PEDOMAN PRAKTIKUM
KLIMATOLOGI TROPIKA (GFM 223)
Penyusun: Dr. Akhmad Faqih Syamsu Dwi Jadmiko, S.Si
Laboratorium Klimatologi Departemen Departemen Geofisika dan Meteorologi Meteorologi Fakultas Matematika Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2012
PRAKTIKUM 1 INDEKS MONSUN I.
Pendahuluan
Monsun merupakan salah satu fenomena iklim regional yang di pengaruhi oleh pergerakan angin. Angin monsun sendiri merupakan angin yang berhembus dan berganti arah dua kali (memiliki pola berlawanan) dalam setahun. Angin monsun dicirikan dengan perubahan arah angin akibat perubahan musim. Monsun dapat mempengaruhi wilayah yang luas dan juga dapat dipengaruhi oleh sistem sirkulasi lain (Webster 1987). Wilayah Indonesia merupakan salah satu wilayah yang dipengaruhi fenomena monsun yaitu Monsun Asia dan Monsun Australia. Selain itu, terdapat beberapa jenis monsoon sesuai daerah terbentuknya seperti Monsoon Afrika (The African Monsoon), Monsoon India (The Indian Monsoon), dan Monsoon Pasifik (The Westren North Pacific Monsoon). Monsoon memiliki indeks yang disebut sebagai indeks monsoon. Indeks monsoon dihitung berdasarkan kecepatan angin yang berada pada wilayah terbentuknya monsoon. Berikut ini beberapa jenis indeks monsoon dan cara memperolehnya (Monsun Monitoring Page 2012). a. Indeks Monsoon Australia (AUSMI) Untuk menghitung indeks ini digunakan U850 dengan luas areal (110E130E,15S-5S). Luasan daerahnya ditunjukkan Gambar dibawah ini.
b. Indeks Monsoon Webster dan Yang (WYI) Untuk menghitung indeks ini digunakan U850 dengan luas areal (40E110E,Ekuator-20N) dikurangi U200 dengan luas areal (40E-110E, Ekuator20N). Secara singkat dapat dirumuskan: WYI:U850-U200. Luasan daerahnya ditunjukkan Gambar dibawah ini.
c. Indeks Monsun India (IMI) Untuk menghitung indeks ini digunakan U850 dengan luas areal (40E-80E,5N15N) dikurangi U850 dengan luas areal (70E-90E, 20N-30N). Secara singkat dapat dirumuskan: IMI:u850(1)-U850(2). Luasan daerahnya ditunjukkan Gambar di bawah ini.
d. Indeks Monsun Western North Pasific (WNPMI) Untuk menghitung indeks ini digunakan U850 dengan luas areal (100E130E,5N-15N) dikurangi U850 dengan luas areal (110E-140E, 20N-30N). Secara singkat dapat dirumuskan: WNPMI:U850(1)-U850(2). Luasan daerahnya ditunjukkan Gambar 4 .
II.
Metode
1. Membuka link data angin zonal dari IRI Data Library (IRIDL) berikut: http://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.DAILY/.Intrinsic/.PressureLevel/.u/ 2. Melakukan seleksi data sesuai wilayah kajian dan waktu data (time period). a. Klik Data Selection
b. Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selection.
3. Hasil seleksi data dapat dilihat melalui View.
4. Melakukan perhitungan indeks menggunakan menu Expert Mode. Pada bagian teks di bawah range wilayah (X Y) ditambahkan command “[X Y]average” untuk perhitungan nilai anomali dan command range wilayah diganti menjadi “RANGE”. Klik OK dan lihat kembali Gambar melalui Views atau data melalui Table.
III.
Tugas
1. Hitung indeks monsoon australia (AUSMI) berdasarkan data yang diperoleh dari IRI Data Library.
(http://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.DAILY/.Intrinsic/.PressureLevel/.u/) 2. Bandingkan dengan data indeks monsoon australia(AUSMI) yang sudah ada/dihitung. http://iprc.soest.hawaii.edu/users/ykaji/monsoon/daily-data.html#mon atau http://www.cpc.ncep.noaa.gov/products/Global_Monsoons/Asian_Monsoons /monsoon_index.shtml 3. Buat pembahasan mengenai AUSMI dalam 3 bulan terakhir. IV.
