Graph-based multivariable bias correction of meteorological variables under strict temporal validation in a western mediterranean region prone to atmospheric instability
Journal of Computational Science, article 102988, 2026
← Programa de investigación
03
Área de investigación
Calidad de datos ambientales
El efecto de los datos ausentes, la incertidumbre observacional, la agregación y las inconsistencias de medida sobre los modelos aprendidos y las decisiones resultantes.
Planteamiento
El problema de investigación.
Los datos de sensores y de referencia forman parte del sistema de selección, no son entradas neutrales. Esta línea analiza cómo los datos ausentes, la sustitución, la desalineación espacial y la degradación de medidas se propagan hasta la evaluación y la recomendación de despliegue.
Preguntas de investigación
Preguntas que orientan esta área.
- 01
¿Qué fallos de calidad son plausibles para un despliegue concreto?
- 02
¿Hasta qué punto dependen las conclusiones de la agregación y de la referencia elegida?
- 03
¿Pueden auditarse la procedencia y los supuestos de perturbación?
Métodos, sistemas y fuentes
Elementos concretos de investigación.
- Reference perturbation
- Missing-data analysis
- Provenance
- Sensitivity analysis
- Data quality
- Uncertainty
- Provenance
Evidencia
Publicaciones de esta área.
Out-of-sample statistical correctability limits under an uncertain operational reference: the case of IMERG sub-daily areal precipitation extremes
Stochastic Environmental Research and Risk Assessment, vol. 40, no. 8, article 202, 2026
A practical decision-support system for robust post-training model selection in spatiotemporal forecasting
Knowledge-Based Systems, article 116673, 2026
Spatio-temporal graph neural network for inter-city air quality forecasting
International Journal of Environmental Science and Technology, vol. 23, no. 1, article 63, 2026