La deforestación baja el umbral climático del Amazonas en 2 °C (según el modelo)#
1,5 °C era la meta climática del Acuerdo de París. Un nuevo modelo del Amazonas dice que, con la deforestación que ya hay proyectada, ese mismo 1,5 °C basta para que dos tercios del bosque pierdan estabilidad. Sin deforestación, el umbral está en 3,7-4 °C.
Según el modelo, la deforestación sola baja el umbral crítico dos grados Celsius.
📄 Paper: Wunderling et al. (2026) · Nature · 10.1038/s41586-026-10456-0
🎬 Video corto: [Pendiente]
▶ Reproducir en Colab: 
Qué hicieron#
El equipo construyó un modelo dinámico del Amazonas (PyCascades) sobre una grilla de 416 celdas de 1° × 1° que cubre toda la cuenca. Cada celda se simuló bajo cuatro escenarios climáticos (los SSPs estándar, de bajo a alto calentamiento) entre 1950 y 2099, con paso mensual.
El modelo no solo evalúa cada celda por separado: también traza cómo el agua que evapora una zona del bosque viaja por la atmósfera y cae como lluvia río arriba. Cuando una región se seca, deja de regar a las vecinas — y eso puede empujarlas a su propio umbral. La simulación corrió 1,25 millones de veces (3.000 réplicas por celda × 10 ensembles — corridas paralelas con condiciones iniciales distintas) para mapear esos efectos en cascada.
Lo que encontraron: la deforestación que ya está proyectada cambia drásticamente cuándo el sistema colapsa.
Importante: esto es un modelo. El paper habla siempre en términos de riesgo y proyección, no de certeza. Aquí mantenemos ese mismo registro.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
UMBRAL_PARIS = 1.5 # °C — meta del Acuerdo de París
UMBRAL_SIN_DEFOR = 3.85 # °C — punto medio del rango sin deforestación (3,7-4,0)
UMBRAL_CON_DEFOR = 1.7 # °C — punto medio del rango con deforestación (1,5-1,9)
FUENTE = ('Fuente: Wunderling et al. (2026), Nature 10.1038/s41586-026-10456-0 | '
'Datos: Figs S2-S6 + Tabla 1 del paper')
COLOR_SIN_DEFOR = '#059669' # Verde — escenario protegido
COLOR_CON_DEFOR = '#DC2626' # Rojo — escenario BaU deforestación
COLOR_REFERENCIA = '#D97706' # Ámbar — meta climática
COLOR_CONTEXTO = '#7C3AED' # Violeta — variables secundarias
# ══════════════════════════════════════════════════════════════
# Setup
# ══════════════════════════════════════════════════════════════
import os, urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.patches import FancyArrowPatch
# Estilo CaM (local primero, fallback a GitHub)
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)
os.makedirs('figuras', exist_ok=True)
# Carga de los 6 datasets reconstruidos del paper + SI
ssp = pd.read_csv('datos/transition_2090s_por_ssp.csv')
headlines = pd.read_csv('datos/headline_thresholds.csv')
ssp_defor = pd.read_csv('datos/ssp_defor_2090.csv')
decadal_map = pd.read_csv('datos/decadal_map_only.csv')
decadal_mcwd = pd.read_csv('datos/decadal_mcwd_only.csv')
umbrales = pd.read_csv('datos/umbrales_criticos.csv')
print(f'Escenarios SSP cargados: {ssp.shape[0]}')
print(f'Calentamiento 2090s: {ssp["warming_2090s_C"].min()}-{ssp["warming_2090s_C"].max()} °C')
print(f'Décadas evaluadas (MAP): {decadal_map["decade"].nunique()} por SSP')
print(f'Variables de umbral hidrológico: {umbrales["variable"].tolist()}')
Escenarios SSP cargados: 4
Calentamiento 2090s: 1.8-4.9 °C
Décadas evaluadas (MAP): 8 por SSP
Variables de umbral hidrológico: ['MAP', 'MCWD']
¿Qué tan distinto es el destino del Amazonas con y sin deforestación?#
Aquí está.
