Pedoman Praktikum Klimatologi Tropika (Gfm223)

PEDOMAN PRAKTIKUM

KLIMATOLOGI TROPIKA (GFM 223)

Penyusun:

Dr. Akhmad Faqih

Syamsu Dwi Jadmiko, S.Si

Laboratorium Klimatologi

Departemen Geofisika dan Meteorologi

Fakultas 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 (110E-

130E,15S-5S). Luasan daerahnya ditunjukkan Gambar dibawah ini.

b. Indeks Monsoon Webster dan Yang (WYI)


110E,Ekuator-20N) dikurangi U200 dengan luas areal (40E-110E, Ekuator-

20N). 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,5N-

15N) 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)


130E,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/.CDAS-

1/.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/.CDAS-

1/.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 . 2012.

http://iprc.soest.hawaii.edu/users/ykaji/monsoon/definition.html

PRAKTIKUM 2

ANALISIS QUASI-BIENNIAL OSCILLATION (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 situs, yaitu: http://iridl.ldeo.columbia.edu dan

http://iridl.ccromseap.ipb.ac.id.

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/.CDAS-

1/.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.



11. Melakukan seleksi data sesuai wilayah kajian dan ketinggan. Klik Data Selection


analisis QBO ini, kita akan menseleksi batas wilayah di sekitar ekuator untuk

pilihan lintang (0), sedangkan untuk bujur 1000BT, Ketinggian 30 Hpa.


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:




1/.MONTHLY/.Intrinsic/.PressureLevel/.temp/ (untuk akses data suhu), dan


1/.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 179229.

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 MADDEN JULIAN OSCILLATION (MJO) MENGGUNAKAN

DATA OUTGOING LONGWAVE RADIATION (OLR)

I. 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, 171.70BB) 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 dua situs, yaitu:

http://iridl.ldeo.columbia.edu dan http://iridl.ccromseap.ipb.ac.id.


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


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


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

9. Pilih kombinasi warna olr_anomaly untuk memperoleh gradasi warna untuk

menampilkan anomaly OLR. Klik plot

2400 31 Dec 2010

0000 16 Apr 2012

Pada bagian paling bawah,

terdapat berbagai kombinasi

warna yang dapat dipilih.

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/ [18 April

2012]

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 (0-100S dan 90

0W-80

0W),

Nino 3 (50N-5

0S dan 90

0W-150

0W), Nino 3.4 (5

0N-5

0S dan 120

0W-170

0W) dan Nino 4

(50N-5

0S dan 160

0E-150

0W) (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:

= 10

Pdiff adalah perbedaan tekanan permukaan laut bulanan di Tahiti dan Darwin, Pdiff ave

adalah rata-rata jangka panjang dari Pdiff. (Data disediakan)

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).


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 (50N-5

0S dan

1200W-170

0W). Untuk rentang waktu digunakan bulan Januari 1970 sampai Maret

2012.

4. Untuk membuat nilai SST diwilayah Nino 3.4, maka harus dihitung nilai rata-

ratanya 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


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 (60N-11

0S dan

950E-141

0E). 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


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]

Pedoman Praktikum Klimatologi Tropika (Gfm223)

Documents

Transcript of Pedoman Praktikum Klimatologi Tropika (Gfm223)