La corriente que mueve el calor del planeta se está apagando — y el Océano Sur se adelantó#
1.300 años escondidos en corales de aguas profundas. Y lo que dicen no es tranquilizador.
Paper: Thresher, R. et al. (2026). Millennial-scale Atlantic overturning circulation led by the Southern Ocean. Nature Geoscience. DOI: 10.1038/s41561-026-01959-6 Datos: CSIRO Data Collection + GitHub (AMOC Analysis)
La cinta transportadora oceánica#
La circulación meridional de vuelco (AMOC, por sus siglas en inglés) es la gran cinta transportadora del océano: mueve calor, carbono y nutrientes entre hemisferios. Si se debilita, Europa se enfría, los monzones se desplazan y el nivel del mar sube de forma desigual.
Sabemos que se ha debilitado en las últimas décadas, pero los registros instrumentales son cortos (~20 años). ¿Cómo saber si esto es normal?
Un equipo australiano encontró la forma de mirar más atrás: analizó la química de corales bambú de aguas profundas del Pacífico suroeste, que registran la temperatura del Agua Intermedia Antártica (AAIW) como un termómetro natural. El ratio Mg/Ca en su calcita crece con la temperatura del agua intermedia — y más temperatura indica más circulación.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
PERIODO_MEDIEVAL = (900, 1200) # Anomalía Climática Medieval
PERIODO_MODERNO = 1900 # Inicio era moderna
PERIODO_RECIENTE = 1990 # Últimas dos décadas de datos
COLOR_SO = '#2563EB' # Azul — Océano Sur
COLOR_NA = '#DC2626' # Rojo — Atlántico Norte
COLOR_REF = '#D97706' # Ámbar — referencia
COLOR_SEC = '#059669' # Emerald — secundario
FUENTE = 'Fuente: Thresher et al. (2026), Nat. Geosci. | Datos: CSIRO + GitHub (AMOC Analysis)'
# ── Imports ──
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
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)
# ── Datos ──
# Proxy Océano Sur (AAIW Mg/Ca — corales bambú, 698-2011 CE)
df_so = pd.read_csv('datos/aaiw_proxy_mgca.csv')
# Proxy Atlántico Norte (Rahmstorf et al. 2015 — SST AMOC index, 900-1995 CE)
df_na = pd.read_csv('datos/rahmstorf_amoc_index.csv')
# Proxy AMOC moderno (Caesar et al. 2018 — 1871-2016 CE)
df_caesar = pd.read_csv('datos/caesar_amoc_proxy.csv')
print(f"Proxy Océano Sur: {len(df_so):,} puntos ({df_so['year_ce'].min():.0f}–{df_so['year_ce'].max():.0f} CE)")
print(f"Proxy AMOC (Rahmstorf): {len(df_na):,} puntos ({df_na['year_ce'].min():.0f}–{df_na['year_ce'].max():.0f} CE)")
print(f"Proxy AMOC moderno (Caesar): {len(df_caesar):,} puntos ({df_caesar['year_ce'].min():.0f}–{df_caesar['year_ce'].max():.0f} CE)")
Proxy Océano Sur: 1,038 puntos (698–2011 CE)
Proxy AMOC (Rahmstorf): 1,096 puntos (900–1995 CE)
Proxy AMOC moderno (Caesar): 146 puntos (1871–2016 CE)
1.300 años en una gráfica#
Aquí está.
