Kadarsah

Meteorologi dan Sains Atmosfer

Archive for the ‘Meteorologi’ Category

Metode Verifikasi Prediksi

Posted by kadarsah pada Agustus 31, 2009

Metode verifikasi standar:

  • Verifikasi “eyeball” : Verifikasi “eyeball” merupakan verifikasi yang membandingkan hasil prediksi dengan observasi menggunakan mata.Yang di amati bisa berupa time series atau gambar.
  • Prediksi dikotomi ( ya/tidak):Prediksi dikotomi ( ya/tidak) merupakan prediksi yang membagi prediksi dua kemungkinan ya atau tidak, hujan-tidak hujan, siklon-tak ada siklon. Skor yang biasa digunakan : Accuracy,POD,FAR,Bias,POFD,TS/CSI, Equitable threat score (Gilbert skill score),Hanssen and Kuipers discriminant (true skill statistic, Peirces’s skill score),Heidke skill score (Cohen’s k),Odds ratio,Odds ratio skill score (Yule’s Q)

Umumnya menggunakan tabel kontigensi :

  1. kontigensi Hit: prediksi menunjukan ya, observasi ya
  2. False alarm: prediksi menunjukan ya, observasi tidak
  3. Miss: Prediksi menunjukkan tidak, observasi ya
  4. Correct non-event : prediksi dan observasi menunjukkan tidak
  • Prediksi multikategori

Multi-category Contingency Table,Histogram,Accuracy,Heidke skill score,Hanssen and Kuipers discriminant (true skill statistic, Peirces’s skill score)

  • Prediksi varibel kontinu

Scatter plot,Box plot,Mean error,(Multiplicative) bias,Mean absolute error,Root mean square error,Mean squared error,Linear error in probability space(LEPS),Correlation coefficient,Anomaly correlation,S1 score

  • Prediksi probabilistik
  1. reliability
  2. Sharpness
  3. Resolution
  4. Reliability diagram
  5. Brier score
  6. Brier skill score
  7. Relative operating characteristic
  8. Ranked probability score
  9. Ranked probability skill score
  10. Relative value (value score) (Richardson, 2000; Wilks, 2001)

Metode saintifik/verifikasi diagnostik

  • Prediksi spasial
  1. Scale decomposition methods :Wavelet decomposition (Briggs and Levine, 1997), Intensity-scale verification approach (Casati et al. 2004), Discrete cosine transformation (DCT)(Denis et al., 2002a)
  2. Fuzzy (neighborhood) methods :Multi-scale statistical organization (Zepeda-Arce et al., 2000),Multi-scale statistical organization (Zepeda-Arce et al., 2000),Fractions skill score (Roberts and Lean, 2008),Fuzzy logic (Damrath, 2004),Pragmatic (neighborhood) method (Theis et al., 2005)
  3. Spatial multi-event contingency tables :Fuzzy verification framework,
  4. Object oriented methods:CRA (entity-based) verification (Ebert and McBride (2000),Method for Object-based Diagnostic Evaluation (MODE) (Brown et al., 2004; Davis et al., 2006) ,Model Evaluation Tools (MET),Object-oriented verification ideas (Baldwin et al, 2002),Event verification using composites (Nachamkin, 2004),Cluster analysis (Marzban and Sandgathe, 2006, 2008),Procrustes shape analysis (Michaes et al., 2007),Structure-Amplitude-Location (SAL) method (Wernli et al., 2008),Automated east-west phase error calculation (Keith Brill, NOAA/NWS/NCEP/HPC) ,Feature calibration and alignment (Hoffman et al., 1995; Nehrkorn et al., 2003)
  • prediksi probalistik dan Ensemble Prediction System : Wilson method for EPS verification (Wilson et al, 1999),Multi-category reliability diagram (Hamill, 1997),Rank histogram (Talagrand et al, 1997; Hamill, 2001,Correspondence ratio,Likelihood skill measure,Logarithmic scoring rule (ignorance score) (Roulston and Smith, 2002)
  • Metode untuk peristiwa yang jarang terjadi :
  1. Deterministic limit (Hewson,2007)

  2. Extreme dependency score,
  3. Probability model approach (Ferro, 2007)
  • Metode lain :
  1. Second-order difference statistics :
  2. Taylor diagram of correlation coefficient
  3. root-mean-square difference
  4. standard deviation (Taylor, 2001)
  5. BLT diagram of relative climate mean squared difference
  6. variance ratio
  7. effective correlation(Boer and Lambert, 2001).
  8. Root mean squared factor (Golding, 1998)
  9. Quantile-based categorical statistics(Jenkner et al., 2008)
  10. Root mean squared factor (Golding, 1998),
  11. Quantile-based categorical statistics (Jenkner et al., 2008)

=================================================

  • Prediksi dikotomi ( ya/tidak) merupakan prediksi yang membagi prediksi dua kemungkinan ya atau tidak, hujan-tidak hujan, siklon-tak ada siklon.
  • Prediksi mutikategori: merupakan prediksi yang menggunakan kategori untuk melakukan prediksi misalnya hujan dibagi menjadi kategori ringan, sedang dan lebat.
  • Prediksi varibel kontinu: Prediksi yang dilakukan pda variabel yang kontinu misal: tempetur, kelembaban dlln.
  • Prediksi probabilistik: Prediksi yang menggunakan unsur probabilistik/kemungkinan yang ditampilkan dalam bentuk angka antara 0 s.d 1.
  • Prediksi spasial, prediksi yang dilakukan secara spasil / per bagian jadi tidak menyeluruh.
  • prediksi probalistik dan Ensemble Prediction System: merupakan sistem prediksi yang probabilistik menggunakan berbagai model/untuk diensembelkan.

Untuk mengetahui tingkat skill, kehandalan model maka digunakan skor. Skor yang digunakan dalam verifikasi tergantung tujuan yang diinginkan.

Berikut skor-skor yang sering digunakan dalam “Forecast Verification”

skor_1

skor_2skor_3

skor_4

skor_5

Equitable threat score (Gilbert skill score),Hanssen and Kuipers discriminant (true skill statistic, Peirces’s skill score)

Posted in Meteorologi, NWP, Verifikasi | 4 Comments »

Prediksi El Nino 2009-2010

Posted by kadarsah pada Juli 29, 2009

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

iri-elninoDengan data yang lengkap sebagai berikut :

data1

data2summaryelnino

Perbandingan dari institusi lainnya : NOAA,JAMSTEC,BOM

summary

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

enso_appected

(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

Posted in Meteorologi | 15 Comments »

Membuat Kurva ROC,Discrimination Dengan Program R

Posted by kadarsah pada Juli 27, 2009

####  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 )

fprob

### Membuat discrimination plot

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

discrimination

### 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)

roc_curve

Posted in Meteorologi | 1 Comment »

Pengantar Program R

Posted by kadarsah pada Juni 10, 2009

Program R merupakan program yang banyak digunakan untuk  lingkungan statistik dan grafik. Aplikasi dalam meteorologi dan klimatologi sangat berguna khususnya dalam verifikasi hasil model.