fig, ax = plt.subplots(figsize=(13, 5.5))
x = np.arange(len(ssp))
ancho = 0.36
barras_sin = ax.bar(x - ancho/2, ssp['transitioned_pct_sin_deforestacion'],
yerr=ssp['std_sin_deforestacion'], width=ancho,
color=COLOR_SIN_DEFOR, alpha=0.85,
edgecolor='white', linewidth=1.2,
error_kw=dict(ecolor='#444444', capsize=4, capthick=1.2, lw=1.2))
barras_con = ax.bar(x + ancho/2, ssp['transitioned_pct_con_deforestacion'],
yerr=ssp['std_con_deforestacion'], width=ancho,
color=COLOR_CON_DEFOR, alpha=0.85,
edgecolor='white', linewidth=1.2,
error_kw=dict(ecolor='#444444', capsize=4, capthick=1.2, lw=1.2))
# Inline labels — reemplazan legend box
ax.text(3.5 - ancho/2, ssp['transitioned_pct_sin_deforestacion'].iloc[-1] + 9,
'Sin deforestación', fontsize=10, color=COLOR_SIN_DEFOR,
fontweight='bold', ha='center')
ax.text(3.5 + ancho/2, ssp['transitioned_pct_con_deforestacion'].iloc[-1] + 9,
'Con deforestación BaU', fontsize=10, color=COLOR_CON_DEFOR,
fontweight='bold', ha='center')
# Etiquetas de valor sobre cada barra
for i, (sin_v, con_v) in enumerate(zip(ssp['transitioned_pct_sin_deforestacion'],
ssp['transitioned_pct_con_deforestacion'])):
ax.text(i - ancho/2, sin_v + 2.5, f'{int(sin_v)}%',
ha='center', fontsize=9, color=COLOR_SIN_DEFOR, fontweight='bold')
ax.text(i + ancho/2, con_v + 2.5, f'{int(con_v)}%',
ha='center', fontsize=9, color=COLOR_CON_DEFOR, fontweight='bold')
ax.set_xticks(x)
ax.set_xticklabels([f'{row["ssp"]}\n+{row["warming_2090s_C"]} °C' for _, row in ssp.iterrows()],
fontsize=10)
ax.set_ylabel('Área del Amazonas en transición (%) — fin de siglo', fontsize=10)
ax.set_ylim(0, 100)
ax.set_title('¿Qué tan distinto es el destino del Amazonas con y sin deforestación?',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Proyección a 2090s, ensemble de 1,25 millones de simulaciones',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
# Nota explicativa (error bars)
ax.text(0.98, 0.96, 'Barras: ± 1 desv. estándar del ensemble',
transform=ax.transAxes, fontsize=8, color='#999999',
ha='right', va='top', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/01_transicion_por_ssp.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que llama la atención: en SSP1-2.6 — el escenario que más se acerca al objetivo de París, con +1,8 °C — el modelo proyecta 0% de área en transición sin deforestación y 62% con deforestación BaU. La diferencia entre escenarios — 62 puntos porcentuales — corresponde al efecto de proteger vs no proteger el bosque en el modelo.
Conforme el calentamiento sube, las dos barras se acercan: en SSP3-7.0 (+4 °C) la diferencia baja a 43 pp. La razón es brutal — a 4 °C el sistema climático ya está empujando el Amazonas por su cuenta, así que la contribución adicional de la deforestación pesa menos al margen. La protección del bosque rinde más exactamente en los escenarios donde todavía se puede ganar.
Las barras de error reflejan la dispersión entre los ~3.000 miembros del ensemble por celda. Que en SSP1-2.6 sin deforestación sean cero indica que prácticamente todas las simulaciones coinciden: el Amazonas aguanta esa cantidad de calentamiento si conserva su bosque.
El umbral, traducido#
El paper resume todo en una cifra: a partir de qué calentamiento el sistema entra en transición sistémica. Veámoslo directamente.
