El 100% del planeta responde igual a la lluvia más concentrada: con menos agua

Contenido

El 100% del planeta responde igual a la lluvia más concentrada: con menos agua#

100% de la superficie terrestre del planeta. No es una mayoría amplia ni una tendencia regional. Cuando la lluvia se concentra en menos eventos más intensos, el agua disponible en tierra cae. En todas las celdas. En los tres productos de precipitación independientes (CPC, GPCC, GPCP). El efecto es comparable en magnitud al efecto contrario de más lluvia total.

📄 Paper: More concentrated precipitation decreases terrestrial water storage (Lesk & Mankin, Nature, 2026)

🎬 Video: [Pendiente]

Qué midieron y por qué importa#

Lesk & Mankin construyeron índices de concentración Gini (Gp) — qué tan desigual se distribuye la lluvia anual en eventos diarios — para cada celda de 0.5° de la superficie terrestre global, durante 1980-2022. Después corrieron regresiones panel: ¿qué pasa con las reservas hídricas terrestres (TWS, terrestrial water storage) cuando sube la Gini, manteniendo constante la precipitación total?

El resultado los sorprendió a ellos mismos: el efecto secante de la concentración no es marginal. Tiene magnitud comparable al efecto contrario de la precipitación total. Y los modelos hidrológicos lo reproducen — apunta a más evapotranspiración por suelos pulsantes (mojado-seco-mojado) que no retienen tan bien el agua como cuando llueve parejo.

Exploramos los datos derivados del paper (Zenodo) para verlo nosotros.

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
PVALUE_THRESHOLD = 0.05          # umbral de significancia para clasificar cuencas
FUENTE = 'Fuente: Lesk & Mankin (2026), Nature | Datos: Zenodo 10.5281/zenodo.19191145'
COLOR_DATOS = '#2563EB'          # azul CaM — datos principales
COLOR_ALERTA = '#DC2626'         # rojo — efecto secante / drying
COLOR_HUMEDO = '#059669'         # emerald — efecto humectante / wetting
COLOR_REFERENCIA = '#D97706'     # amber — referencia
COLOR_NEUTRO = '#BBBBBB'         # gris — contexto

# Imports
import os, urllib.request, warnings
warnings.filterwarnings('ignore')
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
from scipy import stats

# Estilo CaM
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)

os.makedirs('figuras', exist_ok=True)

# Carga
basins = pd.read_csv('datos/basin_models_no_interaction.csv')
dTWS_npz = np.load('datos/dTWS_dGp_3product_mean.npz')
proj_npz = np.load('datos/projections_dGp_GPCP_int_7pct_K.npz')
std_results = {p: pd.read_csv(f'datos/{p}_std_regression_results.csv') for p in ['CPC', 'GPCC', 'GPCP']}

# Resumen
print(f'Cuencas analizadas:        {len(basins)}')
print(f'Mapa dTWS/dGp:             {dTWS_npz["data"].shape[0]} x {dTWS_npz["data"].shape[1]} celdas (0.5°)')
print(f'Proyección dGp/K:          {proj_npz["data"].shape[0]} x {proj_npz["data"].shape[1]} celdas (1°)')
print(f'Productos de precipitación: {list(std_results.keys())}')

Cuencas analizadas:        494
Mapa dTWS/dGp:             360 x 720 celdas (0.5°)
Proyección dGp/K:          180 x 360 celdas (1°)
Productos de precipitación: ['CPC', 'GPCC', 'GPCP']

Aquí está.#

dTWS_dGp = dTWS_npz['data']
lat = dTWS_npz['lat']
lon = dTWS_npz['lon']

fig, ax = plt.subplots(figsize=(13, 5.5))

