Prediksi El Nino 2009-2010

Beberapa intitusi telah merilis memprediksi El Nino salah satunya adalah  IRI yang menggunakan model dinamik dan statistik dengan daerah SST yang digunakan Nino3.4.

Dengan data yang lengkap sebagai berikut :

Perbandingan dari institusi lainnya : NOAA,JAMSTEC,BOM

Sedangkan daerah yang  dipengaruhi oleh El Nino  menurut Dr.Edvin Aldrian:

(Aldrian,2003)

Hasil tersebut berdasarkan definisi ENSO oleh Roekner (1996) dan dengan menggunakan tahun ENSO 1961-1993 dengan detail sebagai berikut :

El Ni˜no year: 1965, 1969, 1972, 1982, 1987, and 1991
La Ni˜na year: 1964, 1970, 1973, 1975, and 1988

referensi :

http://iri.columbia.edu/climate/ENSO/currentinfo/figure3.html

http://iri.columbia.edu/climate/ENSO/currentinfo/index.html

http://www.bom.gov.au/climate/ahead/ENSO-summary.shtml

Membuat Kurva ROC,Discrimination Dengan Program R

####  Membandingkan Performance EPS antara  low vs high presipitation di salah satu stasiun di Kanada

### Membaca Data

library(verification)
dat.dir <- “D:/R”
setwd(dat.dir)
DAT <- read.table(“HIsct-pop24-00_024″,fill = TRUE)

A <- DAT[seq(1,nrow(DAT),2), ]
B <- DAT[seq(2,nrow(DAT),2), ]
C <- cbind(A,B)

DAT <- C[, 1:5]

names(DAT) <- c(“obs”, “bom”,”ecmwf”, “ukmo”, “msc” )

### obs on 0,1

DAT <- DAT/100

###Brier score dan komponennya

mod1 <- verify(obs = DAT$obs, pred = DAT$ecmwf)

summary(mod1)
The forecasts are probabilistic, the observations are binary.
Sample baseline calculated from observations.
Brier Score (BS)           =  0.09348
Brier Score – Baseline     =  0.09379
Skill Score                =  0.003228
Reliability                =  0.03627
Resolution                 =  0.03658
Uncertainty              =  0.09379

### Lakukan pada data yang lain dan analisis
### Membuat reliability diagram

plot(mod1, main = names(DAT)[3], CI = TRUE )

### Membuat discrimination plot

discrimination.plot(DAT$obs, DAT$ecmwf, leg.txt= c(“No”, “Yes”), legend = TRUE, main = names(DAT)[3])

### Membuat Kurva ROC:

roc.area(DAT$obs,  DAT$msc) ###atau $ecmwf

### Then, proceed to the roc plot,

roc.plot.default(DAT$obs,  DAT$ecmwf, binormal = TRUE, legend = TRUE, leg.text = “ecmwf”, plot = “both”, CI = TRUE)