99,2% de los estudios miden mal el nivel del mar#
383 de 386 evaluaciones de riesgo costero asumen un nivel del mar que no coincide con la realidad. ¿Cuánta gente se queda fuera de los cálculos?
Paper: Vetter et al. (2026) — Nature DOI: 10.1038/s41586-026-10196-1 Video: Ver en YouTube
El problema que nadie vio#
Cuando se estima cuánta tierra y cuántas personas están en riesgo por la subida del nivel del mar, hay que saber dos cosas: qué tan alto está el agua y qué tan alto está el terreno.
Para el terreno, se usan modelos de elevación digital (DEMs). Pero para el nivel del mar, la mayoría de los estudios usan modelos geoide (EGM96, EGM2008) — una aproximación matemática de la superficie del mar. Vetter y compañía revisaron 386 publicaciones de impacto costero (2009–2025) y encontraron que casi ninguna usó mediciones reales del nivel del mar (altimetría satelital, mareógrafos). El resultado: el mar real es más alto que el que asumen los modelos, sobre todo en el Indo-Pacífico. Y eso cambia todo.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
ESCENARIO_RSLR = 1 # Metros de subida relativa del nivel del mar
OFFSET_PAPER = 0.27 # Offset medio global (m) reportado en el paper (EGM96)
FUENTE = 'Fuente: Vetter et al. (2026), Nature | Datos: Supplementary Tables'
COLOR_DATOS = '#2563EB'
COLOR_ALERTA = '#DC2626'
COLOR_SECUNDARIO = '#059669'
COLOR_REFERENCIA = '#D97706'
COLOR_VIOLETA = '#7C3AED'
# ── Setup ──
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os, urllib.request
BASE = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main'
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(f'{BASE}/cam.mplstyle', style_file)
plt.style.use(style_file)
# ── Cargar datos ──
df_offset = pd.read_csv('datos/offset_nivel_mar.csv')
df_impacto = pd.read_csv('datos/impacto_por_region.csv')
df_lit = pd.read_csv('datos/evaluacion_literatura.csv')
df_dem = pd.read_csv('datos/impacto_por_dem.csv')
total_papers = df_lit['n_papers'].sum()
total_adecuados = df_lit['adecuados'].sum()
print(f"Papers evaluados: {total_papers}")
print(f"Con manejo adecuado de datum vertical: {total_adecuados} ({total_adecuados/total_papers*100:.1f}%)")
print(f"Regiones en offset: {len(df_offset)}")
print(f"DEMs comparados: {df_dem['dem'].nunique()}")
Papers evaluados: 386
Con manejo adecuado de datum vertical: 3 (0.8%)
Regiones en offset: 18
DEMs comparados: 4
¿Cuánto se equivocan?#
El mar real está más alto que el nivel que usan los modelos. Veamos cuánto, región por región.
