Los mapas son peligrosamente convincentes: un patrón bonito y nuestra cabeza completa la historia. Pero un mapa no es una prueba causal; es una pista. Aquí vamos a aprender a usar mapas para construir un guion físico del evento y evitar el error típico: convertir correlación visual en causalidad. Además, veremos qué pinta tienen los productos de ensembles y métricas como FAR cuando se comunican (y cómo no pasarnos de listos).

Este artículo forma parte del tema Atribución en WikiMeteo.es, donde reunimos conceptos y guías prácticas para entender mejor el tiempo y el clima.

1. Qué pueden y qué no pueden decir los mapas

• Pueden: mostrar el contexto (circulación, advecciones, anomalías, persistencia), ayudar a identificar confusores y apoyar un mecanismo físico plausible.
• No pueden: demostrar causalidad por sí solos ni “atribuir daños”.

2. Idea clave en 30 segundos

• En una frase: mapa = pista; causalidad = pista + contrafactual + datos + incertidumbre.
• Señal típica: puedes nombrar 2–3 confusores que el mapa por sí solo no resuelve.
• Confusión común: ver una anomalía y asumir “esa anomalía causó el evento”.

3. Qué mapas mirar (kit básico)

• 500 hPa: patrón, bloqueo, chorro (persistencia).
• 850 hPa: advección de masa de aire, humedad, temperatura.
• SLP (presión): gradientes, patrón de vientos y duración.
• Anomalías: respecto a climatología (ojo: no es “culpa”, es “contexto”).
• Reanálisis: guion coherente del episodio.

4. Ensembles en mapas: cómo leer probabilidades

Ensembles suelen darte probabilidad de superar umbrales o dispersión. Pistas:

• Probabilidad alta con dispersión baja = señal más robusta (pero no absoluta).
• Probabilidad media con dispersión alta = incertidumbre grande (se comunica).
• No confundir “mapa bonito” con “verdad”: es un modelo con sesgos.

5. Eventos compuestos: el mapa te puede engañar

En eventos compuestos (p.ej. calor + sequedad + viento) un mapa puede mostrar una pieza muy clara y ocultar otra. Hay que revisar cada componente y su dependencia (no asumir independencia).

6. Ejemplos guiados

6.1 Ola de calor

• Qué buscar: bloqueo/persistencia en 500 hPa, advección cálida en 850 hPa, subsidencia, y duración.
• Trampa: atribuir el bloqueo al calentamiento sin análisis adicional.
• Lectura sana: “el patrón favorece persistencia; el fondo más cálido eleva el baseline”.

6.2 Sequía

• Qué buscar: patrón de circulación desfavorable a precipitación, persistencia, anomalías de humedad/evapotranspiración si están disponibles.
• Trampa: confundir mapa de precipitación baja con “causa única” y olvidar gestión/vulnerabilidad.
• Lectura sana: separar hazard (déficit) de impacto (restricciones) y declarar confusores.

7. Mini guía de datos (para no mezclar herramientas)

• Estaciones: confirmación local (picos, rachas, acumulados).
• Reanálisis: contexto espacial y guion del episodio.
• Ensembles: rangos y probabilidades (incertidumbre cuantificada).

8. Checklist de lectura de mapas (antes de sacar conclusiones)

• ¿Qué variable estoy viendo y qué escala representa?
• ¿Es anomalía o valor absoluto? ¿comparado con qué?
• ¿Hay persistencia (días) o es una foto suelta?
• ¿Qué confusores podrían explicar el patrón sin causalidad directa?
• ¿Tengo confirmación con observación/series?
• ¿La comunicación incluye incertidumbre y vulnerabilidad si hablo de impactos?

9. Errores comunes

• Convertir una anomalía en “culpable”.
• Usar un mapa único como prueba.
• Olvidar escalas (punto vs rejilla).
• No declarar sesgos del dataset/modelo.

10. Buenas prácticas

• Usa mapas para guion físico, no para sentencia.
• Declara supuestos y limita lo que afirmas.
• Si enseñas probabilidades, enseña también dispersión/incertidumbre.
• Separa hazard de impacto (vulnerabilidad).

11. Resumen y claves finales

• Mapas ayudan a explicar “cómo” pasó, no “quién tiene la culpa”.
• Para atribuir necesitas contrafactual + datos + rangos.
• Eventos compuestos exigen revisar cada componente.

12. Mini-glosario

• Anomalía: diferencia respecto a una climatología.
• Ensemble: conjunto de simulaciones para probabilidades.
• Confusor: factor que crea una asociación engañosa.
• Vulnerabilidad: susceptibilidad al daño ante un hazard.

13. Referencias y lecturas recomendadas

• IPCC (AR6): atribución, riesgo e incertidumbre
• Copernicus/ECMWF: reanálisis y productos de contexto
• ECMWF: ensembles y lectura probabilística