40.000 tormentas, 4 ciudades, 23 anos.#
La ciudad fabrica tormentas pequenas y debilita las grandes.
Texas, 1995-2017. Dallas, Austin, San Antonio, Houston. El radar registro mas de 40.000 tormentas de temporada calida. Las cortas y locales crecen sobre el asfalto hasta un 31%. Los frentes frios que llegan con masa de aire, en cambio, se debilitan al cruzar la ciudad.
Paper: Divergent urban storm response to convective, frontal and tropical systems
Nature, 2026
Video del canal: pendiente.
Que midieron#
El equipo del paper se monto sobre el radar meteorologico de EE.UU. (NEXRAD, procesado como GridRad: ~1 km de resolucion y 12 capas de altura) y clasifico mas de 40.000 tormentas entre mayo y septiembre, de 1995 a 2017, en cuatro ciudades de Texas. Compararon lo que pasa sobre la ciudad con cuatro dominios rurales del mismo tamano al norte, sur, este y oeste. La pregunta que nos importa: cuando una tormenta cruza una ciudad, que tipo de tormenta es la que cambia.
# Configuracion editorial
FUENTE = "Fuente: Liu et al. (2026), Nature | Datos: Zenodo (doi:10.5281/zenodo.19339621)"
COLOR_DATOS = "#2563EB" # Azul CaM
COLOR_ALERTA = "#DC2626" # Rojo
COLOR_SECUNDARIO = "#059669" # Emerald
COLOR_REFERENCIA = "#D97706" # Amber
import os
import urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.patches import Patch
# Cargar 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)
os.makedirs("figuras", exist_ok=True)
# Cargar los cuatro CSVs
df_count = pd.read_csv("datos/storm_count_pct.csv")
df_hour = pd.read_csv("datos/urban_storm_hour.csv")
df_profile = pd.read_csv("datos/cold_front_profile.csv")
df_month = pd.read_csv("datos/storm_pixelnum_monthly.csv")
print(f"Tormentas por ciudad x tipo: {len(df_count)} filas")
print(f"Ciclos horarios: {len(df_hour)} filas")
print(f"Perfiles verticales (frentes frios): {len(df_profile)} filas")
print(f"Series mensuales (pixeles >=40 dBZ): {len(df_month)} filas")
print()
print("Ciudades:", sorted(df_count["city"].unique().tolist()))
print("Tipos de tormenta:", sorted(df_count["storm_type"].unique().tolist()))
Tormentas por ciudad x tipo: 20 filas
Ciclos horarios: 2400 filas
Perfiles verticales (frentes frios): 240 filas
Series mensuales (pixeles >=40 dBZ): 100 filas
Ciudades: ['Austin', 'Dallas', 'Houston', 'San Antonio']
Tipos de tormenta: ['cold_front', 'isolated', 'single_cell', 'tropical', 'warm_front']
Aqui esta.#
# Grafica 1 (hero): cambio porcentual de tormentas locales sobre la ciudad
local_types = ["SC", "IS"] # Single Cell + Isolated = tormentas locales
df_local = df_count[df_count["storm_type_code"].isin(local_types)].copy()
cities_order = ["Dallas", "Austin", "San Antonio", "Houston"]
type_label = {"SC": "Celula unica", "IS": "Aisladas"}
type_color = {"SC": COLOR_DATOS, "IS": COLOR_SECUNDARIO}
fig, ax = plt.subplots(figsize=(13, 5.5))
x = np.arange(len(cities_order))
width = 0.38
for i, t in enumerate(local_types):
vals = [
df_local[(df_local["city"] == c) & (df_local["storm_type_code"] == t)]["pct_change"].values[0]
for c in cities_order
]
offset = (i - 0.5) * width
bars = ax.bar(x + offset, vals, width, color=type_color[t], alpha=0.85,
edgecolor="white", linewidth=0.8, label=type_label[t], zorder=3)
for bar, v in zip(bars, vals):
ax.text(bar.get_x() + bar.get_width() / 2,
v + (0.8 if v >= 0 else -1.8),
f"{v:+.1f}%", ha="center", fontsize=9,
fontweight="bold", color=type_color[t])
ax.axhline(0, color="#444444", linewidth=0.8, zorder=2)
ax.set_xticks(x)
ax.set_xticklabels(cities_order, fontsize=11, fontweight="bold")
ax.set_ylabel("Cambio sobre la ciudad vs. promedio rural (%)", fontsize=11)
ax.set_title("Tormentas locales: cuanto cambia la frecuencia sobre la ciudad",
fontsize=14, fontweight="bold", pad=28)
ax.text(0.5, 1.03,
"Celula unica (cortas, una sola celda convectiva) e Aisladas (sin organizacion sinoptica)",
transform=ax.transAxes, fontsize=10, color="#666666", ha="center")
ax.legend(loc="upper left", fontsize=10, framealpha=0.9)
ax.set_ylim(-12, 38)
fig.text(0.13, -0.02, FUENTE, fontsize=7.5, color="#999999", style="italic")
plt.savefig("figuras/01_locales_pct_por_ciudad.png", dpi=200, bbox_inches="tight")
plt.show()
Tres ciudades amplifican las tormentas locales. Houston suma casi un tercio mas de eventos Aisladas y Celula unica sobre la ciudad que sobre el promedio rural. Austin y San Antonio rondan +15-16% en su tipo dominante. Dallas es la excepcion: sus Celula unica caen un 5% sobre la ciudad. El paper titula el efecto como +7-31%: ese rango refleja los maximos por ciudad — no incluye el caso negativo de Dallas. Es honesto leer la regla y la excepcion al mismo tiempo.