fig, ax = plt.subplots(figsize=(13, 4.8))
# Dos barras horizontales: rangos del umbral según escenario
y_sin = 1
y_con = 0
h = headlines
sin_min, sin_max = h.loc[h.escenario=='sin_deforestacion', ['umbral_warming_C_min','umbral_warming_C_max']].iloc[0]
con_min, con_max = h.loc[h.escenario=='con_deforestacion_BaU', ['umbral_warming_C_min','umbral_warming_C_max']].iloc[0]
ax.barh(y_sin, sin_max - sin_min, left=sin_min, height=0.32,
color=COLOR_SIN_DEFOR, alpha=0.7, edgecolor='white')
ax.barh(y_con, con_max - con_min, left=con_min, height=0.32,
color=COLOR_CON_DEFOR, alpha=0.7, edgecolor='white')
# Línea de París
ax.axvline(x=UMBRAL_PARIS, color=COLOR_REFERENCIA, linewidth=2,
linestyle='--', alpha=0.85)
ax.text(UMBRAL_PARIS + 0.05, -0.55, 'Meta de París (+1,5 °C)',
fontsize=10, color=COLOR_REFERENCIA, fontweight='bold')
# Flecha mostrando el desplazamiento del umbral
media_sin = (sin_min + sin_max) / 2
media_con = (con_min + con_max) / 2
ax.annotate('', xy=(media_con, 0.5), xytext=(media_sin, 0.5),
arrowprops=dict(arrowstyle='->', color='#444444', lw=2.2))
ax.text((media_sin + media_con) / 2, 0.62,
f'La deforestación baja\nel umbral ~{media_sin - media_con:.1f} °C',
fontsize=11, color='#222222', ha='center', fontweight='bold')
# Labels para cada barra (texto descriptivo a la derecha del rango)
ax.text(sin_max + 0.15, y_sin, f' Sin deforestación: hasta 33% transiciona',
fontsize=10, color=COLOR_SIN_DEFOR, fontweight='bold', va='center')
ax.text(con_max + 0.15, y_con, f' Con deforestación 22-28%: 62-77% transiciona',
fontsize=10, color=COLOR_CON_DEFOR, fontweight='bold', va='center')
# Anotación con valor del rango sobre cada barra
ax.text(media_sin, y_sin + 0.22, f'{sin_min}-{sin_max} °C',
ha='center', fontsize=10, color=COLOR_SIN_DEFOR, fontweight='bold')
ax.text(media_con, y_con + 0.22, f'{con_min}-{con_max} °C',
ha='center', fontsize=10, color=COLOR_CON_DEFOR, fontweight='bold')
ax.set_yticks([y_con, y_sin])
ax.set_yticklabels(['Con\ndeforestación', 'Sin\ndeforestación'],
fontsize=10, fontweight='bold')
ax.get_yticklabels()[0].set_color(COLOR_CON_DEFOR)
ax.get_yticklabels()[1].set_color(COLOR_SIN_DEFOR)
ax.set_xlim(0.5, 6.0)
ax.set_ylim(-0.7, 1.6)
ax.set_xlabel('Calentamiento global (°C sobre niveles preindustriales)', fontsize=10)
ax.set_title('El umbral del Amazonas se mueve dos grados',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'A partir de qué temperatura el sistema entra en transición sistémica',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.05, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/02_umbral_desplazado.png', dpi=200, bbox_inches='tight')
plt.show()
¿Cómo se llega a esos números, década por década?#
El umbral final es una foto de fin de siglo. Pero cuando el modelo separa los dos motores hidrológicos que lo controlan — la lluvia anual total (MAP) y el déficit acumulado en la estación seca (MCWD) — se ve que cada uno empuja en momentos distintos del recorrido.
Estas son las simulaciones del paper que aíslan cada motor por separado en SSP3-7.0 (el escenario intermedio-alto):
fig, ax = plt.subplots(figsize=(13, 5))
# Filtrar SSP3-7.0 (el escenario más informativo: muestra el cruce de motores)
map_ssp3 = decadal_map[decadal_map['ssp']=='SSP3-7.0'].sort_values('decade')
mcwd_ssp3 = decadal_mcwd[decadal_mcwd['ssp']=='SSP3-7.0'].sort_values('decade')
ax.plot(map_ssp3['decade'], map_ssp3['transitioned_pct'],
marker='o', markersize=8, linewidth=2.2, color=COLOR_CON_DEFOR,
markeredgecolor='white', markeredgewidth=1.2)
ax.plot(mcwd_ssp3['decade'], mcwd_ssp3['transitioned_pct'],
marker='s', markersize=8, linewidth=2.2, color=COLOR_CONTEXTO,
markeredgecolor='white', markeredgewidth=1.2)
# Inline labels al final de cada línea
x_last_map = map_ssp3['decade'].iloc[-1]
y_last_map = map_ssp3['transitioned_pct'].iloc[-1]
x_last_mcwd = mcwd_ssp3['decade'].iloc[-1]
y_last_mcwd = mcwd_ssp3['transitioned_pct'].iloc[-1]
ax.text(x_last_map + 2, y_last_map, 'Solo lluvia anual\n(MAP)',
fontsize=10, color=COLOR_CON_DEFOR, fontweight='bold', va='center')
ax.text(x_last_mcwd + 2, y_last_mcwd, 'Solo déficit estación seca\n(MCWD)',
fontsize=10, color=COLOR_CONTEXTO, fontweight='bold', va='center')
ax.set_xlabel('Década', fontsize=10)
ax.set_ylabel('Área en transición (%)', fontsize=10)
ax.set_xlim(2015, 2110)
ax.set_ylim(-2, 55)
ax.set_xticks([2020, 2040, 2060, 2080, 2100])
ax.set_title('Cada motor empuja en momentos distintos del siglo',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Escenario SSP3-7.0 — simulaciones aislando un motor a la vez',
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/03_motores_decadal.png', dpi=200, bbox_inches='tight')
plt.show()
¿Qué tan al filo está el sistema hidrológico?#
El umbral en grados Celsius es la salida del modelo. Pero por debajo hay otro número crítico — cuánta lluvia recibe el Amazonas y a qué distancia está del mínimo que un bosque tropical puede tolerar. Esa es la variable que la deforestación toca directamente al cortar el reciclaje de humedad.