Daftar Pustaka
Webster, P. J. and S. Yang, 1992: Monsoon and ENSO: Selectively interactive systems. Quart. J. Roy. Meteor. Soc., 118, 877-926. The
definition
of
Monsoon
Indices
http://iprc.soest.hawaii.edu/users/ykaji/monsoon/definition.html
.
2012.
PRAKTIKUM 2 ANALISIS QUASI -BIENNI AL
OSCIL LATI ON (QBO) MENGGUNAKAN DATA REANALYSIS
I.
Pendahuluan
Menurut Glossary AMS (American Meteorological Society), Quasi-Biennial Oscillation atau QBO didefinisikan sebagai sebuah osilasi angin zonal di lapisan stratosfer di sekitar wilayah tropis yang memiliki siklus sekitar 24-30 bulan. Osilasi yang terjadi tersebut disebabkan adanya pergerakan menurun dari angin zonal yang diikuti dengan adanya perubahan arah dari angin baratan menjadi angin timuran dan sebaliknya. Istilah ”quasi- biennial” digunakan untuk menjelaskan kejadian yang mendekati tetapi tidak tepat dua tahun. QBO dapat diidentifikasi dengan menggunakan data seri waktu dari observasi di atmosfer khususnya di sekitar ketinggian 16 hingga 50 km yang terletak di sekitar kawasan ekuator. Wilayah pengamatan di sekitar ekuator digunakan untuk analisis dikarenakan osilasi angin QBO menunjukkan fluktuasi yang kuat di wilayah tersebut. Akan tetapi, walaupun signal yang kuat terdapat di sekitar ekuator, pengaruh QBO dapat mempengaruhi kondisi stratosfer secara global. Diagram seri waktu dari penampang vertikal dari QBO ditunjukkan pada Gambar 1, dimana kontur warna merah menunjukkan nilai angin zonal positif yang mewakili angin baratan yang bergerak dari barat ke timur, sementara kontur warna biru menunjukkan sebaliknya (angin timuran). Pada gambar tersebut dapat terlihat bahwa pada periode tertentu angin baratan akan berada pada ketinggian yang lebih tinggi di lapisan stratosfer dan dengan seiring berjalannya waktu angin baratan tersebut posisinya akan semakin menurun, berada pada ketinggian yang lebih rendah. Ketika angin baratan bergeser turun ke ketinggian yang lebih rendah, angin di ketinggian di atasnya akan mangalami perubahan arah menjadi angin timuran. Periode osilasi pada titik ketinggian yang sama dari angin baratan berubah menjadi angin timuran dan kembali lagi menjadi angin baratan yaitu mencapai sekitar 24-30 bulan. Karakteristik QBO yang memodulasi komponen atmosfer seperti angin, suhu, gelombang ekstratropis dan sirkulasi dalam rentang meridional menunjukkan adanya peran penting dari QBO yang dapat mempengaruhi dan berinteraksi dengan faktor
pengendali iklim lainnya seperti Monsun dan El Nino-Southern Oscillation (ENSO). Selain itu, hasil kajian Gray dan Dunkerton (1990) menunjukkan bahwa QBO memiliki periode osilasi yang erat dengan osilasi lapisan ozon khususnya di dekat kawasan ekuator. Hal ini menjadi salah satu contoh pentingnya peran QBO dalam mempengaruhi distribusi dan transportasi berbagai zat kimia atmosfer, khususnya dari lintang rendah ke lintang tinggi.
Gambar 1. Diagram antara waktu dan ketinggian dari data angin zonal rata-rata bulanan (m/s) periode tahun 1964-1990 dengan nilai siklus musiman telah dihilangkan (atas), dan dengan melalui perhitungan band-pass filter periode siklus 9 hingga 48 bulanan (bawah). (Sumber: Baldwin et al. 2001)
II.
Metodologi
Di dalam praktikum ini akan dilakukan pengantar untuk mempelajari fenomena QBO, yaitu dengan i) mempelajari diagram waktu dan profil ketinggian yang menunjukkan pola osilasi QBO dan ii) mempelajari data seri waktu dari komponen atmosfer di lapisan statosfer . Data yang akan digunakan di dalam
praktikum ini yaitu data dari NOAA NCEP-NCAR Reanalysis Products (NNRP). Tidak berbeda dengan praktikum sebelumnya, pada praktikum QBO ini akan digunakan kembali fasilitas online dari IRI Data Library (IRIDL). Portal IRI Data Library dapat diakses
melalui
dua
http://iridl.ccromseap.ipb.ac.id.