fig, ax = plt.subplots(figsize=(13, 5.5))
# Rolling 30-year average for trend
df_so_sorted = df_so.sort_values('year_ce')
rolling = df_so_sorted['mgca_mmol_mol'].rolling(30, center=True).mean()
# Raw data (light)
ax.scatter(df_so_sorted['year_ce'], df_so_sorted['mgca_mmol_mol'],
color=COLOR_SO, s=8, alpha=0.15, zorder=3)
# Rolling average (bold)
ax.plot(df_so_sorted['year_ce'], rolling,
color=COLOR_SO, linewidth=2.5, zorder=4, label='Media móvil 30 años')
# Medieval Warm Period
ax.axvspan(*PERIODO_MEDIEVAL, color=COLOR_REF, alpha=0.08, zorder=1)
ax.text(1050, 100, 'Anomalía Climática\nMedieval', fontsize=9, color=COLOR_REF,
ha='center', va='bottom', style='italic')
# Modern era
ax.axvspan(PERIODO_MODERNO, 2020, color=COLOR_NA, alpha=0.06, zorder=1)
ax.text(1960, 100, 'Era\nmoderna', fontsize=9, color=COLOR_NA,
ha='center', va='bottom', style='italic')
# Minimum marker
min_idx = df_so_sorted['mgca_mmol_mol'].rolling(30, center=True).mean().idxmin()
if pd.notna(min_idx):
min_year = df_so_sorted.loc[min_idx, 'year_ce']
min_val = rolling.loc[min_idx]
ax.annotate(f'Mínimo: {min_val:.1f}\n({min_year:.0f})',
xy=(min_year, min_val), xytext=(min_year - 120, min_val - 5),
fontsize=10, fontweight='bold', color=COLOR_NA,
arrowprops=dict(arrowstyle='->', color=COLOR_NA, lw=1.5))
ax.set_title('¿Cuánto se ha debilitado la circulación del Océano Sur?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Ratio Mg/Ca en corales bambú del Pacífico suroeste — proxy de temperatura del AAIW',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Año (CE)')
ax.set_ylabel('Mg/Ca (mmol/mol)')
ax.set_xlim(680, 2020)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/aaiw_proxy_1300_years.png', dpi=200, bbox_inches='tight')
plt.show()
La tendencia descendente es clara. Durante el período medieval (900–1200 CE), el Mg/Ca promediaba 87,8 mmol/mol. Hoy ronda los 76,8 — una caída del 12,5% respecto al período medieval (Cohen’s d = 4,83, efecto enorme).
Pero la caída no fue uniforme. Hubo episodios de recuperación parcial y descensos abruptos. Lo que sí es claro: el mínimo absoluto de los 1.300 años ocurrió en 1972 — dentro de nuestra era.
La media moderna (76,8 mmol/mol) se ubica en el percentil 8 de toda la serie. Traducción: en el 92% de los últimos 1.313 años, la circulación del Océano Sur fue más fuerte que ahora.
¿Qué pasa en el Atlántico Norte?#
Si el Océano Sur se apaga, ¿qué hace la AMOC del otro lado del planeta? Veamos los dos registros juntos.
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(13, 8), sharex=True,
gridspec_kw={'hspace': 0.15})
# ── Panel superior: Océano Sur ──
df_so_s = df_so.sort_values('year_ce')
rolling_so = df_so_s['mgca_mmol_mol'].rolling(30, center=True).mean()
ax1.scatter(df_so_s['year_ce'], df_so_s['mgca_mmol_mol'],
color=COLOR_SO, s=6, alpha=0.12, zorder=3)
ax1.plot(df_so_s['year_ce'], rolling_so,
color=COLOR_SO, linewidth=2, zorder=4)
ax1.set_ylabel('Mg/Ca (mmol/mol)', color=COLOR_SO)
ax1.text(0.02, 0.92, 'Océano Sur (AAIW proxy)', transform=ax1.transAxes,
fontsize=11, fontweight='bold', color=COLOR_SO, va='top')
ax1.tick_params(axis='y', colors=COLOR_SO)
# ── Panel inferior: Atlántico Norte ──
df_na_s = df_na.sort_values('year_ce')
rolling_na = df_na_s['amoc_index_k'].rolling(30, center=True).mean()
ax2.scatter(df_na_s['year_ce'], df_na_s['amoc_index_k'],
color=COLOR_NA, s=6, alpha=0.12, zorder=3)
ax2.plot(df_na_s['year_ce'], rolling_na,
color=COLOR_NA, linewidth=2, zorder=4)
ax2.set_ylabel('Índice AMOC (K)', color=COLOR_NA)
ax2.set_xlabel('Año (CE)')
ax2.text(0.02, 0.92, 'Atlántico Norte (Rahmstorf et al. 2015)', transform=ax2.transAxes,
fontsize=11, fontweight='bold', color=COLOR_NA, va='top')
ax2.tick_params(axis='y', colors=COLOR_NA)
# Shading for both panels
for ax in [ax1, ax2]:
ax.axvspan(*PERIODO_MEDIEVAL, color=COLOR_REF, alpha=0.06, zorder=1)
ax.axvspan(PERIODO_MODERNO, 2020, color='#999999', alpha=0.06, zorder=1)
ax2.set_xlim(680, 2020)
fig.suptitle('Dos océanos, una misma historia de debilitamiento',
fontsize=14, fontweight='bold', y=1.02)
fig.text(0.5, 0.99, 'Promedios móviles de 30 años — el Océano Sur (arriba) y el Atlántico Norte (abajo) declinan en paralelo',
fontsize=10, color='#666666', ha='center', transform=fig.transFigure)
fig.text(0.13, -0.02, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/comparacion_so_na.png', dpi=200, bbox_inches='tight')
plt.show()
¿Quién lidera a quién?#
Los dos registros bajan juntos. Pero ¿cuál se mueve primero?
