Instrumentos y estaciones · Última actualización: 2026-01-22

Control de calidad automático: reglas básicas QA QC

Cuando una estación mete un dato raro, el problema no es solo que “se vea feo”: puede romper máximas, mínimas, acumulados, gráficas y hasta decisiones (alertas, comparativas, climatología). El control de calidad automático (QA/QC) es un conjunto de reglas para detectar datos sospechosos y tratarlos sin cargarte la realidad. La idea no es “limpiar por limpiar”, sino separar ruido/errores de señales meteorológicas reales.

Este artículo forma parte del tema Instrumentos en WikiMeteo.es. Relacionado: filtrado y suavizado (inst_0045) y muestreo/promedios (inst_0010).

1. Qué es QA/QC (y qué NO es)

QA (Quality Assurance) es todo lo que haces para prevenir errores (instalación correcta, calibración, reloj bien puesto, mantenimiento). QC (Quality Control) es lo que haces para detectar y gestionar errores en los datos una vez medidos (reglas, banderas, validación).

Lo que no es: borrar datos “raros” sin pensar. Un dato raro puede ser un extremo real (racha, granizo, frente) o un fallo. QA/QC sirve para marcar y decidir con criterio.

2. Idea clave en 30 segundos

  • En una frase: QA/QC automático no debe inventar datos ni borrar extremos reales: debe marcar lo sospechoso y conservar trazabilidad.
  • Señal típica: saltos enormes en 1 minuto o valores clavados durante horas.
  • Confusión común: confundir QC con “suavizar”: suavizar cambia la serie; QC marca y valida.

3. Filosofía práctica: banderas, no tijeras

La mejor práctica es trabajar con banderas (flags): el dato sigue existiendo, pero queda marcado como “sospechoso”, “fallo probable” o “validado”. Así no rompes la historia de tu serie y puedes re-evaluar reglas.

4. Reglas básicas de QA/QC que funcionan casi siempre

4.1 Rangos plausibles

Define rangos físicamente posibles y rangos “esperables” por clima/estación. Ejemplo: una temperatura de +65 ºC en una estación doméstica suele ser imposible; una presión de 800 hPa a nivel del mar también. Ojo: el rango “esperable” depende de altitud y región.

4.2 Saltos imposibles (rate-of-change)

Si una variable cambia demasiado rápido, sospecha. Ejemplo típico: +12 ºC en 1 minuto sin que haya cambio de sensor/ubicación. Esta regla es muy potente contra glitches eléctricos.

4.3 Persistencia (valores clavados)

Valores idénticos durante mucho tiempo suelen indicar sensor congelado, cable suelto o software bloqueado. Ejemplos: HR clavada al 100% durante días (sin niebla continua), viento a 0.0 exacto todo el día cuando sí hay brisa, o presión plana al decimal durante horas.

4.4 Outliers por comparación temporal

Un dato que se sale muchísimo de la tendencia inmediata (pico aislado) suele ser spike. Aquí encaja muy bien la mediana móvil como detector, no como sustituto automático.

4.5 Coherencia entre variables

La atmósfera tiene “lógicas” internas. Ejemplos simples: si HR sube fuerte, suele bajar el déficit de saturación (y a menudo el punto de rocío sube). Si llueve, normalmente hay señal en pluviómetro (o al menos humedad alta) y el cielo suele mostrar nubosidad. Si hay racha fuerte, lo normal es ver variabilidad en dirección/velocidad, no un valor fijo.

5. Ejemplos cotidianos (para reconocer fallos al vuelo)

  • Temperatura spike: +18 ºC durante 1 muestra y vuelve al valor anterior: fallo eléctrico o lectura corrupta.
  • HR clavada: 100% toda la noche y todo el día con sol y 28 ºC: sensor degradado/condensado o mala ventilación.
  • Viento muerto en azotea: 0.0 todo el día mientras banderas/árboles se mueven: anemómetro bloqueado o demasiado protegido.
  • Lluvia fantasma: 0.2 mm cada hora exacta: balancín vibrando, insectos, cableado o falso contacto.
  • Presión “loca”: saltos de 8 hPa en minutos: altitud mal puesta, reset del sensor o bug.

6. Qué hacer cuando una regla salta

  • Marcar (flag): no borrar de inmediato.
  • Buscar confirmación: comparar con estación cercana, radar/satélite, o variable relacionada.
  • Decidir tratamiento: mantener pero marcado, descartar para extremos, o reemplazar por “missing”.
  • Registrar el motivo: para mejorar reglas y mantenimiento.

7. Errores comunes

  • Usar rangos “universales” sin ajustar a altitud/clima (especialmente presión).
  • Tratar cualquier pico como error y borrar extremos reales (rachas, granizo, frentes).
  • Aplicar QC sin conservar flags: luego no sabes qué pasó ni por qué.
  • Confundir filtros con QC y “alisar” la serie hasta que parezca perfecta.

8. Buenas prácticas

  • Guardar dato bruto y añadir flags (estado del dato).
  • Empezar con pocas reglas robustas (rangos, saltos, persistencia) antes de sofisticar.
  • Validar reglas con días “difíciles” (tormentas, frentes, olas de calor).
  • Separar productos: extremos y climatología deben ignorar datos flagged como fallo probable.

9. Resumen y claves finales

  • QA previene, QC detecta: los dos son necesarios.
  • Mejor banderas que tijeras: marca, valida y decide.
  • Reglas base: rangos, saltos, persistencia, outliers y coherencia entre variables.
  • El objetivo no es “bonito”, es “fiable” sin borrar la meteorología real.

10. Mini-glosario

  • QA/QC: aseguramiento y control de calidad.
  • Flag: etiqueta del estado del dato (ok/sospechoso/fallo).
  • Outlier: valor muy alejado del entorno temporal.
  • Persistencia: dato clavado o sin variación anómala.

11. Referencias y lecturas recomendadas

  • WMO: guías de observación y control de calidad de datos meteorológicos.
  • NOAA: recursos de instrumentación, observación y buenas prácticas de series.