situs,
yaitu:
http://iridl.ldeo.columbia.edu
dan
Berikut langkah kerja yang dilakukan untuk praktikum:
1. Membuka link data Angin Zonal dari IRI Data Library (IRIDL) berikut: http://iridl.ccromseap.ipb.ac.id/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.MONTHLY/.Intrinsic/.PressureLevel/ 2. Melakukan seleksi data sesuai wilayah kajian dan ketinggan. Klik Data Selection
3. Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selecting. Untuk analisis QBO ini, kita akan menseleksi batas wilayah di sekitar ekuator untuk pilihan lintang (0), sedangkan untuk bujur 1000BT, Ketinggian 50 hingga 10 Hpa.
4. Setelah itu, Anda dapat melikhat hasil seleksi melalui link Views.
5. Hasil diatas diperlukan perbaikan posisi sumbu X dan Sumbu Y. Sumbu Y diganti dengan ketinggian dan sumbu X waktu. Setelah itu posisi nilai ketinggian juga dirubah dimana ketinggian paling rendah berada di posisi bawah seperti gambar dibawah ini. Pilihan bentuk gambar dapat dipilih berupa color, color|contours, dan sebagainya.
6. Menghitung anomali angin zonal melalui menu Expert Mode.
7. Pada bagian teks paling bawah ditambahkan command “ yearly-anomalies” untuk perhitungan nilai anomali. Klik Ok dan lihat kembali Gambar melalui Views
8. Hasil diatas Perlu dilakukan perbaikan pada sumbu X dan Y seperti langkah sebelumnya untuk mendapatkan Gambar kontur yang benar seperti gambar dibawah ini.
9. Mempelajari data seri waktu dari komponen atmosfer pada lapisan tertentu di statosfer. Langkah yang dilakukan mirip dengan langkah pada memeproleh data
anomaly angin zonal secara spasial, hanya saja wilayah ketinggian yang dipilih hanya 1 ketinggian, yaitu untuk praktikum ini kita akan memilih ketinggian pada 30HPa. 10. Akses link data angin zonal. http://iridl.ccromseap.ipb.ac.id/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.MONTHLY/.Intrinsic/.PressureLevel/ 11. Melakukan seleksi data sesuai wilayah kajian dan ketinggan. Klik Data Selection
12. Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selecting. Untuk analisis QBO ini, kita akan menseleksi batas wilayah di sekitar ekuator untuk pilihan lintang (0), sedangkan untuk bujur 1000BT, Ketinggian 30 Hpa.
13. Setelah itu, Anda dapat melikhat hasil seleksi melalui link Views.
14. Untuk perhitungan nilai anomali, lakukan seperti pada langkah di bagian sebelumnya dengan menambahkan baris “yearly-anomalies” pada perintah dibagian menu Expert Mode. Kemudian lihat hasilnya dalam menu View.
III.
Tugas
1. Tentukan dan bandingkan data seri waktu dari data angin zonal dan data suhu pada ketinggian 30 HPa pada posisi lintang berbeda yang mewakili wilayah ekuator (0°) dan lintang pertengahan untuk belahan bumi utara (15° LU dan 30° LU) dan belahan bumi selatan (15° LS dan 30° LS). Posisi bujur dapat dipilih bebas di sekitar wilayah Indonesia. 2. Gambarkan penampang vertikal dari data angin zonal dan data suhu pada lokasi yang terdapat pada point 1 untuk rentang ketinggian antara 50 HPa hingga 10 HPa, dan bandingkan.
Data angin zonal (zonal wind) dan data suhu (temperature) dapat diakses pada link berikut: http://iridl.ccromseap.ipb.ac.id/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.MONTHLY/.Intrinsic/.PressureLevel/
http://iridl.ccromseap.ipb.ac.id/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.MONTHLY/.Intrinsic/.PressureLevel/.temp/
(untuk
akses
data
suhu),
dan
http://iridl.ccromseap.ipb.ac.id/SOURCES/.NOAA/.NCEP-NCAR/.CDAS1/.MONTHLY/.Intrinsic/.PressureLevel/.u/ (untuk akses data angin zonal).
IV.