El paper propone algo notable: los cambios en el Océano Sur preceden a los del Atlántico Norte. No al revés. Podemos verificarlo.
# Promedios por década para reducir ruido
aaiw_dec = df_so.copy()
aaiw_dec['decade'] = (aaiw_dec['year_ce'] // 10) * 10
aaiw_by_dec = aaiw_dec.groupby('decade')['mgca_mmol_mol'].mean().reset_index()
rahm_dec = df_na.copy()
rahm_dec['decade'] = (rahm_dec['year_ce'] // 10) * 10
rahm_by_dec = rahm_dec.groupby('decade')['amoc_index_k'].mean().reset_index()
merged = aaiw_by_dec.merge(rahm_by_dec, on='decade')
# Calcular correlación a cada lag
lags = range(-8, 9)
rhos = []
p_vals = []
for lag in lags:
shifted = merged.copy()
shifted['mgca_shifted'] = shifted['mgca_mmol_mol'].shift(lag)
valid = shifted.dropna()
if len(valid) > 10:
rho, p = stats.spearmanr(valid['mgca_shifted'], valid['amoc_index_k'])
rhos.append(rho)
p_vals.append(p)
else:
rhos.append(np.nan)
p_vals.append(np.nan)
fig, ax = plt.subplots(figsize=(10, 5.5))
lags_list = list(lags)
colors = [COLOR_SO if l > 0 else COLOR_NA if l < 0 else '#666666' for l in lags_list]
sig = [p < 0.05 for p in p_vals]
bars = ax.bar(lags_list, rhos, color=colors, alpha=0.7, edgecolor='white', linewidth=0.8)
# Mark significance
for i, (l, r, s) in enumerate(zip(lags_list, rhos, sig)):
if s and not np.isnan(r):
ax.text(l, r + 0.02, '*', fontsize=14, ha='center', fontweight='bold',
color='#333333')
# Peak annotation
max_idx = np.nanargmax(rhos)
peak_lag = lags_list[max_idx]
peak_rho = rhos[max_idx]
ax.annotate(f'Máxima: ρ = {peak_rho:.3f}\n(SO lidera {peak_lag}0 años)',
xy=(peak_lag, peak_rho), xytext=(peak_lag - 4, peak_rho - 0.15),
fontsize=10, fontweight='bold', color=COLOR_SO,
arrowprops=dict(arrowstyle='->', color=COLOR_SO, lw=1.5))
ax.axhline(0, color='#999999', linewidth=0.8, zorder=1)
ax.axvline(0, color='#999999', linewidth=0.8, linestyle='--', alpha=0.5)
# Labels
ax.text(-6, -0.05, '← NA lidera SO', fontsize=9, color=COLOR_NA,
ha='center', style='italic')
ax.text(6, -0.05, 'SO lidera NA →', fontsize=9, color=COLOR_SO,
ha='center', style='italic')
ax.set_title('¿Quién se mueve primero?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Correlación cruzada (Spearman) entre proxies del Océano Sur y Atlántico Norte — promedios decadales',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Desplazamiento (décadas)')
ax.set_ylabel('Spearman ρ')
ax.text(0.98, 0.02, '* p < 0,05', transform=ax.transAxes,
fontsize=8, color='#999999', ha='right', va='bottom', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/lead_lag_correlacion.png', dpi=200, bbox_inches='tight')
plt.show()
# Print key values
print(f"Lag 0 (simultáneo): ρ = {rhos[lags_list.index(0)]:.3f}")
print(f"Lag +5 (SO lidera 50 años): ρ = {rhos[lags_list.index(5)]:.3f}")
print(f"Lag -5 (NA lidera 50 años): ρ = {rhos[lags_list.index(-5)]:.3f}")
print(f"\nMáxima correlación en lag = {peak_lag} décadas (ρ = {peak_rho:.3f})")
Lag 0 (simultáneo): ρ = 0.446
Lag +5 (SO lidera 50 años): ρ = 0.569
Lag -5 (NA lidera 50 años): ρ = 0.092
Máxima correlación en lag = 5 décadas (ρ = 0.569)
El patrón es asimétrico. Cuando el Océano Sur va primero (barras azules, a la derecha), la correlación trepa. Cuando el Atlántico Norte va primero (barras rojas, a la izquierda), se desvanece.
