ODS 13 · Acción por el Clima

Equipo: GreenByte Integrantes: Aldo Heraclio de la Isla · Mayra Cuellar Urbano · Juan Mario Sosa Hackatón: HackODS UNAM 2026 — primer hackatón de la UNAM para convertir datos abiertos en narrativas visuales sobre los ODS

¿Y si la vegetación mexicana no muere por que la cortan, sino por lo que le niegan — el agua? ¿Y si la huella humana no destruye el ecosistema directamente, sino que lo calienta y lo seca hasta que el clima hace el trabajo final?

Para responder, antes debemos comprender como funciona el clima en México ¿Qué variables climáticas y humanas dominan la salud del ecosistema mexicano, en qué medida, y dónde se concentra el daño cuando actúan simultáneamente?

No partimos de una hipótesis prefabricada. Interrogamos el territorio como una escena del crimen ambiental: cruzamos variables atmosféricas (NO₂, CO, SO₂), biológicas (NDVI, EVI) e hidrológicas (precipitación, anomalías CHIRPS) para descubrir no solo si el país cambia, sino de qué forma está fallando la respuesta natural ante el estrés climático y humano.

GreenByte construye un tablero de datos abiertos satelitales para México (2019–2024) con cuatro capas analíticas:

1. Escaneo de tendencias nacionales — Mann-Kendall + pendiente de Sen para variables climáticas y ambientales. ¿Qué está cambiando y en qué dirección?
2. Atribución de la salud vegetal — Random Forest (n=35,461 obs., R²=0.895) + regresión multivariada para cuantificar cuánto explica cada variable sobre el NDVI.
3. Dos motores climáticos — Separación Pacífico/Atlántico con descomposición ENSO. México tiene dos regímenes climáticos independientes con tendencias opuestas en SST residual.
4. Hotspots de multi-estrés — Índice compuesto (z_LST + z_NO₂ + z_T2m + z_Extremos − z_NDVI) con autocorrelación espacial Gi* de Getis-Ord (999 permutaciones, k=15 KNN). Identifica dónde colapsan simultáneamente múltiples estresores.

El análisis sobre una malla de ~25 km para el período 2019–2024 revela:

• La precipitación domina la salud vegetal con 78% de importancia relativa (Random Forest, n=35,461, R²=0.895). LST_day contribuye 6.4%, gHM 4.7%, NO₂ 4.5%. El ecosistema mexicano es fundamentalmente hídrico: no muere de fiebre, muere de sed.

• México tiene dos motores climáticos independientes. La SST residual (limpia del efecto ENSO) muestra tendencias opuestas: el Atlántico/Golfo se calienta (+0.419 °C/año, Sen's slope) y el Pacífico se enfría (−0.792 °C/año). Esto implica que una fracción de la variabilidad climática observada es de origen natural — distinción crítica para priorizar intervenciones de política.

• El impacto humano actúa principalmente a través del clima, no directamente. El análisis de mediación causal (Baron & Kenny, bootstrap IC95%, 1000 iteraciones) muestra que el SO₂ ejerce el 204% de su efecto sobre el NDVI de forma indirecta vía temperatura superficial, y el gHM ejerce el 91% vía precipitación. Los factores humanos amplifican el estrés climático en lugar de dañar la vegetación de forma independiente.

• Los puntos de crisis son identificables y localizables. El análisis Gi* detecta píxeles de hotspot con significancia espacial formal (z > 1.96, p < 0.05) concentrados en el centro del país y la Zona Metropolitana del Valle de México — zonas donde presión humana, calor extremo y degradación vegetal colapsan simultáneamente en el snapshot de 2023.

Este es un primer escaneo diagnóstico, no un dictamen. Las limitaciones más importantes son:

• Ventana temporal corta: 6 años para gases (S5P TROPOMI desde 2019), 10 años para otras variables. Las tendencias deben interpretarse con cautela.
• Hotspots acotados a 2023: año de El Niño, lo que puede inflar el estrés térmico observado respecto a años neutros.
• Autocorrelación espacial no corregida formalmente en las regresiones multivariadas — los errores estándar pueden estar subestimados.
• Discontinuidad instrumental en gases: OMI/Aura (2015–2018) y S5P TROPOMI (2019–2024) no son comparables en valor absoluto.

Este tablero está dirigido principalmente a tomadores de decisión en política ambiental — equipos de CONABIO, SEMARNAT y gobiernos estatales — como herramienta de priorización espacial: una primera aproximación que reduce el espacio de búsqueda e indica dónde mirar primero antes de invertir en monitoreo de mayor resolución o intervenciones de restauración.

También tiene valor divulgativo para audiencias generales interesadas en entender cómo interactúan clima, vegetación y presión humana en el territorio mexicano.

Lo que este análisis no pretende hacer: prescribir política, establecer causalidad definitiva, ni reemplazar estudios de mayor profundidad temporal o resolución espacial.

La pregunta central exige medir tres dimensiones simultáneamente: estado del ecosistema (NDVI, LST), presión climática (precipitación, temperatura del aire, ENSO) y presión humana (gases, modificación del hábitat, deforestación). Ningún dataset individual cubre las tres para México a escala nacional con resolución suficiente para análisis espacial local.

Las decisiones críticas de selección fueron:

• CHIRPS sobre ERA5 para precipitación: CHIRPS fusiona observaciones satelitales con pluviómetros terrestres, produciendo estimaciones más precisas en zonas montañosas (Sierra Madre Occidental y Oriental). ERA5-Land se usa para temperatura del aire (T2m), donde es el estándar global con referencia histórica 1981–2010.

