Asimilasi Model Weather Research And Forecasting (WRF) Dengan Data Observasi Untuk Prediksi Curah Hujan di Wilayah Jawa.
View/ Open
Date
2017Author
Sagita, Novvria
Hidayati, Rini
Hidayat, Rahmat
Metadata
Show full item recordAbstract
Asimilasi data merupakan metode memperbaiki data kondisi awal atmosfer
sebagai input model dengan memperhitungkan data observasi ke dalam sistem grid
model. Weather Research And Forecasting (WRF) adalah salah satu model prediksi
cuaca numeric. Salah satu pilihan untuk meningkatkan akurasi prediksi model WRF
adalah dengan meningkatkan akurasi kondisi awal model dengan asimilasi data.
Metode asimilasi data yang digunakan dalam penelitian ini adalah Three
Dimensional Variation (3D-Var). Penelitian ini melakukan 3 skema percobaan.
Pertama, model tanpa proses asimilasi data. Kedua, model asimilasi data observasi
cuaca permukaan dan data cuaca udara atas yang kemudian disebut asimilasi data
konvensional. Ketiga, model asimilasi data observasi cuaca permukaan, data cuaca
udara atas, dan data observasi radiasi dari sensor AMSU-A yang kemudian disebut
asimilasi data radiasiobs. Tujuan penelitian ini adalah mengidentifikasi pengaruh
asimilasi data pada kondisi awal model dan hasil prediksi curah hujan.
Kondisi awal model pada ketiga skema percobaan memiliki perbedaan nilai
pada parameter suhu permukaan, tekanan permukaan, angin zonal dan angin
meridional pada ketinggian 10 meter. Asimilasi data radiasiobs menghasilkan kondisi
awal model yang lebih baik dari 2 skema percobaan yang lain, karena dapat
meningkatan koefisien korelasi estimasi suhu permukaan sebesar 0.2 – 0.3 terhadap
data observasi.
Metode yang digunakan untuk verifikasi prediksi curah hujan secara spasial
adalah Root Mean Square Error (RMSE), korelasi dan Forecast Skill Score.
Forecast Skill Score merupakan metode untuk mengidentifikasi perubahan nilai
RMSE setelah asimilasi data. Meskipun verifikasi prediksi curah hujan secara spasial
menunjukkan kenaikan nilai RMSE untuk asimilasi data radiasiobs di wilayah laut,
namun asimilasi data radiasiobs dapat memperbaiki distribusi intensitasi hujan lebat
di wilayah darat dan mengurangi korelasi negatif prediksi model terhadap observasi
curah hujan TRMM. Metode yang digunakan untuk verifikasi titik observasi di
beberapa stasiun adalah diagram Taylor dan kurva Receiver-Operating
Characteristic (ROC). Diagram Taylor merupakan diagram yang menggambarkan 3
parameter statistik: RMSE, korelasi, dan rasio standar deviasi antara model dan
observasi. Kurva ROC merupakan kurva yang menggambarkan hubungan seberapa
besar keakuratan model dalam memprediksi suatu kejadian dengan ketidakakuratan
model dalam memprediksi suatu kejadian. Verifikasi titik observasi di beberapa
stasiun meteorologi menunjukkan kenaikan nilai akumulasi curah hujan pada skema
percobaan model asimilasi data konvensional dan asimilasi data radiasiobs terhadap
model tanpa asimilasi. Nilai diagram Taylor berkisar dari 0 hingga 1, semakin
mendekati nilai 1 menunjukkan model memiliki kemampuan yang lebih baik dalam
memprediksi. Skema percobaan asimilasi data konvensional menunjukkan kenaikan
nilai diagram Taylor hingga 0.09 dan skema percobaan asimilasi data radiasiobs
menunjukkan kenaikan nilai diagram Taylor hingga 0.13 terhadap model tanpa
asimilasi untuk nilai diagram Taylor. Verifikasi kurva ROC menunjukkan asimilasi
data radiasiobs memiliki kemampuan prediksi curah hujan dengan threshold ≥ 1 mm,
≥ 5 mm, ≥ 10 mm, dan ≥ 20 mm lebih baik dari 2 skema percobaan yang lain. Hal itu
semua menunjukkan model asimilasi data radiasiobs memberikan hasil prediksi
curah hujan secara spasial dan titik lokasi lebih baik dari model tanpa proses
asimilasi data dan model asimilasi data konvensional.