# Mapa pcolormesh — los datos van de -76 a -18 mm (todos negativos)
cmap = LinearSegmentedColormap.from_list('drying', ['#DC2626', '#F87171', '#FCA5A5', '#FEE2E2'])
mesh = ax.pcolormesh(lon, lat, dTWS_dGp, cmap=cmap, shading='auto', vmin=-80, vmax=-15)

cbar = plt.colorbar(mesh, ax=ax, shrink=0.75, pad=0.02)
cbar.set_label('Cambio en TWS por unidad de Gini (mm)', fontsize=10)
cbar.ax.tick_params(labelsize=9)

ax.set_xlabel('Longitud (°)')
ax.set_ylabel('Latitud (°)')
ax.set_title('¿En qué parte del planeta más lluvia concentrada implica menos agua disponible?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Media de 3 productos (CPC, GPCC, GPCP) — todos los píxeles tienen el mismo signo: negativo',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

ax.set_xlim(-180, 180)
ax.set_ylim(-60, 85)
ax.grid(True, alpha=0.25, linestyle=':')

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/mapa_dTWS_dGp.png', dpi=200, bbox_inches='tight')
plt.show()

# Verificación numérica del 100%
valid = ~np.isnan(dTWS_dGp)
pct_neg = (dTWS_dGp[valid] < 0).sum() / valid.sum() * 100
print(f'Celdas válidas: {int(valid.sum()):,}')
print(f'Celdas con respuesta TWS negativa al Gini: {pct_neg:.1f}%')
print(f'Mediana: {np.nanmedian(dTWS_dGp):.1f} mm  ·  Rango: [{np.nanmin(dTWS_dGp):.1f}, {np.nanmax(dTWS_dGp):.1f}] mm')

../../_images/fb7c9ca5cd9cd466ebe5fd408302212bd3648a8f40f518ab43306049db9a1b29.png

Celdas válidas: 259,200
Celdas con respuesta TWS negativa al Gini: 100.0%
Mediana: -21.5 mm  ·  Rango: [-76.0, -18.0] mm

El signo no cambia en ninguna parte#

El mapa no es un degradado de signos: es un degradado de intensidades dentro del mismo signo. La mediana global es -21.5 mm de TWS por unidad de Gini — concentración mayor, reservas menores. En ningún rincón del planeta los datos sugieren lo contrario.

Donde el rojo es más intenso, el efecto es más fuerte: hasta -76 mm en zonas semi-áridas. Donde el rojo es más claro, el efecto sigue ahí, solo que más suave. Si el mecanismo fuera regional o discutible, esperaríamos al menos algunas zonas en otro color. No hay.

Bajemos a escala humana: las 494 cuencas hidrográficas#

El mapa anterior pinta píxeles. Pero el agua que la gente toma viene de cuencas. Lesk & Mankin corrieron una regresión panel por cada cuenca grande del mundo (n=494, mediana de R²=0.92) para preguntar: dentro de esta cuenca específica, ¿cómo se comporta el almacenamiento de agua ante más Gini, controlando precipitación y temperatura?

# Clasificar cuencas por signo + significancia
df = basins.copy()
df['drying_sig'] = (df['coef_Gp'] < 0) & (df['pval_Gp'] < PVALUE_THRESHOLD)
df['wetting_sig'] = (df['coef_Gp'] > 0) & (df['pval_Gp'] < PVALUE_THRESHOLD)
df['drying_ns']  = (df['coef_Gp'] < 0) & ~df['drying_sig']
df['wetting_ns'] = (df['coef_Gp'] > 0) & ~df['wetting_sig']

# Porcentajes para la lectura
n = len(df)
pct_dry_sig = df['drying_sig'].sum() / n * 100
pct_wet_sig = df['wetting_sig'].sum() / n * 100
pct_dry_ns  = df['drying_ns'].sum()  / n * 100
pct_wet_ns  = df['wetting_ns'].sum()  / n * 100

fig, ax = plt.subplots(figsize=(11, 6))

