Autores:
(1) Jorge P. Rodríguez, Instituto de Fiscia Interdisciplinar y Sistemas Complejos (IFISC), CSIC-UIB, 07122 Palma de Mallorca (España), CA UNED Illes Balears, 07009 Palma (España) e Instituto Mediterráneo de Estudios Avanzados (IMEDEA), CSIC-UIB, 07190 Esporles (España);
(2) Konstantin Klemm, Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), CSIC-UIB, 07122 Palma de Mallorca (España);
(3) Carlos M. Duarte, Centro de Investigación del Mar Rojo (RSRC), Universidad de Ciencia y Tecnología Rey Abdullah (KAUST), 23955 204 Thuwal (Arabia Saudita)
(4) Vıctor M. Eguıluz, Centro Vasco para el Cambio Climático (BC3) (España) e IKERBASQUE, Fundación Vasca para la Ciencia (España).
La reducción de la capa de hielo marino con el calentamiento del Ártico facilita el tránsito de barcos por rutas que son notablemente más cortas que las rutas de navegación tradicionales. El Sistema de Identificación Automática (AIS), idealmente diseñado para evitar colisiones de buques, transmite en el barco información de navegación (actualmente 27 tipos de mensajes) como nombre, posición o velocidad, y es una poderosa fuente de datos para monitorear el progreso del transporte marítimo en el Ártico a medida que la capa de hielo disminuye.
Basándonos en el análisis de una plataforma online que recoge datos AIS de navegación, cuantificamos la distribución espacial del transporte marítimo a través del océano Ártico, su intensidad y su evolución temporal, en relación con el área liberada por la zona de hielo marino. El transporte marítimo a través del océano Ártico se distribuye espacialmente siguiendo una distribución de cola pesada, lo que implica un tráfico intenso a través de un área ártica limitada, con un exponente que depende de la categoría del buque.
La pesca es la categoría con mayor dispersión espacial, con una correlación entre el ancho de las rutas de navegación y la zona de hielo marino próxima a ella. La evolución temporal de estas rutas se caracteriza por períodos cada vez más prolongados de actividad de navegación a lo largo del año.
Los datos del AIS ofrecen información valiosa sobre la actividad de la flota internacional en todo el mundo. En el contexto de los nuevos acuerdos internacionales, son una fuente valiosa para monitorear el transporte marítimo, la pesca y el impacto potencial en la vida marina, entre otros aspectos. Aquí nos hemos centrado en el transporte marítimo en el Ártico en los últimos años, que está creciendo rápidamente, en particular alrededor de las rutas costeras del Paso del Noreste y del Noroeste, lo que brinda una oportunidad para el diseño de rutas de navegación más cortas y la reducción de las emisiones de gases de efecto invernadero del transporte de mercancías, pero con el riesgo de impactos en el ecosistema del Ártico.
El tráfico marítimo representa el modo de transporte dominante en el comercio mundial, y representa más del 80% del volumen del comercio internacional de mercancías [1]. De hecho, el crecimiento económico ha provocado un aumento paralelo del tráfico marítimo del 60% en el período comprendido entre 1992 y 2002 [2]. La importancia del transporte marítimo para la economía mundial se puso de manifiesto en 2020, cuando el Canal de Suez se bloqueó cuando el buque portacontenedores Ever Given encalló. La oportunidad de aprovechar la apertura de nuevas rutas árticas para transportar mercancías desde Asia a Europa y América del Norte debido a la disminución de la capa de hielo aumentará el tráfico y traerá nuevas amenazas a este ecosistema vulnerable [3], lo que se sumará a los impactos directos del rápido cambio climático en el Ártico. De hecho, una estimación del tiempo de envío ha revelado un aumento del 7% entre 2013 y 2022 [4].
