Bajo el sol de Uzès: cuando los datos históricos revelan el cambio climático

estoy biológicamente obligado a soportar el mismo ciclo de charlas triviales todos los años: “Está hirviendo, ¿no? Mucho más calor que 2020”, o el clásico, “En mi época, teníamos cuatro estaciones, no solo ‘Pre-Oven’ y ‘Fryer'”.

Honestamente, me siento tentado a asentir y quejarme también, pero tengo la memoria de un pez dorado y un cerebro que exige hechos fríos y concretos antes de unirme a una perorata. Como no recuerdo si el pasado mes de julio fue “sudoroso” o “fundido”, me encantaría tener algunos datos reales que respalden mis quejas.

Trabajo en icCube. Es básicamente un pecado profesional para mí entrar en una discusión basada en datos sin llevar herramientas de nivel empresarial a un debate de fondo.

En el siguiente final, cuando alguien empiece a recordar cómo “1976 fue el verdadero año abrasador”, no debería limitarme a asentir cortésmente mientras amamanto mi pastis. Debería estar sacando un tablero de alto rendimiento y con píxeles perfectos que visualice su nostalgia hasta el olvido. Si no puedo utilizar el análisis multidimensional para demostrar que nuestras glándulas sudoríparas están trabajando más duro que en los años setenta, entonces ¿qué estoy haciendo con mi vida?

Si bien este viaje comenzó como una búsqueda para resolver una disputa local en el sur de Francia, esta publicación va más allá del debate climático. Sirve como modelo para un desafío de datos clásico: cómo diseñar un sistema analítico de alto rendimiento capaz de dar sentido a décadas de datos históricos aplicables a cualquier dominio que requiera una comparación histórica versus actual.

El plan de batalla

Aquí está el plan que traza nuestro ataque táctico contra la vaga nostalgia y la evidencia anecdótica:

Explorando Intel: Buscar los números brutos porque “se siente caliente” no es una métrica, y necesitamos material de alto octanaje. Construyendo la Sala de Guerra: Diseñando una estructura lo suficientemente robusta como para soportar décadas de olas de calor sin sudar. El mazo analítico: implementar la lógica de gran potencia necesaria para convertir datos sin procesar en pruebas innegables que incineren la nostalgia. El visual “Te lo dije”: diseño del panel de control con píxeles perfectos para finalizar cualquier discusión inicial en tres segundos. Vuelta posterior a la victoria: ahora que hemos conquistado el debate sobre el clima, ¿qué otros mitos internos debemos incinerar con datos?

Explorando la Intel

Los datos son fundamentales para nuestra misión. Por lo tanto, necesitamos obtener registros históricos de temperatura precisos y de alta fidelidad de Francia.

Méteo-France, el servicio meteorológico y climatológico nacional, es un establecimiento público del Estado. Pone a disposición de todos los usuarios los datos elaborados en el marco de sus misiones de servicio público en su portal de datos públicos: datagouv.fr. Dios bendiga los portales de datos públicos. Mientras que la mitad de los datos del mundo están bloqueados detrás de muros de pago y formularios de registro que solicitan su tipo de sangre, Francia simplemente… los entrega. Libertad, igualdad, temperatura.

Los datos utilizados en esta publicación están disponibles bajo la Licencia Abierta 2.0.

Las observaciones

Datos climatológicos (diarios/horarios) de todas las estaciones meteorológicas metropolitanas y extranjeras desde su apertura, para todos los parámetros disponibles. Los datos han sido sometidos a control climatológico: www.

Las estaciones meteorológicas

Características de las estaciones meteorológicas de Francia metropolitana y territorios de ultramar en funcionamiento: www.

Análisis temprano y transformaciones

Siendo como Saint-Thomas, me gusta ver y revisar un poco por mí mismo los datos reales para obtener primero una buena comprensión y realizar algunas comprobaciones de cordura antes de sacar conclusiones más adelante.

Para mantener las cosas limpias, he estado extrayendo datos de temperatura sin procesar del montón de observaciones que tenemos. Siendo un geek de Java impenitente, creé una colección de clases para esta misión y las incluí en un proyecto de Github. Siéntete libre de leer el código y reutilizarlo tanto como quieras.

No voy a aburrirlos con un sermón seco sobre los datos en este momento. Sería como servir un rosado tibio, absolutamente criminal, posiblemente ilegal en algunos pueblos provenzales.

Profundizaré en los detalles más importantes cuando sea necesario.

Construyendo la sala de guerra

Si queremos resolver estos debates en la terraza de una vez por todas, no podemos simplemente presentarnos con una hoja de cálculo y un sueño. Necesitamos un esquema OLAP; una estructura tan robusta que hace que la mampostería de piedra histórica local parezca endeble. Lo mantendremos ajustado para esta pelea específica, pero créanme, está diseñado a escala cuando inevitablemente estalle el próximo argumento del “invierno más suave jamás visto”.