# 4 categorías
ax.scatter(df.loc[df['drying_ns'], 'coef_P'], df.loc[df['drying_ns'], 'coef_Gp'],
           color=COLOR_ALERTA, alpha=0.25, s=30, edgecolors='none', label=f'Secante no sig. ({pct_dry_ns:.0f}%)')
ax.scatter(df.loc[df['drying_sig'], 'coef_P'], df.loc[df['drying_sig'], 'coef_Gp'],
           color=COLOR_ALERTA, alpha=0.85, s=40, edgecolors='white', linewidths=0.4, label=f'Secante significativo ({pct_dry_sig:.0f}%)')
ax.scatter(df.loc[df['wetting_ns'], 'coef_P'], df.loc[df['wetting_ns'], 'coef_Gp'],
           color=COLOR_HUMEDO, alpha=0.25, s=30, edgecolors='none', label=f'Humectante no sig. ({pct_wet_ns:.0f}%)')
ax.scatter(df.loc[df['wetting_sig'], 'coef_P'], df.loc[df['wetting_sig'], 'coef_Gp'],
           color=COLOR_HUMEDO, alpha=0.85, s=40, edgecolors='white', linewidths=0.4, label=f'Humectante significativo ({pct_wet_sig:.0f}%)')

# Líneas de referencia
ax.axhline(0, color='#666666', linewidth=0.8, linestyle='--', alpha=0.6)
ax.axvline(0, color='#666666', linewidth=0.8, linestyle='--', alpha=0.6)

ax.set_xlabel('Coeficiente de precipitación total (efecto humectante esperado, mm/mm)')
ax.set_ylabel('Coeficiente de concentración Gini (efecto secante esperado)')
ax.set_title('Cuando la lluvia se concentra, ¿se seca o se moja la cuenca?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, '494 cuencas hidrográficas globales — eje Y abajo = secante, eje Y arriba = humectante',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

ax.legend(fontsize=9, loc='upper right', framealpha=0.92)

# Recorte de outliers extremos para legibilidad (mantienen presencia en el cómputo)
q_low, q_high = df['coef_Gp'].quantile([0.005, 0.995])
ax.set_ylim(q_low * 1.05, q_high * 1.05)

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/scatter_cuencas.png', dpi=200, bbox_inches='tight')
plt.show()

print(f'N cuencas: {n}')
print(f'  Secante significativo (coef_Gp<0 y p<{PVALUE_THRESHOLD}): {pct_dry_sig:.1f}% ({df["drying_sig"].sum()} cuencas)')
print(f'  Secante no significativo:                                  {pct_dry_ns:.1f}%')
print(f'  Humectante significativo:                                    {pct_wet_sig:.1f}%')
print(f'  Humectante no significativo:                                 {pct_wet_ns:.1f}%')
print(f'R² mediana de los modelos: {df["R2"].median():.3f}')

../../_images/01ed982397c587a493d3289bd7c3f954d01e806ff18ba53965f671a05f6e37ec.png

N cuencas: 494
  Secante significativo (coef_Gp<0 y p<0.05): 28.3% (140 cuencas)
  Secante no significativo:                                  29.8%
  Humectante significativo:                                    15.4%
  Humectante no significativo:                                 25.9%
R² mediana de los modelos: 0.919

¿Y si fuera un artefacto de un solo dataset?#

Una crítica obvia: tal vez el efecto secante depende del producto de precipitación que uses. Hay 3 productos globales independientes — CPC (NOAA, estaciones), GPCC (DWD, estaciones), GPCP (NASA, estaciones + satélite). Lesk & Mankin replicaron la regresión global estandarizada con los 3.

prods = ['CPC', 'GPCC', 'GPCP']
coef_P = [std_results[p]['coef_P'].iloc[0] for p in prods]
coef_Gp = [std_results[p]['coef_Gp'].iloc[0] for p in prods]
ratio = [abs(g)/abs(p) for p, g in zip(coef_P, coef_Gp)]
se_P = [std_results[p]['se_P'].iloc[0] for p in prods]
se_Gp = [std_results[p]['se_Gp'].iloc[0] for p in prods]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5))