Las tecnologías de rastreo desempeñan un papel importante en el análisis del movimiento de los buques a través de los océanos, permitiendo la cuantificación de múltiples comportamientos de los buques con consecuencias económicas, políticas y ecológicas. Por ejemplo, el rastreo de los buques pesqueros facilitó la inferencia de puntos críticos de actividad pesquera [5–7]. Además, la superposición entre las trayectorias de los buques pesqueros y el seguimiento del movimiento de los animales marinos ha revelado las regiones con un alto riesgo de superposición y, por lo tanto, riesgo de captura incidental entre los buques pesqueros y los tiburones [8], y el riesgo de colisión de los grandes buques con los tiburones ballena [9].
Actualmente, los productos derivados de los datos de seguimiento de los buques están disponibles abiertamente. Por ejemplo, el producto principal de Global Fishing Watch describe el esfuerzo pesquero con una alta resolución espacial y temporal a nivel mundial [5]. Sin embargo, conjuntos de datos más amplios, que incluyen, por ejemplo, las trayectorias de otras categorías de buques a nivel mundial, están disponibles mediante compra privada. Para superar el problema de la propiedad y la estandarización de los datos, se están desarrollando nuevas iniciativas para realizar análisis en línea con acceso a conjuntos de datos previamente limpios, preprocesados y validados científicamente de múltiples fuentes. En esta dirección, HUB Ocean ha desarrollado la Plataforma de Datos Oceánicos (oceandata.earth), donde los científicos pueden realizar análisis en línea de múltiples conjuntos de datos que describen diversos fenómenos oceánicos, como infecciones parasitarias en piscifactorías, emisiones globales de buques o los datos geoespaciales que describen las Áreas Marinas Protegidas (AMP).
En este artículo, informamos sobre nuestro análisis del tráfico marítimo en el Océano Ártico entre enero de 2020 y abril de 2022 a través de un análisis de datos desarrollado en una Semana de Vista Previa Privada de la Plataforma de Datos Oceánicos.
Tráfico marítimo. El uso del espacio por parte de los buques que transitan por el océano Ártico se infirió a partir de los datos del Sistema de Identificación Automática (AIS). El AIS es un sistema introducido para la seguridad marítima que proporciona, entre diferentes variables de datos, la velocidad, la latitud y la longitud de los buques que utilizan el sistema. La plataforma Ocean Data Platform agregó datos de seguimiento del AIS con una resolución mensual con una alta resolución espacial e informó el número de horas que los buques han transitado cada celda de la cuadrícula. El tiempo de tránsito mensual estuvo disponible desde enero de 2020 hasta abril de 2022 y especificó cinco categorías de buques (carga, pesca, pasajeros, petroleros y otros). Para nuestro análisis, introdujimos una cuadrícula global con una resolución de 0,1◦ × 0,1◦, seleccionando latitudes superiores al Círculo Polar Ártico (66,6◦, Fig. 1).
La evolución temporal del área cubierta por las rutas de navegación se complementó con el conjunto de datos utilizado para una evaluación previa del tráfico marítimo en el Ártico [10], para proporcionar una comparación del conjunto de datos de la Plataforma de Datos Oceánicos e ilustrar la evolución temporal a largo plazo del tráfico marítimo en el Océano Ártico. Este conjunto de datos anterior informó el número mensual de buques únicos detectados por el sistema AIS en cada celda de cuadrícula de 0,25◦×0,25◦, entre julio de 2010 y mayo de 2015.
Cobertura de hielo marino. La superficie de hielo marino se obtuvo del Índice de Hielo Marino, proporcionado por el Centro Nacional de Datos de Nieve y Hielo (Estados Unidos) [11]. Este conjunto de datos informó la evolución mensual de la superficie de hielo marino en el hemisferio norte, así como en subregiones específicas del Ártico, donde consideramos el Área del Archipiélago Canadiense, la Bahía de Baffin y el Mar de Beaufort para la ruta del Paso del Noroeste, mientras que consideramos el Mar de Siberia Oriental, el Mar de Kara y el Mar de Barents para la ruta del Noreste.