Cuando crecen#
Si la ciudad realmente esta inyectando energia a las tormentas locales, el efecto debe tener una hora preferida. Veamos el ciclo diario en Houston, la ciudad con el efecto urbano mas fuerte.
# Grafica 2: ciclo horario de Single Cell sobre Houston (urbano vs rural promedio)
df_h = df_hour[(df_hour["city"] == "Houston") & (df_hour["storm_type_code"] == "SC")].copy()
# Sobre ciudad
urban = df_h[df_h["urban_or_rural"] == "urban"].groupby("hour")["count"].sum().reindex(range(24), fill_value=0)
# Rural: promedio de los 4 dominios rurales (norte, sur, este, oeste)
rural = df_h[df_h["urban_or_rural"] == "rural"].groupby("hour")["count"].sum().reindex(range(24), fill_value=0) / 4.0
fig, ax = plt.subplots(figsize=(13, 5.5))
ax.fill_between(urban.index, urban.values, color=COLOR_DATOS, alpha=0.35, zorder=2)
ax.plot(urban.index, urban.values, color=COLOR_DATOS, linewidth=2.4, zorder=4)
ax.plot(rural.index, rural.values, color="#888888", linewidth=2.0,
linestyle="--", zorder=3)
# Inline labels
ax.text(0.5, urban.iloc[0] + 80, "Sobre Houston",
fontsize=10, fontweight="bold", color=COLOR_DATOS)
ax.text(15, rural.iloc[15] + 40, "Promedio rural (4 dominios)",
fontsize=9, color="#666666", style="italic")
# Banda noche local (22-03 hora local Texas = 03-08 UTC... NO; corregir).
# Hora local CDT = UTC - 5. Pico observado entre 0 y 3 UTC = 19-22 CDT (atardecer-noche).
ax.axvspan(22, 23.99, color="#333333", alpha=0.08, zorder=1)
ax.axvspan(0, 4, color="#333333", alpha=0.08, zorder=1)
ax.text(1.5, urban.max() * 0.92, "Atardecer y noche en Texas\n(22:00-04:00 UTC)",
fontsize=9, color="#444444", ha="center", style="italic")
ax.set_xlabel("Hora UTC", fontsize=11)
ax.set_ylabel("Numero de tormentas (1995-2017)", fontsize=11)
ax.set_title("Cuando atacan: ciclo diario de tormentas locales en Houston",
fontsize=14, fontweight="bold", pad=28)
ax.text(0.5, 1.03,
"Celula unica, suma de 23 anos de temporada calida",
transform=ax.transAxes, fontsize=10, color="#666666", ha="center")
ax.set_xticks(range(0, 24, 3))
ax.set_xlim(-0.5, 23.5)
fig.text(0.13, -0.02, FUENTE, fontsize=7.5, color="#999999", style="italic")
plt.savefig("figuras/02_ciclo_horario_houston.png", dpi=200, bbox_inches="tight")
plt.show()
# Cuantificar dominancia nocturna (hora local CDT = UTC - 5)
total = urban.sum()
nocturno = urban.loc[list(range(22, 24)) + list(range(0, 4))].sum()
print(f"Tormentas Single Cell sobre Houston: {int(total)} totales")
print(f"En la franja 22-04 UTC (atardecer/noche local): {int(nocturno)} ({nocturno/total:.1%})")
Tormentas Single Cell sobre Houston: 4054 totales
En la franja 22-04 UTC (atardecer/noche local): 4050 (99.9%)
Lo que la ciudad mata#
Hasta aqui los datos cuadran con el cuento clasico de isla de calor: la ciudad calienta, sube aire, dispara conveccion local de tarde-noche. Pero el paper agrega un giro: las tormentas que vienen de afuera — los frentes frios — hacen lo contrario. Se debilitan al cruzar la ciudad. Veamoslo por capas de altura.