# Panel izquierdo: coeficientes estandarizados con SE
x = np.arange(len(prods))
w = 0.32
ax1.bar(x - w/2, coef_P, w, yerr=se_P, color=COLOR_HUMEDO, alpha=0.85,
        capsize=4, label='Precipitación total (P)', error_kw={'elinewidth':1.2})
ax1.bar(x + w/2, coef_Gp, w, yerr=se_Gp, color=COLOR_ALERTA, alpha=0.85,
        capsize=4, label='Concentración Gini (Gp)', error_kw={'elinewidth':1.2})
ax1.axhline(0, color='#666666', linewidth=0.8)
ax1.set_xticks(x)
ax1.set_xticklabels(prods, fontweight='bold')
ax1.set_ylabel('Coeficiente estandarizado (Z-score)')
ax1.set_title('Efecto humectante (P) vs efecto secante (Gp)',
              fontsize=12, fontweight='bold', pad=22)
ax1.text(0.5, 1.03, 'Barras = magnitud · líneas verticales = ±1 error estándar',
         transform=ax1.transAxes, fontsize=9, color='#666666', ha='center')
ax1.legend(fontsize=9, loc='lower left', framealpha=0.92)

# Panel derecho: ratio |coef_Gp|/|coef_P|
ax2.bar(x, ratio, color=COLOR_DATOS, alpha=0.85, width=0.5)
ax2.axhline(1.0, color=COLOR_REFERENCIA, linewidth=1.5, linestyle='--', alpha=0.7)
ax2.text(2.4, 1.02, 'paridad (efectos iguales)', fontsize=9, color=COLOR_REFERENCIA, ha='right')
for i, r in enumerate(ratio):
    ax2.text(i, r + 0.03, f'{r:.2f}', ha='center', fontweight='bold', fontsize=11, color=COLOR_DATOS)
ax2.set_xticks(x)
ax2.set_xticklabels(prods, fontweight='bold')
ax2.set_ylabel('Ratio |coef_Gp| / |coef_P|')
ax2.set_ylim(0, 1.15)
ax2.set_title('¿Qué tan fuerte es el efecto secante comparado con el humectante?',
              fontsize=12, fontweight='bold', pad=22)
ax2.text(0.5, 1.03, '1.0 = misma magnitud · valores menores = el efecto secante es más débil pero no marginal',
         transform=ax2.transAxes, fontsize=9, color='#666666', ha='center')

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/comparacion_productos.png', dpi=200, bbox_inches='tight')
plt.show()

for i, p in enumerate(prods):
    print(f'{p}: coef_P={coef_P[i]:+.3f} ± {se_P[i]:.3f}  ·  coef_Gp={coef_Gp[i]:+.3f} ± {se_Gp[i]:.3f}  ·  ratio = {ratio[i]:.2f}')

../../_images/5f63949e424837a0764ab98e03638cdc8c0ea4d62f511c88d9c2cb32dec25a1d.png

CPC: coef_P=+0.162 ± 0.016  ·  coef_Gp=-0.131 ± 0.020  ·  ratio = 0.81
GPCC: coef_P=+0.198 ± 0.013  ·  coef_Gp=-0.122 ± 0.016  ·  ratio = 0.62
GPCP: coef_P=+0.241 ± 0.020  ·  coef_Gp=-0.085 ± 0.021  ·  ratio = 0.35

¿Cuánto va a aumentar la concentración con el calentamiento?#

El último bloque del paper es el proyectivo. Si el clima se calienta ~2°C — el escenario que usa el paper como referencia — ¿cuánto va a subir la concentración Gini? Y dado el efecto secante que ya verificamos, ¿qué fracción del planeta queda expuesta a sequedad anómala?

