Cuando un dato meteorológico “sale raro”, lo normal es pensar: “el sensor falla”. A veces sí… pero muchas veces el error viene de la instalación, el entorno o el software que recoge y procesa la señal. Aquí tienes un mapa mental sencillo (pero completo) para entender de dónde nacen los errores, cómo reconocerlos y qué hacer para no confundir un fallo con meteorología real (especialmente en lluvia convectiva).

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

1. Qué es (y qué NO es) una “fuente de error”

Qué es: cualquier causa que hace que el valor medido o publicado se separe de la realidad (o de lo que pretende medir el instrumento). Puede ser un sesgo pequeño pero constante, o un fallo grande y puntual.

Qué NO es: “un dato extremo”. Un extremo puede ser real. La calidad de datos no va de suavizar, sino de detectar patrones imposibles o incoherentes y documentar cambios.

2. Idea clave en 30 segundos

• En una frase: la mayoría de errores no son “mala suerte”: suelen tener huella (patrón) y causa repetible
• Señal típica: incoherencia entre variables (por ejemplo, lluvia sin nube/radar o HR pegada al 100% con sol fuerte)
• Confusión común: filtrar picos de lluvia convectiva real por “parecer demasiado bruscos”

3. Las 4 grandes familias de errores

• Sensor: limitaciones del instrumento, deriva, saturación, envejecimiento, ruido.
• Instalación: altura, nivelado, abrigo, ventilación, cableado, alimentación, ubicación.
• Entorno: sombra/reflectancia, obstáculos, calor antropogénico, suelo, vegetación, agua cercana, isla de calor.
• Software/pipeline: timestamps, unidades, redondeo, promedios mal definidos, reinicios, pérdidas, reintentos, duplicados.

4. Errores del sensor: lo que el instrumento puede “inventarse”

• Deriva lenta: con el tiempo, algunos sensores se desplazan (ej.: HR o presión) y empiezan a “vivir” en un nivel ligeramente incorrecto.
• Saturación / límites: UV o radiación pueden saturar; el anemómetro puede subestimar con turbulencia extrema; el pluviómetro puede perder eficiencia con lluvia muy intensa y viento.
• Ruido y picos (spikes): lecturas puntuales por interferencias o contactos.
• “Stuck” (pegado): sensor que se queda fijo en un valor durante minutos u horas (problema de electrónica, humedad, congelación, etc.).

5. Errores de instalación: cuando el sitio manda más que el sensor

• Temperatura/HR: abrigo mal ventilado, demasiado cerca de paredes, suelo que re-irradia, exposición al sol, altura incorrecta.
• Viento: obstáculos cercanos, mástil bajo, turbulencia por tejados, árboles o lomas.
• Lluvia: pluviómetro sin nivelar, embudo sucio, vibración, altura y exposición al viento; fijación inestable.
• Alimentación/cableado: microcortes, conectores flojos, humedad en cajas, cables largos sin protección adecuada.

6. Errores del entorno: el “microclima” que distorsiona

• Isla de calor: asfalto, muros, maquinaria, salidas de aire, tejados.
• Sombra y reflectancia: sombras que cambian con la estación, superficies claras que aumentan radiación.
• Vegetación y suelo: césped vs tierra seca, crecimiento de arbustos, riego cercano.
• Obstáculos progresivos: “un árbol pequeño no molesta”… hasta que crece.

7. Errores del software/pipeline: el dato se rompe “después” de medir

• Timestamps: UTC vs hora local, cambio de hora (DST), deriva del reloj, duplicados o saltos.
• Unidades: mm vs pulgadas, m/s vs km/h, hPa vs Pa, °C vs décimas.
• Agregación: medias, máximos, rachas y acumulados mal definidos (ventanas, reinicios a mitad de periodo, acumulación “rodante” sin avisar).
• Redondeo: redondear demasiado pronto crea escalones artificiales.
• Faltantes: huecos por red, caídas de API, reintentos que duplican paquetes.
• Trazabilidad: si no se guarda el raw o no hay metadatos, arreglar se vuelve adivinar.

