ACMANT: homogenising temperature series with confidence and accuracy

Abstract

[EN]Changes in location, instrumentation or observing hours, and lot of other factors may cause artificial biases in observed climatic data. These undesired biases are often referred as inhomogeneities of time series, and homogenisation is applied for their elimination. For spatially dense networks of temperature observations the use of objective statistical methods is recommended. After a successful homogenisation the observable climatic characteristics (trend, variability, distribution function, etc.) are substantially closer to the reality than in the raw inhomogeneous series. ACMANT is a newly developed, fully automatic method for homogenising networks of monthly temperature series. Its excellent performance has been proved with a series of objective experiments, among others with the tests of the benchmark of the European project HOME. ACMANT is particularly good in the minimisation of root mean squared error, because it harmonises the work on different time scale in a unique way.

[ES]Los cambios en la ubicación, la instrumentación o las horas de observación, y muchos otros factores pueden causar sesgos artificiales en las series temporales. Estos sesgos no deseados se refiere a menudo como non-homogeneidades de las series, y se aplica homogeneización para su eliminación. Para las redes espaciales densas de las observaciones de temperatura la utilización de métodos estadísticos objetivos se recomienda. Después de una homogeneización con éxito, las características observables (tendencia del clima, la variabilidad, la función de distribución, etc.) están mucho más cerca de la realidad que en la serie de datos originales. ACMANT es el resultado de nuevo desarrollo metodológico para homogeneizar las redes de las series mensuales de la temperatura. El funcionamiento de ACMANT es totalmente automático. Su excelente rendimiento ha sido probado con experimentos objetivos, entre otros, con las pruebas del proyecto europeo HOME. ACMANT es particularmente bueno en la minimización de error cuadrático medio, debido a la armonización del trabajo en las escalas temporales diferentes de una manera única.