fig, ax = plt.subplots(figsize=(13, 5))
# Lluvia anual: actual vs límite seguro vs umbral crítico
u_map = umbrales[umbrales['variable']=='MAP'].iloc[0]
actual = u_map['promedio_basin_mm_yr']
limite = u_map['limite_seguro_mm_yr']
umbral = u_map['umbral_critico_mm_yr']
umbral_min = u_map['umbral_critico_min']
umbral_max = u_map['umbral_critico_max']
# Eje horizontal: rango de lluvia mm/yr
x_min, x_max = 600, 2400
ax.set_xlim(x_min, x_max)
ax.set_ylim(0, 1)
ax.set_yticks([])
# Banda 'umbral crítico' (zona donde el bosque no aguanta)
ax.axvspan(x_min, umbral_max, color=COLOR_CON_DEFOR, alpha=0.18)
ax.text((x_min + umbral_max)/2, 0.92, 'Por debajo de aquí:\nel bosque tropical pierde estabilidad',
fontsize=9, color=COLOR_CON_DEFOR, ha='center', fontweight='bold')
# Banda 'zona segura'
ax.axvspan(limite, x_max, color=COLOR_SIN_DEFOR, alpha=0.12)
ax.text((limite + x_max)/2, 0.92, 'Zona estable',
fontsize=9, color=COLOR_SIN_DEFOR, ha='center', fontweight='bold')
# Línea vertical: lluvia actual
ax.axvline(x=actual, color='#222222', linewidth=2.5)
ax.text(actual, 0.55, f' Hoy: {int(actual)} mm/año',
fontsize=11, color='#222222', fontweight='bold', va='center')
# Marcador del umbral central
ax.axvline(x=umbral, color=COLOR_CON_DEFOR, linewidth=2, linestyle='--')
ax.text(umbral, 0.30, f'Umbral: {int(umbral)} mm/año\n(rango {int(umbral_min)}-{int(umbral_max)})',
fontsize=10, color=COLOR_CON_DEFOR, fontweight='bold', ha='center')
# Flecha bidireccional mostrando margen actual
ax.annotate('', xy=(umbral, 0.15), xytext=(actual, 0.15),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text((actual + umbral)/2, 0.08,
f'Margen actual: {int(actual - umbral)} mm/año',
fontsize=10, color='#666666', ha='center', style='italic')
ax.set_xlabel('Lluvia anual promedio en la cuenca amazónica (mm/año)', fontsize=10)
ax.set_title('¿Qué tan lejos está el Amazonas del mínimo que tolera un bosque tropical?',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Lluvia anual hoy vs umbral crítico estimado por el modelo',
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/04_margen_hidrologico.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
La deforestación BaU baja el umbral crítico ~2 °C |
✅ |
Sin deforestación: 3,7-4,0 °C. Con deforestación 22-28%: 1,5-1,9 °C. Diferencia entre puntos medios: 2,15 °C. ( |
En SSP1-2.6 (+1,8 °C), la deforestación cambia el destino del Amazonas en 62 puntos porcentuales |
✅ |
Sin deforestación: 0% del área transiciona; con deforestación: 62% (± 5%). ( |
A 4 °C la diferencia entre escenarios se reduce |
✅ |
En SSP3-7.0 la brecha cae a 43 pp (35% sin vs 78% con). El sistema climático ya empuja por su cuenta. |
Lluvia anual actual del Amazonas vs umbral crítico |
⚠️ |
Hoy ~2.000 mm/año, umbral central ~1.000 mm/año (rango 880-1.100). El margen es real pero la deforestación reduce activamente la lluvia vía moisture recycling. |
Las transiciones provienen mayormente de cascadas espaciales |
⚠️ |
Es lo que el paper enmarca como hallazgo central, pero el dataset agregado del notebook no separa transiciones locales de cascadas. Verificable en Figs S11-S14 del SI. |
Limitaciones:
Los datos del notebook son valores reconstruidos a partir de las figuras y tabla 1 del paper (el archivo de Figshare contiene el código del modelo, no los resultados tabulados).