Situs bisa di akses di :http://www.r-project.org/

Program gratis ini dapat dijalankan di sistem operasi UNIX, Windows dan MacOS.

Penggunaan program R di meteorologi/klimatologi berguna dalam:

-menggambarkan Kurva ROC

-histogram

-scatterplot dlln

-diskriminasi

Dan untuk menghitung:

-Brier Skor

-statistik

Program R

Simbol Sofware R, untuk menjalankannya dengan cara mengklik sehingga muncul gambar sebagai berikut

r

Untuk mendapatkan software dengan cara mendownload dari situs resmi R di http://www.cran.r-project.org.

Sofware R dapat dijalankan di berbagai system operasi antara lain : window,Mac dan linux.

Dalam tutorial ini akan dijalankan R dalam system operasi window dan aplikasinya dalam lingkungan meteorology/klimatologi khususnya dalam verifikasi prediksi.

Untuk langkah pertama:

Ketik :

license()

tekan <enter> maka akan muncul

rr

Ketik-ketik perintah lain:

contributors()

citation()

help.start()

q()

Berikut contoh data ( file kadarsah.csv)

getwd()  mengetahui folder dimana data berada dan lingkungan dimana kita bekerja.

Untuk mengubahnya

dat.dir <- “D:\\R\\”

wrk.dir <- “D:\\R\\”

setwd(wrk.dir)

ketika mengetik

getwd()

[1] “D:/R”

> DAT <- read.table(paste(dat.dir, “kadarsah.csv”, sep = “”), sep = “,”, header = TRUE)

> class(DAT$date) <- “POSIXct”

> write.table(DAT, “test.csv”, sep = “,”)

> dim(DAT)

[1] 8174    6

> head(DAT)

id site                date  obs frcs forecastor

1 1384 OSLO 2006-09-01 19:00:00 19.9   17         JA

2 1384 OSLO 2006-09-02 19:00:00 20.0   16         JK

3 1384 OSLO 2006-09-03 19:00:00 15.3   16         PV

4 1384 OSLO 2006-09-04 19:00:00 19.6   16         JK

5 1384 OSLO 2006-09-05 19:00:00 21.0   19         LU

6 1384 OSLO 2006-09-06 19:00:00 15.9   15         PB

> tail(DAT)

id   site                date  obs frcs forecastor

8169 62366 KAHIRA 2006-12-26 19:00:00 18.4   18         LU

8170 62366 KAHIRA 2006-12-27 19:00:00 13.2   16         AS

8171 62366 KAHIRA 2006-12-28 19:00:00 13.4   15         AS

8172 62366 KAHIRA 2006-12-29 19:00:00 16.2   16         PB

8173 62366 KAHIRA 2006-12-30 19:00:00 18.0   16         RC

8174 62366 KAHIRA 2006-12-31 19:00:00 17.0   18         JK

> DAT[1:10, 1:5]

id site                date  obs frcs

1  1384 OSLO 2006-09-01 19:00:00 19.9   17

2  1384 OSLO 2006-09-02 19:00:00 20.0   16

3  1384 OSLO 2006-09-03 19:00:00 15.3   16

4  1384 OSLO 2006-09-04 19:00:00 19.6   16

5  1384 OSLO 2006-09-05 19:00:00 21.0   19

6  1384 OSLO 2006-09-06 19:00:00 15.9   15

7  1384 OSLO 2006-09-07 19:00:00 15.8   13

8  1384 OSLO 2006-09-08 19:00:00 17.8   14

9  1384 OSLO 2006-09-09 19:00:00 20.7   18

10 1384 OSLO 2006-09-10 19:00:00 19.7   18

> unique(DAT$site)

[1] OSLO         STOCKHOLM    HELSINKI     LONDYN       DUBLIN       REYKJAVIK    KODAN        AMSTERDAM    BRUSEL       ZENEVA       PARIZ

[12] BORDEAUX     MARSEILLE    NICE         BARCELONA    COSTA-BRAVA  MADRID       MALLORCA     CORDOBA      ALMERIA      LISABON      HAMBURG

[23] BERLIN       FRANKFURT    STUTTGART    MNICHOV      VIEDEN       INNSBRUCK    GRAZ         PRAHA        BRATISLAVA   SLIAC        VARSAVA

[34] KRAKOW       BUDAPEST     BELEHRAD     ZAHREB       PULA         SPLIT        HVAR         BUKUREST     VARNA        SOFIA        BURGAS

[45] MILANO       BENATKY      RIMINI       RIM          NEAPOL       PALERMO      MESSINA      MALTA        THESSALONIKI ATENY        HERAKLION

[56] ISTANBUL     ANTALYA      LARNACA      TALLIN       PETROHRAD    MOSKVA       KYJEV        TEL-AVIV     TENERIFE     LAS-PALMAS   TUNIS

[67] KAHIRA

67 Levels: ALMERIA AMSTERDAM ANTALYA ATENY BARCELONA BELEHRAD BENATKY BERLIN BORDEAUX BRATISLAVA BRUSEL BUDAPEST BUKUREST BURGAS CORDOBA … ZENEVA

> range(DAT$frcs)

[1] -10  42

> DAT$obs[1:20]

[1] 19.9 20.0 15.3 19.6 21.0 15.9 15.8 17.8 20.7 19.7 18.6 20.8 18.8 21.5 18.9 12.7 14.2 17.0 16.3 18.5

> DAT$obs.frh <-  DAT$obs + 9/5 + 32

> id <- DAT$obs > 20

> tail(id)

[1] FALSE FALSE FALSE FALSE FALSE FALSE

> sum(id)

[1] NA

> DAT.sub <- DAT[id, ]

> tail(DAT.sub)

id   site                date  obs frcs forecastor obs.frh

8158 62366 KAHIRA 2006-12-15 19:00:00 21.4   22         LU    55.2

8161 62366 KAHIRA 2006-12-18 19:00:00 20.8   21         PZ    54.6

8162 62366 KAHIRA 2006-12-19 19:00:00 21.2   23         LX    55.0

8163 62366 KAHIRA 2006-12-20 19:00:00 21.2   20         PV    55.0

8164 62366 KAHIRA 2006-12-21 19:00:00 21.0   20         RC    54.8

8165 62366 KAHIRA 2006-12-22 19:00:00 21.9   22         PZ    55.7

> DAT.sub <- DAT[DAT$site == "HVAR", ]

> tail(DAT.sub)

id site                date  obs frcs forecastor obs.frh

4875 14447 HVAR 2006-12-26 19:00:00 13.4   10         LU    47.2

4876 14447 HVAR 2006-12-27 19:00:00   NA    9         AS      NA

4877 14447 HVAR 2006-12-28 19:00:00 12.0    9         AS    45.8

4878 14447 HVAR 2006-12-29 19:00:00 13.8    9         PB    47.6

4879 14447 HVAR 2006-12-30 19:00:00 14.4   11         RC    48.2

4880 14447 HVAR 2006-12-31 19:00:00 12.4   10         JK    46.2

  • plot(DAT.sub$date, DAT.sub$obs)

g_1

pairs(iris[1:4], main=”Edgar Anderson’s Iris Data”, pch=21,bg = c(“red”, “green3″, “blue”)[unclass(iris$Species)])

pair2

par(bg=”cornsilk”)

coplot(lat ~ long | depth, data = quakes, pch = 21, bg = “green3″)

par(opar)

lengka

Posted in Komputer, Meteorologi | 18 Comments »

Uji Kehandalan Model Prediksi Dengan Menggunakan ROC(Relative Operating Characteristics )

Posted by kadarsah pada April 2, 2009

Uji kehandalan model prediksi dapat dilakukan dengan menggunakan metode Relative Operating Characteristics (ROC) yang disusun dengan memplotkan nilai False Alarm Rate dan Hit Rate.

