Análisis de Anomalías Climáticas con Python

Data Science

Python

Clima

El cambio climático es uno de los desafíos más grandes de nuestra era. En este post, exploraremos cómo utilizar Python y Pandas para analizar datos históricos de temperatura y visualizar anomalías.

Autor/a

Carlo Ernesto Millan

Fecha de publicación

21 de noviembre de 2025

Introducción

Preparación de los Datos

Primero, importamos las librerías necesarias. Utilizaremos pandas para la manipulación de datos y matplotlib junto con seaborn para las visualizaciones.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Configuración de estilo
sns.set_theme(style="whitegrid")
plt.rcParams['figure.figsize'] = (10, 6)

Generamos algunos datos sintéticos para este ejemplo, simulando temperaturas mensuales a lo largo de 20 años.

# Generar datos de ejemplo
np.random.seed(42)
dates = pd.date_range(start='2000-01-01', end='2020-12-31', freq='M')
base_temp = 15 + np.sin(np.linspace(0, 20*np.pi, len(dates))) * 10 # Ciclo estacional
trend = np.linspace(0, 1.5, len(dates)) # Tendencia de calentamiento
noise = np.random.normal(0, 1, len(dates)) # Variabilidad natural

temps = base_temp + trend + noise
df = pd.DataFrame({'Fecha': dates, 'Temperatura': temps})
df.set_index('Fecha', inplace=True)

print(df.head())

Visualización de la Serie Temporal

Vamos a visualizar la serie completa para ver la tendencia y la estacionalidad.

plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Temperatura'], label='Temperatura Mensual', color='steelblue', alpha=0.7)
plt.plot(df.index, df['Temperatura'].rolling(window=12).mean(), label='Media Móvil (12 meses)', color='darkorange', linewidth=2)
plt.title('Evolución de la Temperatura Simulada (2000-2020)')
plt.xlabel('Año')
plt.ylabel('Temperatura (°C)')
plt.legend()
plt.show()

Análisis de Anomalías

Una forma común de ver el cambio climático es a través de las anomalías, es decir, cuánto se desvía la temperatura de un promedio base.

# Calcular promedio base (ej. primeros 10 años)
baseline = df.loc['2000':'2010', 'Temperatura'].mean()
df['Anomalia'] = df['Temperatura'] - baseline

# Visualizar anomalías
plt.figure(figsize=(12, 6))
colors = ['red' if x > 0 else 'blue' for x in df['Anomalia']]
plt.bar(df.index, df['Anomalia'], color=colors, width=20)
plt.title('Anomalías de Temperatura respecto al periodo 2000-2010')
plt.xlabel('Año')
plt.ylabel('Anomalía (°C)')
plt.show()

Como podemos observar en el gráfico de barras, los últimos años muestran una predominancia de anomalías positivas, indicando una tendencia al calentamiento en nuestros datos simulados.

--- title: "Análisis de Anomalías Climáticas con Python" author: "Carlo Ernesto Millan" date: "2025-11-21" categories: [Data Science, Python, Clima] image: "banner.jpg" description: "El cambio climático es uno de los desafíos más grandes de nuestra era. En este post, exploraremos cómo utilizar Python y Pandas para analizar datos históricos de temperatura y visualizar anomalías." jupyter: python3 --- ## Introducción El cambio climático es uno de los desafíos más grandes de nuestra era. En este post, exploraremos cómo utilizar Python y Pandas para analizar datos históricos de temperatura y visualizar anomalías. ## Preparación de los Datos Primero, importamos las librerías necesarias. Utilizaremos `pandas` para la manipulación de datos y `matplotlib` junto con `seaborn` para las visualizaciones. ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # Configuración de estilo sns.set_theme(style="whitegrid") plt.rcParams['figure.figsize'] = (10, 6) ``` Generamos algunos datos sintéticos para este ejemplo, simulando temperaturas mensuales a lo largo de 20 años. ```python # Generar datos de ejemplo np.random.seed(42) dates = pd.date_range(start='2000-01-01', end='2020-12-31', freq='M') base_temp = 15 + np.sin(np.linspace(0, 20*np.pi, len(dates))) * 10 # Ciclo estacional trend = np.linspace(0, 1.5, len(dates)) # Tendencia de calentamiento noise = np.random.normal(0, 1, len(dates)) # Variabilidad natural temps = base_temp + trend + noise df = pd.DataFrame({'Fecha': dates, 'Temperatura': temps}) df.set_index('Fecha', inplace=True) print(df.head()) ``` ## Visualización de la Serie Temporal Vamos a visualizar la serie completa para ver la tendencia y la estacionalidad. ```python plt.figure(figsize=(12, 6)) plt.plot(df.index, df['Temperatura'], label='Temperatura Mensual', color='steelblue', alpha=0.7) plt.plot(df.index, df['Temperatura'].rolling(window=12).mean(), label='Media Móvil (12 meses)', color='darkorange', linewidth=2) plt.title('Evolución de la Temperatura Simulada (2000-2020)') plt.xlabel('Año') plt.ylabel('Temperatura (°C)') plt.legend() plt.show() ``` ## Análisis de Anomalías Una forma común de ver el cambio climático es a través de las anomalías, es decir, cuánto se desvía la temperatura de un promedio base. ```python # Calcular promedio base (ej. primeros 10 años) baseline = df.loc['2000':'2010', 'Temperatura'].mean() df['Anomalia'] = df['Temperatura'] - baseline # Visualizar anomalías plt.figure(figsize=(12, 6)) colors = ['red' if x > 0 else 'blue' for x in df['Anomalia']] plt.bar(df.index, df['Anomalia'], color=colors, width=20) plt.title('Anomalías de Temperatura respecto al periodo 2000-2010') plt.xlabel('Año') plt.ylabel('Anomalía (°C)') plt.show() ``` Como podemos observar en el gráfico de barras, los últimos años muestran una predominancia de anomalías positivas, indicando una tendencia al calentamiento en nuestros datos simulados.