8. Cómo reconocer cada familia por su “huella”

• Sensor: spikes aislados, stuck, deriva suave sin explicación ambiental.
• Instalación: sesgo dependiente de radiación/viento (p.ej., T demasiado alta con sol y calma).
• Entorno: sesgo que cambia con estación del año u horas (sombras), o con cambios en el entorno.
• Software: saltos exactos a horas redondas, duplicados, desplazamientos de serie, escalas imposibles.

9. Convectiva: pico real vs error (el clásico lío)

La lluvia convectiva puede producir saltos grandes en poco tiempo. Eso no es un fallo por defecto. Para no confundirte:

• Señales de pico real: radar con eco intenso y localizado; rayos; bajada brusca de temperatura por outflow; subida de HR; racha/rolada de viento; nube convectiva en satélite.
• Señales de pico falso: ticks periódicos sin radar; “llueve” con radiación alta y HR baja sin cambios; patrón repetido varios días a la misma hora; vibración evidente (viento fuerte constante sin eco de precipitación).
• Buena práctica: antes de filtrar, intenta confirmar con observación externa (radar/satélite/rayos) o coherencia interna multivariable.

10. Ejemplos rápidos (6 situaciones típicas)

• HR al 100% con sol fuerte: suele ser condensación/abrigo/ventilación (instalación) o sensor mojado (sensor).
• Temperatura “alta” solo a mediodía: exposición y radiación (instalación/entorno).
• Viento casi siempre flojo y rachas raras: obstáculos/turbulencia (instalación/entorno) o definición de racha (software).
• Lluvia de 0,1 mm cada hora en día seco: vibración/insectos/suciedad (instalación) o redondeo/agregación (software).
• Presión con dientes de sierra: sensor o configuración (altitud/offset) y a veces parseo (software).
• Serie desplazada 1 hora: UTC/DST (software/pipeline).

11. Errores comunes

• Suponer “sensor roto” sin mirar instalación, entorno y pipeline
• Filtrar extremos reales por estética (querer series suaves)
• No documentar cambios (mantenimiento, traslado, sustitución)
• Arreglar “a mano” sin trazabilidad ni flags (imposible reproducir)
• Olvidar que el tiempo (UTC/DST) puede fabricar “errores”

12. Buenas prácticas

• Metadatos siempre: cualquier cambio de sensor, abrigo, altura, ubicación, limpieza, firmware.
• Raw + QC: guarda el dato original y etiqueta con flags lo sospechoso.
• Coherencia interna: valida con varias variables (T/HR/Td, lluvia-viento-radiación).
• Convectiva: confirma con radar/satélite/rayos antes de declarar “falso”.
• Pipeline claro: define promedios, máximos, rachas y acumulados con ventanas y horarios explícitos.

13. Resumen y claves finales

• Piensa en 4 familias: sensor, instalación, entorno y software
• Los errores dejan huella: escalón, aguja, pegado, repetición, desplazamiento temporal
• La convectiva puede ser brusca y real: no filtres por forma
• Sin metadatos y trazabilidad, la calidad se convierte en intuición
• La solución sana es: diagnosticar, etiquetar (flags), corregir la causa

14. Mini-glosario

• Deriva: cambio lento del sensor respecto a su referencia
• Spike: lectura aislada anómala (aguja) que vuelve al valor normal
• Stuck: sensor “pegado” sin variabilidad durante una ventana
• Pipeline: cadena de ingestión, procesado y publicación del dato
• Trazabilidad: capacidad de reconstruir cómo se obtuvo y transformó un dato

15. Referencias y lecturas recomendadas

• WMO: guías y estándares de instrumentación, exposición y buenas prácticas
• NOAA: recursos educativos y documentación de observación y datos
• UCAR/COMET: materiales de formación sobre observación, QC y meteorología aplicada