RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
News
Documents
Sheet Music
UTS PGSD B
OSILOSKOP
Fakultas Ilmu dan Teknologi Kebumian
Program Studi Meteorologi
PENERBITAN ONLINE AWAL
Upload
Read Free For 30 Days Sign In
Studi Neutrino Dan Partikel
Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan program sarjana. Karena paper ini langsung diunggah setelah diterima, paper ini belum melalui proses peninjauan, penyalinan penyuntingan, penyusunan, atau pengolahan oleh Tim Publikasi Program Studi Meteorologi. Paper versi pendahuluan ini dapat diunduh, didistribusikan, dan dikutip setelah mendapatkan izin dari Tim Publikasi Program Studi Meteorologi, tetapi mohon diperhatikan bahwa akan ada tampilan yang berbeda dan kemungkinan beberapa isi yang berbeda antara versi ini dan versi publikasi akhir.
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
News
Documents
Sheet Music
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
ASIMILASI DATA RADAR DALAM PENERAPAN PREDIKSI CUACA NUMERIK DI INDONESIA (Studi Kasus Jawa Barat) LUTHFI IMANAL SATRYA Program Studi Meteorologi, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung
ABSTRAK Penelitian ini bertujuan untuk memperbaiki prediksi hujan pada prediksi cuaca numerik jangka pendek yang telah dilakukan di Weather and Climate Prediction Laboratory Institut Teknologi Bandung (WCPL-ITB) dengan mengasimilasikan data radar untuk memperbaiki keadaan awal yang akan dipakai model cuaca numerik. Jenis data radar yang akan dipakai untuk asimilasi adalah reflektivitas dan kecepatan radial. Jenis radar yang akan dipakai adalah C-band Doppler Radar (CDR). Model cuaca numerik yang akan dipakai adalah Weather Research and Forecasting (WRF) versi ke-3, dan model analisa yang akan dipakai untuk asimilasi adalah 3DVar. Penelitian dilakukan dengan sembilan skema menjalankan WRF dengan berbagai teknik asimilasi radar. Selain menemukan teknik asimilasi paling baik untuk prediksi hujan, penelitian ini juga menemukan masih adanya lag pada prediksi hujan. Lag yang terkadang muncul secara tidak pasti dalam prediksi akan mempengaruhi hasil prediksi hujan per tiga jam. Hasil penelitian ini membuktikan bahwa asimilasi data radar ke dalam keadaan awal model WRF dapat meningkatkan hasil prediksi hujan. Dibuktikan oleh skill Threat Score yang mencapai 0.67 pada salah satu skema. Kata kunci: prediksi hujan, WRF, 3DVar , radar, asimilasi, dikotomi.
1.
PENDAHULUAN
Prediksi cuaca numerik sudah sangat maju dan terbukti dapat memudahkan kita dalam meramalkan cuaca beberapa waktu kedepan. Di program studi meteorologi-ITB sendiri sudah diterapkan modelmodel prediksi cuaca numerik yang secara otomatis memprediksi cuaca untuk 2 hari kedepan (Hadi dkk, Upload 2011).Tetapi hasil dari prediksi cuaca numerik seringkali memiliki kekurangan dalam hal akurasi dan kepastian. Begitu juga dengan model WRF yang sudah berjalan ini. Model WRF ini harus dikaji lebih untuk meningkatkan akurasinya. Kemampuan Read Free Forlanjut 30 model prediksi cuaca numerik dalam menghasilkan Days prediksi yang berguna tidak hanya bergantung pada resolusi model dan keakuratan representasi prosesSign In proses dinamik dan fisik atmosfer, tetapi juga sangat bergantung pada kondisi awal yang digunakan dalam proses integrasi model. Sebagaimana yang telah
memberikan estimasi keadaan atmosfer saat ini (initial condition), serta syarat batas permukaan dan lateral, maka model akan mensimulasikan (memprediksi) evolusi atmosfer. Jelas sekali bahwa semakin akurat estimasi keadaan awal, semakin baik pula kualitas prediksi yang dihasilkan (Junnaedhi, 2008). Saat ini, pusat-pusat prediksi cuaca numerik di seluruh dunia membuat initial condition melalui kombinasi statistik antara pengamatan (observasi) dengan hasil prediksi jangka pendek sebelumnya. Pendekatan ini disebut asimilasi data (data assimilation – DA), yang tujuannya didefinisikan oleh Talagrand (1997) sebagai “menggunakan semua informasi yang tersedia, untuk menentukan keadaan aliran atmosfer (atau lautan) seakurat mungkin.” (Kalnay, 2003). Sebelumnya telah diadakan percobaan asimilasi data pada model cuaca WRF yang dilakukan Junnaedhi (2008) dengan menggunakan data Automated Weather Station (AWS) yang dimiliki
