Una serie temporal meteorológica es como un electrocardiograma del tiempo: si sabes qué “latidos” son normales, detectas enseguida cuándo el dato está mintiendo (aunque parezca muy convincente). Aquí tienes un método simple para leer series (temperatura, humedad, presión, viento, lluvia) y reconocer señales de fallo típicas: escalones, picos, valores clavados, desfases horarios y acumulados raros. El objetivo no es hacer estadística avanzada, sino decidir rápido: ¿es meteorología real o un problema de sensor/instalación/pipeline?

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 vas a mirar en una serie (sin complicarte)

Para juzgar calidad en series, mira cuatro cosas: (1) forma (picos/escalones/ruido), (2) coherencia con el ciclo diario y el tipo de variable, (3) coherencia con otras variables (consistencia interna) y (4) coherencia con el “contexto” (hora correcta, episodios reales, referencias cercanas si las hay).

2. Idea clave en 30 segundos

• En una frase: la mayoría de fallos dejan patrones repetibles en la forma de la serie
• Señal típica: valores clavados, escalones exactos, picos aislados o máximos/mínimos desplazados de hora
• Confusión común: “como el dato es posible, entonces es correcto” (posible no es lo mismo que coherente)

3. Señales visuales que delatan problemas

• Valores clavados (stuck): línea plana demasiado tiempo (sensor congelado, transmisión pegada, o resolución/filtrado excesivo).
• Escalones: saltos de 0,5/1,0 °C; 1 hPa; etc. (redondeo, cambio de configuración, recalibración, conversión de unidades).
• Picos aislados: un “pincho” y vuelta a lo normal (glitch eléctrico, parseo, interferencias, gotas espurias en pluvio, rachas falsas).
• Desfase horario: el máximo diario aparece sistemáticamente “a otra hora” (UTC/local mezclado, cambio de hora, drift del logger).
• Acumulados raros: lluvia diaria que salta en bloques exactos, o suma en seco (duplicados de pipeline, pluvio sucio/vibración).

4. Timestamps: UTC, horario y desfases (la trampa silenciosa)

Muchos “errores meteorológicos” son errores de reloj: el valor era real, pero está mal fechado. Si comparas con otras series (radar, estaciones cercanas) y todo parece ir 1–2 horas desplazado, sospecha de UTC/local o de drift. En cambios de hora (DST) pueden aparecer horas duplicadas o huecos: si el proceso de diarios no lo trata bien, salen máximos/mínimos y acumulados mal.

5. Abrigo/exposición: cómo se ve en la serie

• Temperatura inflada por radiación: sesgo sobre todo en horas de sol con calma; noches menos afectadas.
• Entorno térmico (pared/tejado/asfalto): sesgo que persiste también de noche; la serie “vive más caliente” que su entorno.
• Ventilación insuficiente: máximos demasiado altos y respuesta lenta a cambios (curva “pesada”).

6. Consistencia interna: cuando una variable “no cuadra” con otra

Sin fórmulas: busca contradicciones grandes y repetidas. Ejemplos típicos: HR clavada a 100% durante horas sin señales de niebla/rocío y con T subiendo; lluvia sumando sin ningún cambio en humedad/nubosidad en la estación; presión con saltos enormes en situación estable; viento en calma total “perfecta” durante días en un sitio expuesto.

7. Tabla de síntomas → causa probable (resolver en 5 minutos)

8. Ejemplos cotidianos (para entrenar el ojo)

• Escalones “perfectos” en temperatura: parece limpio, pero delata redondeo.
• Serie demasiado plana en viento: en un lugar real, siempre hay algo de variabilidad.
• Humedad clavada al 99–100% toda la noche: puede ser condensación en el sensor.
• Lluvia en migas (0,2 mm cada poco) en un día despejado: pluvio sucio o vibración.
• Presión que salta justo tras un corte eléctrico: reinicio/configuración.
• Temperatura muy alta solo a mediodía con calma: radiación y mala ventilación.

9. Casos reales típicos (sin depender de un episodio concreto)

• Serie de T con máximos inflados en días soleados y calmados (exposición/abrigo).
• HR saturada durante horas y luego “liberación” brusca (condensación/sensor).
• Acumulado de lluvia con saltos dobles tras reintentos de envío (pipeline).
• Máximos de T desplazados 1 h tras cambio de hora (timezone/DST).
• Presión con offset constante respecto a referencias (calibración/altitud).

10. Errores comunes

• Concluir “récord” sin revisar QC (hora, exposición, pluvio, duplicados).
• Mezclar UTC y hora local en una misma serie histórica.
• Arreglar un pico a mano sin dejar trazabilidad ni corregir la causa.
• Comparar lluvia puntual con radar sin considerar resolución/atenuación (pero usarlo como pista, no como juez único).

11. Buenas prácticas

• Guardar bruto y depurado (y marcar flags en vez de borrar).
• Guardar tiempos en UTC y convertir solo para visualizar.
• Registrar mantenimiento/cambios (abrigo, firmware, altura, ubicación).
• Hacer “revisión rápida” tras episodios extremos o cortes eléctricos.

12. Resumen y claves finales

• La forma de la serie cuenta historias: stuck, escalones, spikes y desfases son pistas directas
• UTC/DST/drift explican muchos “misterios” en máximos, mínimos y diarios
• La consistencia interna evita caer en datos “posibles pero incoherentes”
• Una tabla de síntomas→causa reduce el tiempo de diagnóstico a minutos

13. Mini-glosario

• Stuck value: valor clavado anómalamente
• Spike: pico aislado por glitch
• Drift: deriva del reloj del logger
• Consistencia interna: coherencia entre variables medidas

14. Referencias y lecturas recomendadas

• WMO: guías de instrumentos, métodos de observación y control de calidad
• NOAA: recursos educativos y prácticas de datos/observación
• UCAR: materiales formativos sobre observación y series