# Grafica 3: perfil vertical de pixeles >=40 dBZ, frentes frios, urban vs rural
fig, axes = plt.subplots(1, 4, figsize=(13, 5.5), sharey=True)
for ax, city in zip(axes, cities_order):
sub = df_profile[df_profile["city"] == city].copy()
urb = sub[sub["urban_or_rural"] == "urban"].sort_values("height_km")
rur = sub[sub["urban_or_rural"] == "rural"].groupby("height_km", as_index=False)["frac_40dbz"].mean()
rur = rur.sort_values("height_km")
ax.plot(rur["frac_40dbz"], rur["height_km"],
color="#888888", linewidth=2.0, linestyle="--", label="Rural")
ax.plot(urb["frac_40dbz"], urb["height_km"],
color=COLOR_ALERTA, linewidth=2.4, label="Sobre la ciudad")
# Banda baja altitud (1-5 km) donde el paper observa el debilitamiento
ax.axhspan(1, 5, color=COLOR_ALERTA, alpha=0.06)
ax.set_title(city, fontsize=11, fontweight="bold", pad=10)
ax.set_xlabel("Pixeles >=40 dBZ\n(intensidad)", fontsize=9)
ax.tick_params(axis="x", labelsize=8)
axes[0].set_ylabel("Altura (km)", fontsize=11)
axes[0].text(0.05, 0.94, "Sobre la ciudad",
transform=axes[0].transAxes, color=COLOR_ALERTA,
fontsize=9, fontweight="bold")
axes[0].text(0.05, 0.87, "Promedio rural",
transform=axes[0].transAxes, color="#666666",
fontsize=9, style="italic")
fig.suptitle("Frentes frios sobre Texas: el ladrillo come intensidad a baja altura",
fontsize=14, fontweight="bold", y=1.02)
fig.text(0.5, 0.97,
"Fraccion media de celdas de radar con reflectividad >=40 dBZ por altura",
fontsize=10, color="#666666", ha="center")
plt.tight_layout()
fig.text(0.05, -0.05, FUENTE, fontsize=7.5, color="#999999", style="italic")
plt.savefig("figuras/03_frentes_frios_perfil.png", dpi=200, bbox_inches="tight")
plt.show()
# Cuantificar reduccion baja altitud (1-5 km)
print("\nReduccion urbana de intensidad a baja altitud (1-5 km, frentes frios):")
for city in cities_order:
sub = df_profile[(df_profile["city"] == city) & (df_profile["height_km"] >= 1) & (df_profile["height_km"] <= 5)]
u = sub[sub["urban_or_rural"] == "urban"]["frac_40dbz"].mean()
r = sub[sub["urban_or_rural"] == "rural"]["frac_40dbz"].mean()
delta = (u - r) / r * 100
print(f" {city:14s} urbano vs rural: {delta:+.1f}%")
Reduccion urbana de intensidad a baja altitud (1-5 km, frentes frios):
Dallas urbano vs rural: -17.8%
Austin urbano vs rural: -14.8%
San Antonio urbano vs rural: -14.2%
Houston urbano vs rural: -11.5%
Cuanto sale del rango normal#
Pongamos la senal completa de tormentas de celula unica sobre Houston contra el promedio rural, mes a mes. El histograma muestra cuanto del exceso urbano esta dentro de lo que cualquier dominio rural ya hace, y cuanto se sale del rango.
# Grafica 4 (cierre): distribucion mensual de pixeles >=40 dBZ, Single Cell, todas las ciudades
sc = df_month[df_month["storm_type_code"] == "SC"].copy()
urb_vals = sc["urban_40dbz_pixels"].values
rur_vals = sc["rural_avg_40dbz_pixels"].values
# Diferencia urban - rural mes a mes
delta = urb_vals - rur_vals
fig, ax = plt.subplots(figsize=(13, 5.5))
# Histograma de la diferencia
n, bins, patches = ax.hist(delta, bins=18, color=COLOR_DATOS, alpha=0.4,
edgecolor=COLOR_DATOS, linewidth=0.8)
y_max = n.max() * 1.18
ax.set_ylim(0, y_max)
# Linea cero (sin diferencia urban-rural)
ax.axvline(0, color="#444444", linewidth=1.2, linestyle="--", alpha=0.7)
ax.text(0, y_max * 0.95, "Sin diferencia\nurban - rural",
ha="center", fontsize=9, color="#444444", style="italic")
# Media observada
mean_delta = delta.mean()
ax.axvline(mean_delta, color=COLOR_ALERTA, linewidth=2.4)
ax.annotate(
f"Diferencia media:\n{mean_delta:+.0f} pixeles >=40 dBZ por mes",
xy=(mean_delta, y_max * 0.65),
xytext=(mean_delta + (max(delta) - mean_delta) * 0.35, y_max * 0.75),
fontsize=10, color=COLOR_ALERTA, fontweight="bold",
arrowprops=dict(arrowstyle="->", color=COLOR_ALERTA, lw=1.5),
