('datos/resumen_por_estresor.csv')
df_dist = pd.read_csv('datos/distribucion_pendientes_temperatura.csv')
df_especies = pd.read_csv('datos/especies_extremas_mhw.csv')
print(f"Datos cargados:")
print(f" Biomasa × posición térmica: {len(df_pos)} filas (10 bins × 4 estresores)")
print(f" Resumen por estresor: {len(df_resumen)} filas")
print(f" Distribución de pendientes: {len(df_dist)} filas")
print(f" Especies extremas: {len(df_especies)} filas")
print(f"\nAgregado de 105.299 regresiones población-nivel")
print(f"({df_resumen['n_pop'].max():,.0f} poblaciones, ~{df_resumen['n_species'].max():,.0f} especies, 1993-2021)")
Datos cargados:
Biomasa × posición térmica: 40 filas (10 bins × 4 estresores)
Resumen por estresor: 4 filas
Distribución de pendientes: 240 filas
Especies extremas: 30 filas
Agregado de 105.299 regresiones población-nivel
(26,775 poblaciones, ~1,498 especies, 1993-2021)
Ganadores y perdedores#
Aquí está.
# Gráfica hero: pendiente media de biomasa vs posición térmica
fig, ax = plt.subplots(figsize=(13, 5.5))
stressor_config = {
'Temperature difference': ('Anomalía térmica (olas de calor)', COLOR_CALIDO, 2.5, '-'),
'Cumulative intensity': ('Intensidad acumulada MHW', COLOR_SEC, 1.5, '--'),
'Temperature': ('Temperatura anual', COLOR_CENTRO, 1.5, '--'),
'Temperature trend': ('Tendencia a largo plazo', '#7C3AED', 1.5, ':'),
}
tp_bins = df_pos['tp_bin'].unique()
tp_vals = [float(b) for b in sorted(tp_bins)]
for stressor, (label, color, lw, ls) in stressor_config.items():
sub = df_pos[df_pos['Thermal stressor'] == stressor].copy()
sub['tp_val'] = sub['tp_bin'].astype(float)
sub = sub.sort_values('tp_val')
ax.plot(sub['tp_val'], sub['mean_slope'], color=color,
linewidth=lw, linestyle=ls, marker='o', markersize=5,
label=label, zorder=5 if stressor == 'Temperature difference' else 3)
ax.axhline(y=0, color='#999999', linewidth=0.8, linestyle='-', alpha=0.5)
ax.axvline(x=0, color='#999999', linewidth=0.8, linestyle=':', alpha=0.4)
# Zonas de borde
ax.axvspan(-2, -UMBRAL_POSICION, alpha=0.06, color=COLOR_FRIO)
ax.axvspan(UMBRAL_POSICION, 2, alpha=0.06, color=COLOR_CALIDO)
ax.text(-1.3, ax.get_ylim()[1]*0.85, 'BORDE FRÍO\n(ganadores)',
fontsize=10, color=COLOR_FRIO, fontweight='bold', ha='center', alpha=0.7)
ax.text(1.3, ax.get_ylim()[0]*0.85, 'BORDE CÁLIDO\n(perdedores)',
fontsize=10, color=COLOR_CALIDO, fontweight='bold', ha='center', alpha=0.7)
ax.set_xlabel('Posición térmica de la población', fontsize=11)
ax.set_ylabel('Pendiente media (cambio log-biomasa)', fontsize=11)
ax.set_title('¿Quién gana y quién pierde cuando el océano se calienta?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, f'{df_resumen["n_pop"].sum():,.0f} regresiones población-nivel, ~{df_resumen["n_species"].max():,.0f} especies, 1993–2021',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=9, loc='upper right', framealpha=0.9)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/ganadores_perdedores.png', dpi=200, bbox_inches='tight')
plt.show()
El patrón es claro para la anomalía térmica (línea roja): las poblaciones cerca del borde frío de su especie (izquierda) tienden a ganar biomasa cuando hay años más cálidos. Las del borde cálido (derecha) tienden a perder.
