¿Qué es el bias de modelo?
El bias (sesgo) de un modelo meteorológico es la diferencia media entre las predicciones y las observaciones a lo largo del tiempo. Si esa diferencia es positiva, el modelo sobreestima; si es negativa, subestima. A diferencia del error aleatorio (que varía de caso en caso), el bias es sistemático y predecible, lo que significa que puede detectarse y corregirse estadísticamente.
Causas del bias
El bias tiene múltiples causas. La resolución limitada de la malla hace que el modelo represente la orografía de forma simplificada: montañas son más bajas, valles más anchos, costas más suaves. Esto genera biases de temperatura (más cálido en montaña, más frío en valles) y de precipitación (menos precipitación orográfica). Las parametrizaciones imperfectas de procesos como la convección, la radiación o la interacción suelo-atmósfera introducen sesgos adicionales. Las deficiencias en los datos de contorno (como la temperatura del mar o la humedad del suelo) también contribuyen.
Caracterización del bias
El bias varía según la variable (temperatura, precipitación, viento), la ubicación, la hora del día, la estación del año y el horizonte de predicción. Un modelo puede tener bias cálido de día y frío de noche, o bias seco en verano y húmedo en invierno. Caracterizar completamente el bias de un modelo requiere meses o años de verificación sistemática contra observaciones.
Corrección del bias
La corrección del bias (bias correction o debiasing) es la técnica más básica de post-procesamiento. En su forma más simple, se resta el bias medio calculado de un periodo de entrenamiento. Métodos más sofisticados (quantile mapping, distributional regression) corrigen no solo la media sino toda la distribución, abordando sesgos que dependen del rango de la variable (por ejemplo, un modelo que es preciso para temperaturas moderadas pero sesgado para extremos).
WikiMeteo