La correlación simultánea es ρ = 0,446 (p = 2,3×10⁻⁵). Pero si damos al Océano Sur una ventaja de 5 décadas, salta a ρ = 0,569 (p = 5,5×10⁻⁸, n = 78 décadas). Leer esto en reversa: cuando el Atlántico Norte «lidera» 5 décadas, la correlación baja a 0,092 (p = 0,42, n = 78) — estadísticamente indistinguible de cero.
Los datos sugieren que el Océano Sur se mueve primero.
¿Qué tan inusual es lo que estamos viviendo?#
fig, ax = plt.subplots(figsize=(10, 5.5))
# Histogram of all AAIW values
n, bins, patches = ax.hist(df_so['mgca_mmol_mol'], bins=30, color=COLOR_SO, alpha=0.35,
edgecolor=COLOR_SO, linewidth=0.8)
y_max = n.max() * 1.15
ax.set_ylim(0, y_max)
# Full record mean
full_mean = df_so['mgca_mmol_mol'].mean()
ax.axvline(x=full_mean, color=COLOR_SO, linewidth=2, linestyle='-', alpha=0.8)
ax.text(full_mean + 0.5, y_max * 0.9, f'Media histórica\n{full_mean:.1f}',
fontsize=10, color=COLOR_SO, fontweight='bold')
# Modern mean
modern_mean = df_so[df_so['year_ce'] >= 1900]['mgca_mmol_mol'].mean()
ax.axvline(x=modern_mean, color=COLOR_NA, linewidth=2.5, linestyle='-')
ax.text(modern_mean - 0.5, y_max * 0.75, f'Media moderna\n{modern_mean:.1f}',
fontsize=10, color=COLOR_NA, fontweight='bold', ha='right')
# Bidirectional arrow
ax.annotate('', xy=(modern_mean, y_max * 0.55), xytext=(full_mean, y_max * 0.55),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
diff = full_mean - modern_mean
ax.text((full_mean + modern_mean) / 2, y_max * 0.58,
f'−{diff:.1f} mmol/mol\n(−{diff/full_mean*100:.0f}%)',
fontsize=10, color='#666666', ha='center', fontweight='bold')
# Percentile annotation
pctile = stats.percentileofscore(df_so['mgca_mmol_mol'], modern_mean)
ax.text(modern_mean - 0.5, y_max * 0.45,
f'Percentil {pctile:.0f}',
fontsize=9, color=COLOR_NA, ha='right', style='italic')
ax.set_title('¿Dónde cae la era moderna en 1.313 años de datos?',
fontsize=14, fontweight='bold', pad=20)
ax.text(0.5, 1.02, 'Distribución del Mg/Ca en corales bambú (698–2011 CE)',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Mg/Ca (mmol/mol)')
ax.set_ylabel('Frecuencia')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/histograma_anomalia.png', dpi=200, bbox_inches='tight')
plt.show()
print(f"Media histórica: {full_mean:.1f} mmol/mol")
print(f"Media moderna (≥1900): {modern_mean:.1f} mmol/mol")
print(f"Percentil de la media moderna: {pctile:.1f}")
Media histórica: 86.4 mmol/mol
Media moderna (≥1900): 76.8 mmol/mol
Percentil de la media moderna: 8.0
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
La circulación del Océano Sur ha declinado irregularmente en el último milenio |
✅ |
Tendencia negativa significativa (p < 10⁻⁶⁵). Mg/Ca cae de ~87,8 (medieval) a ~76,8 (moderno), Cohen’s d = 4,83 |
La circulación del Océano Sur correlaciona con la AMOC del Atlántico Norte |
✅ |
Spearman ρ = 0,446 (p = 2,3×10⁻⁵, n = 83 décadas) en promedios decadales del período compartido (900–1990 CE) |
Los cambios en el Océano Sur preceden a los del Atlántico Norte |