Berikut merupakan beberapa istilah yang berkaitan dengan uji kehandalan model prediksi :

Skill :ketepatan relatif suatu model prediksi terhadap model prediksi standar/yang dijadikan refrensi.
Kehandalan atau reliability :tingkat kesesuaian/kemiripan rata-rata antara nilai-nilai hasil prediksi dengan nilai-nilai observasi.

Bias: Penyimpangan antara nilai rata-rata prediksi dengan nilai rata-rata observasi

Erros: penyimpangan antara data hasil prediksi dan data observasi (tidak dirata-ratakan).

Tahapan singkatnya seperti bagan berikut:

11

Tahapan pertama adalah menjalankan model prediksi yang akan kita uji kehandalannya, hasil prediksi terdiri dari beberapa model ( Ensemble model ). HAsilnya ditabelkan menjadi data observasi, prediksi dan peluang dengan sebelumnya menetapkan bahwa hasil yang diprediksi, observasi dibandingkan dengan standar normal ( misal 1971-2000) dan penentuan  kriteria bawah normal , atas normal dan normal ( misal BMKG menentukan normal 85-115 %,bawah normal: <85 %, sedangkan atas normal > 115 %). Hasilnya seperti tabel dibawah.

2

Keterangan B: Bawah normal, N: normal, A: atas normal

Selanjutnya adalah membuat tabel peluang kejadian prediksi yang tepat . Tabel ini disebut tabel kontigensi, seperti tabel dibawah yang menunjukkanberapa banyak prediksi atas normal yang tepat dari 100 % sampai 0 % (A) dan berapa banyak prediksi bawah normalnya (B).

3

Kemudian membuat nilai FAR dan HR. Nilai FAR merupakan diperoleh dari nilai TA/total sedangkan HR diperoleh dari nilai A/Totalnya.HAsilnya berupa tabel dibawah.


4

Kemudian Tabel FAR vs HR ini diplotkan menjadi Kurva ROC.

5

Kurva ROC

Kurva ROC  diatas bisa dianalisis sebagai berikut:

  • Garis berhimpit dengan garis non skill : tak ada skill
  • Garis diatas garis non skill: skill positif (handal)
  • Garis dibawah garis non skill: skill negatif (tidak handal)
  • Tingkat Kehandalan: skor skill merupakan luas areal di bawah garis kurva. Total kotak di bawah garis kurva sekitar 20 kotak maka  nilainya 20/25=0,.8.

Nilai inilah yang disebut skor skill.

Posted in Meteorologi, NWP | 13 Comments »

Awan Gempa Mitos atau Ilmiah

Posted by kadarsah pada Maret 2, 2009

Awan gempa sampai saat ini masih menjadi perdebatan yang sangat sengit. Tetapi alangkah lebih baiknya untuk terus mengamati fenomena-fenomena tersebut dan mengumpulkan sebanyak mungkin sehingga fenomenanya bisa dijelaskan secara ilmiah, memang hal tersebut perlu waktu tetapi ilmu pengetahun emmang memerlukan waktu.

Berikut merupakan kemungkinan-kemungkinan yang masih harus diteliti lebih lanjut tentang awan gempa.

Ciri-ciri:

  • Munculnya secara tiba-tiba.
  • Muncul dari suatu titik tertentu yang posisinya tetap.
  • Bentuknya tidak biasa jika dibandingkan dengan awan hasil proses kondensasi(sirus, stratus, dan cumulus).

Peristiwa yang kemungkinan disebut awan gempa:

  • China muncul awan gempa pada 25 Oktober tahun 1622 terjadi gempa besar berkekuatan 7 SR di Guyuan, Provinsi Ningxia, China barat.
  • Pada 1978, yaitu sehari sebelum gempa Kanto di Jepang, Walikota Kyoto Kagida melihat awan aneh yang kemudian disebut awan Kagida dan dia memperkirakan sumber gempa di titik paling tengah awan gempa, tetapi setelah beberapa tahun ( 1985) dia menduga sumber gempa berada di titik awal mula terjadinya pembentukan awan.
  • 17 Januari 1994 muncul awan seperti asap roket di sekitar Northride, Amerika Serikat (AS). Sehari kemudian terjadi gempa.
  • 13 Februari 1994 muncul awan berbentuk gelombang di Northride, AS, dan 20 Maret 1994 terjadi gempa besar.
  • 31 Agustus 1994 awan berbentuk bulu ayam di Northern, California, AS. Sehari kemudian, yakni pada 1 September 1994 terjadi gempa di daerah setempat.
  • Awan gempa di Jepang tahun 1995, yang kemudian terjadi gempa bumi.
  • Awan seperti sinar terjadi di kawasan Joshua Tree, AS pada 22 Juli 1996, dan 23 hari kemudian terjadi gempa.
  • 20 Desember 2003 di langit sekitar Bam, Iran, muncul awan memanjang,empat hari kemudian terjadi gempa berkekuatan 6,8 SR.
  • 12 Juli 2006 sebagian masyarakat di Yogyakarta melihat awan putih memanjang di langit di atas kota. Lima hari kemudian Pangandaran, Kabupaten Ciamis, Jawa Barat, diguncang gempa dan tsunami. Banyak korban manusia akibat bencana itu.
  • Tiga hari sebelum gempa besar mengguncang wilayah Provinsi Daerah Istimewa Yogyakarta (DIY) dan Kabupaten Klaten (Jawa Tengah) 27 Mei 2006, masyarakat sekitarnya melihat gejala alam yang aneh berupa awan yang berbentuk aneh.

Umumnya, awan-awan aneh tersebut selalu muncul sebelum terjadi gempa berkekuatan di atas 5,5 SR dengan rentang waktu 1-100 hari.

Proses terbentuknya ada beberapa kemungkinan:

  • Anomali perubahan medan magnet,saat aktivitas di dalam kerak bumi meningkat akibat kenaikan temperatur, muatan listrik terpolarisasi, sehingga meningkatkan konduktivitas listrik dan medan magnet, yang kemudian menyebabkan terjadi perubahan medan magnet bumi.Perubahan ini yang menarik awan ke arah bumi.
  • Gesekan di sumber gempa (episentrum) yang menghasilkan rekahan di dalam bumi serta menimbulkan panas dan panas yang mendidihkan air tanah sehingga menguap. Akibat temperatur dan tekanan sangat tinggi, uap air tersebut keluar melalui celah-celah rekahan ke permukaan bumi jika kondisinya memungkinkan uap air itu akan bertemu dengan udara dingin dan terbentuklah awan.

