En verificación, el dolor llega cuando ya has tomado decisiones (cambiaste un modelo, ajustaste umbrales, calibraste probabilidades) y meses después descubres que el problema no era el pronóstico, sino el dato de referencia, una ventana mal alineada o un operador mal elegido. Por eso existen las señales tempranas: pistas sencillas que te avisan de que algo huele raro antes de que te estalle el RMSE, el bias o el skill. Aquí tienes un radar de señales tempranas de QC, con ejemplos de lluvia intensa (convectiva), radar/satélite y baselines (persistencia/climatología), y un checklist específico para no tropezar siempre con lo mismo en precipitación convectiva.

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

Una señal temprana es un patrón simple (en una tabla o una gráfica) que sugiere un fallo de QC, de definición del evento o de alineación temporal/espacial. No demuestra el problema por sí sola, pero te dice: “para, revisa antes de confiar en la métrica”. Eso ahorra tiempo y evita decisiones equivocadas.

2. Idea clave en 30 segundos

• En una frase: si el dato de referencia se comporta raro, tu métrica también lo hará
• Señal típica: rachas de ceros, escalones, valores clavados, o una cola que desaparece
• Confusión común: creer que un bias alto siempre es “culpa del modelo”

3. Señales tempranas universales (casi siempre significan problema)

3.1 Rachas largas de cero en momentos sospechosos

• Qué sugiere: missing→0, fallo de ingestión, sensor clavado
• Por qué duele: infla false alarms, hunde CSI, distorsiona bias

3.2 Valores repetidos (sensor “clavado”)

• Qué sugiere: fallo hardware, congelación de serie, bug
• Cómo verlo: run-length (cuántos pasos idénticos seguidos)

3.3 Escalones bruscos (step change) sin evento meteorológico

• Qué sugiere: cambio de unidad, recalibración, timestamp mal interpretado
• Efecto: RMSE explota por pocas filas dominantes

3.4 Colas “ausentes” (extremos que nunca aparecen)

• Qué sugiere: saturación, truncamiento, subcaptura (pluvio con viento), radar atenuado
• Señal: histograma/percentiles no llegan donde deberían

3.5 Cambios de sesgo por fecha exacta

• Qué sugiere: cambio de sensor, reubicación, actualización del pipeline
• Qué hacer: partir el periodo y verificar por tramos

4. Señales tempranas cuando verificas precipitación convectiva

4.1 El error “se mueve” (desfase espacial)

• Qué pasa: el núcleo convectivo cae cerca pero no encima
• Señal: a punto, parece fallo total; en vecindario, mejora mucho
• Qué hacer: usar neighborhood/FSS o object-based

4.2 Persistencia gana “demasiado” a menudo

• Qué sugiere: tu operador o tu métrica no captura lo que importa, o el evento es raro y estás mirando negativos

4.3 Radar “perfecto” pero pluvios no

• Qué sugiere: sesgos del radar (atenuación, bright band, clutter) o representatividad del pluvio
• Señal: discrepancias sistemáticas por tipo de episodio

5. Baselines como alarmas tempranas (persistencia y climatología)

• Si tu modelo no mejora baseline: o el modelo está flojo o tu verificación está mal planteada
• Si un cambio “mejora” todo de golpe: revisa QC, no lo des por victoria automática

6. Hindcasts: la señal temprana “pro” contra trampas de periodo

Si comparas versiones de un sistema en periodos distintos, te engañas. Los hindcasts (re-ejecuciones homogéneas) te avisan si la mejora era solo “porque ese año fue fácil”.

7. Checklist: errores típicos al verificar precipitación convectiva

• Ventanas distintas: 1h vs 3h vs 24h sin convertir
• Punto vs área: pluvio puntual vs grilla sin neighborhood/FSS
• Umbrales mal elegidos: evento demasiado frecuente o demasiado raro
• Radar sin QC: atenuación, bright band, clutter
• Missing→0: false alarms artificiales
• Subcaptura del pluvio: aparente sobrepronóstico del modelo
• Mezclar regímenes: convectiva y estratiforme sin separar
• Sin baseline: persistencia/climatología como mínimo

8. Errores comunes

• Creer que bias/RMSE son “verdad” sin auditar el observado
• Optimizar calibración con referencia ruidosa
• Comparar periodos no comparables sin hindcast

9. Buenas prácticas

• Panel de alarmas: rachas de cero, valores clavados, step changes, colas
• Baseline siempre (persistencia y climatología)
• Convectiva: neighborhood/FSS u object-based
• Documentar QC y cambios de estación/pipeline

10. Resumen y claves finales

• Las señales tempranas te ahorran meses de autoengaño
• Muchos “fallos del modelo” son fallos del dato/operador
• Baseline y estratificación son alarmas baratas y efectivas
• Convectiva exige operador espacial o verificación por objetos
• Hindcasts protegen contra comparaciones injustas

11. Mini-glosario

• Persistencia: baseline usando el último observado
• Climatología (baseline): valor típico por época/hora
• FSS: skill espacial por vecindarios
• Hindcast: ejecución histórica homogénea

12. Referencias y lecturas recomendadas

• WMO: verificación y QC
• NOAA: recursos de forecast verification
• AEMET: documentación y recursos