El riesgo por calor combina cuánto se calienta un lugar con cuánta gente vive allí y qué tan sensible es. Sin datos censales por manzana de edad e ingreso, la vulnerabilidad se aproxima con la población estimada, la densidad construida y la falta de vegetación (ver 1.1).
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from IPython.display import Markdown, display
from leticia import espacial, exposicion, fuentes, riesgo, viz
from leticia.config import parametros
pc = parametros()["calor"]
malla = exposicion.malla_exposicion()
lst = espacial.temperatura_superficie(2024, pc["meses_landsat"], nubes_max=pc["nubes_max"])
malla["lst_c"] = espacial.estadistica_zonal(lst["lst"].rio.write_crs(4326), malla)
malla["ndvi"] = espacial.estadistica_zonal(lst["ndvi"].rio.write_crs(4326), malla)
con = malla[(malla.n_edif > 0) & malla.lst_c.notna()].copy()
con["lst_anomalia"] = con["lst_c"] - con["lst_c"].median()1. Temperatura de superficie por celda¶
fig, ax = plt.subplots(figsize=(6.4, 7))
viz.mapa_celdas(con, "lst_anomalia", ax=ax, cmap="RdBu_r", etiqueta="°C respecto a la mediana urbana", vmin=-4, vmax=4,
titulo="Anomalía de temperatura de superficie")
top = con.nlargest(10, "lst_anomalia")[["lst_c", "lst_anomalia", "ndvi", "n_edif", "poblacion"]]
display(Markdown(f"Entre la celda más caliente y la mediana urbana hay **{con['lst_anomalia'].max():.1f} °C**; "
f"el 10 % más caliente supera la mediana en {con['lst_anomalia'].quantile(0.9):.1f} °C o más."))
display(top.round(2))Loading...
Loading...
2. Calor y vulnerabilidad: mapa bivariado¶
con["vulnerabilidad"] = riesgo.indice_vulnerabilidad(con, {
"densidad_edificaciones": ("densidad_construida", False), "poblacion": ("poblacion", False), "baja_vegetacion": ("ndvi", True)})
t_cl = pd.qcut(con["lst_c"], 3, labels=[0, 1, 2]).astype(int)
v_cl = pd.qcut(con["vulnerabilidad"].rank(method="first"), 3, labels=[0, 1, 2]).astype(int)
paleta = np.array([["#e8e8e8", "#e4acac", "#c85a5a"], ["#b0d5df", "#ad9ea5", "#985356"], ["#64acbe", "#627f8c", "#574249"]])
con["color"] = [paleta[v, t] for t, v in zip(t_cl, v_cl)]
fig, ax = plt.subplots(figsize=(6.4, 7))
viz.fondo(ax)
con.to_crs(4326).plot(ax=ax, color=con["color"], alpha=0.85, linewidth=0, zorder=2)
viz.marco(ax, titulo="Calor (columnas) × vulnerabilidad (filas)")
ins = ax.inset_axes([0.06, 0.70, 0.24, 0.24])
for v in range(3):
for t in range(3):
ins.add_patch(plt.Rectangle((t, v), 1, 1, color=paleta[v, t]))
ins.set_xlim(0, 3); ins.set_ylim(0, 3)
ins.set_xticks([0.5, 2.5]); ins.set_xticklabels(["fresco", "cálido"], fontsize=6)
ins.set_yticks([0.5, 2.5]); ins.set_yticklabels(["baja", "alta"], fontsize=6)
ins.set_xlabel("calor →", fontsize=6); ins.set_ylabel("vulnerab. →", fontsize=6)
ins.grid(False)
alto = con[(t_cl == 2) & (v_cl == 2)]
personas_alto = f"{alto['poblacion'].sum():,.0f}".replace(",", ".")
display(Markdown(f"Celdas con **calor alto y vulnerabilidad alta**: {len(alto)}, con {personas_alto} personas estimadas "
f"({100 * alto['poblacion'].sum() / con['poblacion'].sum():.0f} % de la población de la malla)."))Loading...
3. Clases de riesgo relativo¶
malla.loc[con.index, "vulnerabilidad"] = con["vulnerabilidad"]
malla["riesgo_calor"] = riesgo.matriz_riesgo(riesgo.clasificar(riesgo.normalizar(malla["lst_c"])),
riesgo.clasificar(malla["vulnerabilidad"]))
display(malla[malla.n_edif > 0].groupby("riesgo_calor", observed=False)[["n_edif", "poblacion"]].sum().round(0))
malla[["lst_c", "ndvi", "riesgo_calor"]].to_csv(fuentes.ruta("riesgo_calor_celdas.csv"))Loading...
Lectura. Las celdas de calor alto y vulnerabilidad alta se concentran en los barrios densos y con poca vegetación del centro y del oriente de la cabecera. Allí la arborización, los techos claros o ventilados y los puntos de hidratación y sombra tienen mayor beneficio. El bosque y los humedales que aún rodean la ciudad funcionan como refrigeración natural: perderlos por expansión urbana aumentaría el riesgo.