Posted in Awan, Meteorologi, Natural Hazard | 3 Comments »

Definisi Validasi,Verifikasi, Evaluasi Dalam Pemodelan Iklim menurut WMO

Posted by kadarsah pada Februari 16, 2009

Dalam pemodelan iklim/meteorologi istilah validasi,verifikasi dan evaluasi sering tertukar bahkan tidak jelas batasannya. Sehingga  rujukan menurut WMO ( World Meteorological Organization), sebuah organisasi meteorologi dunia dibawah PBB harus dijadikan standar dalam menggunakan istilah-istilah tersebut .

Posted in Klimatologi, Meteorologi, NWP | 4 Comments »

Aplikasi GrADS Dalam Meteorologi

Posted by kadarsah pada Desember 1, 2008

Analisis pada suatu data mentah (pengamatan atau simulasi model) diproses kedaalam bentuk tabel atau gambar. Untuk melakukan visualisasi dari hasil model kita harus mengetahui bentuk (format) data yang dihasilkan oleh model iklim dan perangkat lunak (software) yang digunakan dan bagaimana teknik menampilkannya.

Format data pada komputer :

  • teks (text) atau ASCII (dapat dibaca dan dimengerti langsung saat muncul di layar)
  • biner (binary).( tidak dapat dibaca langsung)

Data biner hanya bisa dimengerti apabila sudah diterjemahkan dengan suatu program atau software yang cocok, karena data biner sendiri ada bermacam-macam jenis. Data yang dihasilkan dari simulasi DARLAM termasuk dalam kategori data biner yang disebut dengan netCDF (network Common Data Format).

NetCDF dirancang oleh Unidata Program Centre di Boulder, Amerika Serikat. NetCDF banyak dipakai untuk menyimpan data ilmiah khususnya data iklim, karena data dengan format ini tak tergantung pada jenis mesin komputer yang digunakan. Data dengan format netCDF dapat digunakan dalam berbagai macam sistem operasi seperti Windows dan Unix, dan pada berbagai jenis mesin komputer seperti PC IBM atau DEC Alpha.

Keuntungan menggunakan tipe data ini jelas tidak ada masalah dalam hal kompatibilitas, sehingga kita dapat memindahkan datanya dari satu jenis komputer ke komputer lainnya. NetCDF dikenal sebagai self-defining data format ( informasi tambahan tentang datanya) berupa data iklim, data hasil pengamatan/ hasil simulasi model, informasi letak geografis , informasi grid yang digunakan, periode pengamatan atau simulasi, dan di ketinggian (level) berapa data pengamatan atau simulasi tersebut berlaku. Fungsi informasi tambahan ini untuk mempermudahkan dalam membuat visualisasi dari data hasil pengamatan atau simulasi.

Banyak program atau software yang bisa digunakan untuk menampilkan data yang berbentuk netCDF ada yang gratis dan ada yang bayar.

Sofware yang gratis:

  • EzGet
  • Ferret
  • GrADS
  • GMT
  • VisAD,

Sofware yang bayar:

  • AVS
  • IDL
  • Matlab
  • Pplus.

GrADS

  • Grid Analysis and Display System (GrADS) merupakan software yang tersedia gratis, dan dapat digunakan untuk analisis, manipulasi, dan menampilkannya dalam bentuk grafik seperti grafik garis, grafik batang, grafik kontur, grafik kontur berarsir, vektor angin, ataupun garis alur (streamlines) untuk data sains atmosfer, data-data berbentuk grid dan data-data dari stasiun pengamatan .
  • GrADS memiliki versi untuk :Unix, Linux, Windows, Macintosh.
  • GrADS dapat digunakan secara interaktif dari command-line atau dipakai sebagai bahasa pemrograman sederhana (scripting language).
  • Macam format data yang bisa dibaca GrADS: netCDF, GRIB (GRIdded Binary), HDF-SDS (Hierarchical Data Format – Scientific Data Format), dan format biner stream.
  • GrADS dapat membuat plot dari suatu variable dengan kontur berarsir yang ditumpangkan (overlay) pada kontur dari variable kedua.
  • GrADS dapat memanipulasi data dari kumpulan file sehingga irisan data dari beberapa file tersebut dapat dianalisis karakteristiknya, misalnya membuat klimatologi suatu variable.
  • GrADS memiliki fungsi statistik dalam klimatologi dan sains atmosfer .

GrADS untuk MM5

The Grid Analysis and Display System (GrADS) merupakan software interaktif yang digunakan untuk memanipulasi dan visualisasi data sains kebumian secara mudah. Grads dapat diperoleh dari internet secara bebas di http://grads.iges.org/grads/downloads.html. Di dalam situs internet tersebut dapat dipilih Grads versi Windows yang tak perlu menggunakan X server. Xserver adalah software yang dapat meng-emulasi-kan tampilan tampilan monitor berbasis grafis.

Menggunakan Grads untuk Pertama Kali

  • Sebelum kita menggunakan Grads, sebaiknya kita tahu cara meng-install-nya. Setelah kita mendapatkan software grads dari internet, versi paling baru adalah grads-1.8sl11-win32e.exe untuk Windows XP (sedangkan versi vista bisa didownload dari sini :.http://www.lasg.ac.cn/xglm/2008/7/m0cetor4sh.htm). Kita jalankan saja file .exe tersebut dari windows dan kita akan mendapatkan tampilan seperti berikut. Ikuti perintah yang diberikan, misalnya dalam tampilan di bawah ini kita klik install jika kita memang ingin meng-install-nya.

awal

  • Setelah proses install selesai, maka akan ditampilkan folder tempat GrADS berada dan seluruh isinya.

2

  • Selesai install, kita jalankan grads dengan mencari di menu windows dan kita pilih perintah GradsNC (seperti terlihat pada gambar di bawah ini), karena data yang akan ditampilkan adalah data netCDF.

32

  • Kalau kita menjalankan perintah GradsNC, kita bisa membuka file netCDF dan file biner biasa. Sedangkan kalau kita jalankan perintah Grads atau GradsC, kita hanya bisa membuka file biner biasa dan tidak dapat membuka file netCDF. Kita akan diberi pilihan mode landscape (mendatar) atau portrait (tegak). Langsung tekan enter jika ingin gambar mendatar, ketik no dan tekan enter kalau ongin mode tegak. Gambar di bawah adalah grads dalam mode mendatar.