• MODIS sobre Landsat para NDVI/LST: La cobertura temporal continua 2015–2024 y la frecuencia de revisita (16 días MOD13Q1, 8 días MOD11A2) superan a Landsat para series de tiempo largas a escala nacional. Landsat tiene mayor resolución espacial pero mayor porcentaje de nubosidad y cobertura irregular.

• Sentinel-5P TROPOMI sobre OMI/Aura para gases: La resolución de TROPOMI (~3.5×5.5 km) frente a OMI (~13×24 km) es determinante para detectar gradientes urbano-rurales de NO₂ a escala de hotspot. La discontinuidad instrumental se documenta y limita el análisis a la ventana 2019–2024.

• Hansen GFC v1.11 para deforestación: Único dataset de pérdida forestal anual con cobertura global, resolución de 30 m y serie histórica desde 2000 validada internacionalmente. Permite conectar deforestación acumulada con los hotspots climáticos.

• ONI (NOAA CPC) como covariable ENSO: Sin controlar por el ciclo ENSO, las tendencias de SST absorben señal climática natural que no es tendencia antrópica. La descomposición SST_observada − SST_ENSO es lo que permite identificar los dos motores climáticos independientes.

Resolución espacial: malla ~25 km sobre México (bbox: −118.5, 14.5, −86.5, 32.8)
Período completo: 2015–2024 | Ventana analítica armonizada: 2019–2024

⚠️ Nota de discontinuidad instrumental: Las series de gases de 2015–2018 (OMI/Aura) y 2019–2024 (S5P TROPOMI) no son comparables en valor absoluto. Todo análisis que incluya gases usa la ventana armonizada 2019–2024. Ver scripts/Extraccion_Variables_Ambientales_Mexico.ipynb para el detalle técnico del fallback instrumental.

Todos los datasets son de acceso público y gratuito, sin restricción de uso académico. Los datos NASA son de dominio público por política federal estadounidense. Los datos Copernicus son de acceso abierto bajo la Política de Datos Copernicus. Todos los datos se accedieron vía Google Earth Engine (proyecto: greenbyte-hackods-unam-2026).

GreenByte_HackODS_UNAM/
├── README.md                          ← Presentación del proyecto y narrativa
├── LICENSE                            ← Licencia CC BY-SA 4.0
├── ai-log.md                          ← Declaratoria de uso de IA (Obligatorio)
├── .gitignore                         ← Archivos excluidos (imágenes pesadas/temporales)
├── datos/                            
│   └── ... (archivos de defunciones DGIS y crudos)
├── scripts/
|   ├── Analisis_EDA.ipynb                              ← Pipeline de Analisis GEE
│   ├── Extraccion_Variables_Ambientales_Mexico.ipynb   ← Pipeline de extracción GEE
│   ├── GreenByte_Historia_Final.ipynb                  ← Análisis descriptivo y narrativa
│   └── GreenByte_Construccion_de_la_Narrativa.ipynb    ← Procesamiento de hallazgos
└── dashboard/
    ├── index.html                     ← El tablero interactivo (Renderizado)
    ├── index.qmd                      ← Código fuente del tablero en Quarto
    └── resultados/                    ← Datos clave para las gráficas interactivos
        ├── master_greenbyte_v4.csv    ← Dataset corazón del tablero
        ├── df_anual.csv               ← Tendencias temporales
        ├── escena_crimen.csv          ← Datos de atribución causal
        ├── evidencia_agricultura.csv  ← Impacto en cultivos
        ├── evidencia_salud.csv        ← Impacto en mortalidad/calor
        ├── fuegos_latitud.csv         ← Distribución espacial de incendios
        ├── mk_results.csv             ← Resultados estadísticos Mann-Kendall
        └── sequia_estados.csv         ← Análisis regional de sequía

• Cuenta activa de Google Earth Engine con proyecto: greenbyte-hackods-unam-2026
• Python 3.10+ con: earthengine-api, geemap, pandas, numpy, matplotlib, statsmodels, scikit-learn, esda, libpysal, pymannkendall, seaborn, folium, scipy
• Para el tablero: Quarto 1.4+ con kernel Python, o uv con el pyproject.toml incluido

1. Extracción GEE — Ejecutar scripts/Extraccion_Variables_Ambientales_Mexico.ipynb. Lanza 40 tareas en paralelo en GEE (A + B1 + B2 + C × 10 años). Tiempo estimado: ~4 horas. Los CSVs van a datos/datos_crudos/.

2. Consolidación — Ejecutar la sección "Consolidación — Dataset Maestro v4" del mismo notebook. Genera master_greenbyte_v4.csv y master_greenbyte_v4_2019_2024.csv en datos/datos_procesados/.

3. Análisis — Ejecutar scripts/Analisis_EDA.ipynb. Carga master_greenbyte_v4_2019_2024.csv como dataset principal y produce todas las visualizaciones, correlaciones, hotspots y exportaciones derivadas.

4. Tablero — Desde dashboard/, ejecutar quarto preview index.qmd (o uv run quarto preview index.qmd con el entorno virtual del proyecto).

Nota: Si no se desea re-ejecutar la extracción GEE, los datasets procesados están disponibles en datos/datos_procesados/ y el análisis puede iniciarse desde el paso 3.

Este proyecto se distribuye bajo CC BY-SA 4.0. Ver archivo LICENSE.

Los datasets de terceros conservan sus licencias originales (ver tabla de metadatos arriba). Los datos NASA son de dominio público por la NASA Open Data Policy.