La densidad de navegación se calculó como el tiempo de tránsito en cada celda de la cuadrícula dividido por el área de la celda, agregando el tiempo de todos los barcos que utilizan AIS en la región considerada. Este patrón reveló puntos calientes de actividad de navegación, tanto en el mapa general como en los patrones específicos asociados con diferentes categorías de buques (Fig. 1). Los buques pesqueros representaron la mayor contribución al transporte marítimo en el Océano Ártico, especialmente en el Mar de Barents, pero también en la proximidad de Islandia. Los buques de carga, de manera similar a los buques petroleros, mostraron patrones donde observamos las rutas del Paso Noreste y del Noroeste, con este último volviéndose más amplio en la Bahía de Baffin, donde las trayectorias de los petroleros ocuparon menos área en esta región. El tráfico de pasajeros cubrió fracciones inferiores del área ya que las rutas más frecuentadas fueron más cortas, por ejemplo en las costas noruegas e islandesas.
La heterogeneidad de la densidad de envío en el espacio se describió mediante distribuciones de cola pesada, de modo que la mayoría de las celdas de la cuadrícula mostraron una baja densidad de envío, con unas pocas celdas que concentraron valores grandes (Fig. 2). Específicamente, las distribuciones de densidad de envío para el agregado (entre categorías) y para categorías específicas se describieron mediante distribuciones de ley de potencia. Realizamos una regresión de ley de potencia para estas distribuciones con el paquete de Python powerlaw, obteniendo los exponentes ajustados 1,79 (agregado), 1,49 (pasajero), 1,90 (buque cisterna), 1,74 (carga) y 1,96 (pesca). Para la pesca, observamos dos regímenes, donde la distribución es más cercana a una distribución uniforme para densidades bajas (es decir, con un exponente menor), mientras que las densidades grandes implicaron una disminución más rápida, que fue el comportamiento capturado por la regresión.
En resumen, un modelo nulo aleatorio que considera un flujo origen-destino, con un origen fijo y una probabilidad uniforme de alcanzar cualquier destino o viceversa, conduce a una distribución uniforme en una dimensión, mientras que la distribución es de cola pesada con un exponente 3 en dos dimensiones.
Para detectar las rutas de navegación, calculamos la densidad de navegación promedio por longitud, considerando solo las celdas de la cuadrícula con valores distintos de cero, y representamos la densidad de navegación relativa de cada celda de la cuadrícula, es decir, la densidad de navegación dividida por la densidad de navegación promedio de su longitud (ver Métodos). Observamos que los valores más altos se encuentran en la proximidad de la costa (Fig. 3). Esta técnica reveló las principales rutas de navegación (corredores rojos en la Fig. 3), así como varios puntos calientes de pesca en alta mar. Detectamos dos rutas de navegación principales del Ártico, las rutas del Noreste y del Paso del Noroeste, ambas uniendo los océanos Pacífico Norte y Atlántico Norte, con la Ruta del Noreste dividiéndose en dos en el Norte y Sur de las Islas Lyakhovsky. La mayor parte del tráfico de ambas rutas estaba asociado con buques tanque y de carga, como lo demuestra la ausencia de continuidad espacial a lo largo de las rutas en los buques de pasajeros y pesqueros, que se espera que muestren viajes de menor alcance.
Tras analizar las propiedades espaciales de la densidad de navegación en el conjunto de datos agregados y en las diferentes categorías de buques, nos centramos en la evolución temporal del tráfico marítimo, agregando todas las observaciones en el Círculo Polar Ártico. El mayor tráfico marítimo en todo el período correspondió a los buques pesqueros, seguidos, en orden decreciente, por los buques de pasajeros, de carga y petroleros (Fig. 4). Si bien la evolución relativa de los buques pesqueros y de pasajeros no mostró grandes fluctuaciones relativas, el tráfico marítimo de buques de carga y petroleros mostró una actividad máxima en el verano y principios del otoño tanto de 2020 como de 2021.
