Analisis Distribusi Curah Hujan dengan Metode Krigging
Transcript of Analisis Distribusi Curah Hujan dengan Metode Krigging
ANALISIS DISTRIBUSI CURAH HUJAN INDONESIA DENGAN METODE KRIGGING
KELOMPOK III :KELOMPOK III :
1) BAYU EDO PRATAMA
2) DONY CRISTIANTO
3) FERA ADRIANITA
4) DINDA TRI HANDAYANI
5) NURUL HIDAYATI
6) RIZA ADRIAT
7) TERENCIO FERNANDEZ MONIZ
8) NURRY WIDYA HESTY
PENDAHULUAN
LATAR
BELAKANG
• Masih kurangnya data pengamatan hujan untuk mengcover
wilayah Indonesia secara baik
• Tidak cukup padatnya jumlah stasiun pengamatan cuaca di
wilayah Indonesia yang cukup luas dan terbagi-bagi dalam
RUMUSAN
MASALAH
wilayah Indonesia yang cukup luas dan terbagi-bagi dalam
pulau-pulau yang terpisah-pisah, kondisi ini mengakibatkan
data meteorologi kurang dapat dimanfaatkan secara
menyeluruh karena kurang akurat dari segi spasial
• Oleh karena itu, mencoba menerapkan metode krigging
untuk mendapatkan spasial yang lebih baik dibantu dengan
data dense.
PENDAHULUAN
LATAR
BELAKANG
1. Bagaimana hasil mapping dari setiap metode
krigging ?
2. Menentukan metode krigging yang memiliki error
RUMUSAN
MASALAH
2. Menentukan metode krigging yang memiliki error
yang paling minimum.
TINJAUAN PUSTAKA
KRIGING
ORDINARYKRIGING
VARIOGRAM
HUJAN
OLR
KRIGING COKRIGING
COLOCATED
CONVENTIONAL
EXTERNAL DRIFT
TINJAUAN PUSTAKA
KRIGINGVARIOGRAM
Fungsi matematis yang dapat digunakan untukmengukur kontinuitas spasial antara dua data
KRIGING
Kriging adalah suatu metode geostatistika
ORDINARY KRIGING
Ordinary kriging disyaratkan data COLOCATED COKRIGINGCONVENTIONAL COKRIGING
EXTERNAL DRIFT
HUJAN
OLR
mengukur kontinuitas spasial antara dua data yang dapat memberikan informasi seberapabaik korelasi data point (pada simulasi inidigunakan data observasi lapangan), dan
apakah terdapat pola kontinuitas direksionaldari data point tersebut. Semakin besar nilaivariogram, makin besar ketergantungan antara
spasial.
Kriging adalah suatu metode geostatistika yang memanfaatkan nilai spasial pada lokasi tersampel dan variogram untuk memprediksi nilai pada lokasi lain yang belum dan/atau tidak tersampel dimana nilai prediksi tersebut
tergantung pada kedekatannya terhadap lokasi tersampel
Ordinary kriging disyaratkan data berdistribusi normal dan scatter plot antara data spasial dengan bujur (x, satuan meter) dan lintang (y, satuan meter) tidak membentuk suatu pola (tren) atau berbentuk random yang menunjukkan bahwa rata-rata dan varians
konstan untuk tiap-tiap lokasi
Nilai tiap grid dimasukkan dalam perhitungandan hanya nilai data seismic tunggal terdekatdari titik yang dihitung yang dimasukkan dalamkalkulasi sehingga prosesnya lebih cepatdaripada metode Conventional Cokriging
Merupakan pendekatan tradisional untukmetode Cokriging dan menggunakan 3
variogram yang telah dihitung yaitu variogramuntuk well to well, seismic to seismic, dan well
to seismic data
EXTERNAL DRIFT
pengembangan metode cokriging yang memperhitungan nilai trend dari data dense
TINJAUAN PUSTAKA
KRIGING OLR (outgoing
longwave radiation) :
fluks panas (radiasi
gelombang panjang)
HUJAN
OLR
gelombang panjang)
yang diemisikan oleh
sitem bumi-atmosfer
Variasi OLR: cerminan respon sistem bumi-atmosfer
terhadap radiasi matahari
TINJAUAN PUSTAKA
KRIGINGSatellites Observe RadiationLaut tropis panas danbanyak mengemisikanradiasi gel panjang
Puncak cumulonimbus dingin: mengemisikan sedikit
HUJAN
OLR
Puncak cumulonimbus dingin: mengemisikan sedikitgelombang panjang
• OLR kecil: awan tinggi, dingin dan (mungkin)
hujan
• OLR besar: langitbersih, awan rendah
hangat
TINJAUAN PUSTAKA
KRIGING
OLR rata2 kecil (<200W/m2) berasosiasi dengan:konveksi: equator, lembah amazon, Pasifik equatorial timur danSuhu dingin di Himalaya
OLR rata2 besar (>280W/m2) berasosiasi dengan:
HUJAN
OLR
OLR rata2 besar (>280W/m2) berasosiasi dengan:Sahara tengah dan timur dan semenanjung Arab
METODOLOGI
AREA KAJIANNYA DIMANA?