4

Tahap selanjutnyanya membuka file, melihat dimensi file dan melihat isi file.

lengkap

tlop

tcorr2

avgpsa

tloopsmooth

avgpsa_tcorrfixtcorrtcc1tcc2tcorrtcorr3tcorrfixtcorrupsatloop1

ga-> u;v

uv

ga> d u;v;mag(u,v)

ga-> draw title u;v;mag(u,v)

ga-> printim d;v;mag(u,v).jpg white

uvmaguv

d u;v;hcurl(u,v)

draw title u;v;hcurl (u,v)

printim u;v;hcurl(u,v).jpg white

uvcurl

d skip(u,2);skip(v,2)

skipuv1

d skip(u,2);skip(v,2);mag(u,v)

skip22

Skip(u,2);skip(v,2);hcurl(u,v)

hcurll

Set lon 99

Set lat 0.5

Set lev 1000 100

D u

Draw ylab ketinggian (mb)

Draw xlab kecepatan (m/s)

Draw title u_vertikal

uvert

Set lat 0

Set lev 1000

Set gxout shaded

Set t 1 30

draw ylab tanggal

draw xlab Temperatur (Kelvin)

cbarc

d t

hovmollett

Set gxout shaded

Set lat 0

Set lon 94 140

Set t 1

Set lev 1000 100

D t

D u;v

Draw ylab ketinggian (mb)

Draw xlab longitude

Draw title Temperatur vs u;v

Printim temperatur_vs_u;v.jpg white

vertu

Set gxout shaded

Set lat 0

Set lon 94 140

Set t 1

Set lev 1000 100

D u

Draw ylab ketinggian (mb)

Draw xlab longitude

Draw title U_lat_0

Printim U_lat_0.jpg white

hovt

Set zlog on

Set lat 0

Set lev 1000 100

D qv ( water vapor mixing ratioin

Cbarn

zlog

Set zlog on

Set lat 0

Set lev 1000 100

D qc (cloud water mixing ratio)

Cbarn

qc

D t(T=2)-t(T=1)

Cbarn

zlogtt

d t(T+1)-t

zlogtt2


wxsym

wxsym1

Draw wxsym simbol (ditunjukan dengan angka diatas) x ( ukuran panjang x posisi lambang ditempatkan) y ( ukuran panjang y posisi lambang ditempatkan) size (ukuran lambang, misal 1) color (-1, misalnya) tebal (misal 0.2)

Set gxout shaded

D qv

Cbarn

Draw wxsym 30 10 5 1 -1 0.2

Draw wxsym 14 5 5 1 -1 0.2

Draw wxsym 25 8 5 1 -1 0.2

Draw wxsym 4 9 2 1 -1 0.2

Draw wxsym 12 3 2 1 -1 0.2

duv


GrADS untuk windows vista bisa didownlad di:

http://www.lasg.ac.cn/xglm/2008/7/m0cetor4sh.htm

Posted in Meteorologi, Model Meteorologi | 43 Comments »

Pengolahan Data Curah Hujan Dan Angin

Posted by kadarsah pada September 9, 2008

Pengolahan data curah hujan dengan menggunakan Matlab sangat bermanfaat dalam menganalisis serta menampilkan visualisasi yang menawan.
Berikut misalnya data curah hujan suatu stasiun:

datatabel

Data curah hujan tersebut jika berbentuk matrik menjadi:

A=[0 29.2 40.6 11.2 4.8 4.6 5.2 0.2 22.8 19.8 7 0.4 10.8 0 0.6 1.8 32.4 0 2 1.8 28.6 13 0 1.8 8.6 5 0.2 0 0 0 11.2]

Maka jika di plot menjadi

>>plot(a)

>> grid on

>> xlabel(‘Hari’)

>> ylabel(‘Curah Hujan (mm)’)

Hasilnya Gambar (a)

>> bar(a)

>> ylabel(‘Curah Hujan (mm)’)

>> xlabel(‘Hari’)

>> grid on

Hasilnya Gambar (b)

>> plot(a,’*’)

>> axis([0 45 0 45]) %mengatur agar panjang x dari 0-45 sedangkan y juga dari 0-45

Hasilnya Gambar (c)

Untuk membuat plot, matlab menyediakan beberapa pilihan untuk penggambaran, yang dibagi menjadi tiga pilihan(warna,bentuk plot data,bentuk garis yang menghubungkan data).

>> plot(a,’r*:’)

>> xlabel(‘Hari’)

>> ylabel(‘Curah Hujan (mm)’)

Plot diatas memplot data a, menggunakan warna merah(a), data plot berbentuk bintang (*) dan garis yang menghubungkan data (: ) yang berbentuk bintang tadi berbentuk titik-titik.

Hasilnya Gambar (d)

datatitik

datadiagram
Pengolahan data angin untuk keperluan meteorologi sangat penting mengingat besarnya peranan angin dalam mempengaruhi fenomena-fenomena meteorologi.  Pengolahan data angin dan sekaligus memvisualisasikannya dengan software tertentu merupakan suatu keharusan. Software yang bisa digunakan antara lain: GrAds dan Matlab.
Kecepatan angin dapat dibuat skala, dan yang paling terkenal adalah skala yang di sebut Skala Beaufort  seperti yang ditunjukan tabel dibawah ini.

Skala Beaufort

Data volume vektor

Data volume vektor merupakan data yang lebih banyak memiliki informasi dibanding skalar. Setiap koordinat data volume vektor memiliki tiga data yang berkaitan dengan data yang dimaksud. Data tersebut terdiri dari suatu vektor yang menunjukan arah dan besarnya data. Di bidang meteorologi data angin merupakan salah satu data volume vektor. Dengan memetakan angin dalam bidang tiga dimensi (volume) dapat membantu untuk menganalisis perilaku, angin pada tiap saat dan pada tiap tempat. Umumnya angin dipetakan secara dua dimensi (arah dan besarnya kekuatan angin) tetapi hal itu akan sulit untuk mengetahui perilaku,kondisi angin pada saat bersamaan di tempat yang berbeda-beda khususnya dibawah atau di atas lapisan gambar dua dimensi yang kita maksud. Begitu pula jika digambarkan secara melintang,kondisi dan perilaku angin sebelum dan sesudah gambar melintang tidak dapat ditampilkan secara bersamaan. Dalam meteorologi untuk mengatasi kondisi ini bisa digunakan Vis5D yang bisa menggambarkan angin dalam bentuk tiga dimensi disertai parameter meteorologi yang lain misalnya tekanan dan kelembaban serta topografi daerah yang di amati. Sehingga perilaku angin, tekanan, dan parameter meteorology lainnya ketika berada dilaut, daratan, gunung dan lembah dapat diamati dengan baik seperti yang ditunjukan gambar dibawah.

vis5d

Salah satu software lainnya adalah Matlab yang dapat menggambarkan dan mengolah data angin dengan sangat baik.

Matlab memiliki fitur-fitur sebagai berikut:

· Stream lines : menggambarkan aliran angin dalam bentuk garis secara 2 atau 3 dimensi.

· Stream particles: menggambarkan partikel atau titik yang diamati dalam suatu jejak angin yang berbentuk garis (stream line).

· Stream ribbons : sama dengan stream lines, tetapi aliran angin digambarkan seperti pita dengan lebar pita menunjukan kemampuan angin untuk berputar. Bentuk pita ini sesuai dengan nilai curl dari vektor angin yang diamati.

· Stream tubes : sama dengan stream lines, tetapi aliran angin digambarkan dalam tabung-tabung alir dan dapat digunakan untuk analisis divergensi vektor angin.

· Cone plots:menggambarkan angin seperti kerucut dengan posisi kerucut merupakan arah angin. Besarnya kerucut menunjukan besar-kecilnya kekuatan angin.

Berikut merupakan visualisasi dari metode yang disebutkan diatas ( semua menggunakan program Matlab dengan modifikasi data dan program yang disesuaikan dengan data meteorology di Indonesia).