Según el modelo GAM completo del paper, las olas de calor están ligadas a pérdidas de hasta 43,4% en el borde cálido y ganancias de hasta 176% en el borde frío. Son los extremos del modelo — nuestros datos suplementarios muestran el gradiente subyacente: la pendiente media pasa de +0,35 (posición -1,4) a -0,06 (posición +0,6).
La tendencia a largo plazo (línea violeta punteada) es mayoritariamente negativa — el calentamiento sostenido va de la mano con pérdida de biomasa en 8 de 10 posiciones térmicas. Solo las poblaciones en el extremo más cálido (posición ≥1,4) escapan a este patrón, aunque con bajo n en esas posiciones.
¿Cuántas poblaciones ganan vs pierden?#
La pendiente media esconde mucha variación. ¿Cuántas poblaciones realmente ganan?
# Porcentaje de poblaciones con efecto positivo por posición térmica
fig, axes = plt.subplots(1, 2, figsize=(13, 5))
for ax, stressor, title in [
(axes[0], 'Temperature difference', 'Anomalía térmica\n(olas de calor)'),
(axes[1], 'Temperature trend', 'Tendencia a largo plazo')
]:
sub = df_pos[df_pos['Thermal stressor'] == stressor].copy()
sub['tp_val'] = sub['tp_bin'].astype(float)
sub = sub.sort_values('tp_val')
colors = [COLOR_FRIO if v < -UMBRAL_POSICION
else COLOR_CALIDO if v > UMBRAL_POSICION
else COLOR_CENTRO for v in sub['tp_val']]
bars = ax.bar(range(len(sub)), sub['pct_positive'], color=colors, alpha=0.8,
edgecolor='white', linewidth=0.5)
ax.axhline(y=50, color='#999999', linewidth=1, linestyle='--', alpha=0.6)
ax.text(len(sub)-0.5, 51, '50%', fontsize=8, color='#999999', ha='right')
ax.set_xticks(range(len(sub)))
ax.set_xticklabels([f'{v:.1f}' for v in sub['tp_val']], fontsize=8, rotation=45)
ax.set_xlabel('Posición térmica', fontsize=10)
ax.set_ylabel('% poblaciones con efecto positivo', fontsize=10)
ax.set_title(title, fontsize=12, fontweight='bold', pad=10)
ax.set_ylim(35, 65)
# Annotate key values
for i, (_, row) in enumerate(sub.iterrows()):
if abs(row['tp_val']) >= 1.0 or row['tp_val'] == 0.2:
ax.text(i, row['pct_positive'] + 0.8, f"{row['pct_positive']:.0f}%",
fontsize=8, ha='center', color='#666666')
fig.suptitle('¿Más ganadores o más perdedores?',
fontsize=14, fontweight='bold', y=1.05)
fig.text(0.5, 1.01, 'Porcentaje de poblaciones con biomasa creciente por posición térmica',
fontsize=10, color='#666666', ha='center')
plt.tight_layout()
fig.text(0.08, -0.06, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/porcentaje_positivos.png', dpi=200, bbox_inches='tight')
plt.show()
Para la anomalía térmica (izquierda), el gradiente es visible: en el borde frío (posición -1,4), un 58% de las poblaciones muestra efectos positivos. En el borde cálido (posición +0,6), baja al 49%. No es un efecto masivo en promedio — pero se amplifica en las colas de la distribución.
Para la tendencia a largo plazo (derecha), la señal es más sutil. La mayoría de posiciones están por debajo del 50% — el calentamiento sostenido se asocia con pérdida de biomasa casi universal.
Los extremos: ganadores y perdedores con nombre propio#
¿Qué especies están en las colas?