Finalmente, cuantificamos la evolución a largo plazo del Paso del Noroeste y las rutas del Noreste con un conjunto de datos complementario que describía el número de buques únicos observados en cada celda de la cuadrícula de 0,25◦× 0,25◦ entre julio de 2010 y mayo de 2015. Para garantizar la comparabilidad con nuestro conjunto de datos, obtuvimos el ancho de la ruta de los buques siguiendo el mismo procedimiento que se describió anteriormente, pero considerando el mismo tamaño de celda de la cuadrícula, es decir, celdas con un lado de 0,25◦. Observamos un patrón similar a lo largo de diferentes años en el caso del Paso del Noroeste, mientras que la ruta del Noreste mostró una notable reducción en su valor máximo en el conjunto de datos más reciente, junto con un crecimiento en el período en el que la ruta mostró actividad observable (Fig. 7).
La disponibilidad de datos sobre el medio marino, por ejemplo, las trayectorias de los animales o las amenazas a la vida marina [13], ha sido históricamente limitada en contraste con los datos que describen los procesos que ocurren en tierra. Sin embargo, un cambio de paradigma de la comunidad y las agencias de financiación científica hacia políticas de intercambio de datos se traduce en publicaciones más frecuentes de datos marinos. En este contexto, las plataformas en línea que recopilan, limpian y estandarizan conjuntos de datos de múltiples fuentes representan un beneficio importante para el avance de la ciencia marina [14, 15]. Además, la disponibilidad de servidores para la computación en línea genera un cambio hacia la democratización no solo del acceso a los datos, sino también de los recursos computacionales para procesar grandes cantidades de datos. En este contexto, hemos desarrollado nuestro análisis del tráfico marítimo del Ártico sin costo utilizando el Conector de Datos Oceánicos de HUB Ocean, en una Semana de Vista Previa Privada.
El análisis a largo plazo del tráfico marítimo en las rutas del Noreste y del Paso del Noroeste arrojó la FIG. 5. Evolución temporal del tráfico marítimo por longitud. El panel superior representa la densidad media de transporte marítimo sobre celdas con transporte marítimo no nulo en cada longitud, mientras que el inferior representa la longitud seccional de estas celdas. Las entradas blancas representan la ausencia de tráfico. Las líneas negras en el panel superior representan las longitudes que elegimos como las más representativas para medir las rutas del Noreste y del Paso del Noroeste, siendo, respectivamente, 150º y -90º. un patrón estacional esperado en ambas rutas, mostrando una baja variabilidad en el Paso del Noroeste. Sin embargo, la Ruta del Noreste mostró una reducción reciente en el ancho máximo de la ruta, junto con un comportamiento estacional más largo, es decir, la ruta era más angosta, pero se usaba durante una fracción más larga del año. Las restricciones de movilidad local, regional e internacional para reducir la propagación del COVID-19, en la ya llamada “antropausa” [16, 17], se superpusieron con la mayor parte de nuestro período analizado, lo que implica también una reducción en las tasas de producción de las fábricas, y puede explicar esta disminución en el ancho de la ruta del Noreste, ya que una disminución del tráfico llevaría a los buques a seguir rutas más cercanas a las óptimas, en términos de distancia, considerando todas las restricciones geográficas y ambientales (hielo). De hecho, un análisis global reveló una disminución del 1,4% en la ocupación del tráfico en los primeros meses de la pandemia, especialmente en el hemisferio norte [18].
La disminución de la extensión del hielo marino en el océano Ártico con el rápido calentamiento del Ártico representa una oportunidad para optimizar las rutas de navegación, reduciendo la duración y los costos del tránsito y, por lo tanto, las emisiones de gases de efecto invernadero. Sin embargo, este aumento en el tráfico marítimo del Ártico puede ser un presagio de la “aceleración azul” [19] en el Ártico, amenazando a las especies marinas que anteriormente no estaban expuestas a los peligros del transporte marítimo [20], como las colisiones con barcos [21] o el ruido submarino [22], además de otros factores estresantes como la contaminación plástica ya detectada [23, 24]. Por otro lado, la disponibilidad de nuevas rutas de navegación puede representar una retroalimentación negativa de origen humano sobre el calentamiento global, reduciendo las emisiones de los buques debido al uso de rutas más cortas [25]. Estos posibles aspectos positivos y negativos resaltan la importancia de los análisis de datos para monitorear y gestionar el tráfico marítimo del Ártico, lo que conduce a minimizar los impactos ambientales.
