Garuda - Garba Rujukan Digital

PREDIKSI HUJAN BULANAN MENGGUNAKAN ADAPTIVE STATISTICAL DOWNSCALING Agus Safril; Tri Wahyu Hadi; Safwan Hadi; Bayong Tjasyono H. Kasih
Jurnal Meteorologi dan Geofisika Vol 14, No 1 (2013)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v14i1.143

Permasalahan pada prediksi hujan bulanan menggunakan Global Circulation Model (GCM) adalah resolusi yang rendah sehingga tidak dapat memberikan informasi yang rinci sampai tingkat regional. Permasalahan lain adalah akurasi prediksi yang rendah yang disebabkan pola curah hujan yang non linier dan non stasioner. Prediksi hujan dengan adaptive statistical downscaling diaplikasikan untuk memecahkan permasalahan tersebut. Variabel prediktor prediktor dipilih dari korelasi tertinggi antara prediktor dan curah hujan menggunakan Singular Value Decomposition (SVD). Hasil prediksi hujan bulanan dengan metoda adaptif menggunakan ANFIS (Adaptif Neuro Fuzzy Inference System) menunjukkan nilai korelasi antara prediksi dan observasi lebih tinggi dari pada hasil prediksi curah hujan keluaran model sirkulasi global (GCM). Nilai RMSE (Root Mean Square Error) pada prediksi statistical downscaling juga menunjukkan nilai yang lebih kecil dibandingkan prediksi hasil keluaran model sirkulasi global. Hasil prediksi hujan menunjukkan bahwa nilai korelasi (r) antara prediksi dan hujan observasi di daerah dengan siklus hujan tahunan > 0,66, di daerah dengan siklus hujan semi tahunan adalah sedang (0,33 ≤ r ≤ 0,66) kecuali di Meulaboh, Sibolga, dan Lhokseumawe dengan kategori r < 0,33. The problem arised in monthly prediction of precipitation using GCM (Global Circulation Mode) was on the coarse resolution that did not provide detailed information for regional scale. Another problem arised was on the low accuracy of prediction that was caused by non-linier and non- stationary rainfall patterns. Adaptive statistical downscaling method was applied to solve those problems. Predictor variables were selected from the highest correlation between predictor and precipitation using Singular Value Decomposition (SVD). The result of adaptive monthly prediction using ANFIS showed that the correlation between prediction and observation was higher than dinamical prediction. RMSE (Root Mean Square Error) in statistical downscaling prediction was smaller then the output of GCM. The result of precipitation prediction showed thet correlations between prediction and precipitation in the annual region) (r) > 0,66), in the semi annual cycle was moderate (0,33 ≤ r ≤ 0,66), except in Meulaboh, Sibolga, and Lhokseumawe stations (r < 0,33).

VERIFIKASI PREDIKSI CURAH HUJAN ENSEMBLE MENGGUNAKAN METODE ROC Elza Surmaini; Tri Wahyu Hadi
Jurnal Meteorologi dan Geofisika Vol 21, No 1 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i1.618

Prediksi musim dibutuhkan untuk merencanakan waktu tanam adalah 1-2 musim ke depan. Informasi jumlah curah hujan dan deret hari kering merupakan parameter yang diperlukan dalam perencanaan pertanian. Penelitian bertujuan untuk menguji kemampuan model prediksi curah hujan musim ensemble, menentukan peluang optimal pengambilan keputusan, dan menentukan akurasi prediksi berdasarkan peluang optimal. Verifikasi model dilakukan untuk musim kemarau (MK) I (Februari-Mei) dan MK 2 (Mei-Agustus) pada daerah dengan pola hujan monsunal (Kabupaten Indramayu) dan MK 1 (Mei-Agustus) untuk pola hujan lokal (Kabupaten Bone). Keluaran prediksi musim dari Climate Forecast System (CFS) v2 digunakan untuk men-downscale jumlah curah hujan (CH) dan deret hari kering ≥15 hari (DHK15) di wilayah penelitian. Downscaling menggunakan metode Constructed Analogue dengan prediktor angin pada paras 850 hPa pada lima wilayah monsun. Metode yang digunakan untuk mengevaluasi keandalan prediksi probabilistik adalah Relative Operating Characteristics. Peluang optimal berdasarkan cut point ditentukan menggunakan Youden Indeks, dan akurasi prediksi pada peluang optimal ditentukan dengan metode Proportion of Correct. Hasil penelitian menunjukkan bahwa pengambilan keputusan menggunakan peluang optimal berdasarkan cut point untuk pengambilan keputusan dapat meningkatkan keandalan prediksi jumlah curah hujan sebesar 5-17% pada MK1 dan 3-24% pada MK2, dan frekuensi DHK15 sebesar 2-10%. The seasonal predictions are needed to adjust planting time for the following 1-2 seasons. Information on the amount of rainfall and dry spell is an appropriate parameter in agricultural planning. The research aimed to examine the skill of ensemble seasonal rainfall prediction models, to determine an optimal probability for making decisions, and to determines the skill of seasonal prediction based on optimal probability. Model verifications were assessed in Dry Season Planting (DSP)1 (February-May) and DSP2 (May-August in Monsoonal (Indramayu District) dan DSP1 (Mei-August) in Local (Bone District) Rainfall Pattern. We used Relative Operating Characteristics to evaluate the skill of probabilistic predictions. The optimal cut-point was assessed using the Youden Index, and the skill of prediction at an optimal cut point was determined using the Proportion of Correct method. In conclusion, the results show that the use of the optimal probability at the cut point in decision-making increase the skill of rainfall prediction 5-17% in DSP1 and 3-24% in DSP2. As for the frequency of DHK15, the skill increases by 2-10%.