# ── Offset: nivel del mar medido vs modelo geoide (EGM96) ──
# Filtramos continentes principales + subregiones clave del Indo-Pacífico
regiones_hero = ['Southeast Asia', 'Melanesia, Micronesia, Polynesia', 'Pacific Region',
'Australia', 'East Africa', 'Central America, Carribean, northern South America',
'Africa', 'South America', 'Asia', 'USA',
'North America', 'Europe', 'USA, Canada']
df_hero = df_offset[df_offset['region'].isin(regiones_hero)].copy()
df_hero = df_hero.sort_values('mdt_egm96_mean', ascending=True)
# Nombres cortos para el eje Y
nombres = {
'Southeast Asia': 'Sudeste Asiático',
'Melanesia, Micronesia, Polynesia': 'Melanesia/Micronesia',
'Pacific Region': 'Pacífico',
'Australia': 'Australia',
'East Africa': 'África Oriental',
'Central America, Carribean, northern South America': 'Centroamérica y Caribe',
'Africa': 'África',
'South America': 'Sudamérica',
'Asia': 'Asia',
'USA': 'EE.UU.',
'North America': 'Norteamérica',
'Europe': 'Europa',
'USA, Canada': 'EE.UU. y Canadá',
}
df_hero['nombre'] = df_hero['region'].map(nombres)
fig, ax = plt.subplots(figsize=(12, 7))
colors = [COLOR_ALERTA if v > 0.5 else (COLOR_REFERENCIA if v > 0.2 else COLOR_DATOS)
for v in df_hero['mdt_egm96_mean']]
bars = ax.barh(range(len(df_hero)), df_hero['mdt_egm96_mean'],
color=colors, edgecolor='white', linewidth=0.5, height=0.7)
# Inline values
for i, (val, name) in enumerate(zip(df_hero['mdt_egm96_mean'], df_hero['nombre'])):
offset_x = 0.03 if val > 0 else -0.03
ha = 'left' if val > 0 else 'right'
ax.text(val + offset_x, i, f'+{val:.2f} m' if val > 0 else f'{val:.2f} m',
va='center', ha=ha, fontsize=9, fontweight='bold',
color='#333333')
ax.set_yticks(range(len(df_hero)))
ax.set_yticklabels(df_hero['nombre'], fontsize=10)
ax.axvline(x=0, color='#333333', linewidth=0.8, linestyle='-')
ax.axvline(x=OFFSET_PAPER, color=COLOR_ALERTA, linewidth=1.5, linestyle='--', alpha=0.6)
ax.text(OFFSET_PAPER + 0.02, len(df_hero) - 0.5,
f'Media global\n(paper): {OFFSET_PAPER} m',
fontsize=8, color=COLOR_ALERTA, va='top')
ax.set_xlabel('Nivel del mar medido − modelo geoide EGM96 (metros)', fontsize=11)
ax.set_title('¿Cuánto más alto está el mar real vs lo que asumen los estudios?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Offset medio de la topografía dinámica del mar (MDT) sobre el geoide EGM96',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/offset_nivel_mar.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que revelan los datos#
El Sudeste Asiático lidera el problema: el mar real está +1,26 m por encima de lo que asume el modelo EGM96. Melanesia y el Pacífico siguen con más de un metro de diferencia. En estas regiones, un estudio que use geoide en vez de mediciones reales está subestimando la amenaza por más de un metro en promedio.
Europa y Norteamérica apenas se desvían (+0,05 m), lo que explica por qué nadie lo vio: si trabajas con datos de Europa o Norteamérica, el error es mínimo (+0,05 m) — todo parece funcionar bien. Pero para el Indo-Pacífico — donde vive la mayoría de la población costera — el sesgo es enorme.
¿Cuánta gente se queda fuera?#
Ese sesgo tiene consecuencias reales. Si el mar está más alto de lo que creen los modelos, hay más tierra bajo el agua y más personas en riesgo. Veamos cuántas más.