Densidad de envío. Los datos brutos proporcionaron el tiempo de tránsito del envío en celdas de cuadrícula de alta resolución de buques equipados con dispositivos AIS, incluidos todos los buques en tránsito y su desglose en cuatro categorías de buques: pesca, pasajeros, carga y petroleros. Agregamos estas celdas de cuadrícula de alta resolución en celdas de cuadrícula de tamaño 0,1◦× 0,1◦. Obtuvimos la densidad de envío dividiendo el tiempo de tránsito del envío por el área de la celda A:
donde R = 6371 km es el radio de la Tierra, ϕ es la latitud en grados y ∆λ y ∆ϕ son, respectivamente, los lados longitudinal y latitudinal de la celda en grados.
Densidad media de envíos por longitud. Calculamos la densidad media de envíos por longitud como la suma de los tiempos de tránsito totales de los envíos a través de las celdas con la misma longitud, dividida por el área de aquellas celdas con un tiempo de tránsito distinto de cero, siguiendo la ecuación 7. Para la evolución temporal de este valor (Fig. 5, arriba), en cada paso de tiempo solo consideramos las celdas con un tiempo de tránsito distinto de cero en ese período específico.
Ancho de ruta por longitud. Consideramos todas las celdas de la cuadrícula en la región del Ártico con una longitud específica λ y calculamos la evolución temporal del número de celdas N(λ, t) que mostraron un tiempo de tránsito distinto de cero. Calculamos el ancho de ruta W(λ, t) como la longitud de la sección transversal latitudinal de estas celdas:
JPR recibió apoyo del programa Juan de la Cierva Formación (Ref. FJC2019-040622-I) financiado por MCIN/AEI/10.13039/501100011033. JPR recibió apoyo de la Agencia Española de Investigación MCIN/AEI/10.13039/501100011033 a través del proyecto MISLAND (PID2020-114324GB-C22).
Esta investigación cuenta con el apoyo de la Unidad de Excelencia Mar´ıa de Maeztu 2023-2027 Refs. CEX2021-001201-M y CEX2021-001164-M, financiada por MCIN/AEI /10.13039/501100011033.
JPR: Conceptualización, Curación de datos, Análisis formal, Software, Visualización, Redacción: Borrador original. KK: Análisis formal, Redacción: Revisión y edición. CMD: Conceptualización, Redacción: Revisión y edición. VME: Conceptualización, Análisis formal, Redacción: Borrador original.
Los autores agradecen a la plataforma HUB Ocean hubocean.earth por el acceso a los datos y las facilidades computacionales para ejecutar de forma remota todos los análisis, a través del Ocean Data Connector.
[1] UNCTAD, Revista de Transporte Marítimo (Publicación de las Naciones Unidas, 2021).
[2] J. Tournadre, Cartas de investigación geofísica 41, 7924 (2014).
[3] N. Melia, K. Haines y E. Hawkins, Geophysical Research Letters 43, 9720 (2016).
[4] M. M¨uller, M. Knol-Kauffman, J. Jeuring y C. Palerme, npj Ocean Sustainability 2, 12 (2023).
[5] DA Kroodsma, J. Mayorga, T. Hochberg, NA Miller, K. Boerder, F. Ferretti, A. Wilson, B. Bergman, TD White, BA Block, et al., Science 359, 904 (2018).
[6] JP Rodr´ıguez, J. Fern´andez-Gracia, CM Duarte, X. Irigoien y VM Egu´ıluz, Science Advances 7, eabe3470 (2021).