El modelo no simula explícitamente dinámicas de fuego — la asunción de transiciones locales lo incluye implícitamente, pero faltan las interacciones drought-fire.
Los SSPs estándar no incluyen escenarios de deforestación severa; el paper agregó un escenario BaU adicional siguiendo Soares-Filho et al. (2013).
Resultados son proyecciones de modelo, no observaciones. El reciclaje de humedad (moisture recycling) validado contra ERA5 (el reanálisis climático estándar) muestra un sesgo de +5,5% (R² = 0,59).
El modelo se basa en NorESM2 (un modelo climático global noruego, parte del set CMIP6); otros modelos climáticos podrían arrojar umbrales distintos.
Ahora tú#
¿Qué pasa si la deforestación se quedara congelada en el nivel actual (≈20%) en lugar de subir a BaU? El paper trae el escenario en
ssp_defor_2090.csv— comparar la columnatransitioned_con_defor_pctallí (deforestación moderada) con la detransition_2090s_por_ssp.csv(BaU) por SSP.¿Cuál motor hidrológico — MAP o MCWD — explica más transición acumulada al fin de siglo? Sumar
transitioned_pctpor motor en los archivosdecadal_map_only.csvydecadal_mcwd_only.csv.¿Qué tan separados están los rangos del umbral con vs sin deforestación? Calcular la mínima distancia entre los dos intervalos. Si no se traslapan, el efecto de la deforestación es estadísticamente claro incluso en los bordes.
# --- EXPERIMENTA AQUÍ ---
# Pregunta 1: ¿Cuánto cambia el destino del Amazonas si la deforestación se queda en el nivel actual
# (~20-25%) en vez de seguir hasta BaU?
comparacion = pd.merge(
ssp[['ssp', 'warming_2090s_C', 'transitioned_pct_con_deforestacion']].rename(
columns={'transitioned_pct_con_deforestacion': 'BaU'}),
ssp_defor[['ssp', 'transitioned_con_defor_pct']].rename(
columns={'transitioned_con_defor_pct': 'moderada'}),
on='ssp')
comparacion['diferencia_pp'] = comparacion['BaU'] - comparacion['moderada']
print('Área en transición a fin de siglo (%) — deforestación moderada vs BaU')
print(comparacion.to_string(index=False))
print()
print(f'Reducción promedio si se contiene la deforestación: '
f'{comparacion["diferencia_pp"].mean():.1f} puntos porcentuales')
Área en transición a fin de siglo (%) — deforestación moderada vs BaU
ssp warming_2090s_C BaU moderada diferencia_pp
SSP1-2.6 1.8 62 10 52
SSP2-4.5 2.8 61 16 45
SSP3-7.0 4.0 78 46 32
SSP5-8.5 4.9 75 33 42
Reducción promedio si se contiene la deforestación: 42.8 puntos porcentuales
Fuentes#
Paper: Deforestation-induced drying lowers Amazon climate threshold
Nature, 2026-05-06
Supplementary Material: Figs S1–S14 con valores numéricos por SSP, década y umbral
Nature (Supplementary Information), 2026-05-06
Dataset canónico: Code to the manuscript “Deforestation-induced drying lowers amazon climate threshold”
Figshare — código PyCascades + escenarios SSP land-use
Referencias citadas: ORNL DAAC
11 afirmaciones del notebook verificadas contra estas fuentes
Repositorio del Lab: github.com/Ciencia-a-Mordiscos/lab — todos los notebooks reproducibles del canal.
Licencia: MIT (código) · CC-BY 4.0 (texto y figuras)