# ── Población en riesgo: geoide (EGM96) vs mediciones reales (MDT) ──
continentes = ['Africa', 'Asia', 'Europe', 'North America', 'South America',
'Australia', 'Pacific Region']
df_cont = df_impacto[df_impacto['region'].isin(continentes)].copy()
nombres_cont = {
'Africa': 'África', 'Asia': 'Asia', 'Europe': 'Europa',
'North America': 'Norteamérica', 'South America': 'Sudamérica',
'Australia': 'Australia', 'Pacific Region': 'Pacífico',
}
df_cont['nombre'] = df_cont['region'].map(nombres_cont)
df_cont = df_cont.sort_values('mdt_1m_pop_wp', ascending=True)
fig, ax = plt.subplots(figsize=(13, 6))
y = np.arange(len(df_cont))
h = 0.35
bars_egm = ax.barh(y - h/2, df_cont['egm96_1m_pop_wp'] / 1e6,
height=h, color=COLOR_DATOS, alpha=0.8, label='Asumido (EGM96)')
bars_mdt = ax.barh(y + h/2, df_cont['mdt_1m_pop_wp'] / 1e6,
height=h, color=COLOR_ALERTA, alpha=0.8, label='Medido (MDT)')
# Inline labels with difference
for i, (_, row) in enumerate(df_cont.iterrows()):
egm = row['egm96_1m_pop_wp'] / 1e6
mdt = row['mdt_1m_pop_wp'] / 1e6
diff = mdt - egm
if diff > 1:
ax.text(mdt + 0.5, i + h/2, f'+{diff:.1f}M',
fontsize=8, fontweight='bold', color=COLOR_ALERTA, va='center')
ax.set_yticks(y)
ax.set_yticklabels(df_cont['nombre'], fontsize=10)
ax.set_xlabel('Personas bajo el nivel del mar con +1 m de subida (millones)', fontsize=11)
ax.set_title('¿Cuánta gente más está en riesgo si usamos mediciones reales?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Población expuesta con 1 m de subida relativa del nivel del mar (CoastalDEM v2.1, WorldPop 2020)',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=10, loc='lower right')
# Global totals annotation
egm_total = df_impacto[df_impacto['region'] == 'Global']['egm96_1m_pop_wp'].values[0] / 1e6
mdt_total = df_impacto[df_impacto['region'] == 'Global']['mdt_1m_pop_wp'].values[0] / 1e6
ax.text(0.98, 0.15,
f'Global: {egm_total:.0f}M → {mdt_total:.0f}M\n(+{mdt_total - egm_total:.0f}M personas)',
transform=ax.transAxes, fontsize=10, fontweight='bold',
color='#333333', ha='right', va='bottom',
bbox=dict(boxstyle='round,pad=0.5', facecolor='#FFF3CD', alpha=0.9))
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/impacto_poblacion.png', dpi=200, bbox_inches='tight')
plt.show()
Millones invisibles#
Solo con CoastalDEM y WorldPop 2020, la diferencia es brutal: pasar de geoide a mediciones reales sube la estimación de 49 a 103 millones de personas bajo el nivel del mar con CoastalDEM y WorldPop 2020 (con +1 m de subida). Según el DEM y dataset poblacional, el rango va de 77M a 132M. Asia concentra la mayor diferencia absoluta.
Pero lo más inquietante es que esto no es un problema nuevo — y nadie lo corrigió. Veamos cuántos estudios manejaron correctamente los datos a lo largo de los años.
# ── Calidad de la literatura: documentación del datum vertical por año ──
df_year = df_lit.copy()
df_year['year'] = df_year['year'].astype(int)
df_year = df_year[(df_year['year'] >= 2009) & (df_year['year'] <= 2025)]
fig, ax = plt.subplots(figsize=(13, 5.5))
# Stacked bar: adecuados vs conv_ausente vs resto
df_year['resto'] = df_year['n_papers'] - df_year['conv_ausente'] - df_year['adecuados']
ax.bar(df_year['year'], df_year['conv_ausente'],
color=COLOR_ALERTA, alpha=0.7, label='Conversión de datum ausente')
ax.bar(df_year['year'], df_year['resto'],
bottom=df_year['conv_ausente'],
color=COLOR_REFERENCIA, alpha=0.7, label='Conversión parcial/incompleta')
ax.bar(df_year['year'], df_year['adecuados'],
bottom=df_year['conv_ausente'] + df_year['resto'],
color=COLOR_SECUNDARIO, alpha=0.9, label='Manejo adecuado')
# Annotate the 3 adequate papers
for _, row in df_year[df_year['adecuados'] > 0].iterrows():
ax.annotate(f"{row['adecuados']}", xy=(row['year'], row['n_papers']),
fontsize=9, fontweight='bold', color=COLOR_SECUNDARIO,
ha='center', va='bottom')
ax.set_xlabel('Año de publicación', fontsize=11)
ax.set_ylabel('Número de publicaciones evaluadas', fontsize=11)
ax.set_title('¿Mejoró algo con los años?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, f'Solo 3 de {total_papers} publicaciones (0,8%) documentaron correctamente la conversión de datum',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=9, loc='upper left')
ax.set_xticks(range(2009, 2026))
ax.set_xticklabels(range(2009, 2026), rotation=45, ha='right', fontsize=8)
fig.text(0.13, -0.05, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/calidad_literatura.png', dpi=200, bbox_inches='tight')
plt.show()
Un punto ciego comunitario#
No hubo mejora. En 17 años (2009–2025), solo 3 publicaciones documentaron correctamente la conversión del datum vertical. El 90,7% ni siquiera la mencionó. Esto no es un error de un grupo — es un punto ciego de toda la comunidad.