# Top 10 ganadores y perdedores (temperatura diferencial, ≥3 poblaciones)
winners = df_especies.nlargest(10, 'slope_pct')
losers = df_especies.nsmallest(10, 'slope_pct')
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 6))
# Ganadores
bars1 = ax1.barh(range(len(winners)), winners['slope_pct'].values,
color=COLOR_FRIO, alpha=0.8, edgecolor='white', linewidth=0.5)
ax1.set_yticks(range(len(winners)))
ax1.set_yticklabels([f"{s} (n={int(n)})" for s, n in
zip(winners['Species'].values, winners['n_pop'].values)],
fontsize=8, style='italic')
ax1.set_xlabel('Cambio de biomasa (%)', fontsize=10)
ax1.set_title('Ganadores', fontsize=12, fontweight='bold', color=COLOR_FRIO)
for i, v in enumerate(winners['slope_pct'].values):
ax1.text(v + 10, i, f'+{v:.0f}%', fontsize=8, va='center', color=COLOR_FRIO)
ax1.invert_yaxis()
# Perdedores
bars2 = ax2.barh(range(len(losers)), losers['slope_pct'].values,
color=COLOR_CALIDO, alpha=0.8, edgecolor='white', linewidth=0.5)
ax2.set_yticks(range(len(losers)))
ax2.set_yticklabels([f"{s} (n={int(n)})" for s, n in
zip(losers['Species'].values, losers['n_pop'].values)],
fontsize=8, style='italic')
ax2.set_xlabel('Cambio de biomasa (%)', fontsize=10)
ax2.set_title('Perdedores', fontsize=12, fontweight='bold', color=COLOR_CALIDO)
for i, v in enumerate(losers['slope_pct'].values):
ax2.text(v - 3, i, f'{v:.0f}%', fontsize=8, va='center', ha='right', color=COLOR_CALIDO)
ax2.invert_yaxis()
fig.suptitle('¿Quiénes son los que más ganan y más pierden?',
fontsize=14, fontweight='bold', y=1.05)
fig.text(0.5, 1.01, 'Cambio medio de biomasa por unidad de anomalía térmica (≥3 poblaciones)',
fontsize=10, color='#666666', ha='center')
plt.tight_layout()
fig.text(0.08, -0.06, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/especies_extremas.png', dpi=200, bbox_inches='tight')
plt.show()
Raja radula (raya áspera) encabeza la lista: +861% de biomasa por cada grado de anomalía. En el otro extremo, Diplodus cervinus (sargo breado) pierde un 92%.
Pero estos son promedios por especie. Dentro de cada especie hay enorme variación entre poblaciones. ¿Cómo se distribuyen las pendientes?
¿Qué tan anómala es la situación?#
# Distribución de pendientes: borde frío vs centro vs borde cálido
fig, ax = plt.subplots(figsize=(10, 5))
edge_config = {
'Borde frío': (COLOR_FRIO, 0.5),
'Centro': (COLOR_CENTRO, 0.3),
'Borde cálido': (COLOR_CALIDO, 0.5),
}
for edge, (color, alpha) in edge_config.items():
sub = df_dist[df_dist['edge'] == edge]
# Normalizar a densidad para comparar (diferentes n)
total = sub['count'].sum()
if total > 0:
density = sub['count'] / total / (sub['slope_pct_center'].diff().median())
ax.fill_between(sub['slope_pct_center'], density, alpha=alpha, color=color, label=edge)
ax.plot(sub['slope_pct_center'], density, color=color, linewidth=1.5)
ax.axvline(x=0, color='#666666', linewidth=1.5, linestyle='--', alpha=0.6)
ax.text(2, ax.get_ylim()[1]*0.9, '← pérdida | ganancia →',
fontsize=9, color='#666666', ha='center')
ax.set_xlabel('Cambio de biomasa por unidad de anomalía térmica (%)', fontsize=11)
ax.set_ylabel('Densidad', fontsize=11)
ax.set_title('¿Cuánta variación se esconde detrás del promedio?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Anomalía térmica: borde frío vs centro vs borde cálido',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=10, loc='upper right', framealpha=0.9)
ax.set_xlim(-100, 200)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/distribucion_pendientes.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
Pérdida de biomasa hasta 43,4% en borde cálido |
⚠️ Parcial |