La proyección viene de simulaciones idealizadas con +7% de intensidad por K (la sensibilidad termodinámica de la atmósfera). Conviene leerla como futurible, no como observado — el paper la enmarca explícitamente así.

dGp_per_K = proj_npz['data']
valid = ~np.isnan(dGp_per_K)
data = dGp_per_K[valid]

median = np.median(data)
mean = np.mean(data)
pct_pos = (data > 0).sum() / len(data) * 100

fig, ax = plt.subplots(figsize=(11, 5.5))
n_bins, bins, patches = ax.hist(data, bins=40, color=COLOR_DATOS, alpha=0.45,
                                 edgecolor=COLOR_DATOS, linewidth=0.6)
y_max = n_bins.max() * 1.15
ax.set_ylim(0, y_max)

# Línea cero (referencia: sin cambio)
ax.axvline(0, color='#666666', linewidth=1.0, linestyle='--', alpha=0.7)
ax.text(0, y_max*0.95, 'sin cambio', fontsize=9, color='#666666', ha='right',
        va='top', rotation=90)

# Línea mediana proyectada
ax.axvline(median, color=COLOR_ALERTA, linewidth=2.5)
ax.text(median, y_max*0.92, f'mediana = {median:.3f} /K', fontsize=10,
        fontweight='bold', color=COLOR_ALERTA, ha='left')

# Flecha bidireccional desde 0 a mediana
ax.annotate('', xy=(median, y_max*0.55), xytext=(0, y_max*0.55),
            arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text(median/2, y_max*0.58, 'subida por cada °C', fontsize=9, color='#666666',
        ha='center', style='italic')

ax.set_xlabel('Cambio en concentración Gini por grado de calentamiento (dGp / K)')
ax.set_ylabel('Número de celdas (1° lat × 1° lon)')
ax.set_title('Proyección: ¿hacia dónde va la concentración con el calentamiento?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'Simulación idealizada +7%/K — {pct_pos:.0f}% de las {len(data):,} celdas tiene signo positivo',
        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/proyeccion_dGp_K.png', dpi=200, bbox_inches='tight')
plt.show()

print(f'Celdas válidas:               {len(data):,}')
print(f'Mediana dGp/K:                {median:+.4f}')
print(f'Media dGp/K:                  {mean:+.4f}')
print(f'% celdas con dGp/K positivo:  {pct_pos:.1f}%')

../../_images/792064d4ad4093e86555fcaf09d64e2de0ebf1e0dc7871c6550b21f40ee2e238.png

Celdas válidas:               21,921
Mediana dGp/K:                +0.0315
Media dGp/K:                  +0.0342
% celdas con dGp/K positivo:  100.0%

Lo que los datos soportan#

Afirmación	¿Soportada?	Detalle
Más concentración Gini reduce las reservas hídricas en toda la superficie terrestre global	✅	El mapa de dTWS/dGp tiene 100% de celdas con signo negativo (n=259.200 celdas válidas), mediana -21.5 mm
El efecto secante es comparable en magnitud al humectante de la precipitación total	⚠️	Ratio \|coef_Gp\|/\|coef_P\| = 0.35-0.81 según producto (media ≈0.59) — comparable pero no idéntico. El paper lo enmarca como as strong in magnitude as
Los modelos hidrológicos reproducen el efecto observado	⚠️	El paper lo apoya con modelos de superficie terrestre (LSMs) y un modelo simple de balance hídrico (SEMBH); aquí no replicamos esas simulaciones, solo verificamos las regresiones panel (R² mediana 0.92, n=494 cuencas)
Con +2°C de calentamiento, la concentración Gini sube globalmente	⚠️	La proyección idealizada (+7%/K) muestra 100% de celdas con dGp/K > 0 (mediana +0.0315 /K). Es proyección, no observado — el paper lo enmarca como projected
27% de la población global queda expuesta a sequedad anómala (≥0.5σ) a +2°C	📄	Reportado por el paper; aquí no replicamos el cruce con datos de población. Lo tomamos del paper.
La concentración Gini ya está subiendo observacionalmente 1980-2022	❌	El paper reporta el efecto proyectado, no observado. De hecho, en los datos derivados, 82.4% de la superficie terrestre tiene tendencia dGp/yr negativa en 1980-2022. La inversión futura es lo que el paper proyecta — no es lo que ya está pasando.

Limitaciones:

Los coeficientes Gp y P son correlacionales dentro de un panel observacional. El paper agrega modelos para apoyar causalidad, pero la regresión por sí sola no la prueba.

