CO₂ brotando del fondo del mar: el campo de seeps de Mayotte

Frente a Mayotte, a más de 1.300 metros bajo el agua, hay grietas en el fondo del mar por donde sale dióxido de carbono. No es una metáfora: gotas y burbujas de CO₂ escapando del lecho marino, con montículos de hidrato de gas creciendo alrededor.

¿Cuánto CO₂ se fuga de ese campo cada año?

---

Paper: Large CO₂ seeps and hydrate field on the seafloor offshore Mayotte Island — Cathalot et al. (2026)
Journal: Nature Geoscience · DOI: 10.1038/s41561-026-02004-2
Datos: SEANOE · DOI: 10.17882/109663

Video: [Pendiente]

El fondo del mar que empezó a soltar CO₂

En 2018, frente a la isla de Mayotte (océano Índico), nació un volcán submarino — el mayor evento volcánico submarino registrado hasta la fecha. Años después, una expedición bajó el ROV (robot submarino) Victor 6000 entre 1.220 y 1.509 metros de profundidad y se encontró con un campo de fuentes (seeps) soltando CO₂, salpicado de montículos de hidrato de gas.

El equipo hizo dos cosas que podemos seguir con los datos publicados: midió el caudal de 22 fuentes individuales, una por una, y a partir de esas mediciones extrapoló cuánto CO₂ suelta el campo entero. Vamos a recorrer ambos pasos.

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
UMBRAL_ALTO = 40.0            # ml/s a partir del cual una fuente es de caudal "alto"
COLOR_ALTO  = '#DC2626'       # caudal alto (rojo)
COLOR_MEDIO = '#2563EB'       # caudal medio (azul CaM)
COLOR_BAJO  = '#D97706'       # caudal bajo (ámbar)
COLOR_NORMAL = '#7C3AED'      # modelo espacial Normal (violeta)
COLOR_OTROS = '#059669'       # modelos Random/Dirichlet (esmeralda)
FUENTE = 'Fuente: Cathalot et al. (2026), Nature Geoscience | Datos: SEANOE 10.17882/109663'

import os, urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# Estilo CaM (local -> /tmp -> GitHub raw)
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)

# Carga de datos
seeps = pd.read_csv('datos/mediciones_seeps.csv')
flux  = pd.read_csv('datos/flux_extrapolado.csv')

print(f'Mediciones directas: {len(seeps)} fuentes en {seeps["site"].nunique()} sitios')
print(f'Profundidad: {seeps["depth_m"].min():.0f} - {seeps["depth_m"].max():.0f} m')
print(f'Caudal (ml/s): mediana {seeps["flow_rate_mls"].median():.2f}, '
      f'min {seeps["flow_rate_mls"].min():.2f}, max {seeps["flow_rate_mls"].max():.2f}')
print()
print(f'Extrapolacion Monte Carlo: {len(flux)} estimaciones')
print(f'Modelos espaciales: {sorted(flux["dist_model"].unique())}')
print(f'Modelos de densidad: {sorted(flux["dens_model"].unique())}')

Mediciones directas: 22 fuentes en 5 sitios
Profundidad: 1220 - 1509 m
Caudal (ml/s): mediana 19.24, min 1.54, max 132.50

Extrapolacion Monte Carlo: 6000 estimaciones
Modelos espaciales: ['Dirichlet', 'Normal', 'Random']
Modelos de densidad: ['Beta', 'Normal']

Las 22 fuentes

Aquí están.

# Gráfica hero: las 22 fuentes ordenadas por caudal, coloreadas por tipo
fig, ax = plt.subplots(figsize=(13, 5.5))

s = seeps.sort_values('flow_rate_mls').reset_index(drop=True)
colores = {'High': COLOR_ALTO, 'Medium': COLOR_MEDIO, 'Low': COLOR_BAJO}
rank = np.arange(1, len(s) + 1)
ax.scatter(rank, s['flow_rate_mls'],
           color=[colores[t] for t in s['typology']],
           s=70, alpha=0.9, edgecolors='white', linewidths=0.8, zorder=5)

