Prediksi Pola Curah Hujan (2)

Menyambung postingan sebelumnya di : Prediksi Pola Curah Hujan (1), kita akan melanjutkan bagian duanya pada postingan berikut ini. Selamat Membaca.

  • Mekanisme Prediksi dengan Metode Ensemble

Berdasarkan penjelasan awal tentang metode ensemble di atas, sedikit disinggung tentang mekanisme yang diterapkan untuk melakukan prediksi dengan metode ensemble, yaitu dengan mengganggu syarat awal model prediksi. Namun prediksi dengan metode ensemble sebenarnya bisa dihasilkan tidak hanya dengan mengubah atau mengganggu nilai atau kondisi awal. Berikut dijelaskan beberapa cara yang dapat dilakukan untuk melakukan prediksi ensemble yaitu antara lain :

1.    Ubah atau ganggu syarat awal didalam model

Ketika menggunakan metoda gangguan syarat awal untuk menghasilkan anggota ensemble, sistem prediksi ensemble harus menemukan gangguan yang mewakili baik jumlah ketidakpastian syarat awal maupun hasil ensemble terbaik yang mewakili prediksi paling potensial untuk suatu wilayah. Karena proses running model hanya bisa dilakukan dengan jumlah anggota ensemble yang sedikit akibat biaya komputasi, maka gangguan yang paling sensitif didalam prediksi harus ditemukan. Hal ini tentu saja menjadi peluang terbaik yang mencakup seluruh keluaran fisis yang mungkin, termasuk kejadian ekstrim.

Secara umum, gangguan syarat awal dihitung untuk mendapatkan pertumbuhan paling cepat untuk seluruh anggota prediksi ensemble yang muncul. Sepertinya timbul pertanyaan mengapa diinginkan perbedaan prediksi yang maksimum, bukannya berusaha menjadikannya nol sehingga didapatkan syarat awal paling mungkin dan kemudian menjalankan prediksi tunggal dari syarat awal tersebut.

Untuk menjawab pertanyaan di atas, kembali kepada alasan dasar pemakaian prediksi ensemble. Pertama, mendapatkan syarat awal yang paling baik untuk menjalankan prediksi tunggal secara konsisten sangat sulit dilakukan. Kedua, masih terkait dengan yang pertama, tidak adanya jaminan prediksi terbaik dari syarat awal, maka semua keluaran prediksi yang mungkin dari seluruh syarat awal yang masuk akal harus didapatkan. Terakhir, waktu perhitungan yang sangat panjang mutlak dibutuhkan untuk mendapatkan seluruh keluaran prediksi yang mungkin dari banyaknya gangguan acak.

2.    Ganggu fisis dan atau dinamis model

Metode ini  lebih menekankan pada pemakaian parameterisasi komputasi dan fisis yang berbeda didalam framework model untuk menghasilkan anggota ensemble. Dibandingkan dengan metode pertama, dalam metode ini cenderung dilakukan gangguan pada model prediksinya sendiri dengan meyakini bahwa tiap kombinasi fisis dan dinamis yang baru memberikan hasil yang pantas. Secara umum, terdapat tiga metode yang digunakan, tetapi masih terdapat beberapa kemungkinan metode laninnya.

Pertama, dapat dilakukan dengan mengganggu parameterisasi fisis model. Prediksi ensemble skala pendek NCEP (short-range ensemble forecas/SREFt) menggunakan metoda ini lewat pemakaian beberapa anggota Eta dengan skema parameteriasi konveksi Betts-Miller-Janjic dan yang lainnya dengan skema the Kain-Fritsch.

Kedua, dapat dilakukan dengan mengganggu sistem koordinat. Contohnya, digunakan koordinat sigma dalam anggota RSM (Regional Spectral Model) dengan pada saat yang sama kita memakai koordinat vertikal eta dalam model Eta yang merupakan anggota NCEP SREF.