[7] TH Frawley, B. Muhling, H. Welch, KL Seto, S.-K. Chang, F. Blaha, Q. Hanich, M. Jung, EL Hazen, MG Jacox, et al., One Earth 5, 1002 (2022).
[8] N. Queiroz, NE Humphries, A. Couto, M. Vedor, I. Da Costa, AM Sequeira, G. Mucientes, AM Santos, FJ Abascal, DL Abercrombie, et al., Nature 572, 461 (2019).
[9] FC Womersley, NE Humphries, N. Queiroz, M. Vedor, I. da Costa, M. Furtado, JP Tyminski, K. Abrantes, G. Araujo, SS Bach, et al., Actas de la Academia Nacional de Ciencias 119, e2117440119 (2022).
[10] VM Egu´ıluz, J. Fern´andez-Gracia, X. Irigoien y CM Duarte, Scientific Reports 6, 30682 (2016).
[11] F. Fetterer, K. Knowles, WN Meier, MM Savoie y AK Windnagel, “Índice de hielo marino, versión 3”, (2017). [12] J. Alstott, E. Bullmore y D. Plenz, PLoS ONE 9, e85777 (2014).
[13] AMM Sequeira, GC Hays, DW Sims, VM Egu´ıluz, JP Rodr´ıguez, MR Heupel, R. Harcourt, H. Calich, N. Queiroz, DP Costa, et al., Frontiers in Marine Science 6, 639 (2019).
[14] T. Tanhua, S. Pouliquen, J. Hausman, K. O'brien, P. Bricher, T. De Bruin, JJ Buck, EF Burger, T. Carval, KS Casey, et al., Frontiers in Marine Science 6, 440 (2019).
[15] JJ Buck, SJ Bainbridge, EF Burger, AC Kraberg, M. Casari, KS Casey, L. Darroch, JD Rio, K. Metfies, E. Delory, et al., Frontiers in Marine Science 6, 32 (2019).
[16] C. Rutz, M.-C. Loretto, AE Bates, SC Davidson, CM Duarte, W. Jetz, M. Johnson, A. Kato, R. Kays, T. Mueller, et al., Nature Ecology & Evolution 4, 1156 (2020).
[17] AE Bates, RB Primack, BS Biggar, TJ Bird, ME Clinton, RJ Command, C. Richards, M. Shellard, NR Geraldi, V. Vergara, et al., Conservación biológica 263, 109175 (2021).
[18] D. March, K. Metcalfe, J. Tintor´e y BJ Godley, Nature Communications 12, 2415 (2021).
[19] J.-B. Jouffray, R. Blasiak, AV Norstr¨om, H. Osterblom, ¨ y M. Nystr¨om, One Earth 2, 43 (2020). [20] KA Burek, FM Gulland y TM O'Hara, Aplicaciones ecológicas 18, S126 (2008).
[21] R. Reeves, C. Rosa, JC George, G. Sheffield y M. Moore, Política marina 36, 454 (2012).
[22] OM Tervo, SB Blackwell, S. Ditlevsen, E. Garde, RG Hansen, AL Samson, AS Conrad y MP Heide-Jørgensen, Science Advances 9, eade0440 (2023).
[23] A. C´ozar, E. Mart´ı, CM Duarte, J. García-de Lomas, E. Van Sebille, TJ Ballatore, VM Egu´ıluz, JI González-Gordillo, ML Pedrotti, F. Echevarr´ıa, et al., Science Advances 3, e1600582 (2017).
[24] I. Peeken, S. Primpke, B. Beyer, J. Gütermann, C. Katlein, T. Krumpen, M. Bergmann, L. Hehemann y G. Gerdts, Nature Communications 9, 1505 (2018).
[25] J. Browse, K. Carslaw, A. Schmidt y J. Corbett, Cartas de investigación geofísica 40, 4459 (2013).
Este artículo está disponible en arxiv bajo la licencia CC BY-NC-SA 4.0 DEED.