¿Qué tan diferente sería la estimación dependiendo del modelo de elevación que se use?
# ── Rango de estimaciones según el DEM usado ──
global_dems = df_dem[df_dem['region'] == 'Global'].copy()
fig, ax = plt.subplots(figsize=(10, 5.5))
dems = global_dems['dem'].values
x = np.arange(len(dems))
w = 0.35
egm_wp = global_dems['egm96_1m_pop_wp'].values / 1e6
mdt_wp = global_dems['mdt_1m_pop_wp'].values / 1e6
bars1 = ax.bar(x - w/2, egm_wp, w, color=COLOR_DATOS, alpha=0.8, label='Asumido (EGM96)')
bars2 = ax.bar(x + w/2, mdt_wp, w, color=COLOR_ALERTA, alpha=0.8, label='Medido (MDT)')
# Flechas bidireccionales mostrando la diferencia
for i in range(len(dems)):
mid_y = (egm_wp[i] + mdt_wp[i]) / 2
diff = mdt_wp[i] - egm_wp[i]
pct = (diff / egm_wp[i]) * 100
ax.annotate('', xy=(x[i] + w/2, mdt_wp[i] - 1),
xytext=(x[i] - w/2, egm_wp[i] + 1),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text(x[i], mid_y, f'+{diff:.0f}M\n(+{pct:.0f}%)',
ha='center', va='center', fontsize=8, fontweight='bold', color='#333333',
bbox=dict(boxstyle='round,pad=0.2', facecolor='white', alpha=0.9))
# Banda del paper (77-132M)
ax.axhspan(77, 132, color=COLOR_ALERTA, alpha=0.08)
ax.text(len(dems) - 0.5, 134, 'Rango del paper: 77–132 M',
fontsize=8, color=COLOR_ALERTA, ha='right', style='italic')
ax.set_xticks(x)
ax.set_xticklabels(dems, fontsize=10)
ax.set_ylabel('Personas bajo el nivel del mar (millones, WorldPop 2020)', fontsize=10)
ax.set_title('La respuesta cambia según el DEM',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Personas expuestas con +1 m de subida, según modelo de elevación digital',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=9, loc='upper left')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/impacto_por_dem.png', dpi=200, bbox_inches='tight')
plt.show()
# ── Resumen numérico ──
print("\n── Rango de estimaciones (MDT, WorldPop 2020) ──")
for _, row in global_dems.iterrows():
print(f" {row['dem']:15} {row['mdt_1m_pop_wp']/1e6:.1f} M")
print(f"\nRango: {mdt_wp.min():.1f}M – {mdt_wp.max():.1f}M")
print(f"Paper reporta: 77–132 M")
── Rango de estimaciones (MDT, WorldPop 2020) ──
CoastalDEM 102.8 M
FABDEM 120.7 M
GLL-DTM 122.4 M
DeltaDTM 132.2 M
Rango: 102.8M – 132.2M
Paper reporta: 77–132 M
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
Más del 99% de estudios manejaron mal los datos |
✅ |
383/386 = 99,2%. Solo 3 papers con conversión correcta y documentación completa |
El nivel del mar medido es más alto que el asumido |
✅ |
Offset medio global: +0,22 m [0,91 m] (EGM96, supplementary). El paper reporta +0,27 m [0,76 m] — probablemente con un filtro costero más estrecho que reduce la varianza |
Las mayores diferencias están en el Indo-Pacífico |
✅ |
Sudeste Asiático: +1,26 m. Melanesia: +1,16 m. Europa: +0,05 m |