Ketiga, dapat dilakukan dengan mengganggu metoda penyelesaian persamaan prediksi dinamik. Contohnya, pada NCEP SREF kita memiliki anggota RSM yang menggunakan metoda spectral digabungkan dengan anggota model Eta yang memakai metoda gridpoint. Seringkali, model prediksi cuaca numerik yang berbeda digunakan bersamaan untuk menciptakan ensemble. Contohnya, kita dapat menggabungkan prediksi ensemble dari banyak pusat prediksi. National Centers for Environmental Prediction (NCEP) dan Meteorological Service of Canada sedang mengembangkan ini.

3.    Ganggu bagian samping dan atau bagian bawah syarat batas model

Metode ketiga mencakup gangguan pada syarat batas samping dalam sistem prediksi ensemble regional dan atau syarat batas bawah, seperti yang biasa dilakukan dalam model prediksi cuaca. Gangguan syarat batas samping yang digunakan dalam sistem prediksi ensemble regional biasanya berasal dari anggota ensemble skala global. Contohnya, ensemble skala pendek NCEP menggunakan syarat batas samping dari prediksi ensemble skala menengah NCEP.

Gangguan syarat batas bawah dapat dilakukan pada temperatur muka laut, kelembapan tanah, tutupan es atau salju, atau variabel lapisan bawah lainnya yang memiliki nilai tidak pasti. Prediksi iklim sering menggunakan gangguan syarat batas bawah untuk memperoleh selang prediksi musiman yang memungkinkan. Misalnya, Pusat Prediksi Iklim di NCEP menggunakan ensemble dari dua puluh prediksi temperatur muka laut untuk menghasilkan prediksi temperatur dan anomali curah hujan musiman untuk sembilan bulan kedepannya.

4.    Kombinasi dari tiga metoda diatas

Kombinasi dari tiga metoda diatas akan menghasilkan sistem prediksi ensemble dengan sebaran atau variabilitas prediksi yang lebih luas. Ketika ensemble yang hanya menggunakan gangguan syarat awal cenderung tidak memiliki sebaran yang mencukupi, kombinasi dari metoda ensemble akan memberikan hasil yang lebih baik terkait keluaran prediksi yang paling memungkinkan, minimal secara teoritisnya. Contoh sistem prediksi ensemble dengan banyak metoda adalah sistem prediksi skala pendek NCEP, dimana menggunakan gangguan syarat awal, model prediksi yang berbeda, dan gangguan syarat batas dari sistem prediksi ensemble skala menengah.

  • Ketidakpastian dalam Keluaran Prediksi Ensemble

Unsur ketidakpastian dalam keluaran prediksi ensemble sebenarnya muncul terkait pada metode yang diterapkan dalam menghasilkan prediksi ensemble. Terlepas pada metode apa yang digunakan dalam melakukan prediksi (gangguan pada nilai awal, syarat batas dan bawah ataupun gangguan fisis dan dinamis model) maka anggota ensemble akan muncul setiap proses running model dilakukan. Seperti yang terlihat pada Gambar 1.4 bahwa dalam sebaran lingkaran kondisi atau nilai awal maka anggota ensemble yang merupakan hasil prediksi juga akan menyebar secara acak.

Gambar 1.5 Kontur tekanan 1004-hPa level muka laut yang berbeda didaerah daratan Amerika (sumber: COMMET, 2005)

Sebelum berbicara lebih jauh tentang ketidakpastian prediksi dan kaitannnya dengan ensemble, maka Gambar 1.5 di atas dapat menjadi panduan yang baik dalam menjelaskan hubungan yang dimaksud. Asumsikan bila seorang prediktor cuaca melihat hasil prediksi model GFS, Eta, Canadian, Navy NOGAPS, UKMet, dan ECMWF, dan mungkin tiga model tambahan lainnya ini (totalnya ada 8 model), yang semuanya berlaku pada suatu waktu. Perbedaannya tidak berdasarkan pengamatan bidang tekanan muka laut secara keseluruhan, tetapi hanya pada tiap kontur tekanan muka lautnya. Tiap prediksi memiliki warna kontur yang berbeda, dan kontur prediksi rata-rata adalah yang berwarna hitam tebal.

Gambar tersebut memperlihatkan perbedaan posisi kontur 1004-hPa dan kemudian mempengaruhi posisi cyclones dari tiap prediksi. Prediktor cuaca secara umum melihat keluaran dari banyak model prediksi numerik untuk mendapatkan sense dari apa yang mereka anggap sesuai. Hal inilah yang disebut sebagai kepastian prediksi.