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Selain data AWS, bisa juga digunakan data radar sebagai alternatif data yang dapat digunakan untuk asimilasi data keadan awal WRF seperti telah Magazines dilakukan oleh Juanzhen Sun (2010). Beliau mengasimilasikan data radar untuk model WRF dan News terbukti menghasilkan curah hujan yang baik. Kelebihan dari data radar dibandingkan dengan data AWS adalah kemudahannya. Dengan hanya Documents melakukan pengamatan di satu titik menggunakan Radar Doppler yang ditempatkan di Serpong Jakarta sudah didapatkan data yang mencakup area Jawa Sheet Music Barat dengan resolusi yang tinggi. Mengacu pada studi diatas, akan dilakukan asimilasi data pada prediksi cuaca numerik yang sudah ada dengan menggunakan data radar. Data radar memiliki resolusi yang tinggi (resolusinya lebih tinggi
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
dari resolusi model skala meso) dengan cakupan yang luas. Dibandingkan dengan kepadatan data AWS yang dimiliki Indonesia saat ini, dirasakan asimilasi dengan data radar akan menghasilkan hasil prediksi numerik yang lebih baik. Ada alternatif lain untuk asmilasi data yaitu dengan menggunakan radar doppler sebagai data observasinya yaitu Asimilasi menggunakan data radar sama seperti asimilasi pada umumnya, namun digunakan data reflektivitas dan kecepatan radial radar sebagai data observasi. Data reflektivitas akan digunakan untuk memperbaiki variabel kelembaban dan kecepatan radial akan digunakan untuk memperbaiki variabel angin.
Gambar 1. Asimilasi Data. Garis merah adalah ilustrasi keadaan sebenarnya atmosfer. Kontur merah di sekitar garis merah adalah batas toleransi dari eror terhadap observasi. Garis biru adalah hasil model. Panah adalah proses analisis yang menarik kondisi model sebelumnya mendekati observasi untuk dijadikan kondisi awal model selanjutnya (Comet, 2009).
Upload
2.
Data dan Metodologi
2.1. Data
a) Global Forecast System (GFS) digunakan sebagai Read Free For 30 data awal model. b) C-Band Doppler Radar (CDR) digunakan sebagai Days data observasi. c) Data observasi dari stasiun meteorologi milik BMKG sekitar Jawa Barat digunakan untuk data Sign In verifikasi. Data stasiun yang dipakai mencakup Tanjung Priok, Curug, Citeko, Serang,
2.2. Konfigurasi Model WRF
WRF untuk penelitian menggunakan konfigurasi tiga domain. Domain ketiga (Gambar 2) atau domain terakhir dari memiliki resolusi tiga kilometer dan mencakup wilayah Jawa Barat. Domain tidak dibuat terlalu besar untuk mengurangi waktu run model. Konfigurasi parameterisasi model menggunakan konfigurasi terbaik untuk daerah Indonesia berdasarkan penelitian yang dilakukan oleh Gustari (2012). Skema Lin untuk parameterisasi
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
News
Documents
Sheet Music
Gambar 2. Domain Penelitian. (a) Domain 1 model dengan resolusi 27km. (b) Domain 2 model dengan resolusi 9km. (c) Domain 3 model dengan resolusi 3km
2.3. Pembuatan Background Error (BE)
Dalam metode 3DVar, perhitungan BE merupakan hal yang sangat penting. Umumnya perhitungan BE dilakukan dengan metode NMC/National Meteorological Center (Barker dkk 2004; dan Kalnay, 2003). Metode ini menggunakan pendekatan klimatologis dengan mengestimasi BE sebagai rata-rata perbedaan hasil prediksi jangka pendek yang sahih pada waktu bersamaan, dalam jangka waktu yang cukup lama, misalnya satu bulan. Pendekatan ini dilakukan karena perhitungan BE menggunakan perbedaan antara hasil prediksi dengan rawinsode (Kalnay, 2003) sulit dilakukan. Jaringan rawinsonde yang tersedia tidak cukup rapat untuk mengestimasi dengan baik struktur global atmosfer (Junnaedhi, 2008). Perbedaan hasil prediksi didapatkan dengan cara run WRF selama bulan Desember 2009 dengan data inisial yang berbeda 12 jam selama 24 jam kedepan. Sehingga didapatkan data yang saling bertindihan Upload (lihat Gambar 3). Data yang saling bertindih inilah yang akan digunakan untuk pembuatan BE.