Data vektor yangdigunakan disini adalah data angin.

Di Matlab 7, ketika dilakukan perintah load wind akan memunculkan variable : x,y,z,u,v dan w.

Data angin ini berukuran 35 x 41x 15 (jadi banyaknya 35 baris, 41 kolom, tinggi 15. sehingga secara sederhana dapat digambarkan bahwa data angin ini seperti sebuah kotak yang terdiri dari 35 baris bata, 41 kolom bata dengan tinggi 15 bata. Jadi jumlah bata yang membentuk kotak tersebut sebanyak: 21525 buah.

Bata-bata itulah yang merupakan data angin yang memiliki variabel : x,y,z,u,v dan w.

X menunjukan posisi data kecepatan angin u ( arah utara-selatan).

Y menunjukan posisi data kecepatan angin v ( arah barat-timur)

Z . menunjukan posisi data kecepatan angin w ( arah atas-bawah).

Untuk mengetahui kecepatan angin pada suatu titik maka dihitung dengan melibatkan kecepatan angin u, kecepatan angin v, dan kecepatan angin w.

Kecepatan angin =

Data vektor ini dapat dianalisisi dengan beberapa cara diantara:

· Stream line: digunakan untuk merunut kecepatan angin

· Penampang melintang untuk mengetahui data angin secara melintang

· Kontour pada penampang melintang untuk meningkatkan pemahaman data angin

Plot Stream Line untuk Data vektor

Contoh:

>> load wind

>> [sx,sy] = meshgrid(80,20:5:60)

sx =

80

80

80

80

80

80

80

80

80

sy =

20

25

30

35

40

45

50

55

60

>> streamline(stream2(x(:,:,15),y(:,:,15),u(:,:,15),v(:,:,15),sx,sy)) hasilnya gambar a

>> load wind

>> zmax = max(z(:))

zmax =

16

>> zmin = min(z(:))

zmin =

-0.0020

>> streamslice(x,y,z,u,v,w,[ ],[ ],(zmax-zmin)/2)

hasilnya gambar b

>> streamslice(x,y,z,u,v,w,[ ],[ ],10)

hasilnya gambar c

>> streamslice(x,y,z,u,v,w,[ ],[ ],5)

hasilnya gambar d

>> streamslice(x,y,z,u,v,w,[ ],[ ],2)

hasilnya gambar e

>> streamslice(x,y,z,u,v,w,[ ],[ ],1)

hasilnya gambar f

a-fKalau kita gambarkan angin tadi dalam tiga dimensi dan dengan menampilkan lapisan tertentu saja hasilnya seperti dibawah ini ( dengan mengikuti script berikut ini):

load wind

[sx,sy,sz] = meshgrid(77,20:5:60,0:3:20);

h = streamline(x,y,z,u,v,w,sx,sy,sz);

set(h,’Color’,’green’)

view(3)

box

kotak-angin

Berikut merupakan tahapan dalam menentukan titik awal data angin ditampilkan

load wind

>> [sx,sy,sz] = meshgrid(75,25:5:60,0:3:15)

plot3(sx(:),sy(:),sz(:),’*blue’)

axis(volumebounds(x,y,z,u,v,w))

grid; box; daspect([2 2 1])

sx(:,:,1) =

75

75

75

75

75

75

75

75

sx(:,:,2) =

75

75

75

75

75

75

75

75

sx(:,:,3) =

75

75

75

75

75

75

75

75

sx(:,:,4) =

75

75

75

75

75

75

75

75

sx(:,:,5) =

75

75

75

75

75

75

75

75

sx(:,:,6) =

75

75

75

75

75

75

75

75

sy(:,:,1) =

25

30

35

40

45

50

55

60

sy(:,:,2) =

25

30

35

40

45

50

55

60

sy(:,:,3) =

25

30

35

40

45

50

55

60

sy(:,:,4) =

25

30

35

40

45

50

55

60

sy(:,:,5) =

25

30

35

40

45

50

55

60

sy(:,:,6) =

25

30

35

40

45

50

55

60

sz(:,:,1) =

0

0

0

0

0

0

0

0

sz(:,:,2) =

3

3

3

3

3

3

3

3

sz(:,:,3) =

6

6

6

6

6

6

6

6

sz(:,:,4) =

9

9

9

9

9

9

9

9

sz(:,:,5) =

12

12

12

12

12

12

12

12

sz(:,:,6) =

15

15

15

15

15

15

15

15

hasilnya seperti  gambar di bawah

titik

>> streamline(x,y,z,u,v,w,sx(:),sy(:),sz(:))

akan muncul gambar

titik2

load wind

xmin = min(x(:));

xmax = max(x(:));

ymax = max(y(:));

zmin = min(z(:));

wind_speed = sqrt(u.^2 + v.^2 + w.^2)

hsurfaces = slice(x,y,z,wind_speed,[xmin,100,xmax],ymax,zmin)

set(hsurfaces,’FaceColor’,’interp’,’EdgeColor’,’c’)

kotak >>[sx,sy,sz] = meshgrid(75,25:10:60,0:3:15);

hlines = streamline(x,y,z,u,v,w,sx,sy,sz);

set(hlines,’LineWidth’,2,’Color’,’r’)

kotak2

load wind

xmin = min(x(:));

xmax = max(x(:));

ymax = max(y(:));

zmin = min(z(:));

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hsurfaces = slice(x,y,z,wind_speed,[xmin,100,xmax],ymax,zmin);

set(hsurfaces,’FaceColor’,’interp’,’EdgeColor’,’none’)

hcont = …

contourslice(x,y,z,wind_speed,[xmin,100,xmax],ymax,zmin);

set(hcont,’EdgeColor’,[.7,.7,.7],’LineWidth’,.5)

[sx,sy,sz] = meshgrid(75,25:10:60,0:3:15);

hlines = streamline(x,y,z,u,v,w,sx,sy,sz);

set(hlines,’LineWidth’,2,’Color’,’r’)

view(3)

daspect([2,2,1])

axis tight

box

stream1

load wind

xmin = min(x(:));

xmax = max(x(:));

ymax = max(y(:));

zmin = min(z(:));

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hsurfaces = slice(x,y,z,wind_speed,[xmin,100,xmax],ymax,zmin);

set(hsurfaces,’FaceColor’,’interp’,’EdgeColor’,’none’)

[sx,sy,sz] = meshgrid(75,25:10:60,0:3:15);

hlines = streamline(x,y,z,u,v,w,sx,sy,sz);

set(hlines,’LineWidth’,2,’Color’,’r’)

view(3)

daspect([2,2,1])

axis tight

box

stream2

load wind

xmin = min(x(:));

xmax = max(x(:));

ymin = min(y(:));

ymax = max(y(:));

zmin = min(z(:));

daspect([2,2,1])

xrange = linspace(xmin,xmax,8);

yrange = linspace(ymin,ymax,8);

zrange = 3:4:15;