# Linea de la mediana
med = seeps['flow_rate_mls'].median()
ax.axhline(med, color='#666666', linewidth=1.2, linestyle='--', alpha=0.7, zorder=2)
ax.text(1, med + 3, f'mediana: {med:.1f} ml/s', fontsize=9, color='#666666', style='italic')

# Inline labels por tipo (en vez de legend box) — ubicados en zonas vacías
ax.text(16.0, 100, 'alto', fontsize=11, color=COLOR_ALTO, fontweight='bold', ha='left', va='center')
ax.text(4.5, 42, 'medio', fontsize=11, color=COLOR_MEDIO, fontweight='bold', ha='left', va='center')
ax.text(0.7, 18, 'bajo', fontsize=11, color=COLOR_BAJO, fontweight='bold', ha='left', va='center')

ax.set_title('¿Cuánto CO$_2$ suelta cada fuente?', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Caudal medido por el ROV en 22 fuentes, ordenadas de menor a mayor',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Fuente (ordenada por caudal)')
ax.set_ylabel('Caudal (ml/s)')
ax.set_xlim(0, 23)

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

Pocas fuentes cargan casi todo

La mitad de las fuentes está por debajo de 19,24 ml/s, pero la más potente suelta 132,5 ml/s — siete veces la mediana. La distribución está fuertemente sesgada a la derecha (Shapiro-Wilk p = 0,0003: no es normal), así que la mediana describe mejor a la fuente típica que el promedio.

Agrupadas por el tipo que asignó el equipo, el contraste es claro: las 7 fuentes «altas» promedian 65,22 ml/s y las 3 «bajas» apenas 5,67 ml/s — un factor de 11,5× entre unas y otras. El campo no fuga de forma pareja: unos pocos puntos calientes hacen la mayor parte del trabajo.

Pocas fuentes, casi todo el caudal

Pongámoslo en números. Si sumamos el caudal de cada tipo de fuente, ¿qué fracción del total medido aporta cada grupo?

# Cuanto del caudal total medido aporta cada tipo de fuente
contrib = seeps.groupby('typology').agg(n=('flow_rate_mls', 'size'),
                                         total=('flow_rate_mls', 'sum'))
contrib['pct'] = contrib['total'] / contrib['total'].sum() * 100
contrib = contrib.reindex(['High', 'Medium', 'Low'])  # alto -> bajo

fig, ax = plt.subplots(figsize=(13, 3.2))
etiquetas = {'High': 'alto', 'Medium': 'medio', 'Low': 'bajo'}
colores = {'High': COLOR_ALTO, 'Medium': COLOR_MEDIO, 'Low': COLOR_BAJO}

izquierda = 0
for tipo in ['High', 'Medium', 'Low']:
    pct = contrib.loc[tipo, 'pct']
    ax.barh(0, pct, left=izquierda, color=colores[tipo], alpha=0.9, edgecolor='white', linewidth=1.5)
    # Etiqueta dentro del segmento si hay espacio, encima si es muy angosto
    if pct > 8:
        ax.text(izquierda + pct / 2, 0, f'{etiquetas[tipo]}\n{pct:.0f}%',
                ha='center', va='center', fontsize=12, fontweight='bold', color='white')
    else:
        ax.text(izquierda + pct / 2, 0.62, f'{etiquetas[tipo]} ({pct:.0f}%)',
                ha='center', va='center', fontsize=10, fontweight='bold', color=colores[tipo])
    izquierda += pct

# Conteo de fuentes bajo cada segmento
ax.text(contrib.loc['High', 'pct'] / 2, -0.62, f"{int(contrib.loc['High','n'])} fuentes",
        ha='center', va='center', fontsize=9, color='#666666')
ax.text(contrib.loc['High', 'pct'] + contrib.loc['Medium', 'pct'] / 2, -0.62,
        f"{int(contrib.loc['Medium','n'])} fuentes", ha='center', va='center', fontsize=9, color='#666666')

ax.set_title('Las 7 fuentes "altas" sueltan dos tercios del CO$_2$ medido',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.08, 'Fracción del caudal total medido que aporta cada tipo de fuente',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlim(0, 100)
ax.set_ylim(-1, 1)
ax.set_yticks([])
ax.set_xlabel('Porcentaje del caudal total medido (%)')
ax.spines['left'].set_visible(False)
ax.grid(False)

fig.text(0.13, -0.10, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/contribucion.png', dpi=200, bbox_inches='tight')
plt.show()