Selanjutnya, mari pelajari gambar tersebut untuk melihat apa yang disebut dengan kepastian prediksi. Perhatikan dua area yang ditandai dengan kotak merah dan ungu. Sebenarnya terdapat ketidakpastian pada dua wilayah tersebut. Namun yang manakah diantara keduanya yang memiliki nilai kepastian yang lebih tinggi. Didalam kotak merah, dilepas pantai tenggara Kanada, hampir seluruh prediksi memiliki kontur 1004-hPa yang berdekatan didalam kotak tersebut, tetapi tidak terdapat lokasi dimana mereka cenderung cocok sehingga tidak terdapat kontur rata-rata 1004-hPa. Kotak ini dianggap sebagai area dengan tingkat ketidakpastian yang tinggi.

Bila dibandingkan dengan daerah yang berada pada kotak ungu, dimana terdapat tanda pusat tekanan rendah lainnya. Meskipun masih terdapat ketidakpastian, terlihat bahwa terdapat kecocokan diantara lima prediksi sehingga terdapat kontur rata-rata 1004-hPa yang muncul di daerah barat Great Lakes. Tetapi bagaimana caranya prediktor cuaca mengetahui kontur mana yang digunakan dalam menaksir prediksi cuaca numerik. Apakah kontur 1000-hPa, 1008, 1002, ataupun kontur lainnya yang lebih berguna. Apakah ada cara lain untuk melihat data dari prediksi lain pada saat yang sama yang mungkin akan memberikan informasi yang lebih baik.

Salah satu tool statistik yang sering digunakan olah para forecaster untuk menginformasikan unsur ketidakpastian yang terkandung dalam keluaran ensemble adalah plot rata-rata hasil prediksi dan standar deviasi. Sebaran atau standar deviasi dirumuskan sebagai berikut :

 

 

  • Plot Sphagetti dan Distribusi Probabilitas 

Bagian berikut akan sedikit membahas mengenai bagaimana mendapatkan informasi lain yang berguna dari sistem prediksi ensemble. Berbagai upaya telah dilakukan oleh para forecaster untuk meringkas serta mengambil informasi yang sebanyak mungkin dari hasil produk ensemble. Diantara upaya tersebut antara lain adalah dengan membuat sphagetti plot dari keluaran prediksi. Pada studi ini hasil sphagetti plot akan digunakan untuk melihat seberapa jauh prediksi ensemble dapat digunakan untuk menentukan lokasi kejadian ekstrim di Indonesia dari nilai prediksi curah hujan CFS. Gambar 1.6 dibawah ini merupakan hasil diagram spaghetti untuk akumulasi curah hujan selama 12-jam dari sebelas anggota ensemble yang ada.

Gambar 1.6 Diagram sphagetti akumulasi presipitasi selama 12 jam di daratan Amerika (sumber: COMMET Module, 2005)

Dengan mengaitkan curah hujan dengan hasil prediksi dari anggota ensemble, maka semakin banyak anggota ensemble yang terkontur pada suatu wilayah tertentu maka secara umum dengan nilai rata-rata ensemble yang relatif kecil, sebaran curah hujan ensemble yang besar dalam diagram sphagetti mungkin merupakan tanda yang potensial untuk kejadian ekstrim, seperti prediksi kejadian banjir. Namun untuk mendapatkan hasil plot sphagetti yang benar dan bisa dipertanggungjawabkan kebenarannya kita akan menggunakan satu lagi kelebihan yang terdapat dalam keluaran prediksi ensemble yang disebut distribusi probabilitas.

Tanpa perlu menjelaskan tentang bagaimana prinsip dari pemusatan data berdasarkan teori statistika deskriptif yang dikemukakan olah Paul T. Von Hipel (2005) dimana dalam suatu sebaran kelompok data maka sebenarnya tidak hanya nilai rata-rata dari kelompok data tersebut yang bisa ditemukan namun dapat diterapkan pula konsep kuartil dan median yang membagi suatu sebaran data kelompok menjadi 4 bagian seperti yang terlihat dalam Gambar 1.7 dibawah ini.

