A análise de dados climáticos fornece suporte para a previsão de fenômenos, para a avaliação de dados históricos e para a tomada de decisões, em especial na área agrícola. Garantir a sua qualidade é fundamental. O processo de coleta dos dados, através das estações meteorológicas, pode apresentar problemas, onde inconsistências podem ocorrer. Este artigo apresenta uma abordagem para solução do problema, utilizando técnicas estatísticas e geoestatísticas, na identificação de dados inconsistentes e na estimativa de dados a serem corrigidos ou preenchidos. A implementação destas técnicas, em um banco de dados espacial, apresentou-se como um facilitador na identificação e no preenchimento de dados. Para avaliação destas técnicas foram utilizados dados de temperatura coletadas por estações meteorológicas localizadas no Estado do Paraná. Como resultado, as técnicas de identificação de erros mostraram-se adequadas na consistência de erros básicos e históricos. A validação espacial apresentou baixo desempenho por superestimar a quantidade de dados incorretos. As técnicas utilizadas na estimativa dos dados, Krigagem, Inverso da Distância e Regressão Linear, apresentaram desempenho semelhantes com relação à análise dos erros.

Climatic data values have become very important to predict climate phenomena or to evaluate historical data which give support for decision makers, especially in agriculture. To ensure the quality of these data is crucial. In the process of collecting data at meteorological stations, some errors may occur and data inconsistencies be generated. This paper presents an approach that uses statistical and geostatistical techniques to identify incorrect and suspicious data and estimate new values to fill gaps and errors. In this research, a spatial database was used to implement these techniques (statistical and geostatistical) and to test and evaluate the climatic data. To evaluate these techniques temperature data set provided by meteorological stations located in Paraná State, were used. As a result, these techniques have proved to be suitable to identify basic errors and historical errors. The spatial validation showed a poor performance by overestimating the amount of incorrect data. Kriging, Inverse of Distance Weighting and Linear Regression estimation techniques showed similar performance in the present error analysis.