Wilayah Indonesia Wilayah Indonesia
dengan koordinat :
95 E – 140 E dan 10
S – 7.5 N
METODOLOGI
DATA nya APA?
DATA WELL (SPARSE)
Data Observasi hujan bulan Desember 2011 s/d Februari 2012 di 112 Data Observasi hujan bulan Desember 2011 s/d Februari 2012 di 112
site pengamatan BMKG
DATA SEISMIC (DENSE)
Re-Analysis Outgoing Longwave Radiation (OLR) dari National Centers
for Environmental Prediction (NCEP) menggunakan 289 grid
HUBUNGAN DATA WELL DAN SEISMIC
Secara fisis : Jika value data seimic (OLR) kecil maka data well (hujan) akan besar
DATA INPUT
CONVERT DATA
METODOLOGI
LANGKAH PENGERJAAN ?
INPUT TO ISMAP
ANALISIS
VERIFIKASI OUTPUT
KESIMPULAN
ANALISIS
NILAI ERROR @ METODE?
• Terlihat errorpada metodeexternal driftexternal driftsangat besar
• Error yangpaling minimumpada metodeconventionalcokriging.
KESIMPULAN
1) Ordinary krigging data pengamatan curah hujan stasiun di
Indonesia menunjukkan hasil yang kurang baik untuk
mengekstrapolasi terhadap wilayah diluar titik pengamatan.mengekstrapolasi terhadap wilayah diluar titik pengamatan.
2) Dengan bantuan secondary data dapat dimodelkan suatu data
yang sparse dengan metode Collocated Cokrigging dan
Conventional Cokrigging.
3) Dari ketiga metode diatas, untuk kasus ini yang memiliki
error palig minimum adalah Conventional cokriging.
KESIMPULAN
4) Nilai error pada Ordinary Kriging dan Conventional
Cokriging terkecil berada di sekitar well data (data stasiun)
dan nilai error semakin besar menuju ke tepi batas map.
5) Metode KED mempunyai simulasi lebih banyak
memperhitungkan pengaruh dense data (seismic data)
daripada well data sehingga hasil simulasi menyerupai hasil
plot dari dense data itu sendiri.
REFERENSI
Bohling, G. (2005). Kriging. Tersedia di http://people.ku.edu/~gbohling/cpe940. diakses tanggal 2 Desember 2011
Fadila, Mizamarta. 2008. Interpretasi Variabel dan KorelasiKanonis dari Data Curah Hujan di Indonesia, Tugas Akhir, Meteorologi ITB, Bandung.Kanonis dari Data Curah Hujan di Indonesia, Tugas Akhir, Meteorologi ITB, Bandung.
Indragustari. 2005. Model Prediksi Curah Hujan Dasarian di Kabupaten indramayu, Tesis Magister, Sains Atmosfer ITB, Bandung.
HRS Documentation Manual, ISMAP Guide, September 2008.