[cx cy cz] = meshgrid(xrange,yrange,zrange);

hcones = coneplot(x,y,z,u,v,w,cx,cy,cz,5);

set(hcones,’FaceColor’,’red’,’EdgeColor’,’none’)

stream3

load wind

xmin = min(x(:));

xmax = max(x(:));

ymin = min(y(:));

ymax = max(y(:));

zmin = min(z(:));

daspect([2,2,1])

xrange = linspace(xmin,xmax,8);

yrange = linspace(ymin,ymax,8);

zrange = 3:4:15;

[cx cy cz] = meshgrid(xrange,yrange,zrange);

hcones = coneplot(x,y,z,u,v,w,cx,cy,cz,5);

set(hcones,’FaceColor’,’red’,’EdgeColor’,’none’)

[cx cy cz] = meshgrid(xrange,yrange,zrange);

hcones = coneplot(x,y,z,u,v,w,cx,cy,cz,5);

set(hcones,’FaceColor’,’red’,’EdgeColor’,’none’)

hold on

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hsurfaces = slice(x,y,z,wind_speed,[xmin,xmax],ymax,zmin);

set(hsurfaces,’FaceColor’,’interp’,’EdgeColor’,’none’)

hold off

axis tight; view(30,40); axis off

camproj perspective; camzoom(1.5)

camlight right; lighting phong

set(hsurfaces,’AmbientStrength’,.6)

set(hcones,’DiffuseStrength’,.8)

kotak_stream

load wind

xmin = min(x(:));

xmax = max(x(:));

ymin = min(y(:));

alt = 7.356; % z-value for slice and streamtube plane

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hslice = slice(x,y,z,wind_speed,xmax,ymin,alt);

set(hslice,’FaceColor’,’interp’,’EdgeColor’,’none’)

colormap hsv(16)

color_lim = caxis;

cont_intervals = linspace(color_lim(1),color_lim(2),17);

hcont = contourslice(x,y,z,wind_speed,xmax,ymin,…

alt,cont_intervals,’linear’);

set(hcont,’EdgeColor’,[.4 .4 .4],’LineWidth’,1)

[sx,sy,sz] = meshgrid(xmin,20:3:50,alt);

daspect([1,1,1]) % set DAR before calling streamtube

htubes = streamtube(x,y,z,u,v,w,sx,sy,sz,[1.25 30]);

set(htubes,’EdgeColor’,’none’,’FaceColor’,’r’,…

‘AmbientStrength’,.5)

view(-100,30)

axis(volumebounds(x,y,z,wind_speed))

set(gca,’Projection’,’perspective’)

camlight left

tube_angin

load wind

xmin = min(x(:));

xmax = max(x(:));

ymin = min(y(:));

alt = 7.356; % z-value for slice and streamtube plane

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

colormap hsv(16)

color_lim = caxis;

cont_intervals = linspace(color_lim(1),color_lim(2),17);

[sx,sy,sz] = meshgrid(xmin,20:3:50,alt);

daspect([1,1,1]) % set DAR before calling streamtube

htubes = streamtube(x,y,z,u,v,w,sx,sy,sz,[1.25 30]);

set(htubes,’EdgeColor’,’none’,’FaceColor’,’blue’,…

‘AmbientStrength’,.5)

view(-100,30)

axis(volumebounds(x,y,z,wind_speed))

set(gca,’Projection’,’perspective’)

camlight left

box on

tube2

load wind

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hiso = patch(isosurface(x,y,z,wind_speed,40));

isonormals(x,y,z,wind_speed,hiso)

set(hiso,’FaceColor’,’red’,’EdgeColor’,’none’)

tube3 hcap = patch(isocaps(x,y,z,wind_speed,40),…

‘FaceColor’,’interp’,…

‘EdgeColor’,’none’)

tube41

load wind

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hiso = patch(isosurface(x,y,z,wind_speed,40));

isonormals(x,y,z,wind_speed,hiso)

set(hiso,’FaceColor’,’red’,’EdgeColor’,’none’)

hcap = patch(isocaps(x,y,z,wind_speed,40),…

‘FaceColor’,’interp’,…

‘EdgeColor’,’none’)

daspect([1,1,1])

[f verts] = reducepatch(isosurface(x,y,z,wind_speed,30),0.07)

h1 = coneplot(x,y,z,u,v,w,verts(:,1),verts(:,2),verts(:,3),3)

tube51 set(h1,’FaceColor’,’blue’,’EdgeColor’,’none’)

tube61xrange = linspace(min(x(:)),max(x(:)),10)

yrange = linspace(min(y(:)),max(y(:)),10)

zrange = 3:4:15

[cx,cy,cz] = meshgrid(xrange,yrange,zrange)

h2 = coneplot(x,y,z,u,v,w,cx,cy,cz,2)

set(h2,’FaceColor’,’green’,’EdgeColor’,’none’

tube72

axis tight

box on

camproj perspective

camzoom(1.25)

view(65,45)

tube81

camlight(-45,45)

set(gcf,’Renderer’,’zbuffer’)

lighting phong

set(hcap,’AmbientStrength’,.6)

tube10

load wind

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

hiso = patch(isosurface(x,y,z,wind_speed,40));

isonormals(x,y,z,wind_speed,hiso)

set(hiso,’FaceColor’,’red’,’EdgeColor’,’none’)

hcap = patch(isocaps(x,y,z,wind_speed,40),…

‘FaceColor’,’interp’,…

‘EdgeColor’,’none’)

daspect([1,1,1])

[f verts] = reducepatch(isosurface(x,y,z,wind_speed,30),0.07)

h1 = coneplot(x,y,z,u,v,w,verts(:,1),verts(:,2),verts(:,3),3)

set(h1,’FaceColor’,’blue’,’EdgeColor’,’none’)

xrange = linspace(min(x(:)),max(x(:)),10)

yrange = linspace(min(y(:)),max(y(:)),10)

zrange = 3:4:15

[cx,cy,cz] = meshgrid(xrange,yrange,zrange)

h2 = coneplot(x,y,z,u,v,w,cx,cy,cz,2)

set(h2,’FaceColor’,’green’,’EdgeColor’,’none’)

set(hcap,’AmbientStrength’,.6)

axis tight

box on

camproj perspective

camzoom(1.25)

view(65,45)

camlight(-45,45)

set(gcf,’Renderer’,’zbuffer’);

lighting phong

set(hcap,’AmbientStrength’,.6)

tubeeeload wind

spd = sqrt(u.*u + v.*v + w.*w);

p = patch(isosurface(x,y,z,spd, 40));

isonormals(x,y,z,spd, p)

set(p, ‘FaceColor’, ‘red’, ‘EdgeColor’, ‘none’);

p2 = patch(isocaps(x,y,z,spd, 40));

set(p2, ‘FaceColor’, ‘interp’, ‘EdgeColor’, ‘none’)

daspect([1 1 1]);

[f verts] = reducepatch(isosurface(x,y,z,spd, 30), .2);

h=coneplot(x,y,z,u,v,w,verts(:,1),verts(:,2),verts(:,3),2);

set(h, ‘FaceColor’, ‘cyan’, ‘EdgeColor’, ‘none’);

