La forma más rápida de aprender control de calidad (QC) en verificación es viendo casos reales: series que “cantan”, métricas que engañan y cómo arreglarlo con un flujo simple. Aquí tienes ejemplos típicos (muy frecuentes en operación) donde el dato de referencia falla o el planteamiento es incoherente, y por eso los scores (MAE, RMSE, POD, ROC/AUC, CRPS, FSS) te cuentan una historia equivocada. Verás qué señales detectar, qué preguntas hacer, y qué corrección aplicar. También incluimos un apartado de honestidad: qué NO significa tener una AUC alta o una correlación buena.

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 vas a aprender con estos casos

Cada caso sigue el mismo esquema: (1) qué ves (síntoma), (2) por qué pasa (causa), (3) cómo afecta a métricas, (4) cómo lo arreglas, y (5) qué aprendes para no repetirlo. La idea es que puedas coger una semana de datos y, en 15–30 minutos, saber si tu verificación es fiable.

2. Idea clave en 30 segundos

• En una frase: cuando el observado falla, el score también; primero QC, luego conclusiones
• Señal típica: cambio brusco de bias/skill justo el día que cambió algo en la estación o el pipeline
• Confusión común: creer que “el modelo empeoró” cuando cambió el dato de referencia

3. Caso 1: Missing convertidos a 0 en precipitación

Contexto: pluvio con huecos; el sistema de ingestión rellena con 0 por defecto.

• Síntoma: largas horas de 0 mm en un episodio que sí tuvo ecos y lluvia vecina
• Efecto: POD cae (muchos misses), FAR sube; CSI se hunde; conclusiones “todo es malo”
• Detección rápida: porcentaje de ceros en horas con eco radar o lluvia vecina
• Arreglo: missing=NA; excluir ventanas con huecos; registrar motivo
• Lección: missing→0 es la forma más rápida de fabricar mala verificación

4. Caso 2: Sensor clavado (flatline) en temperatura o humedad

Contexto: termómetro/higrómetro bloqueado.

• Síntoma: valores idénticos durante muchas horas/días (p. ej., 14.2 ºC clavado)
• Efecto: MAE y RMSE pueden parecer “buenos” si el modelo es suave; o “malos” si hubo variabilidad real
• Detección rápida: varianza casi 0; número de cambios de décima por día
• Arreglo: flag QC y exclusión; revisión del sensor; segmentar periodos
• Lección: no concluyas nada de MAE/RMSE si el observado no se mueve

5. Caso 3: Step change tras recalibración o mudanza de estación

Contexto: estación reubicada o recalibrada.

• Síntoma: el bias cambia de golpe (p. ej., de -1 ºC a +0.5 ºC) en una fecha concreta
• Efecto: se “rompe” la serie; comparar antes y después como un único periodo es inválido
• Detección rápida: test visual + fecha de mantenimiento
• Arreglo: separar periodos (pre/post); anotar changelog; recalcular climatología local
• Lección: la continuidad del dato es parte de la verificación

6. Caso 4: Radar con beam blocking (zona sistemáticamente “seca”)

Contexto: orografía bloquea el haz en un sector.

• Síntoma: radar casi nunca ve precipitación en un área donde pluvios sí registran
• Efecto: verificas contra radar y penalizas pronósticos correctos (POD aparente cae)
• Detección rápida: mapa de frecuencias radar vs pluvios/estaciones
• Arreglo: excluir sector o usar producto/altitud diferente; validar con red de pluvios
• Lección: “no eco” no siempre significa “no lluvia”

7. Caso 5: Atenuación radar en convectiva intensa

Contexto: línea convectiva fuerte; detrás se oculta precipitación.

• Síntoma: radar muestra agujeros o caída abrupta detrás del núcleo
• Efecto: referencia infravalora; tu POD/CSI se distorsionan; comparaciones injustas
• Detección rápida: estructura típica de atenuación + comparación con pluvios
• Arreglo: usar radares alternativos/composites; interpretar con cautela
• Lección: en extremos, el radar también “suda”

8. Caso 6: Bright band confundida con lluvia intensa

Contexto: precipitación estratiforme con capa de fusión marcada.

• Síntoma: anillo de reflectividad elevado (falsos máximos)
• Efecto: falsas alarmas al verificar por umbral; FAR sube artificialmente
• Detección rápida: perfil vertical/altura isoterma 0 ºC + patrón espacial
• Arreglo: corrección de bright band o umbral adaptado; validar con pluvios
• Lección: umbrales fijos en radar pueden mentir según microfísica

9. Caso 7: Verificación de convectiva punto a punto (el “asesino” del skill)

Contexto: pronóstico capta el episodio pero desplaza 10–30 km el núcleo.

• Síntoma: la estación A registra 40 mm/h, pero el máximo cae en la rejilla vecina
• Efecto: misses + falsas alarmas a la vez (doble castigo); CSI cae muchísimo
• Qué usar: tolerancia espacial (vecindario) y métricas espaciales como FSS
• Arreglo: define un radio (p. ej. 10–20 km) y verifica “cercanía” además de “punto exacto”
• Lección: en convectiva, el operador importa tanto como el modelo

10. Caso 8: Métricas que mejoran sin mejorar el servicio (baseline olvidado)

Contexto: cambias un postproceso y baja MAE, pero la detección de eventos severos empeora.

• Síntoma: MAE baja, pero POD de umbral alto cae
• Efecto: “mejora falsa” si tu objetivo eran impactos
• Arreglo: añadir guardarraíles (métrica de eventos severos) y comparar contra baseline
• Lección: una sola métrica no manda, manda el objetivo

11. Honestidad: qué NO significa una AUC alta o una correlación buena

• AUC alta NO significa: que las probabilidades estén bien calibradas (puedes discriminar bien y calibrar fatal)
• AUC alta NO significa: que un umbral concreto sea útil operativamente (depende de coste y base rate)
• Correlación alta NO significa: pequeño error (puedes tener correlación alta y bias grande)
• Correlación alta NO significa: que captures extremos (puedes acertar la variabilidad media y fallar colas)
• Qué hacer: acompañar AUC con fiabilidad/Brier; acompañar correlación con MAE/RMSE y análisis de percentiles

8. Errores comunes

• Missing→0
• Sensor clavado sin detectar
• Mezclar periodos pre/post cambio
• Radar usado como “verdad” sin sesgos
• Convectiva verificada punto a punto
• Interpretar AUC/correlación como “todo bien”

9. Buenas prácticas

• Flujo fijo: QC → baseline → métricas → estratificación → conclusiones
• Changelog de datos y estaciones
• En convectiva: tolerancia espacial + FSS
• Reportar base rate y matriz de confusión en eventos raros
• Complementar AUC con calibración; correlación con error absoluto

10. Resumen y claves finales

• Los casos “raros” son los más frecuentes en operación
• QC rápido evita semanas de conclusiones falsas
• Radar tiene sesgos: audítalo por sectores
• Convectiva requiere operador espacial (FSS/vecindario)
• AUC discrimina, no calibra; correlación no es error

11. Mini-glosario

• MAE: error absoluto medio
• RMSE: raíz del error cuadrático medio (castiga colas)
• POD: probabilidad de detección
• AUC: área bajo la curva ROC (discriminación)
• FSS: Fractions Skill Score (métrica espacial para precipitación)
• CRPS: score probabilístico continuo

12. Referencias y lecturas recomendadas

• Copernicus: productos y notas técnicas de datos y reanálisis
• ECMWF: verificación, ensembles y scores (incl. CRPS)
• WMO: guías y glosario de verificación