Los errores de calidad de datos en meteorología casi nunca llegan con un cartel que ponga “soy un error”. Suelen parecer datos normales… hasta que te rompen una gráfica, un récord, una comparativa con modelos o un resumen diario. En este artículo reunimos los fallos más comunes (y peligrosos) y cómo evitarlos con reglas simples: reloj/UTC, detección de anomalías, emplazamiento e instalación, validación de esquema, y hábitos de mantenimiento (limpieza, nivelado, revisión de abrigo).

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 entendemos por “error común” en datos meteorológicos

Un error común es un patrón repetido que aparece en muchas estaciones y pipelines: no es “mala suerte”, es algo que suele pasar por cómo se mide (sensores), cómo se instala (exposición), cómo se registra (logger), y cómo se procesa (software). Lo importante no es memorizar la lista, sino aprender a reconocer señales típicas.

2. Idea clave en 30 segundos

• En una frase: casi todos los problemas serios vienen de UTC/tiempo, instalación o procesamiento, más que de “meteorología rara”
• Señal típica: el dato parece plausible aislado, pero contradice la serie o variables relacionadas
• Confusión común: arreglarlo “a ojo” sin flags ni trazabilidad

3. Error #1: UTC y hora local mal gestionadas

Este es el clásico que destroza diarios y comparaciones. Si guardas en hora local, el cambio de hora y los desfases te meten duplicados o huecos.

• Señales: picos a horas “raras”, diarios con 23/25 horas, máximos/mínimos desplazados.
• Cómo evitarlo: guardar siempre en UTC; convertir a local solo en la interfaz; detectar duplicados y huecos.

4. Error #2: deriva del reloj del logger (drift)

Con el tiempo, algunos loggers se desajustan. El dato no cambia, pero el reloj sí, y te rompe ventanas de cálculo.

• Señales: la estación “va tarde/adelantada” cada semana; eventos que no cuadran con radar/satélite.
• Cómo evitarlo: sincronización periódica (NTP si aplica) y check automático de drift.

5. Error #3: validación de esquema inexistente (schema validation)

Un cambio de formato (campo renombrado, unidad distinta) puede generar datos “válidos” pero interpretados mal.

• Señales: saltos bruscos tras actualización, valores con unidad equivocada, campos vacíos.
• Cómo evitarlo: validar tipos/unidades; rechazar o flaggear cuando falte un campo clave.

6. Error #4: emplazamiento e instalación (exposición)

Muchos sesgos vienen de dónde y cómo está montado el sensor: abrigo mal ventilado, radiación directa, superficies calientes, paredes, tejados, obstáculos, etc.

• Señales: máximas demasiado altas en días soleados y calma; mínimas raras; HR saturada por mala ventilación.
• Cómo evitarlo: revisar abrigo, altura, entorno, ventilación; comparar con comportamiento esperado del ciclo diario.

7. Error #5: “picos” y outliers mal interpretados

Un pico puede ser real o error. El problema no es que exista, sino que se gestione mal.

• Señales de error: pico aislado de 1 punto sin continuidad y sin soporte en otras variables.
• Señales de evento real: soporte multivariable (viento/lluvia/temperatura) y continuidad temporal.
• Cómo evitarlo: flags + revisión rápida con contexto (serie + coherencia).

8. Error #6: lluvia espuria por pluviómetro (muy habitual)

El pluviómetro merece capítulo propio: suciedad, insectos, vibración, rebotes, nivelado incorrecto.

• Señales: “migas” de 0,2–0,5 mm en días secos; ticks correlacionados con viento.
• Cómo evitarlo: limpieza, nivelado, fijación; marcar ticks sospechosos; usar coherencia con otras variables.

9. Error #7: redondeo y resolución mal elegidos

Si el pipeline redondea demasiado, la serie se “cuantiza”: pierde detalle y aparecen escalones artificiales.

• Señales: temperatura solo en múltiplos de 0,5 °C; HR en escalones; lluvia con saltos raros.
• Cómo evitarlo: revisar resolución del sensor/logger; no redondear antes de tiempo; documentar.

10. Error #8: agregación mal hecha (diarios, medias, máximos)

Una mala agregación crea extremos falsos o diarios incoherentes.

• Señales: máximos diarios imposibles, acumulados que se reinician, medias que no coinciden con la curva.
• Cómo evitarlo: definir ventanas; manejar huecos; recalcular tras correcciones temporales.

11. Mantenimiento mínimo que evita el 80% de sustos

• Limpieza: pluvio (embudo, balancín), abrigo (polvo/insectos).
• Nivelado: pluviómetro (clave) y estructura.
• Verificación de abrigo: ventilación, sombra, exposición, distancia a superficies calientes.
• Revisión visual: cables, sujeciones, vibraciones, agua entrando en conectores.

12. Errores comunes (lista rápida)

• Guardar en hora local y pelearse con el cambio de hora
• No validar esquema/unidades tras cambios
• Ignorar drift del reloj del logger
• Tratar el pluviómetro como “uno más” sin mantenimiento
• Borrar outliers sin contexto ni flags
• Redondear demasiado pronto
• Agregación de diarios sin reglas claras

13. Buenas prácticas

• UTC en almacenamiento; local en UI
• Flags con motivo en lugar de “arreglos invisibles”
• Checks automáticos simples (duplicados, huecos, spikes, stuck)
• Rutina corta de mantenimiento y revisión

14. Resumen y claves finales

• La mayoría de errores vienen de tiempo (UTC), instalación y pipeline
• Contexto manda: serie + coherencia multivariable
• Pluviómetro y abrigo concentran sesgos frecuentes
• Con flags y una rutina mínima, la calidad sube muchísimo

15. Mini-glosario

• UTC: referencia horaria universal (recomendable para almacenar)
• Drift: deriva del reloj con el tiempo
• Schema validation: validación de estructura/tipos/unidades del dato
• Outlier: valor raro respecto a su contexto
• Cuantización: escalones por redondeo/resolución

16. Referencias y lecturas recomendadas

• WMO: guías de observación, instrumentación y calidad
• NOAA: recursos de instrumentación y datos
• UCAR: materiales educativos y buenas prácticas de observación