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
2.4. Pengolahan Data Radar
Data radar mempunyai resolusi yang besar (CDR serpong memiliki kerapatan data 125m). Sedangkan resolusi WRF terbesar dalam penelitian ini adalah 3km. Berarti setidaknya ada ribuan data radar dalam satu grid WRF. Maka teknik sampling data radar untuk merepresntasikan grid tersebut sangat penting dan harus dikaji. Penelitian ini mengkaji empat teknik sampling. a) Sampling dengan nilai dBZ terbesar ( Biggest) Teknik sampling ini mengambil nilai dBZ (reflektivitas) radar terbesar dalam grid untuk dijadikan nilai representasi dari grid tersebut (titik merah besar pada Gambar 4. Sedangkan nilai kecepatan radial gambar akan diambil pada titik yang memiliki nilai dBZ yang terbesar tersebut. b) Sampling titik terdekat dengan titik tengah grid ( Nearest) Teknik sampling ini mengambil nilai dBZ dan kecepatan radial radar dari titik observasi terdekat dari titik tengah grid (titik merah yang dekat dengan titik hitam pada Gambar 4. c) Sampling dengan teknik Median (Median ) Teknik sampling ini mengurutkan semua data dBZ dan kecepatan radial yang ada dalam satu grid , lalu mencari nilai tengahnya untuk dijadikan representasi dari grid tersebut. d) Sampling dengan teknik Modus ( Mode) Teknik ini mencari nilai terbanyak yang muncul dari data dBZ dan kecepatan radial yang ada dalam suatu grid untuk dijadikan representasi dari grid tersebut
Read Free For 30 Days Sign In Gambar 4. Ilustrasi 3D dari sebaran data radar dalam satu grid WRF. Menggambarkan persebaran data
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
2.5. Hindcast Januari 2010
Asimilasi akan dilakukan dengan dua cara untuk masing-masing sampling. Pertama adalah tiap sampling radar diasimilasikan dengan menggunakan dBZ dan kecepatan radial. Dan kedua adalah tiap News sampling diasimilasikan hanya dengan dBZ saja (tidak menyertakan kecepatan radial). Sehingga akan Documents didapatkan delapan skema untuk WRF menggunakan asimilasi radar. WRF akan dijalankan sepanjang Januari 2010. Sheet Music Setiap model akan menggunakan GFS cycle 12 UTC, yang berarti semua model akan mulai pada 19:00 WIB pada tiap tanggalnya. Akan dijalankan sembilan kasus yang berbeda. Penjabaran dari kasus yang akan diolah pada penelitian ini adalah: • A : WRF tanpa asimilasi (sebagai pembanding) • B1 : WRF diasimilasi radar Biggest • B2 : WRF diasimilasi radar Biggest (hanya dBZ) • C1 : WRF diasimilasi radar Nearest • C2 : WRF diasimilasi radar Nearest (hanya dBZ) • D1 : WRF diasimilasi radar Median • D2 : WRF diasimilasi radar Median (hanya dBZ) • E1 : WRF diasimilasi radar Mode • E2 : WRF diasimilasi radar Mode (hanya dBZ) 2.6. Verifikasi Hasil
Hasil keluaran WRF akan dibandingkan dengan WRF tanpa asimilasi (sebagai kontrol kualitas) dan data observasi dengan berbagai metode. Metodemetode yang digunakan mencakup verifikasi secara kualitatif dan kuantitatif. Secara dikotomi untuk curah hujan menggunakan Threat Score (TS), Probability of Detection (POD), False Alarm Ratio (FAR) dan Akurasi (ACC) (Jolliffe dan Stephenson, 2003). Dimana TS akan menggambarkan seberapa baik model memprediksikan kejadian hujan. POD akan menjawab pertanyaan, seberapa baik kejadian hujan di prediksi. Sedangkan FAR akan menceritakan berapa Upload persen dari prediksi hujan adalah prediksi yang salah. Sedangkan ACC akan menjawab pertanyaan, seberapa baik prediksi benar terhadap observasi secara keseluruhan. Ketiga metode tersebut memiliki nilai sempurna 1 dan nilai terendah 0. Read Free For 30 Untuk dapat menggunakan ketiga metode Days tersebut diperlukan terlebih dahulu membuat tabel kontijensi (Gambar 5). Sign In
Gambar 5. Tabel Kontijensi.