✅ |
La correlación cruzada mejora de ρ = 0,446 (simultáneo) a ρ = 0,569 cuando el Océano Sur lidera 5 décadas. En sentido inverso (NA lidera), cae a 0,092 |
Ambas circulaciones están en su punto más débil del último milenio |
✅ |
AAIW: mínimo en 1972 CE (72,21 mmol/mol). AMOC (Rahmstorf): mínimo en 1991 CE (−0,48 K). Media moderna en percentil 8 |
El forzamiento local del Atlántico Norte desde 1950 ha agravado la AMOC |
⚠️ |
No verificable con estos datos. Requiere comparación con modelos climáticos, fuera del alcance de este notebook |
Limitaciones: (1) El proxy Mg/Ca asume una relación lineal con la temperatura del AAIW — sensibilidad puede variar. (2) Los datos decadales del Fact Sheet provienen de promediar series anuales; la resolución temporal real de los corales varía. (3) El análisis lead-lag con promedios decadales (n = 83 décadas compartidas) tiene potencia estadística moderada. (4) La causalidad SO → NA no se puede establecer solo con correlación cruzada; el paper complementa con modelos que aquí no reproducimos.
Ahora tú#
¿Cuándo empezó la caída? El decline no es lineal. ¿Puedes identificar el punto de quiebre? Prueba ajustando un modelo con cambio de pendiente (piecewise linear) a la serie del Océano Sur.
¿Hay estacionalidad en la relación? Los datos de Caesar et al. cubren el período moderno (1871–2016). ¿La correlación SO ↔ NA se mantiene igual en la primera y segunda mitad del siglo XX?
¿Qué pasa con la Antártida? Los datos de Stenni et al. (2017) tienen temperatura antártica reconstruida por regiones. ¿La región que más se correlaciona con el proxy del Océano Sur es la que esperas?
# --- EXPERIMENTA AQUÍ ---
# Pregunta 2: ¿Se mantiene la correlación SO ↔ NA en subperíodos?
# Primera mitad (900-1450) vs segunda mitad (1450-1990)
periodos = [('900–1450', 900, 1450), ('1450–1990', 1450, 1990)]
for nombre, inicio, fin in periodos:
sub = merged[(merged['decade'] >= inicio) & (merged['decade'] <= fin)]
if len(sub) > 10:
rho, p = stats.spearmanr(sub['mgca_mmol_mol'], sub['amoc_index_k'])
print(f"{nombre}: ρ = {rho:.3f}, p = {p:.3e}, n = {len(sub)} décadas")
# Puedes probar también por siglo:
# for century in range(900, 2000, 100):
# sub = merged[(merged['decade'] >= century) & (merged['decade'] < century + 100)]
# if len(sub) > 5:
# rho, p = stats.spearmanr(sub['mgca_mmol_mol'], sub['amoc_index_k'])
# print(f" Siglo {century}: ρ = {rho:.3f}, n = {len(sub)}")
900–1450: ρ = 0.452, p = 1.378e-02, n = 29 décadas
1450–1990: ρ = 0.692, p = 4.736e-09, n = 55 décadas
Créditos#
Paper: Thresher, R., Rintoul, S. & Fallon, S. (2026). Millennial-scale Atlantic overturning circulation led by the Southern Ocean. Nature Geoscience. DOI: 10.1038/s41561-026-01959-6
Datos primarios: CSIRO Data Collection (CC BY 4.0)
Compilación AMOC: Cahill et al. (GitHub) — datos de Rahmstorf et al. (2015), Caesar et al. (2018)
Notebook: Ciencia a Mordiscos — El Lab
Licencia del notebook: CC BY-SA 4.0