77–132 millones de personas bajo el nivel del mar |
✅ |
Rango reproducido: 76,6M (GLL-DTM, LandScan) – 132,2M (DeltaDTM, WorldPop) |
31–37% más tierra y 48–68% más personas |
⚠️ |
Nuestros datos (4 DEMs × 2 datasets de población = 8 combinaciones) muestran rangos de +12% a +211%. El paper reporta 31–37% (tierra) y 48–68% (personas), probablemente con un subconjunto específico de DEMs |
90% asumen nivel del mar basado en geoide |
✅ |
90,7% de papers no documentaron conversión del datum vertical |
Limitaciones: (1) Los offsets del supplementary son promedios por región a 1.000 m de resolución; el paper puede usar un filtro costero más estrecho, lo que explica la discrepancia 0,22 m vs 0,27 m. (2) La estimación de población depende del DEM y del dataset poblacional — las combinaciones producen un rango amplio. (3) Las proyecciones de +1 m son escenarios hipotéticos, no predicciones temporales. (4) El paper sugiere que las discrepancias «pueden tener implicaciones» — no es una predicción causal de inundaciones.
Ahora tú#
¿Qué pasa con menos subida? Cambia
ESCENARIO_RSLRa 0,5 o 0,3 m y recalcula el impacto. ¿Sigue siendo significativa la diferencia EGM96 vs MDT?Explora por país.
df_impactotiene datos de regiones y subregiones. ¿Cuál es la región donde la corrección afecta a más personas en proporción a su población?¿Mejoró en 2024–2025? Filtra
df_lit[df_lit['year'] >= 2024]. ¿Hay señales de que la comunidad empezó a corregir el problema?
# --- EXPERIMENTA AQUÍ ---
# ¿Qué región tiene la mayor discrepancia PROPORCIONAL entre EGM96 y MDT?
df_exp = df_impacto[~df_impacto['region'].isin(['Global', 'Antarctica'])].copy()
df_exp = df_exp[df_exp['egm96_1m_pop_wp'] > 0]
df_exp['diff_pct'] = ((df_exp['mdt_1m_pop_wp'] - df_exp['egm96_1m_pop_wp'])
/ df_exp['egm96_1m_pop_wp'] * 100)
# Top 5 por discrepancia proporcional
top5 = df_exp.nlargest(5, 'diff_pct')[['region', 'egm96_1m_pop_wp', 'mdt_1m_pop_wp', 'diff_pct']]
print("Top 5 regiones por discrepancia proporcional (CoastalDEM, WorldPop):")
for _, row in top5.iterrows():
print(f" {row['region']:50} EGM96={row['egm96_1m_pop_wp']/1e6:.1f}M → MDT={row['mdt_1m_pop_wp']/1e6:.1f}M (+{row['diff_pct']:.0f}%)")
Top 5 regiones por discrepancia proporcional (CoastalDEM, WorldPop):
Melanesia, Micronesia, Polynesia EGM96=0.0M → MDT=0.2M (+453%)
Asia EGM96=16.8M → MDT=65.7M (+291%)
Vietnamese Mekong Delta EGM96=2.4M → MDT=9.4M (+290%)
Southeast Asia EGM96=8.3M → MDT=32.1M (+288%)
Pacific Region EGM96=0.1M → MDT=0.2M (+220%)
Paper: Vetter, T. et al. (2026). Nature. DOI: 10.1038/s41586-026-10196-1 Datos: Supplementary Tables (MOESM2–MOESM5) — distribución por continente, impacto por DEM, evaluación de literatura Licencia datos: CC-BY 4.0 Código: Ciencia a Mordiscos — El Lab