Verificación de predicciones · Última actualización: 2026-01-27

Control de calidad: cuando el dato también falla: errores comunes

En verificación, muchos “fallos del pronóstico” son en realidad fallos del dato, del operador o del planteamiento. Y lo peor: puedes acabar mejorando una métrica mientras empeoras el servicio real. Aquí recopilamos errores comunes (los de siempre y los traicioneros) cuando el dato de referencia también falla: missing tratados como 0, sensores clavados, cambios de estación/pipeline, sesgos de radar, umbrales mal definidos, ventanas temporales incoherentes, y métricas elegidas sin pensar en el fenómeno. Lo hacemos en modo práctico: qué pinta tiene cada problema, cómo detectarlo rápido y qué métrica sí tiene sentido en cada caso. Incluye ejemplos de lluvia intensa (convectiva), viento y niebla.

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

Accesos directos:

  • Si todo se ha ido al barro: empieza por “QC mínimo” y “baseline”.
  • Radar: sesgos típicos y cuándo NO usarlo como verdad absoluta.
  • Métricas: CSI/FAR/POD/MAE y por qué se contradicen.
  • Casos: lluvia intensa, viento, niebla.
  • Relacionado: modelos_prediccion,radares_satelites
  • Tags: bias brier roc
  • Keywords: CSI FAR MAE POD

1. Qué es y por qué importa

Verificar con datos defectuosos o mal definidos genera conclusiones falsas: te hace cambiar cosas que estaban bien, o te impide ver mejoras reales. La verificación operativa necesita dos pilares: QC (que el observado sea razonable) y coherencia (que lo que verificas coincide con lo que prometiste pronosticar).

2. Idea clave en 30 segundos

  • En una frase: si el observado falla, la métrica también; primero QC, luego decisiones
  • Señal típica: saltos bruscos de skill justo un día concreto
  • Confusión común: culpar al modelo cuando era un sensor clavado o un missing→0

3. QC mínimo antes de calcular nada

  • Completitud: ¿cuántos datos faltan por estación/área/periodo?
  • Rangos plausibles: valores imposibles o fuera de climatología local (sin matiz no vale)
  • Series: saltos, escalones, valores clavados, repetición exacta
  • Consistencia cruzada: pluvio vs radar, viento medio vs racha, T vs Td (si aplica)
  • Documenta cambios: sustitución de sensor, mudanza, recalibración, cambio de algoritmo

4. Errores comunes del dato (y cómo se ven)

4.1 Missing tratados como 0

  • Síntoma: “llueve cero” durante horas justo cuando hay hueco
  • Efecto: sube FAR (muchas falsas alarmas) y cae POD
  • Arreglo: marcar missing como NA y excluir o imputar con regla explícita

4.2 Sensor clavado (flatline)

  • Síntoma: valores idénticos demasiadas horas (temperatura, humedad, viento)
  • Efecto: MAE puede parecer “buena” si el modelo también es suave, pero es mentira
  • Arreglo: detector de variación mínima y flags QC

4.3 Step change (escalón) por recalibración/cambio de emplazamiento

  • Síntoma: de un día a otro el bias cambia de signo
  • Efecto: la métrica “dice” que el modelo empeoró, pero cambió el observado
  • Arreglo: segmentar periodos y evitar mezclar antes/después sin anotación

4.4 Subcaptura de precipitación (pluvio) o “ceros sospechosos”

  • Síntoma: episodios con viento fuerte: radar detecta eco y el pluvio marca poco
  • Efecto: penalizas al pronóstico que sí veía precipitación
  • Arreglo: usar redes/vecinos, aplicar QC y no tomar un único pluvio como verdad absoluta

5. Errores comunes del radar/satélite como referencia

5.1 Radar no es “lluvia en suelo” automáticamente

  • Sesgos típicos: atenuación, beam blocking, bright band, evaporación antes de suelo, Z-R inadecuada
  • Síntoma: radar “marca” y pluvios no (o al revés) de forma sistemática por zona
  • Arreglo: comparar por sectores, usar composites ajustados, y definir si verificas “precipitación estimada por radar” o “en suelo”