Daftar Pustaka
AMS Glossary. http://amsglossary.allenpress.com/glossary/browse?s=q&p=3. Baldwin MP, Gray LJ, Dunkerton TJ, Hamilton K, Haynes PH, Randel WJ, Holton JR, Alexander MJ, Hirota I, Horinouchi T, Jones DBA, Kinnersley JS, Marquardt C, Sato K, Takahashi M. 2001. The Quasi-Biennial Oscillation. Reviews of Geophysics, 39:2. pp 179 – 229. Gray LJ, Dunkerton TJ. 1990. The role of the seasonal cycle in the quasi-biennial oscillation of ozone. Journal of the Atmospheric Science, 47:20, pp 2429:2451.
PRAKTIKUM 3 IDENTIFIKASI M A D D E N
J U L I A N OSC I L L A T I O N (MJO)
DATA OUTGOI NG
I.
MENGGUNAKAN
LONGWAVE RADI ATI ON (OLR)
Pendahuluan
Pada tahun 1971, Roland Madden dan Paul Julian melakukan analisis selama 10 tahun terhadap data tekanan dari pengamatan harian rawinsonde di Canton Island (2.80 LS, 171.7 0BB) dan menemukan sebuah osilasi dengan periode 40-50 harian. Osilasi tersebut kemudian dikenal sebagai Madden Julian Oscillasi (MJO). MJO adalah fluktuasi antar musim (intraseasonal ) atau gelombang yang terjadi di wilayah tropis. MJO mempengaruhi variabilitas cuaca dikawasan tropis dan menghasilkan beberapa variasi parameter penting dalam atmosfer dan laut seperti angin (arah dan kecepaten), suhu permukaan laut, keawanan, dan curah hujan (Madden & Julian 1971). Munculnya MJO dicirikan dengan adanya Cloud Cluster (CC) yang merupakan kumpulan awan dengan skala 100 Km dan bergerak ke arah timur dalam waktu 30-60 hari. Kumpulan awan tersebut bergerak dengan kecepatan rata-rata 5 m/s melewati Samudra Hindia tropis dan bagian barat/tengah Samudra Pasifik (Zhang 2005). MJO terkait langsung dengan pembentukan kolam panas di Samudra Hindia bagian Timur dan Pasifik bagian barat sehingga pergerakan MJO selalu diikuti dengan konveksi awan cumulus. Awan konvektif ini menyebabkan hujan dengan intensitas tinggi. Sebagian besar curah hujan di daerah tropis disebabkan oleh awan konvektif dan puncak awan konvektif sangatlah dingin (mengemisikan sedikit radiasi gelombang panjang/ longwave radiation), maka fenomena MJO sangat jelas diidentifikasi dari variasi OLR (outgoing longwave radiation) yang di tangkap oleh sensor inframerah pada satelit ( Geerts & Wheeler 1998). Gambar 1 menunjukkan time-longitude section anomali Outgoing Longwave Radiation (OLR) pada bulan Agustus sampai Desembar 2006. Anomali positif OLR (lebih kering dari kondisi normal) digambarkan dengan warna kuning atau orange, sedangkan anomali negatif (lebih basah dari kondisi normal digambarkan dengan warna biru.
Gambar 1. Time-longitude section anomali OLR bulan Agustus sampai Desember 2006. (http://www.cpc.ncep.noaa.gov/products/precip/CWlink/MJO/ARCHIVE/).
II.
Metodologi
Pada praktikum ini akan dilakukan pengantar untuk mempelajari fenomena MJO, yaitu dengan mempelajari diagram hovmoller (time-longitude) section anomali OLR yang menunjukkan pola osilasi MJO . Data yang akan digunakan di dalam praktikum
ini yaitu data dari NOAA NCEP-NCAR Reanalysis Products (NNRP) berupa data anomali OLR 5-harian (pentad). Tidak berbeda dengan praktikum sebelumnya, pada praktikum MJO ini akan digunakan kembali fasilitas online dari IRI Data Library (IRIDL).
Portal
IRI
Data
Library
dapat
diakses
melalui
http://iridl.ldeo.columbia.edu dan http://iridl.ccromseap.ipb.ac.id.
dua
situs,
yaitu:
Berikut langkah kerja yang dilakukan untuk praktikum:
15. Membuka link data anomaly OLR 5-harian dari IRI Data Library (IRIDL) berikut: http://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCEP/.CPC/.GLOBAL/.pentad/ .olra/ 2.
Melakukan seleksi data sesuai wilayah kajian dan waktu data (time period). Klik Data Selection
3.
Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selecting . Untuk analisis MJO ini, kita akan menseleksi batas wilayah di sekitar ekuator untuk pilihan lintang (20N to 20S), sedangkan untuk bujur dibiarkan mengelilingi bumi sepanjang ekuator (1.25E-1.25W)
3. Untuk membuat diagram Hovmoller (sumbu X: longitude dan sumbu Y: time), maka batas rentang wilayah lintang yang sudah ditentukan sebelumnya (20N to 20S) harus dihitung nilai rata-ratanya dengan melalui menu Expert Mode.
5.
Pada baris kode di menu Expert Mode, tambahkan perintah [Y]average untuk memberikan perintah perhitungan nilai rata-rata lintang, dan klik OK
6.
Setelah itu, Anda dapat melikhat hasil seleksi melalui link Views.
0000 16 Apr 2012
2400 31 Dec 2010
7.
Dari gambar yang ditampilkan, Anda telah menghasilkan diagram Hovmoller. Akan tetapi perlu dilakukan sedikit perbaikan terhadap sumbu Y dengan membalik nilai batas tanggal sehingga tanggal yang lebih awal berada di sumbu Y paling atas, sementara tanggal terbaru berada di posisi paling bawah. Setelah itu klik Redraw .
2400 31 Dec 2010
0000 16 Apr 2012
8.
Anda telah berhasil membuat Diagram Hovmoller untuk mempelajari dan propagasi MJO berdasarkan data anomaly OLR dari data 5-harian. Untuk memperjelas hasil gambar, Anda dapat melakukan penyesuaian warna pada label bar. Untuk memilih pilihan kombinasi warna, dapat dilakukan dengan memilih Edit plot
Pada bagian paling bawah, terdapat berbagai kombinasi warna yang dapat dipilih.
9.
Pilih kombinasi warna “olr_anomaly” untuk memperoleh gradasi warna untuk menampilkan anomaly OLR. Klik plot
Selanjutnya akan diperoleh gambar dengan warna baru, seperti di bawah ini:
10. Perlu diperhatikan bahwa pada kombinasi warna “ olr_anomaly” terdapat warna putih ditengah. Warna putih tersebut berguna untuk menentukan batas positif dan negative dengan nilai yang relatif kecil, misalnya antara -10 dan 10. Pada gambar yang telah dihasilkan di atas posisi warna putih tidak tepat berada pada rentang nilai tersebut. Oleh karena itu perlu dilakukan sedikit modifikasi pada batas nilai untuk label bar, yaitu dengan membuat rentang nilainya seimbang, misalnya antara -75.7 hingga 75.7. Dengan membuat rentang yang sama untuk nilai positif dan negative, maka akan menempatkan label berwarna putih pada posisi yang seimbang untuk nilai positif dan negatif. Hal ini dapat dlakukan dengan memilih link more option, dan mengganti batas kanan (nilai positif) menjadi 75.7. Klik Redraw
.
Nilai OLR yang menunjukkan propagasi MJO terlihat lebih jelas
III. Tugas
Tugas berikut diberikan setelah mahasiswa mendapatkan presentasi dan penjelasan praktikum dari asisten. Dengan menggunakan data OLR yang dapat diakses dari IRIDL maka: 1.
Buat diagram Hovmoller
dari data anomali OLR bulan Januari 2010 sampai
Desember 2010 pada posisi lintang berbeda yang mewakili wilayah ekuator (0°) dan lintang pertengahan untuk belahan bumi utara (10° LU dan 20° LU) dan belahan bumi selatan (10° LS dan 20° LS). Posisi bujur dibuat untuk kondisi global. 2.
Dengan mencontoh informasi pada panduan praktikum sebelumnya berkaitan dengan langkah untuk membuat grafik pada IRI Data Library, buatlah grafik osilasi dari data anomaly OLR pada ketiga wilayah lintang tersebut untuk wilayah Indonesia (rata-ratakan lintang dan bujur wilayah Indonesia dengan menggunakan perintah [XY]average pada menu Expert Mode).
3.
Bahas kondisi osilasi MJO pada periode tersebut. Mengingat bahwa pada tahun 2010 terjadi fenomena La Nina, apakah menurut Anda ada pengaruhnya terhadap osilasi MJO selama periode tersebut?