Lalu perhitungan dengan persamaan : =
ℎ + =
=
=
ℎ ℎ +
ℎ + ℎ
ℎ + +
(1)
(2)
(3)
(4)
Lalu dilakukan juga analisa secara kualitatif dengan membandingkan gambar-gambar dan membandingkan data inisial model antara sebelum dan sesudah diasimilasi. Gambar spasial didapatkan dengan cara mengambil selisih antara variabel yang belum dan sudah diasimilasi. 3.
Hasil dan Pembahasan
3.1. Perbedaan Initial Condition sebelum dan sesudah asimilasi
Keluaran dari WRFDA-3DVar adalah perbaikan data input untuk model WRF. Gambar 6 didapatkan dengan cara mengurangi nilai angin u setiap skema dengan skema A. Sehingga dapat dilihat selisih antara kondisi awal untuk skema A dengan kondisi awal skema lainnya. Gambar 6 merupakan salah satu contoh dari parameter meteorologi yang diperbaiki dalam asimilasi data yang diambil dari kondisi awal untuk model tanggal 24 Januari 2010. Nantinya parameter ini akan menjadi data kondisi awal untuk model WRF. Pada plot selisih angin u (Gambar 6), terlihat jelas gambar 6a, 6b, 6c, dan 6d (yang menyertakan kecepatan radial) menunjukkan lebih banyak perubahan nilai vektor angin (ditunjukkan dengan besarnya nilai selisih) dibandingkan dengan gambar 6e, 6f, 6g, dan 6h (yang tidak menyertakan kecepatan
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
News
Documents
Sheet Music
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
Gambar 6. Selisih keadaan kondisi awal untuk angin u (dalam m/s) pada domain 1 pada pukul 12 UTC tanggal 24 Januari 2010. (a) Skema B1-A. (b) Skema C1-A. (c) Skema D1-A. (d) Skema E1-A. (e) Skema B2-A. (f) Skema C2-A. (g) Skema D2-A. (h) Skema E2-A.
3.2. Tingkat Keberhasilan Menjalankan Model
Dalam penelitian ini model WRF yang diasimilasikan data radar tidak sepenuhnya bisa dijalankan selama satu bulan penuh. Terdapat beberapa kegagalan pada prediksi. Pada penelitian hanya dilakukan skema B1 dan C1. Tetapi setelah melihat beberapa model gagal terlaksana maka dicobalah asimilasi dengan tidak menyertakan data kecepatan radial karena dirasa Upload asimilasi kecepatan radial terhadap model membuat model tidak stabil.
Read Free For 30 Days Sign In
tidak menyertakan data kecepatan radial). Lalu didapatkan kenaikan tingkat keberhasilan run model meningkat (Lihat Gambar 7). Model C2 dapat mencapai keberhasilan run sampai dengan 90%. Lalu dilakukan metode sampling lain dengan harapan bahwa dengan membenahi sampling kecepatan radial akan mendapat tingkat keberhasilan yang lebih baik. Maka ditambahkan skema D1, D2, C1, dan D2. Dengan memakai algoritma regrid dan pemilihan kecepatan radial yang dirasa lebih b aik. Pada kenyataannya model dengan skema D1, D2, C1, dan D2 tidak dapat memperbaiki tingkat keberhasilan metode sampling sederhana yang sebelumnya dilakukan (B Biggest sampling dan C Nearest sampling). Penyebab gagalnya model tidak dapat diketahui dalam penelitian ini. Tapi dugaan yang kuat adalah kegagalan model disebabkan terlalu jauhnya perbedaan angin yang diasimilasi oleh WRFDA3DVar sehingga model menjadi tidak konvergen lalu breakdown. Lihat Gambar 6a dan Gambar 6c (diambil
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
3.3. Perbandingan Hujan Per Tiga Jam Secara Dikotomi
Prediksi menggunakan model regional seperti WRF seharusnya memiliki keunggulan dalam prediksi dalam rentang waktu yang pendek. Karena model News WRF memiliki beda waktu sampai hitungan detik. Namun kenyataannya, prediksi prediksi per tiga jam Documents yang dilakukan di WCPL sampai sekarang masih belum akurat. Perhitungan akan dilakukan pada masing-masing Sheet Music skema, dan data model yang diambil adalah data pada domain ketiga model. Curah hujan diatas 1 mm akan dianggap sebagai hujan. Lalu akan dilihat apakah dengan mengasimilasi data radar ke dalam kondisi awal WRF akan didapatkan prediksi per tiga jam yang baik. Gambar 8 menunjukkan tidak adanya peningkatan skor yang berarti antara WRF yang belum di asimilasi dengan WRF yang di asimilasi. Bahkan TS semua skema tidak ada yang melewati 