5.2 Umbral de reflectividad mal elegido

  • Efecto: te inventas eventos (FAR sube) o los pierdes (POD cae)
  • Arreglo: calibrar umbral por tipo de precipitación y región, y validar con pluvios

6. Errores comunes del operador (lo que realmente estás comparando)

  • Ventana temporal incoherente: comparas 1h con 3h o máximo con acumulado
  • Punto vs área: castigas desplazamiento convectivo como si fuera “cero acierto”
  • Umbral mal definido: “lluvia intensa” sin especificar mm/tiempo
  • Representatividad: estación en valle vs grilla que promedia ladera/valle

7. Errores comunes al elegir/leer métricas

7.1 Creer que una sola métrica lo resume todo

  • Ejemplo: MAE mejora (típico), pero los misses de extremos aumentan
  • Arreglo: añadir un guardarraíl (p. ej. misses de evento severo)

7.2 CSI, POD y FAR sin base rate

  • Trampa: con eventos raros, puedes tener “muchos aciertos” por correct negatives
  • Arreglo: reportar base rate y matriz de confusión

7.3 ROC/AUC mal interpretadas

  • Trampa: AUC alta no significa buena calibración ni umbral útil
  • Arreglo: usar ROC para discriminación y mirar fiabilidad/Brier para calibración

7.4 Brier score sin mirar fiabilidad

  • Trampa: mejoras Brier por cambiar climatología/base rate, no por mejorar el sistema
  • Arreglo: comparar contra baseline y mirar fiabilidad por bins

8. Casos rápidos con lluvia intensa, viento y niebla

8.1 Lluvia intensa convectiva

  • Error típico: verificar punto a punto → “todo falla”
  • Qué usar: operador espacial (vecindario), y CSI/POD/FAR por umbral con tolerancia espacial
  • QC: no missing→0; revisar radar por atenuación

8.2 Viento

  • Error típico: comparar racha observada con viento medio modelado
  • Qué usar: MAE/RMSE por variable coherente + evento por umbral (racha) si aplica
  • QC: anemómetro clavado o saturado en temporal

8.3 Niebla

  • Error típico: base rate ignorada → métricas engañosas
  • Qué usar: matriz de confusión + POD/FAR con base rate; si probabilístico, Brier + fiabilidad
  • QC: definición (visibilidad) consistente y estaciones representativas

8. Errores comunes

  • Missing→0 y conclusiones falsas
  • Sensor clavado o step change no detectado
  • Tomar radar como verdad absoluta sin auditar sesgos
  • Operador incoherente (ventanas/punto vs área)
  • Interpretar AUC como “todo bien”
  • Optimizar una métrica y romper extremos

9. Buenas prácticas

  • QC mínimo automático + revisión visual de series
  • Documentar cambios de estación y de pipeline
  • Baselines obligatorios (persistencia/climatología)
  • Métricas por objetivo y con guardarraíles de impacto
  • Estratificar por régimen (convectivo/frontal; noche/día; costa/interior)

10. Resumen y claves finales

  • Si el observado falla, la verificación miente
  • QC + operador coherente primero
  • Radar requiere auditoría de sesgos
  • CSI/POD/FAR necesitan base rate
  • ROC discrimina, fiabilidad calibra
  • Usa ejemplos y casos para validar que el score “tiene sentido”

11. Mini-glosario

  • POD: probabilidad de detección (hits/(hits+misses))
  • FAR: tasa de falsas alarmas (FA/(hits+FA))
  • CSI: índice de acierto crítico (hits/(hits+misses+FA))
  • AUC/ROC: discriminación del sistema para eventos
  • Brier score: error cuadrático de probabilidades
  • Bias: sesgo medio (puede ser sistemático)

12. Referencias y lecturas recomendadas

  • UCAR/COMET: QC y verificación aplicada
  • NOAA: guías de verificación y métricas
  • WMO: recomendaciones y glosario