IV. Daftar Pustaka
Madden RA. Dan PR. Julian . 1971. Detection of Global-Scale Circulation Cells in the Tropics with a 40-50 Day period. J. Atmos. Sci. 29: 1109-1123. Zhang C. 2005. Madden-Julian Oscillation. Review of Geophisich. 43: 1-36. http://www.cpc.ncep.noaa.gov/products/precip/CWlink/MJO/ARCHIVE/ 2012]
[18
April
PRAKTIKUM 4 MENGHITUNG INDEKS ENSO DAN KORELASINYA DENGAN KONDISI CURAH HUJAN DI INDONESIA
I.
Pendahuluan
El Nino Southern Oscillation (ENSO) merupakan istilah yang digunakan untuk mendeskrisikan secara keseluruhan Osilasi Selatan serta peningkatan/penurunan suhu muka laut bila dibandingkan nilai rata-rata dalam jangka panjang (Boer 1999). Sejak pertengahan tahun 1970-an fenomena ENSO telah menjadi perhatian seluruh dunia. Hal ini karena terjadi pengaruh global dari kejadian ENSO tahun 1972/1973 dan 1982/1983 yang menyebabkan terjadinya anomali kondisi iklim yang berkepanjangan. Daerah inti terjadinya fenomena ENSO adalah daerah Indo-Pasifik, yang juga merupakan daerah interaksi sistem monsoon planeter . El Nino Southern Oscillation (ENSO) dibedakan menjadi dua kejadian (El Nino dan La Nina) yang umumnya terjadi secara bergantian dengan osilasi selama 3-7 tahun sekali. El Nino merujuk pada kejadian yang menyebabkan wilayah Indonesia menjadi lebih kering dan dapat menyebabkan kemarau panjang sedangkan La Nina merupakan kejadian yang menyebabkan wilayah Indonesia umumnya mendapatkan curah hujan yang lebih. Indikator yang digunakan untuk mengetahui kondisi ENSO adalah Indeks Osilasi Selatan/Southern Oscillation Index (SOI) dan Anomali Suhu Permukaan Laut (ASPL) di pasifik. SIO dihitung berdasarkan perbedaan Tekanan Permukaan Laut di Tahiti (Pasifik Timur) dan Tekanan Permukaan Laut di Darwin (Indo-Australia). Anomali Suhu Permukaan Laut dihitung menggunakan data Suhu Permukaan Laut wilayah pasifik yang terbagi menjadi 4 region yaitu Nino 1+2 (0-10 0S dan 900W-800W), Nino 3 (5 0 N-50S dan 90 0W-1500W), Nino 3.4 (5 0 N-50S dan 120 0W-1700W) dan Nino 4 (50 N-50S dan 160 0E-1500W) (CPC NCEP NOAA 2012). Pengaruh El Nino sangat nyata pada akumulasi curah hujan bulanan terutama pada beberapa tempat di wilayah Indonesia, yaitu di belahan bumi selatan sementara untuk wilayah di belahan bumi utara, pengaruhnya tidak begitu nyata. Di samping menyebabkan penurunan akumulasi curah hujan bulanan, El Nino juga memperpanjang durasi musim kemarau menjadi lebih panjang dari biasanya (Sulistya et al , 1998).
Gambar 1 Wilayah Monitoring Suhu Permukaan Laut di Pasifik (Sumber: http://www.cpc.ncep.noaa.gov/)
II.
Metodologi
Praktikum kali ini akan dilakukan perhitungan nilai indeks SOI menggunakan data Tekanan Permukaan Laut Tahiti dan Darwin, menghitung time series data Suhu Permukaan Laut wilayah Nino 1+2, Nino 3, Nino 4 dan Nino 3.4, serta analisis korelasi antara Suhu Permukaan Laut dengan curah hujan Indonesia. Nilai SOI dapat dihitung dengan persamaan berikut:
P adalah d iff
= 10
−
perbedaan tekanan permukaan laut bulanan di Tahiti dan Darwin,
P d iff
ave
. (Data disediakan) adalah rata-rata jangka panjang dari P d iff
Data yang akan digunakan di dalam praktikum ini yaitu data dari NOAA NCEP NCAR Reanalysis Products (NNRP) berupa data ERSST dan CRU TS2. Tidak berbeda dengan praktikum sebelumnya, pada praktikum ini akan digunakan kembali fasilitas online dari IRI Data Library (IRIDL).