0.2, yang berarti sangat buruk. Walaupun begitu, memang terlihat ada peningktan skill TS di skema E2, B2, C2, dan D2. Nilai FAR di semua skema juga tidak ada yang mencapai skor dibawah 0.7. Hal ini membuktikan bahwa hujan yang terprediksi oleh model di semua skema memiliki peluang kesalahan memprediksi diatas 70%. Namun pada nilai POD, nilai yang ditunjukan skema B2 dan E2 menunjukkan peningkatan (nyaris 0.4), walaupun belum terlalu signifikan. Hal ini membuktikan bahwa 40% kejadian hujan per tiga jam berhasil di prediksi oleh B2 dan E2. Jangan perhatikan nilai ACC (akurasi) yang tinggi pada verifikasi per tiga jam karena pada verifikasi hujan per tiga jam akan banyak ditemukan nilai hujan yang 0 (tidak ada hujan pada tiga jam terakhir) sehingga nilai correct negative sangat besar dibandingkan nilai lainnya. Upload
Read Free For 30 Days Sign In Gambar 8. Perbandingan Dikotomi Hujan Per tiga jam dari tiap skema. Angka diatas bar menunjukkan nilai
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
domain ke-tiga model. Bedanya yang akan dibandingkan adalah data akumulasi hujan harian untuk membandingkan hasil model dengan observasi.
Gambar 9. Perbandingan Dikotomi Hujan Harian dari tiap skema. Angka diatas bar menunjukkan nilai TS. ACC, POD, dan TS memiliki nilai sempurna 1. FAR memiliki nilai sempurna 0.
Pertama lihat nilai skill TS secara sekilas (bar hitam). Terlihat bahwa skema B2 (skill TS 0.67) paling baik, yang diikuti oleh skema C2 (skill TS 0.62), dan ke-tiga adalah skema E2 (skill TS 0.5). Peningkatannya bisa dibilang signifikan bila dibandingkan dengan skema A (skill TS 0.42). Akurasi menceritakan skill model secara umum. Bila dilihat akurasinya pun, B2 masih memiliki skill terbesar, yaitu diatas 0.7 yang berarti lebih dari 70% dari prediksi hujan B2 adalah benar. Lalu kedua adalah skema C2 yang memiliki akurasi yang juga mendekati 0.7. Ketiga adalah skema E2 dan D2 yang memiliki akurasi 0.6. POD menceritakan berapa persen dari kejadian hujan dapat terprediksi. Hasil POD pun menunjukkan hasil yang sama. Yang paling besar nilai skill POD nya adalah skema B2 yang bernilai 0.9, yang berarti skema B2 bisa memprediksi 90% kejadian hujan. Skor skema lain berkisar diantara 0.7 sampai 0.8. FAR menceritakan berapa persen dari prediksi hujan adalah prediksi yang salah. FAR bernilai sempurna di 0, dan bernilai terburuk di 1. Bila dilihat skill FAR, yang terbaik adalah skema C2 (nilai FAR 0.24) lalu diikuti oleh skema B2 (nilai FAR 0.28). Secara keseluruhan dari perbandingan ini terlihat jelas bahwa ada peningkatan yang memuaskan. Skema yang paling baik menurut pengujian dikotomi ini adalah skema B2, lalu skema terbaik kedua adalah skema C2, dan yang terbaik ketiga adalah E2. Namun anehnya pada skill POD untuk skema A bernilai 0.86, yang berarti ternyata skema A bisa memprediksi 86% dari kejadian hujan. Lalu apakah sebenarnya skema A sudah cukup baik? Jawabannya adalah tidak , sebab bila dilihat dari skill FAR skema
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
Magazines
News
ternyata salah. Maka disini terbukti pernyataan bahwa skema A belum cukup baik adalah benar. 3.5. Lag Pada Prediksi Hujan Per Tiga Jam
Telah dibuktikan sebelumnya bahwa terdapat peningkatan pada skill model di beberapa skema untuk prediksi hujan harian (lihat BAB 3.3), namun Documents mengapa skill pada prediksi hujan per tiga jam masih buruk? Dengan memeriksa pola gambar antara pola Sheet Music intensitas hujan TRMM dengan pola keluaran model (Gambar 10) maka ditemukan adanya beberapa pola yang terlambat dari model. Hal ini dicurigai menjadi penyebab buruknya skill dari perbandingan dikotomi model. Untuk mengetahui apakah benar pola seperti ini sering muncul pada hasil model maka dilakukan pengujian korelasi spasial antara data TRMM dengan keluaran model dengan harapan akan diketahui apakah memang ada lag pada model skema A? Dan jika diketahui adanya lag maka apakah skema yang memakai data asimilasi radar bisa memperbaikinya?
