Los metadatos son el “contexto” del dato. Cuando fallan, la serie puede parecer normal y aun así engañar: saltos raros, picos falsos, tendencias inventadas o comparaciones injustas. Aquí tienes casos típicos con una lectura paso a paso para identificar qué pasó y cómo arreglarlo.
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.
Accesos directos:
- Si tienes un salto raro en la serie: ve a los casos 4 y 5.
- Si te explota el cambio de hora: caso 3.
- Si “todo es raro” desde una fecha: caso 6 (cambio de proceso/pipeline).
1. Qué vas a aprender aquí
Vas a ver ejemplos reales (muy típicos) de fallos de metadatos y un método simple para detectar la causa: mirar el “qué cambió” (sensor, tiempo, unidades, muestreo o proceso) y confirmarlo con pistas en la serie.
2. Idea clave en 30 segundos
- En una frase: cuando un dato se vuelve “raro”, casi siempre cambió el contexto (metadatos) antes que el tiempo
- Señal típica: salto o cambio de textura justo tras mantenimiento, mudanza o actualización
- Confusión común: pensar que “es meteorología” sin comprobar primero UTC/unidades/agregación
3. Método rápido para leer un caso (sin caos)
- Paso 1: marca la fecha/hora exacta del problema (inicio del salto o patrón raro)
- Paso 2: revisa 5 sospechosos: UTC/DST, unidades, muestreo/agregación, sensor/entorno, proceso (filtros/rellenos)
- Paso 3: busca una “firma” típica (picos, escalones, serrucho, constante clavada, desfase horario)
- Paso 4: confirma con una comparación corta: día anterior vs día posterior, misma hora
- Paso 5: decide: corregir metadatos, marcar el periodo, o recalcular producto (sin borrar a lo loco)
4. Caso 1: cambio de unidad silencioso (m/s vs km/h)
Síntoma: el viento “se hunde” de repente o se dispara sin explicación meteorológica.
- Pista: la distribución cambia por un factor casi constante (≈3,6 entre m/s y km/h)
- Cómo lo detectas: compara una hora concreta antes/después: si todo está multiplicado/dividido por ~3,6, es unidad
- Solución: fija la unidad oficial en metadatos y documenta dónde se convierte (ingestión o visualización)
5. Caso 2: agregación cambiada (instantáneo vs media 10 min)
Síntoma: la serie se vuelve “más suave” o pierde picos; las rachas parecen más bajas; los extremos desaparecen.
- Pista: cambia la “textura”: menos variabilidad minuto a minuto
- Cómo lo detectas: mira picos convectivos o rachas: si desaparecen de golpe desde una fecha, revisa ventana de agregación
- Solución: declarar samplingInterval y aggregationWindow; si cambiaste, marca el evento en el changelog
6. Caso 3: DST/cambio de hora (día de 23 o 25 horas)
Síntoma: diarios raros, duplicados, huecos o máximas/mínimas desplazadas una hora; lluvia diaria que “no cuadra”.
- Pista: ocurre exactamente el día del cambio de hora, o siempre a las 02:00/03:00 locales
- Cómo lo detectas: revisa si guardas en hora local: aparecen timestamps duplicados o faltantes
- Solución: guardar en UTC y convertir solo al mostrar; documentar la política de corte diario
7. Caso 4: cambio de sensor o abrigo (temperatura con salto)
Síntoma: la temperatura máxima sube o baja “para siempre” a partir de una fecha; o el ciclo diurno cambia de forma.
- Pista: el salto afecta más a las horas de sol (máximas) que a las noches
- Cómo lo detectas: compara un día despejado antes y después: si el mediodía cambia mucho y la madrugada no tanto, huele a abrigo/ventilación/emplazamiento
- Solución: registrar en metadatos: tipo de abrigo, altura, ventilación y fecha exacta del cambio; conectar con mantenimiento (limpieza, verificación del abrigo)
8. Caso 5: pluviómetro desnivelado o sucio (picos raros y sesgo)
Síntoma: lluvia con “picos” imposibles o acumulados demasiado bajos/altos durante semanas.
- Pista: aparecen intensidades absurdas con poco evento real, o se pierden chubascos claros
- Cómo lo detectas: mira la resolución (vuelcos) y el patrón: un pluvio desnivelado genera lecturas erráticas; uno sucio subestima y “reacciona tarde”
- Solución: mantenimiento (limpieza, nivelado) + registrar evento y cualquier cambio de resolución/firmware
9. Caso 6: cambio de proceso/pipeline (filtros o rellenos)
Síntoma: la serie se “perfecciona” de golpe: desaparecen huecos, picos, o todo queda demasiado redondo.
- Pista: el dato parece demasiado limpio, y la distribución cambia justo tras una actualización
- Cómo lo detectas: revisa si hay interpolación/relleno; si ya no existen gaps donde antes sí, cambió el producto
- Solución: separar raw vs procesado; declarar transformsApplied y pipelineVersion en metadatos
10. Errores comunes
- Corregir la serie “a mano” sin registrar el cambio
- Cambiar unidades o agregación sin actualizar metadatos
- Guardar en hora local y luego sufrir con DST
- Confundir picos convectivos reales con outliers sin corroborar
11. Buenas prácticas
- Guardar timestamps en UTC y convertir al mostrar
- Tener un changelog mínimo (fecha, qué, por qué)
- Declarar muestreo/agregación y unidades para cada variable
- Conectar metadatos con mantenimiento: limpieza, nivelado, verificación de abrigo
12. Resumen y claves finales
- Los metadatos explican saltos, suavizados y “tendencias” falsas
- UTC/DST, unidades y agregación son los tres sospechosos número 1
- Cambios de abrigo o entorno suelen afectar máximas más que mínimas
- Pipeline sin proveniencia puede fabricar series bonitas pero engañosas
13. Mini-glosario
- DST: cambio estacional de hora
- Agregación: cómo conviertes medidas frecuentes en un valor (media, máximo, suma)
- Proveniencia: qué transformaciones se aplicaron al dato
14. Referencias y lecturas recomendadas
- Met Office: recursos y guías de observación y calidad
- WMO: recomendaciones de instrumentación y metadatos
- NOAA: control de calidad y buenas prácticas