Gambar 1.7 Statistika deskriptif minimum, Q1, Median (Q2), Q3, dan maksimum

(sumber : Paul T. Von Hipel, 2005)

Dengan menerapkan konsep di atas pada saat penyiapan data utama prediksi (prediktor) maka  kemungkinan  prediksi curah dapat terbagi dalam empat skenario prediksi antara lain : mean, kuartil bawah, median, dan kuartil atas. Berdasarkan empat skenario tersebut, dengan memanfaatkan plot sphagetti lokasi dearah yang berpotensi untuk kejadian ekstrim bisa diprediksi. Semakin dekat kontur nilai curah hujan ekstrim dari semua skenario hasil prediksi pada suatu daerah pengamatan maka akan semakin besar pula derajat kepastian dari daerah tersebut untuk dikategorikan sebagai daerah dengan curah hujan ekstrim.

Sekian postingan kali ini, semoga bermanfaat ……………….

Daftar Pustaka

Aldrian E, Susanto RD (2003) Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. Int J Climatol 23: 1435–1452

Estiningtyas, W., Bayong Tjasyono H. K., Mezak A. Ratag., dan Gatot Irianto. Prediksi Curah Hujan dengan Metode Filter Kalman pada Wilayah dengan Tipe Hujan Monsunal dan Ekuatorial. Institut Teknologi Bandung. 2006

Effendy, Sobri. 2001 Urgensi  Prediksi  Cuaca  dan  Iklim di Bursa Komoditas Unggulan Pertanian, Makalah Falsafah Sains, Institut Pertanian Bogor.

GOTO, (2007) The potential use and implementation of ensemble forecasting. Thesis, Massachusetts Institute of Technology

Gutman G, Csiszar I, Romanov P (2000) Using NOAA= AVHRR products to monitor El Ni~no impacts: focus on Indonesia in 1997–98. Bull Amer Meteor Soc 81: 1189–1205

HamadaJI,YamanakaMD,MatsumotoJ,FukaoS,WinarsoPA,Sribimawati T (2002) Spatial and temporal variations of the rainy season over Indonesia and their link to ENSO. J Meteor Soc Japan 80: 285–310

Haylock M, McBride JL (2001) Spatial coherence and predictability of Indonesian wet season rainfall. J Climate 14: 3882–3887

Lau NG, Nath MJ (2000) Impact of ENSO on the variability of the Asian–Australian monsoons as simulated in GCM experiments. J Climate 13: 4287–4308

Meisari, L., 2003, Penerapan Metode Subtractive Clustering Untuk Prediksi Pola Variansi Curah Hujan di Indonesia, Tugas Akhir, Geofisika dan Meteorologi ITB, Bandung.

Mearns, L.O.,Bogardi, I., Giorgi, F., Matyasovsky, I. and Palecki, M. 1999. Comparison of climate change scenarios generated from regional climate model experiments and statistical downscaling. Journal of Geophysical Research, 104, 6603-6621.

Palmer, T. N., et al. (2004), Development of a European multimodel ensemble system for seasonal to inter-annual prediction (DEMETER), Bull. Am. Meteorol. Soc., 85, 853–872.

Wyrtki K. 1956. The rainfall over the Indonesian waters. Verhandelingen, 49. Kementrian Perhubungan Lembaga Meteorologi dan Geofisika, Jakarta.

Paul T. von Hippel (2005) Mean, Median, and Skew: Correcting a Textbook Rule Journal of Statistics Education Volume 13, Number 2, The Ohio State University

Wijaya, H., 2003, Metoda Principle Component Analysis (PCA) dan Adaptive Neuro Fuzzy System (ANFIS) Untuk Prediksi Cuaca Jangka Pendek Menggunakan Data Satelit, Tugas Akhir, Geofisika dan Meteorologi ITB, Bandung.

Wilks, D.S., Statistical Methods in the Atmospheric Sciences. Cornell University, New York, 1995

https://www.meted.ucar.edu/loginForm.php?urlPath=nwp/pcu1/ensemble#

http://cfs.ncep.noaa.gov/

http://trmm.gsfc.nasa.gov/

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s