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
Setelah itu keluaran model WRF dengan waktu WRF TRMM yang tepat pada kejadian (t = t ), akan dikorelasi spasial sesuai dengan waktu dari gambar TRMM tersebut, disebut dengan “beda waktu 0”. Berikutnya keluaran model WRF dengan waktu 3 jam WRF TRMM setelah TRMM (t = t + 3 jam) akan diinterpolasi pada data TRMM yang sama seperti digunakan sebelumnya dan disebut “beda waktu +3”, dan seterusnya sampai didapat nilai korelasi untuk beda waktu -12, -9, -6, -3, 0, +3, +6, +9, dan +12. Setelah melakukannya pada 27 kasus akan didapatkan 27 data pada tiap kelompok beda waktu. Boxplot digunakan untuk memudahkan perbandingan korelasi.
Gambar 11. Boxplot korelasi spasial antara TRMM dan keluaran model yang di lag dari skema A. Bulat titik menandakan median, Kotak hitam menandakan kuartil atas dan kuartil bawah. Garis menandakan maximum dan minimum.Bulat menandakan pencilan.
Upload
Read Free For 30 Days Sign In
Gambar 10. Plot intensitas curah hujan (mm/jam) per tiga jam. (kanan) TRMM. (kiri) Skema A. Pada tiap barisnya gambar diambil pada waktu yang sama.
Gambar 11 menunjukkan bahwa terkadang skema A memang memiliki lag. Dibuktikan dengan median dari beda waktu +3 yang lebih besar daripada median beda waktu 0. Lalu dilakukan boxplot pada skema lain untuk melihat perbaikan yang dilakukan oleh asimilasi data radar. Bila melihat Gambar 12 secara gamblang dapat dilihat bahwa hanya sedikit skema yang mengalami perbaikan lag. Hal ini ditandai dengan lebih besarnya korelasi pada beda waktu 0 dengan korelasi pada beda waktu 3. Skema B2 yang kita ungulkan pada setiap uji verifikasi harian ternyata tidak mampu memperbaiki lag. Walaupun pada beda waktu 3 mediannya lebih turun dibandingkan dengan skema A, tapi simpangan kuartil atas dari beda waktu 3 ini masih tergolong cukup tinggi. Yang mengalami perbaikan lag paling baik disini adalah skema D1 yang bisanya buruk di hasil verifikasi lain. Namun D1 memiliki jumlah
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
UTS PGSD B
OSILOSKOP
Studi Neutrino Dan Partikel
Top Charts
Books
Audiobooks
Magazines
News
Documents
Sheet Music
Upload Gambar 12. Boxplot korelasi spasial antara TRMM dan keluaran model yang di lag dari setiap skema. Bulat titik menandakan median, Kotak hitam menandakan kuartil atas dan kuartil bawah. Garis menandakan maximum dan minimum.Bulat menandakan pencilan.
Dari analisis ini akan dibuktikan dikotomi per tiga jam dengan membuat lag pada hasil prediksi. Dan Days dilihat apakah teori ini benar. Bandingkan Gambar 13 dengan Gambar 8. Bila Sign In dilihat secara awam memang hampir tidak ada bedanya. Namun Gambar 13 adalah dikotomi dimana model sudah di lag 3 jam. Bila keluaran model tidak
Read Free For 30
Makalah Alat Ukur Mekanik
RELATED TITLES
0 0
29 views
Asimilasi Data Search Uploaded by Prizm Rose's
Bahan Ajar Mata Kuliah Geofisika Home
Save
Saved
Embed
Share
Print
Top Charts
Books
Audiobooks
4.