Analicemos la arquitectura.

Las dimensiones

Estaciones: Nos permite localizar la estación meteorológica exacta en el mapa de Francia porque decir “en algún lugar del sur” no es suficiente. Necesitamos coordenadas, nombres, las obras. Hora/Calendario: Los sospechosos habituales: años, meses, días. ¿Aburrido? Seguro. ¿Esencial para demostrar que la memoria de tu vecino es basura? Absolutamente. Estamos agregando Meses y Días del Mes para alimentar un widget de calendario que me permitirá señalar cualquier fecha específica y decir: “¿Ves? El 1 de julio de 2025 fue un infierno absoluto”. La precisión es clave cuando estás arruinando el zumbido nostálgico de alguien.

Los hechos (también conocidos como medidas)

Temperaturas: la “Santísima Trinidad” de puntos de datos: media, máxima y mínima. Esta es la entrada principal para nuestro análisis de “freidora” versus “antes del horno”.

La definición completa del esquema está guardada en el proyecto GitHub con el código fuente, lista para cuando te sientas particularmente vengativo.

El cubo

¿El resultado final? Un esquema cargado que contiene más de 500 millones de filas de datos de temperatura franceses que se remontan a 1780. ¿Es absolutamente excesivo para una charla informal mientras tomamos aceitunas? Por supuesto que lo es. Ese es el punto.

Nos brinda un campo de juego para piratear otras métricas más adelante. Pero guardémoslos para cuando realmente queramos que la gente se arrepienta de haber mencionado el clima en primer lugar.

El mazo analítico

Es hora de formular la consulta que cerrará el próximo debate inicial en tres segundos.

Para eliminar el ruido, estoy usando el lenguaje MDX: un lenguaje de consulta diseñado específicamente para este tipo de trabajo pesado multidimensional. Para demostrar que realmente vivimos en una “freidora”, compararé la temperatura de cada día con un período de referencia histórico.

Si no habla MDX, pase a la imagen bonita. Básicamente, la consulta le dice al motor de datos que encuentre el promedio “normal” para este día específico durante 30 años y lo reste de la temperatura de hoy.

Primero, el período de referencia (también conocido como nuestra línea de base normal) se define como un conjunto estático utilizando el operador de rango (por ejemplo, 1991 – 2000):

con conjunto estático [Period] como {
[Time].[Time].[Year].[1991] : [Time].[Time].[Year].[2020]
}

“¿Por qué 30 años?” Porque eso es lo que los climatólogos y la Organización Meteorológica Mundial decidieron que se considera “normal” antes de que el planeta comenzara a experimentar con nuevos ajustes del termostato. Es el estándar de oro para una “climatológica normal”; Lo suficientemente largo como para suavizar los años extraños, lo suficientemente corto como para recordar cómo solía sentirse lo “normal”.

La temperatura media diaria se define como el promedio de las temperaturas máximas y mínimas del día. He experimentado con promedios por hora; los resultados son casi idénticos. Así que ciñámonos a esta definición simple y bien aceptada:

con
[T_Avg_Daily] como ( [Measures].[Temperature (max.)] + [Measures].[Temperature (min.)] ) / 2 , FORMAT_STRING=”.#”

Ahora necesitamos saber cuál debe ser la temperatura. Calculamos el promedio de esas temperaturas diarias agregadas durante nuestro período de referencia:

con
[T_Avg_Period] como promedio ( [Period], [T_Avg_Daily] ), FORMAT_STRING=”.#”

Finalmente, calculamos la diferencia, midiendo exactamente cuánto más calor (o más frío) hace hoy en comparación con mis años anteriores. Este valor delta pone un número preciso en nuestro sudor colectivo:

con
[T_Avg_Diff] como IIF( está vacío( [T_Avg_Daily] ), nulo, [T_Avg_Daily] – [T_Avg_Period] )

En conjunto, aquí está la consulta MDX que compara las temperaturas diarias de 2025 en Uzès con el récord:

con conjunto estático [Period] como {
[Time].[Time].[Year].[1991] : [Time].[Time].[Year].[2020]
}

[T_Avg_Daily] como ( [Measures].[Temperature (max.)] + [Measures].[Temperature (min.)] ) / 2 , FORMAT_STRING=”.#”

[T_Avg_Period] como promedio ( [Period], [T_Avg_Daily] ), FORMAT_STRING=”.#”

[T_Avg_Diff] como IIF( está vacío( [T_Avg_Daily] ), nulo, [T_Avg_Daily] – [T_Avg_Period] ) seleccionar
[Time].[Months].[Months] en 0
[Time].[Days of Months].[Days of Months] en 1 de [Observations]

dónde [T_Avg_Diff]

filtrado por [Time].[Time].[Year].&[2025-01-01T00:00:00.000]
filtrado por [Station].[Station].[Name].&[30189001] — Nimes Courbessac

El lector atento se dará cuenta de que he cambiado la estación local de Uzès por la de Nîmes-Courbessac. ¿Por qué? Porque necesito esos dulces, dulces datos históricos para alimentar mis comparaciones de “en mis tiempos”, y Nîmes simplemente tiene una memoria más larga. Está justo al lado, por lo que las temperaturas son prácticamente idénticas. Aunque, si soy sincero, en Nimes suele hacer un poco más de calor.

