cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Najib Habibie
Contact Email
najib.habibie@gmail.com
Phone
+6285693191211
Journal Mail Official
jurnal.mg@gmail.com
Editorial Address
Jl. Angkasa 1 No. 2 Kemayoran, Jakarta Pusat 10720
Location
Kota adm. jakarta pusat,
Dki jakarta
INDONESIA
JURNAL METEOROLOGI DAN GEOFISIKA
Published by Badan Meteorologi, Klimatologi, dan Geofisika
ISSN : 14113082     EISSN : 25275372     DOI : https://www.doi.org/10.31172/jmg
Core Subject : Science,
Earth & Planetary Sciences Energy Physics
Jurnal Meteorologi dan Geofisika (JMG) is a scientific research journal published by the Research and Development Center of the Meteorology, Climatology and Geophysics Agency (BMKG) as a means to publish research and development achievements in Meteorology, Climatology, Air Quality and Geophysics.
Arjuna Subject : Ilmu Bumi dan Planet (semua kategori) - Ilmu Bumi dan Planet (Lain-Lain)
Articles 12 Documents
 1   2 
Search results for , issue "Vol 12, No 1 (2011)" : 12 Documents clear
PENENTUAN PREDIKTOR UNTUK PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN METODE STATISTICAL DYNAMICAL DOWNSCALING Dodo Gunawan; Utoyo Ajie Linarka
Jurnal Meteorologi dan Geofisika Vol 12, No 1 (2011)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v12i1.89

Abstract

Pemilihan prediktor terbaik untuk curah hujan di 15 pos pengamatan di Indramayu telah dilakukan menggunakan metode statistical downscaling. Teknik Singular Value Decomposition (SVD) yang diaplikasikan pada metode ini menggunakan data curah hujan bulanan dari GPCP dan CMAP, serta data tekanan udara, precipitable water, tekanan udara permukaan laut, suhu, dan komponen angin zonal luaran NCEP/NCAR reanalisis sebagai input. Dari metode ini diperoleh hasil bahwa  angin zonal adalah prediktor terbaik untuk memprediksi rata-rata curah hujan bulanan di 15 pos pengamatan di Indramayu. Selanjutnya, digunakan data input NCEP/NCAR reanalisis yang telah di-downscale menggunakan CCAM (dynamical downscaling) resolusi ~60 km  untuk wilayah Indonesia. Kombinasi dua metode ini (dynamical dan statistical downscaling) terbukti mampu meningkatkan akurasi prediksi curah hujan bulanan dan menurunkan nilai RMSEP di 15 pos pengamatan tersebut. Selection of best predictor for 15 rain gauge station in Indramayu has been investigated using statistical downscaling method. The Singular Value Decomposition technique is applied using monthly rainfall data from GPCP and CMAP, and air pressure, precipitable water, sealevel air pressure, temperature zonal wind component from NCEP/NCAR reanalysis as an input. From this method is shown that the zonal wind component is the best predictor to predict monthly rainfall at 15 rain gauge observation in Indramayu. Furthermore, the NCEP/NCAR reanalysis downscaled using CCAM (dynamical downscaling, ~60 km resolution) is used as an input for Indonesia region. The combination of these two methods (dynamical dan statistical downscaling) proven the ability to increase monthly rainfall prediction accuracy and to reduce RMSEP values at these 15 raingauge observation site.
STATISTICAL DOWNSCALING SUHU MUKA LAUT GLOBAL UNTUK PREDIKSI TOTAL HUJAN BULANAN MENGGUNAKAN TEKNIK PLS Yunus Subagyo Swarinoto; Aji Hamim Wigena
Jurnal Meteorologi dan Geofisika Vol 12, No 1 (2011)
Publisher : Pusat Penelitian dan Pengembangan BMKG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31172/jmg.v12i1.80

Abstract

Untuk dapat melakukan prediksi total hujan bulanan di wilayah Kabupaten Indramayu dapat digunakan prediktor data SML yang diperoleh dari model GCM. Keunggulan luaran model GCM adalah dapat diturunkannya data secara spasial maupun secara temporal. Namun demikian, penggunaan data SML skala global secara langsung untuk prediksi total hujan bulanan skala regional sebagai peubah respon sangat tidak sesuai. Mengingat banyak feature skala lokal maupun regional yang tidak dapat disajikan oleh luaran model skala global. Kondisi ini merupakan suatu kelemahan dari luaran model global. Akibatnya diperlukan suatu teknik Statistics Downscaling (SD) untuk mengolah data prediktor agar dapat menghasilkan nilai peubah respon yang sesuai skala lokal maupun regional. Dalam tulisan ini akan disajikan hasil teknik SD dari 49 grid point dengan resolusi 1° x 1° data SML GCM untuk memperoleh nilai prediksi total hujan bulanan di wilayah Kabupaten Indramayu. Pengolahan data SML GCM ini digunakan teknik Partial Least Square Regression (PLSR). Hasilnya menunjukkan bahwa nilai koefisien korelasi Pearson sebesar 0,48 hingga 0,88 dan nilai RMSE sebesar 43 mm per bulan hingga 133 mm per bulan. Lokasi Anjatan menunjukkan hasil terbaik. In order to predict monthly rainfall total over Indramayu district SST data of GCM outputs can be used as a predictor. The advantage of GCM outputs is that data could be derived spatially and temporally. Unfortunately, the used of GCM outputs directly to provide total rainfall prediction for local and regional scales are considered improper because these outputs can not provide some features of local and regional scales. This condition is the disadvantage of global model outputs. In this case, it is necessary to apply Statistical Downscaling (SD) technique. This paper discusses the use of Partial Least Square Regression (PLSR) as SD technique using 49 grid points SST of 1° x 1° resolution of GCM to predict monthly rainfall total in Indramayu district. The results show that Pearsoncorrelation coefficient range is 0,48 to 0,88 and the RMSE range is 43 mm per month to 133 mm per month. Anjatan station shows the best performance.

Page 2 of 2 | Total Record : 12

 1   2 

Filter by Year

2011 2014


Reset
Filter By Issues
All Issue Vol 23, No 3 (2022): Special Issue Vol 23, No 2 (2022) Vol 23, No 1 (2022) Vol 22, No 2 (2021) Vol 22, No 1 (2021) Vol 21, No 2 (2020) Vol 21, No 1 (2020) Vol 20, No 2 (2019) Vol 20, No 1 (2019) Vol 19, No 2 (2018) Vol 19, No 1 (2018) Vol 18, No 3 (2017) Vol 18, No 2 (2017) Vol 18, No 1 (2017) Vol 17, No 3 (2016) Vol 17, No 2 (2016) Vol 17, No 1 (2016) Vol 16, No 3 (2015) Vol 16, No 2 (2015) Vol 16, No 1 (2015) Vol 15, No 1 (2014) Vol 14, No 2 (2013) Vol 10, No 2 (2009) Vol 15, No 3 (2014) Vol 15, No 2 (2014) Vol 9, No 1 (2008) Vol 14, No 3 (2013) Vol 14, No 1 (2013) Vol 13, No 3 (2012) Vol 13, No 2 (2012) Vol 13, No 1 (2012) Vol 12, No 3 (2011) Vol 12, No 2 (2011) Vol 12, No 1 (2011) Vol 11, No 2 (2010) Vol 11, No 1 (2010) Vol 10, No 1 (2009) Vol 9, No 2 (2008) Vol 8, No 2 (2007) Vol 8, No 1 (2007) More Issue