El campo entero: una extrapolación

Las 7 fuentes «altas» son un tercio de las medidas, pero sueltan dos tercios del caudal. Y el ROV solo alcanzó a medir 22 — el campo tiene muchas más. Para estimar cuánto suelta el campo completo, el equipo no contó una por una: corrió una simulación Monte Carlo que reparte el caudal medido sobre toda el área. Esa simulación tiene dos perillas: cómo se distribuyen las fuentes en el espacio (Random, Dirichlet o Normal) y cómo se modela su densidad (Beta o Normal). ¿Cuál de las dos mueve el resultado?

# Comparacion: que factor decide el total, distribucion espacial o densidad
conv = flux[flux['n_simulations'] >= 10000]
tabla = conv.groupby(['dist_model', 'dens_model'])['flux_tC_per_y'].mean().reset_index()

fig, ax = plt.subplots(figsize=(11, 5.5))
spatials = ['Random', 'Dirichlet', 'Normal']
x = np.arange(len(spatials))
ancho = 0.36
dens_colores = {'Beta': '#2563EB', 'Normal': '#D97706'}

for i, dens in enumerate(['Beta', 'Normal']):
    valores = [tabla[(tabla['dist_model'] == sp) & (tabla['dens_model'] == dens)]['flux_tC_per_y'].iloc[0]
               for sp in spatials]
    ax.bar(x + (i - 0.5) * ancho, valores, ancho, color=dens_colores[dens],
           alpha=0.9, label=f'densidad {dens}')

ax.set_title('¿Distribución o densidad? El factor que decide el total', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Flujo total medio (simulaciones convergidas) por combinación de modelos',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xticks(x)
ax.set_xticklabels([f'espacial\n{sp}' for sp in spatials], fontsize=10, fontweight='bold')
ax.set_ylabel('Flujo total (toneladas de C / año)')
ax.get_yaxis().set_major_formatter(plt.FuncFormatter(lambda v, _: f'{v/1000:.0f}k'))
ax.legend(fontsize=9, loc='upper left')

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

Entonces, ¿cuál es el número?

Cambiar el modelo de densidad casi no mueve el resultado. Cambiar la distribución espacial sí: Random y Dirichlet caen cerca de 148 mil toneladas de carbono al año; el modelo Normal sube a unas 198 mil. Misma medición, dos números separados por un 34%. Veamos cómo se ve toda la incertidumbre junta.

# Histograma de todas las estimaciones — la incertidumbre del numero final
fig, ax = plt.subplots(figsize=(10, 5))

datos = flux['flux_tC_per_y'].values
n, bins, patches = ax.hist(datos, bins=30, color='#2563EB', alpha=0.4,
                           edgecolor='#2563EB', linewidth=0.8)
y_max = n.max() * 1.18
ax.set_ylim(0, y_max)

mediana = np.median(datos)
c_otros = conv[conv['dist_model'].isin(['Random', 'Dirichlet'])]['flux_tC_per_y'].mean()
c_normal = conv[conv['dist_model'] == 'Normal']['flux_tC_per_y'].mean()

ax.axvline(c_otros, color=COLOR_OTROS, linewidth=2.5)
ax.axvline(c_normal, color=COLOR_NORMAL, linewidth=2.5)
ax.text(c_otros, y_max * 0.97, f' Random/Dirichlet\n ~{c_otros/1000:.0f}k',
        fontsize=9, color=COLOR_OTROS, fontweight='bold', ha='center', va='top')
ax.text(c_normal, y_max * 0.97, f'Normal\n~{c_normal/1000:.0f}k ',
        fontsize=9, color=COLOR_NORMAL, fontweight='bold', ha='center', va='top')

# Flecha del spread entre los dos grupos
ax.annotate('', xy=(c_normal, y_max * 0.55), xytext=(c_otros, y_max * 0.55),
            arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text((c_otros + c_normal) / 2, y_max * 0.58, '34% de diferencia',
        fontsize=10, color='#666666', ha='center', fontweight='bold')

ax.set_title('La estimación no es un punto, es un rango', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Distribución de las 6.000 estimaciones del flujo total de CO$_2$',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Flujo total (toneladas de C / año)')
ax.set_ylabel('Número de estimaciones')
ax.get_xaxis().set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x/1000:.0f}k'))

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

print(f'Mediana global: {mediana:,.0f} tC/ano  ->  {mediana*44/12:,.0f} tCO2/ano'.replace(',', '.'))