Berikut langkah kerja yang dilakukan untuk praktikum:
1. Membuka link data ERSST dari IRI Data Library (IRIDL) berikut: http://iridl.ldeo.columbia.edu/SOURCES/.NOAA/.NCDC/.ERSST/.version3b/.sst/ 2. Melakukan seleksi data sesuai wilayah kajian dan waktu data (time period). Klik Data Selection
3.
Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selecting. Sebagai contoh, kita akan menseleksi batas wilayah untuk Nino 3.4 Nino 3.4 (5 0 N-50S dan 1200W-1700W). Untuk rentang waktu digunakan bulan Januari 1970 sampai Maret 2012.
4. Untuk membuat nilai SST diwilayah Nino 3.4, maka harus dihitung nilai rataratanya dengan melalui menu Expert Mode.
5. Pada baris kode di menu Expert Mode, tambahkan perintah [XY]average untuk
memberikan perintah perhitungan nilai rata-rata lintang, dan klik OK
6. Setelah itu, Anda dapat melikhat hasil seleksi melalui link Views.
7. Hasil di atas merupakan series data rata-rata SST wilayah Nino 3. Untuk melakukan analisis korelasi dengan data curah hujan, maka diperlukan perubahan pola data menjadi matrik data sesuai data curah hujan kemudian kita pilih data SST khusus bulan Juli setiap tahunnya. Untuk merubah dalam format tersebut dalam expert mode ditambahkan command T 12 splitstreamgrid dan T (Jul) VALUES sebelum command [X Y]average lalu klik Ok seperti gambar dibawah ini.
8. Memperoleh data curah hujan CRU . Buka link data di bawah ini. http://iridl.ldeo.columbia.edu/SOURCES/.UEA/.CRU/.TS2p1/.monthly/.prcp/ 9. Seleksi wilayah dan waktu kemudian Restrict Ranges dan Stop Selecting. Dalam praktikum kali ini, kita akan menseleksi batas wilayah Indonesia (60 N-110S dan 950E-1410E). Untuk rentang waktu digunakan bulan Januari 1970 sampai Maret 2012.
10. Untuk membuat nilai curah hujan CRU bulan September, Oktober dan November (SON) sesuai format data untuk analisis korelasi dengan SST diwilayah Nino 3.4, maka dihitung melalui menu Expert Mode.
11. Pada baris kode di menu Expert Mode, tambahkan perintah T 12 splitstreamgrid , T (Jul) VALUES dan [X Y]average lalu klik Ok seperti dibawah ini.
12. Melakukan Korelasi antara Curah Hujan dan SST Nino 3. Dalam analisis ini, satukan kedua script kedalam salah satu menu Expert Mode kemudian di baris paling akhir tambahkan command [T2]correlate lalu klik Ok seperti dibawah ini. expert SOURCES .UEA .CRU .TS2p1 .monthly .prcp T (Jan 1970) (Dec 2011) RANGEEDGES X (95E) (145E) RANGEEDGES Y (12S) (7N) RANGEEDGES T 12 splitstreamgrid T (Sep) (Oct) (Nov) VALUES [T]average SOURCES .NOAA .NCDC .ERSST .version3b .sst T (Jan 1970) (Dec 2011) RANGEEDGES X (170W) (120W) RANGEEDGES Y (5S) (5N) RANGEEDGES T 12 splitstreamgrid T (Jul) VALUES [X Y]average [T2]correlate
13. Setelah itu, Anda dapat melikhat hasil seleksi melalui link Views.
III.
Tugas
1. Buat time series SST pada Nino 1+2, Nino 3, Nino 3.4, dan Nino 4 (Bulan Juli). 2. Buat korelasi antara SST Nino Nino 1+2, Nino 3, Nino 3.4, dan Nino 4 (Bulan Juli) dengan CH Musiman (SON) dari data CRU TS 2.1 3. Hitung dengan excel indeks SOI dari data tekanan permukaan laut di Tahiti dan Darwin.
IV.
Daftar Pustaka
Boer R. 1999. Perubahan Iklim El Nino dan La Nina. Makalah dalam pelatihan penyuluhan pertanian. Bogor : Institut Pertanian Bogor. FMIPA. Jurusan Geofisika dan Meteorologi. Sulistya et al . 1998. The Impact of El Nino 1997/1998 Over Indonesia Region. Bulletin Of Meteorology and Geophys. 4:40-51. http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/nino_regions.sht ml [26 April 2012]