Imagen del autor.

En la siguiente sección, te mostraré cómo darle un poco de color a estos valores para que puedas detectar las olas de calor de un vistazo.

El visual “Te lo dije”

Así que es hora de dejar de mirar el código sin formato y crear una imagen para ese resultado MDX. ¿Mi plan? Mete todo el año en una única cuadrícula 2D, porque mirar una lista desplazable de 365 fechas es un billete de ida a la migraña.

La configuración es simple: meses en el eje horizontal, días del mes en el vertical. Cada celda representa el delta de temperatura, es decir, la diferencia (grados centígrados) entre 2025 y nuestro período de referencia. Para que sea “a prueba de idiotas” la próxima vez que tenga tres pastis de profundidad, apliqué un mapa de calor: cuanto más caluroso era el día en comparación con el pasado, más roja era la celda; cuanto más frío, más azul.

Revelación completa: no soy un “chico visual”. Mi preferencia estética suele comenzar y terminar con “¿la consulta regresa en menos de 50 milisegundos?” Pero incluso con mi falta de talento artístico, los datos hablan por sí solos.

Imagen del autor.

Un vistazo a esta cuadrícula y queda dolorosamente claro: 2025 no es sólo “un poco templado”. Es un mar de furioso carmesí que demuestra que nuestro período de referencia pertenece a un mundo que era significativamente menos “pre-horno”. Si esto no acaba con la multitud de “en mis tiempos” en el próximo partido, nada lo hará.

Mis nostalgias de los últimos años (1980-2000)

Estoy recalibrando la línea de base para que coincida con los años de mi juventud. Al cambiar el período de referencia a esos “días de gloria”, resulta que mi cerebro no estaba exagerando; los datos confirman un claro cambio de los manejables veranos del pasado a esta nueva intensidad.

Imagen del autor.

No es de extrañar que la lavanda esté estresada.

#Días > 35

Empecé a sentir curiosidad; ¿Fue sólo mi imaginación, o la temperatura del “horno” en este planeta realmente se está acelerando? Me decidí por un ejercicio rápido: contar cuántos días al año el termómetro alcanza o supera la marca de 35°C.

Imagen del autor.

Para sorpresa de nadie, los datos confirman que la fase “pre-horno” se está reduciendo y la era de la “freidora” está tomando oficialmente el relevo.

2003: Cuando el verano se convirtió en una tragedia

Allí, en los datos, hay un pico marcado que se eleva por encima de todos los demás. El verano de 2003. Quince mil personas no sobrevivieron a esos implacables días por encima de los 35°C. Sólo en Francia. Una nación que no había entendido lo mortal que podía ser el calor. El gráfico no captura las sillas vacías en las mesas de la cena ese otoño, las familias cambiaron para siempre, la comprensión llegó demasiado tarde.

Estos gráficos no prueban por sí solos el cambio climático global; simplemente demuestran con rigor la realidad vivida localmente.

Vuelta posterior a la victoria

Y así es como se convierte una bebida informal al atardecer en un interrogatorio basado en datos.

Hemos liberado oficialmente los datos y MDX para demostrar que “solía ser más genial” no es sólo una persona mayor quejándose después de demasiados Ricards; es un hecho comprobable. ¿Llevar un mapa de calor multidimensional a una reunión social es la forma más rápida de perder amigos y dejar de ser invitado a los aperitivos? Probablemente. Pero, ¿vale la pena el silencio que sigue a un “te lo dije” perfectamente ejecutado? Cada vez.

Los datos no detendrán la tensión, pero es de esperar que detengan los malos argumentos al respecto.

El índice de la “locura mistral”

Ahora que el calor se ha calmado, pongo mis ojos en el legendario Mistral. En cada plaza de pueblo, desde Valence hasta Marsella, hay una sagrada “Regla de los 3” que dice que una vez que el Mistral arranca, debe soplar durante 3, 6 o 9 días. Es el tipo de numerología local que la gente defiende con sus vidas.

Ya estoy preparando un nuevo esquema de “viento frío” para comparar las velocidades de las ráfagas por hora con este mito del calendario. Quiero ver si al viento realmente le importan los múltiplos de tres, o si son solo nuestros cerebros tratando de encontrar patrones en el caos mientras nuestras contraventanas vibran.

Si te ha gustado verme diseñar en exceso una solución para una conversación informal, sigue mi descenso a la locura analítica en Medium. Recién estamos comenzando.