Mediana global: 153.622 tC/ano  ->  563.282 tCO2/ano

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
El campo tiene fuentes de CO₂ de caudal muy desigual	✅	22 fuentes medidas; mediana 19,24 ml/s, máximo 132,5 ml/s; distribución sesgada a la derecha (Shapiro p = 0,0003)
Las fuentes «altas» superan a las «bajas» por ~11×	✅	Media alta 65,22 ml/s (n=7) vs baja 5,67 ml/s (n=3) → 11,5×. Grupos pequeños: es un contraste descriptivo, no un test
Las 7 fuentes «altas» aportan ~2/3 del caudal medido	✅	65,5% del caudal total medido (696,5 ml/s) viene de las 7 fuentes «altas», que son el 32% de las medidas. Suma de caudales (métrica aditiva)
El flujo total ronda ~154 mil tC/año	⚠️	Es una extrapolación, no una medición. Mediana de las 6.000 simulaciones = 153.622 tC/año (≈ 563 mil tCO₂/año)
El total depende del modelo espacial elegido	✅	Random/Dirichlet ≈ 148 mil tC/año vs Normal ≈ 198 mil → 34% de diferencia. El modelo de densidad (Beta/Normal) casi no cambia el resultado

Limitaciones: El caudal directo se midió en solo 22 fuentes de 5 sitios (18 de ellas en un único sitio, B0). El flujo total del campo es una extrapolación Monte Carlo, sensible a cómo se asume la distribución espacial de las fuentes — por eso lo reportamos como rango (148–198 mil tC/año), no como dato único. Es un estudio observacional: describe lo que el ROV vio, no relaciones de causa-efecto.

Ahora tú

Los datos están cargados en seeps (las 22 mediciones) y flux (las 6.000 estimaciones). Tres preguntas para explorar:

1. ¿Cambia la historia si miras el caudal por sitio en vez de por tipo? Casi todas las fuentes están en el sitio B0. Prueba seeps.groupby('site')['flow_rate_mls'].describe().

2. ¿Cuánto sube el total si crees en el modelo Normal? Compara la mediana de flux[flux['dist_model']=='Normal'] contra la de los otros dos modelos espaciales.

3. ¿La profundidad tiene algo que ver con el caudal? Calcula la correlación de Spearman entre depth_m y flow_rate_mls. (Pista: con n=22 y datos no normales, Spearman es más honesto que Pearson.)

# --- EXPERIMENTA AQUÍ ---
# Pregunta 3: ¿la profundidad se relaciona con el caudal de la fuente?
rho, p = stats.spearmanr(seeps['depth_m'], seeps['flow_rate_mls'])
print(f'Correlación de Spearman profundidad vs caudal: rho = {rho:.3f}, p = {p:.3f}  (n = {len(seeps)})')
if p > 0.05:
    print('No hay evidencia de relación: el caudal no sube ni baja sistemáticamente con la profundidad.')
else:
    print('Hay una relación estadísticamente detectable — explórala con un scatter.')

# Cambia 'depth_m' por otra columna, o prueba seeps.groupby('site') para la pregunta 1.

Correlación de Spearman profundidad vs caudal: rho = 0.532, p = 0.011  (n = 22)
Hay una relación estadísticamente detectable — explórala con un scatter.

---

Fuentes

Paper: Large CO2 seeps and hydrate field on the seafloor offshore Mayotte Island
Nature Geoscience, 2026-06-12 · paywall

Datos: Extrapolated CO2 fluxes over the entire Horseshoe area using different distribution models (Cathalot et al. 2026) + direct ROV flow-rate measurements at site B0

Referencias citadas: GEOFLAMME expedition: ROV Victor 6000 dive videos in the HORSESHOE area

13 afirmaciones del notebook verificadas contra estas fuentes