El paper reporta este valor del modelo GAM completo. Nuestros datos muestran el gradiente: pendiente media negativa (-0,06) en el borde cálido. Los datos suplementarios contienen las pendientes, no las predicciones del GAM |
Ganancia hasta 176% en borde frío |
⚠️ Parcial |
Mismo caso: valor del modelo GAM. Nuestros datos muestran pendiente positiva (+0,35) en posición -1,4, consistente con la dirección |
Calentamiento a largo plazo se asocia con declive generalizado |
✅ Sí |
La tendencia a largo plazo muestra pendientes negativas en 8 de 10 bins de posición térmica. Solo 46,6% de poblaciones muestra efecto positivo |
Patrón de «ganadores y perdedores» según posición térmica |
✅ Sí |
Spearman ρ = -0,033 (p < 0,001) para anomalía térmica vs pendiente. Débil pero significativo con n = 26.428 |
Las olas de calor tienen el mayor efecto a corto plazo |
✅ Sí |
El 5,6% de poblaciones muestra efecto significativo (p < 0,05) con anomalía térmica, vs 3,9% (intensidad), 1,7% (temperatura), 0,5% (tendencia) |
Limitaciones:
Los datos suplementarios contienen pendientes de regresión por población, no las predicciones del modelo GAM completo del paper. Los valores headline (176%, 43,4%, 19,8%) no son directamente reproducibles desde estos datos
Solo cubrimos el Hemisferio Norte — los patrones pueden diferir en el Hemisferio Sur
Spearman ρ = -0,033 es estadísticamente significativo por el gran n, pero el tamaño del efecto es pequeño
Las posiciones térmicas extremas (>|1,5|) tienen pocas observaciones (<100), limitando la fiabilidad en las colas
Ahora tú#
¿Cuáles son las especies con más poblaciones? Filtra
df_especiesporn_popy mira si las especies con más datos muestran patrones más claros que las de pocas poblaciones¿Cambia el patrón si subes el umbral de significancia? Prueba con
P_SIGNIFICATIVO = 0.01— ¿se concentran los resultados significativos en algún extremo de posición térmica?¿Qué estresor muestra la mayor variación entre bins? Calcula
df_pos.groupby('Thermal stressor')['pct_positive'].std()— el estresor con más variación es el que mejor discrimina entre ganadores y perdedores
# --- EXPERIMENTA AQUÍ ---
# ¿Hay relación entre el tamaño de la muestra (n_pop) y la magnitud del efecto?
# Las especies con muchas poblaciones podrían mostrar señales más robustas
from scipy import stats
# Correlación entre número de poblaciones y pendiente absoluta
rho, p = stats.spearmanr(df_especies['n_pop'], df_especies['slope_pct'].abs())
print(f"Spearman ρ (n poblaciones vs |efecto|): {rho:.3f}, p = {p:.4f}")
print(f" → {'Relación significativa' if p < 0.05 else 'Sin relación significativa'}")
print(f" Más poblaciones {'= efectos menores (regresión a la media)' if rho < 0 else '= efectos mayores'}")
print(f"\nEspecies con más poblaciones y efecto extremo:")
extremas = df_especies[df_especies['n_pop'] >= 10].sort_values('slope_pct')
print(f" Peor perdedor: {extremas.iloc[0]['Species']} "
f"({extremas.iloc[0]['slope_pct']:.0f}%, n={int(extremas.iloc[0]['n_pop'])} pob.)")
print(f" Mejor ganador: {extremas.iloc[-1]['Species']} "
f"({extremas.iloc[-1]['slope_pct']:.0f}%, n={int(extremas.iloc[-1]['n_pop'])} pob.)")
Spearman ρ (n poblaciones vs |efecto|): 0.054, p = 0.7771
→ Sin relación significativa
Más poblaciones = efectos mayores
Especies con más poblaciones y efecto extremo:
Peor perdedor: Pseudobathylagus milleri (-73%, n=10 pob.)
Mejor ganador: Beringraja binoculata (355%, n=12 pob.)
Créditos#
Paper: Blowes et al. (2026). Long-term ocean warming, interannual temperature variability and marine heatwaves […]. Nature Ecology & Evolution. DOI: 10.1038/s41559-026-03013-5
Datos: Supplementary Data S1 (MOESM4), disponible en Nature.com
Licencia datos: CC BY 4.0 (según política de Nature)
Notebook: Ciencia a Mordiscos — El Lab