El error más común al verificar pronósticos no es “calcular mal”, sino comparar mal. Y cuando comparas mal, puedes convencerte de que has mejorado cuando en realidad solo has cambiado el tipo de error… o has medido contra un rival demasiado fácil. La climatología como baseline es tu “suelo”: te obliga a demostrar valor añadido real. En este artículo vamos a los fallos típicos (muy humanos) y cómo evitarlos, con ejemplos en tormentas convectivas y probabilístico (ensembles), y con trucos sencillos para que la verificación te sirva para mejorar de verdad.

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

1. Qué es y por qué importa

Usar climatología como baseline significa que tus números deben responder a esto: “¿Soy mejor que lo esperable por temporada y zona?”. Si no lo haces, el sistema puede parecer bueno simplemente porque el periodo fue fácil, o porque elegiste un baseline flojo, o porque una métrica te “sale bonita” aunque la utilidad sea mala.

2. Idea clave en 30 segundos

• En una frase: sin baseline (clima/persistencia) puedes estar midiendo humo
• Señal típica: “mejoras” que desaparecen cuando comparas contra climatología
• Confusión común: promediar todo y creer que ese número describe lo importante

3. Baseline bien definido: el primer antídoto

• Climatología condicional: por época, zona y, si aplica, régimen (convectivo/estratiforme).
• Persistencia: baseline clave en nowcasting y niebla; no ignorarla.
• Regla: reporta siempre el baseline junto a tu sistema (y el delta/skill).

4. Error común 1: verificar contra “nada”

Qué pasa: calculas métricas absolutas sin comparación. Por qué duele: no sabes si el resultado tiene valor añadido. Cómo evitarlo: añade climatología (y persistencia si aplica) como columnas fijas en tus tablas y gráficas.

5. Error común 2: baseline mal montado (climatología floja)

• Qué pasa: usas un promedio anual para un fenómeno estacional (por ejemplo, tormentas fuertes).
• Consecuencia: el baseline queda artificialmente malo y tu sistema “parece” mejor.
• Solución: climatología por mes/estación, y si es posible por régimen.

6. Error común 3: mezclar regímenes y escalas

• Qué pasa: juntas convectiva (muy local) con estratiforme (más suave) en la misma verificación.
• Consecuencia: los promedios esconden dónde fallas.
• Solución: separa por tipo de episodio (convectivo/estratiforme), y por ventanas (0–6h, 6–24h...).

7. Error común 4: castigar la convectiva “punto a punto” (sin tolerancia)

Qué pasa: verificas tormentas intensas punto a punto y concluyes “es horrible”. Realidad: muchas veces el episodio está, pero desplazado 10–30 km o 1–2 h. Solución: añade verificación object-based o con tolerancia espacial (neighborhood) para distinguir “fallo de localización” de “no episodio”.

8. Error común 5: usar matriz de confusión sin entender qué mide

• Qué pasa: te quedas en “aciertos/fallos” y no miras POD y FAR por separado.
• Consecuencia: puedes optimizar para “parecer prudente” y perder eventos.
• Solución: mira POD, FAR y una métrica balanceada (CSI/ETS) y decide el trade-off con criterio de impacto.

9. Error común 6: confundir discriminación con calibración (AUC vs fiabilidad)

• Qué pasa: AUC alta y te quedas tranquilo.
• Problema: AUC no te dice si las probabilidades son honestas; puedes estar sobreconfiado.
• Solución: añade diagrama de fiabilidad y Brier (evento) o CRPS (continuo/ensembles).

10. Error común 7: mirar solo un score (y olvidar bias)

• Qué pasa: RMSE baja, pero no miras bias.
• Consecuencia: puede haber sesgo sistemático (siempre infra/siempre sobre) con RMSE “decente”.
• Solución: bias siempre, y segmentar por percentiles si te importan extremos.

11. Error común 8: no usar hindcast (o no ser justo al comparar)

• Qué pasa: cambias el sistema y comparas periodos distintos con climatologías distintas.
• Consecuencia: atribuyes a tu cambio lo que es cambio de muestra/régimen.
• Solución: si puedes, usa hindcast (misma muestra) o al menos compara periodos equivalentes y reporta incertidumbre.

12. Buenas prácticas (antídotos rápidos)

• Baseline fijo (climatología/persistencia) en cada reporte
• Separar por régimen y por ventana
• Para convectiva: tolerancia/neighborhood u object-based
• Para probas: fiabilidad + Brier/CRPS, no solo ROC
• Siempre reportar bias y deltas vs baseline

13. Resumen y claves finales

• La trampa #1 es no comparar vs climatología
• La #2 es usar climatología equivocada (no condicional)
• Convectiva necesita verificación que no castigue desplazamientos
• AUC no sustituye a fiabilidad
• Hindcast o comparaciones justas para no atribuir mal

14. Mini-glosario

• Baseline: referencia mínima (clima/persistencia)
• Hindcast: re-predicción retrospectiva para comparar justo
• Matriz de confusión: tabla de hits/misses/falsas/negativos correctos
• Object-based: verificación por objetos/estructuras (no punto a punto)

15. Referencias y lecturas recomendadas

• Met Office: materiales de verificación y probabilístico
• NOAA: guías de verificación y scores
• WMO: recomendaciones y definiciones estándar