Kesimpulan
Penggunaan data kecepatan radial dirasa masih belum sempurna. Model yang telah diubah anginnnya dengan kecepatan radial radar sering kali tidak stabil gagal berjalan (breakdown). Hasil keluaran dari News dan model yang mengunakan data kecepatan radial juga lebih buruk dibandingkan model yang hanya Documents mengasimilasikan data reflektivitas radar. Bobot paling besar dari penelitian adalah dikotomi harian sehingga disimpulkan skema paling Sheet Music baik dan akan diusulkan untuk sistem prediksi adalah skema B2 (WRF dengan asimilasi sampling radar “titik dengan nilai dBZ terbesar” tanpa menggunakan kecepatan radial). Nilai Threat Score (TS) per tiga jam dan harian terbesar, dirasa bisa diandalkan untuk menjawab pertanyaan “apakah besok hujan?”. Skema ini juga menunjukkan peningkatan skill TS dengan threshold 20 mm, yang berarti adanya peningkatan untuk prediksi hujan sedang harian. Dengan keberhasilan 74% dirasa cukup untuk diimplementasikan pada prediksi harian. Bila skema B2 gagal berjalan, skema C2 (WRF dengan asimilasi sampling radar “titik terdekat dengan titik tengah grid” tanpa menggunakan kecepatan radial) bisa dijadikan sebagai skema cadangan pada sistem prediksi. Memiliki tingkat keberhasilan 90% dan skill prediksi hujan yang sedikit dibawah skema B2. Bila skema C2 gagal berjalan, skema E2 (WRF dengan asimilasi sampling radar “mengambil modus dari semua titik di dalam grid” tanpa menggunakan kecepatan radial) bisa dijadikan sebagai skema cadangan ke-2. Dengan tingkat keberhasilan 84%. Walaupun skill prediksi hujan skema E2 tidak sebaik skema B2 dan C2, tapi dirasa cukup ada peningkatan dibandingkn skema A (WRF dijalankan tanpa asimilasi). Asimilasi data radar belum bisa meningkatkan akurasi prediksi dengan resolusi waktu per tiga jam. :Lag model yang terkadang keluar masih belum bisa Upload diperbaiki. Kesimpulan akhir dari penelitian ini adalah adanya peningkatan skill untuk prediksi hujan harian dari model yang menggunakan mengasimilasikan data reflektivitas radar pada data awal masukan modelnya. Read Free ForDan 30 urutan penggunaan skema asimilasi yang akan diajukan untuk sistem prediksi adalah skema B2 Days sebagai skema utama. Lalu skema C2 sebagai cadangan pertama. Dan E2 sebagai cadangan kedua. Sign In Bila ketiganya gagal prediksi diharuskan berjalan tanpa asimilasi.
Magazines
UTS PGSD B
Comet.
OSILOSKOP
Studi Neutrino Dan Partikel
(2009, 11 24). Understanding Assimilation Systems : How Models Create Their Initial Conditions. Dipetik 06 01, 2012, dari Meteorology Education & Training (MetEd): http://www.meted.ucar.edu Gustari, I. (2012). Laporan Kemajuan II: Prediksi Curah Hujan Harian Dengan Model WRF di Wilayah JABODETABEK. Bandung: Meteorologi ITB. Hadi, T. W., Trilaksono, N. J., Junnaedhi, I. D., & Syahputra, M. R. (2011). Dipetik 12 2, 2011, dari Weather and Climate Prediction Laboratory: http://weather.meteo.itb.ac.id Holton, J. R. (2004). An Introduction to Dynamic Meteorology (4th ed.). San Diego, California: Elsevier Academic Press. Jolliffe, I. T., & Stephenson, D. B. (2003). Forecast Verification: A Practitioner's Guide in Atmospheric Scienc. Chichester: John Wiley and Sons. Junnaedhi, I. D. (2008). Pengaruh Asimilasi Data dengan Metode 3DVAR Terhadap Hasil Prediksi Cuaca Numerik di Indonesia. Bandung: Meteorologi ITB. Kalnay, E. (2003). Atmospheric Modelling, Data Assimilation and Predictability. Cambridge, UK: Cambridge University Press. Sun, J. (2010). Doppler Radar Data Assimilation with WRFDA. NCAR.
Makalah Alat Ukur Mekanik