AKURASI PREDIKSI CURAH HUJAN HARIAN OPERASIONAL DI JABODETABEK : PERBANDINGAN DENGAN MODEL WRF Indra Gustari; Tri Wahyu Hadi; Safwan Hadi; Findy Renggono
Jurnal Meteorologi dan Geofisika Vol 13, No 2 (2012)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v13i2.126

Akurasi prakiraan curah hujan harian operasional yang dibuat oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG) dikaji dengan cara diverifikasi berdasarkan kategori hujan dikotomi, lebat dan sangat lebat terhadap data dari 25 titik pengamatan di Jakarta. Prosedur yang sama juga diterapkan pada prakiraan curah hujan model Weather Research and Forecasting (WRF) dengan teknik multi-nesting yang di-downscale dari keluaran Global Forecast System (GFS). Hasilnya memperlihatkan bahwa kedua metode prediksi tersebut memiliki akurasi yang baik untuk prediksi dikotomi tetapi hampir gagal dalam memprediksi curah hujan lebat dan sangat lebat. Khususnya, kegagalan prediksi operasional dalam mendeteksi tiga kejadian hujan sangat lebat dalam periode kajian. Dalam hal ini, model WRF yang cenderung menghasilkan false alarm memperlihatkan prospek yang bagus untuk pengembangan sistem prediksi cuaca skala lokal/regional yang lebih akurat di Indonesia. The accuracy of daily rainfall forecasts produced operationally by the Meteorological, Climatological, and Geophysical Agency (BMKG) has been assessed by verifying the prediction of dichotomous, heavy, and very heavy rain events against observed data at 25 stations in Jakarta. Similar procedure was applied to raw hindcasts performed using the Weather Research and Forecasting (WRF) model with multi-nesting technique up to 3 km resolution downscaled from NOAA global forecast system (GFS) outputs. The results show that both forecasts have quite favorable accuracy for dichotomous rain events but almost no meaningful score for the predictions of heavy and very heavy rain events was obtained. Particularly, none of as many as three observed very heavy rain events was predicted by the operational forecast. In this case, WRF tend produce false alarms indicating a better prospect for future development of more accurate local/regional weather forecasting system in Indonesia.

VERIFIKASI PREDIKSI CURAH HUJAN ENSEMBLE MENGGUNAKAN METODE ROC Elza Surmaini; Tri Wahyu Hadi
Jurnal Meteorologi dan Geofisika Vol. 21 No. 1 (2020)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v21i1.618

Prediksi musim dibutuhkan untuk merencanakan waktu tanam adalah 1-2 musim ke depan. Informasi jumlah curah hujan dan deret hari kering merupakan parameter yang diperlukan dalam perencanaan pertanian. Penelitian bertujuan untuk menguji kemampuan model prediksi curah hujan musim ensemble, menentukan peluang optimal pengambilan keputusan, dan menentukan akurasi prediksi berdasarkan peluang optimal. Verifikasi model dilakukan untuk musim kemarau (MK) I (Februari-Mei) dan MK 2 (Mei-Agustus) pada daerah dengan pola hujan monsunal (Kabupaten Indramayu) dan MK 1 (Mei-Agustus) untuk pola hujan lokal (Kabupaten Bone). Keluaran prediksi musim dari Climate Forecast System (CFS) v2 digunakan untuk men-downscale jumlah curah hujan (CH) dan deret hari kering ≥15 hari (DHK15) di wilayah penelitian. Downscaling menggunakan metode Constructed Analogue dengan prediktor angin pada paras 850 hPa pada lima wilayah monsun. Metode yang digunakan untuk mengevaluasi keandalan prediksi probabilistik adalah Relative Operating Characteristics. Peluang optimal berdasarkan cut point ditentukan menggunakan Youden Indeks, dan akurasi prediksi pada peluang optimal ditentukan dengan metode Proportion of Correct. Hasil penelitian menunjukkan bahwa pengambilan keputusan menggunakan peluang optimal berdasarkan cut point untuk pengambilan keputusan dapat meningkatkan keandalan prediksi jumlah curah hujan sebesar 5-17% pada MK1 dan 3-24% pada MK2, dan frekuensi DHK15 sebesar 2-10%. The seasonal predictions are needed to adjust planting time for the following 1-2 seasons. Information on the amount of rainfall and dry spell is an appropriate parameter in agricultural planning. The research aimed to examine the skill of ensemble seasonal rainfall prediction models, to determine an optimal probability for making decisions, and to determines the skill of seasonal prediction based on optimal probability. Model verifications were assessed in Dry Season Planting (DSP)1 (February-May) and DSP2 (May-August in Monsoonal (Indramayu District) dan DSP1 (Mei-August) in Local (Bone District) Rainfall Pattern. We used Relative Operating Characteristics to evaluate the skill of probabilistic predictions. The optimal cut-point was assessed using the Youden Index, and the skill of prediction at an optimal cut point was determined using the Proportion of Correct method. In conclusion, the results show that the use of the optimal probability at the cut point in decision-making increase the skill of rainfall prediction 5-17% in DSP1 and 3-24% in DSP2. As for the frequency of DHK15, the skill increases by 2-10%.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search