El ratio efecto-secante/humectante varía 2.3× entre productos (0.35 a 0.81). El paper lo presenta como rango — usar la media (~0.59) como mejor estimación puntual.

La proyección +7%/K es una simulación idealizada de intensificación termodinámica, no una predicción de un modelo climático acoplado. Su utilidad es mostrar la dirección y la magnitud relativa, no el valor exacto en una región.

El supuesto fuerte de la proyección poblacional (27% en sequedad ≥0.5σ) asume toda lo demás constante — no incluye cambios en precipitación total ni en irrigación.

Ahora tú#

¿Cuáles son las cuencas con el efecto secante más fuerte y significativo? Filtra coef_Gp < 0 and pval_Gp < 0.05 y ordena por coef_Gp ascendente. Las primeras son las que más pierden TWS por unidad de Gini.
¿Cuál de los 3 productos es más conservador? El ratio CPC=0.81 vs GPCP=0.35 es muy distinto. Compara los coef_Gp estandarizados directamente: ¿la diferencia está en el efecto secante, en el humectante, o en ambos?
¿Dónde es más fuerte el efecto secante en el mapa? Las celdas más negativas en dTWS_dGp_3product_mean.npz están concentradas en franjas climáticas específicas. Cambia vmin/vmax del pcolormesh para resaltarlas.

# --- EXPERIMENTA AQUÍ ---
# Pregunta 1: Top cuencas con efecto secante más fuerte y significativo

mask_drying_sig = (basins['coef_Gp'] < 0) & (basins['pval_Gp'] < PVALUE_THRESHOLD)
print(f'Cuencas con drying significativo (coef_Gp<0 y p<{PVALUE_THRESHOLD}): {mask_drying_sig.sum()} de {len(basins)}')
print(f'  → {mask_drying_sig.sum()/len(basins)*100:.1f}% del total\n')

top = basins[mask_drying_sig].nsmallest(10, 'coef_Gp')[['basin_id', 'coef_Gp', 'se_Gp', 'pval_Gp', 'R2']]
print('Top 10 cuencas con efecto secante más fuerte (coef_Gp más negativo):')
print(top.to_string(index=False))

# Nota: estos coef_Gp NO están estandarizados — están en mm-de-TWS por unidad de Gini.
# Para comparar magnitud entre cuencas distintas, el paper recomienda usar la regresión
# estandarizada global (Z-scores), que es lo que graficamos en la sección anterior.

Cuencas con drying significativo (coef_Gp<0 y p<0.05): 140 de 494
  → 28.3% del total

Top 10 cuencas con efecto secante más fuerte (coef_Gp más negativo):
 basin_id     coef_Gp     se_Gp      pval_Gp       R2
-103.747026 20.986911 1.114309e-06 0.719975
-85.515707 11.874030 1.201097e-12 0.646481
-71.711167  7.036729 4.715450e-24 0.467291
-71.051114 12.450493 5.352898e-08 0.936518
-70.094305 11.348704 1.405494e-09 0.812028
-65.091292  6.692447 2.462067e-19 0.953508
-60.966078  7.351010 4.794015e-16 0.876032
-52.110051  3.335480 7.313503e-54 0.624377
-48.586420 21.096380 2.397549e-02 0.977054
-46.501234  5.416195 1.107640e-17 0.471578

Fuentes#

Paper: More concentrated precipitation decreases terrestrial water storage
Nature, 2026-05-14

Datos: clesk/consolidation-TWS: 20260323 (replication code and derived data)
Zenodo, 2026-03-23

Datos: concentration-TWS-largedata (raw derived data 892 MB)
Zenodo, 2026

14 afirmaciones del notebook verificadas contra estas fuentes

🔗 Repo del Lab: github.com/Ciencia-a-Mordiscos/lab 📦 Licencia datos: MIT (código replicación), CC-BY del paper 💬 Errores o sugerencias: abre un issue en el repo.