)
ax.set_xlabel("Pixeles >=40 dBZ urbano - promedio rural (por ciudad, mes)", fontsize=11)
ax.set_ylabel("Numero de meses-ciudad", fontsize=11)
ax.set_title("Cuanto del exceso urbano se sale del rango rural",
fontsize=14, fontweight="bold", pad=28)
ax.text(0.5, 1.03,
"Tormentas Single Cell, 5 meses calidos x 4 ciudades x 23 anos (May-Sep)",
transform=ax.transAxes, fontsize=10, color="#666666", ha="center")
fig.text(0.13, -0.02, FUENTE, fontsize=7.5, color="#999999", style="italic")
plt.savefig("figuras/04_anomalia_mensual.png", dpi=200, bbox_inches="tight")
plt.show()
# Cuantificar
positivo = (delta > 0).sum()
print(f"\nMeses-ciudad con exceso urbano (urban > rural): {positivo} de {len(delta)} ({positivo/len(delta):.1%})")
print(f"Diferencia media: {mean_delta:+.0f} pixeles >=40 dBZ / mes-ciudad")
Meses-ciudad con exceso urbano (urban > rural): 13 de 20 (65.0%)
Diferencia media: +1128 pixeles >=40 dBZ / mes-ciudad
Lo que los datos soportan#
Afirmacion |
Soportada |
Detalle |
|---|---|---|
Las tormentas locales (celula unica + aisladas) aumentan sobre tres ciudades |
OK |
Houston +29.7% / +30.9%; Austin +16.7%; San Antonio +16.2%. Dallas SC -5.2% (excepcion). Rango paper +7-31% refleja maximos. |
Pico nocturno en Houston |
OK |
99.9% de Single Cell entre 22-04 UTC (atardecer-noche CDT). |
Frentes frios se debilitan sobre la ciudad |
OK |
Las cuatro ciudades muestran reduccion de intensidad a baja altitud (1-5 km). |
Magnitud de reduccion -16% a -28% |
Parcial |
Mi metrica (fraccion >=40 dBZ a 1-5 km) da -11.5% a -17.8%. Patron cualitativo identico, magnitud mas conservadora. El paper usa una metrica de “intensity” mas fina que no es reproducible solo con los pickles publicos. |
Mecanismos (efectos termicos y rugosidad urbana) |
Inferido |
El paper los plantea como hipotesis (probably because of). Son consistentes con los patrones, no probados aqui. |
Limitaciones: Solo Texas, solo temporada calida (May-Sep), 1995-2017. Es un estudio observacional — el orden temporal no implica causalidad. El framework es transferible segun los autores, pero requiere validacion en cada region.
Ahora tu#
Tres preguntas que el dataset puede responder:
Que tipo crece mas en Austin vs. Dallas? Pista: filtrar
df_countpor ciudad y ordenar porpct_change.El pico nocturno aparece tambien en San Antonio o es solo Houston? Pista: repetir el ciclo horario cambiando
city == "Houston".Las tormentas tropicales muestran el mismo patron urbano? Pista: filtrar
df_countporstorm_type_code == "TS".
# --- EXPERIMENTA AQUI ---
# Pregunta 1: que tipo de tormenta crece mas sobre cada ciudad?
top_por_ciudad = (
df_count.sort_values(["city", "pct_change"], ascending=[True, False])
.groupby("city")
.head(2)
.reset_index(drop=True)
)
print("Top 2 tipos con mayor aumento urbano por ciudad:")
print(top_por_ciudad[["city", "storm_type", "pct_change"]].to_string(index=False))
# Prueba cambiando:
# .head(2) --> .head(3) o .head(5)
# .head() --> .tail() (ver los tipos que MAS se reducen)
Top 2 tipos con mayor aumento urbano por ciudad:
city storm_type pct_change
Austin tropical 52.38
Austin single_cell 16.71
Dallas isolated 8.10
Dallas warm_front -2.86
Houston isolated 30.93
Houston single_cell 29.74
San Antonio isolated 16.21
San Antonio warm_front 15.17
Fuentes#
Paper: Divergent urban storm response to convective, frontal and tropical systems
Nature, 2026-05-20
Datos: Divergent Urban Storm Response: Convective, Frontal, and Tropical Systems (code + processed radar data)
Zenodo, 2026-03-30
Referencias y materiales complementarios: Zenodo; NOAA / NCAR
15 afirmaciones del notebook verificadas contra estas fuentes
Datos: Zenodo doi:10.5281/zenodo.19339621 (Liu et al., archivos pickle con conteos por tipo, dominio, hora y altura).
Codigo: Ciencia-a-Mordiscos/lab