[sx sy sz] = meshgrid(75, 30:5:60, 0:5:35);

h2=streamline(x,y,z,u,v,w,sx,sy,sz);

set(h2, ‘Color’, [.4 1 .4]);

colormap(jet)

box on

axis tight

camproj perspective;

camva(34);

campos([165 -20 65]);

camtarget([100 40 -5])

camlight left;

lighting gouraud

garis_cub Ketika kita menggunakan teknik lain dalam menganalisa angin adalah dengan stream ribbon.

load wind

[sx sy sz] = meshgrid(75, [25 30 35 40 45 50 55], [3 6 9 12 15 18 21]);

daspect([1,1,1]);

h=streamribbon(x,y,z,u,v,w,sx,sy,sz);

set(h,’facecolor’,’red’,’edgecolor’,’none’)

box on;

camproj perspective;

axis([70 138 17 60 2.5 16]);

axis tight

camva(28);

campos([175 10 85]);

camtarget([105 40 0])

camlight left;

lighting gouraud

pita1

load wind

[sx sy sz] = meshgrid(80,20:5:50,0:3:15);

daspect([2 2 2])

streamribbon(x,y,z,u,v,w,sx,sy,sz);

%—–Define viewing and lighting

axis tight

shading interp;

view(3);

camlight; lighting gourau

hasilnya gambar a

load wind

[sx sy sz] = meshgrid(80,20:15:50,0:5:20);

daspect([2 2 2])

streamribbon(x,y,z,u,v,w,sx,sy,sz);

%—–Define viewing and lighting

axis tight

shading interp;

view(3);

camlight; lighting gouraud

hasilnya gambar b

load wind

[sx sy sz] = meshgrid(80,20:15:50,0:2:15);

daspect([2 2 2])

streamribbon(x,y,z,u,v,w,sx,sy,sz);

%—–Define viewing and lighting

axis tight

shading interp;

view(3);

camlight; lighting gouraud

box on

hasilnya gambar c

load wind

[sx sy sz] = meshgrid(80,20:10:50,0:5:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

cav = curl(x,y,z,u,v,w);

spd = sqrt(u.^2 + v.^2 + w.^2).*.1;

streamribbon(verts,x,y,z,cav,spd);

%—–Define viewing and lighting

axis tight

shading interp

view(3)

camlight; lighting gouraud

box on

hasilnya gambar d

load wind

[sx sy sz] = meshgrid(80,20:5:50,0:3:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

cav = curl(x,y,z,u,v,w);

spd = sqrt(u.^2 + v.^2 + w.^2).*.1;

streamribbon(verts,x,y,z,cav,spd);

%—–Define viewing and lighting

axis tight

shading interp

view(3)

camlight; lighting gouraud

hasilnya gambar e

load wind

[sx sy sz] = meshgrid(80,20:15:50,0:5:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

cav = curl(x,y,z,u,v,w);

spd = sqrt(u.^2 + v.^2 + w.^2).*.1;

streamribbon(verts,x,y,z,cav,spd);

%—–Define viewing and lighting

axis tight

shading interp

view(3)

camlight; lighting gouraud

hasilnya gambar e

a_fpita_anginGambar dibawah merupakan tampilan yang sama dari script berikut ini:

load wind

[sx sy sz] = meshgrid(80,20:15:50,0:3:21);

daspect([2 2 2])

streamribbon(x,y,z,u,v,w,sx,sy,sz);

%—–Define viewing and lighting

axis tight

shading interp;

view(3);

camlight; lighting gouraud

box on

pitaberuntun

load wind

[sx sy sz] = meshgrid(75, [30 35 45 50 55 60 65], [5 10 15 20 25 30 35]);

daspect([1,1,1]);

h=streamtube(x,y,z,u,v,w,sx,sy,sz);

set(h,’facecolor’,’red’,’edgecolor’,’none’);

box on;

camproj perspective;

axis([70 138 17 60 2.5 16]);

axis tight

camva(28);

campos([175 10 95]);

camtarget([105 40 0])

camlight left;

lighting gouraud

tube_cone

load wind

[sx sy sz] = meshgrid(80,20:10:50,0:5:15);

daspect([1 1 1])

streamtube(x,y,z,u,v,w,sx,sy,sz);

%—–Define viewing and lighting

view(3)

axis tight

shading interp;

camlight; lighting gouraud

hasilnya gambar a

load wind

[sx sy sz] = meshgrid(80,20:10:50,0:3:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

div = divergence(x,y,z,u,v,w);

streamtube(verts,x,y,z,-div);

%—–Define viewing and lighting

view(3)

axis tight

shading interp

camlight; lighting gouraud

box on

hasilnya gambar b

load wind

[sx sy sz] = meshgrid(80,20:10:50,0:5:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

div = divergence(x,y,z,u,v,w);

streamtube(verts,x,y,z,-div);

%—–Define viewing and lighting

view(3)

axis tight

shading interp

camlight; lighting gouraud

hasilnya gambar c


load wind

[sx sy sz] = meshgrid(80,20:10:40,0:5:10);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

div = divergence(x,y,z,u,v,w);

streamtube(verts,x,y,z,-div);

%—–Define viewing and lighting

view(3)

axis tight

shading interp

camlight; lighting gouraud

hasilnya gambar d


gambar_4_tube

load wind

[sx sy sz] = meshgrid(80,20:5:60,0:3:15);

daspect([1 1 1])

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

div = divergence(x,y,z,u,v,w);

streamtube(verts,x,y,z,-div);

%—–Define viewing and lighting

view(3)

axis tight

shading interp

camlight; lighting gouraud

box on

tubebanyak

load wind

lims = [90.64 126.67 27.25 38.75 -0.05 7.86];

[x,y,z,u,v,w] = subvolume(x,y,z,u,v,w,lims);

cav = curl(x,y,z,u,v,w);

wind_speed = sqrt(u.^2 + v.^2 + w.^2);

[sx sy sz] = meshgrid(100,20:5:30,1:5);

verts = stream3(x,y,z,u,v,w,sx,sy,sz,.5);

h = streamribbon(verts,x,y,z,cav,wind_speed,2);

set(h,’FaceColor’,’blue’,…

‘EdgeColor’,[.7 .7 .7],…

‘AmbientStrength’,.6)

axis(volumebounds(x,y,z,wind_speed))

grid on

shading interp

view(3)

camlight right;

set(gcf,’Renderer’,’zbuffer’); lighting phong

box on

angin1 load wind

[sx sy sz] = meshgrid(80,20:1:55,5);

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

sl = streamline(verts);

iverts = interpstreamspeed(x,y,z,u,v,w,verts,.025);

axis tight; view(30,30); daspect([1 1 .125])

camproj perspective; camva(8)

set(gca,’DrawMode’,’fast’)

box on

streamparticles(iverts,35,’animate’,10,’ParticleAlignment’,’on’)

angin2

load wind

[sx sy sz] = meshgrid(80,23:2:50,5:5:15);

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

sl = streamline(verts);

iverts = interpstreamspeed(x,y,z,u,v,w,verts,.025);

axis tight; view(30,30); daspect([1 1 .125])

camproj perspective; camva(8)

set(gca,’DrawMode’,’fast’)

box on

streamparticles(iverts,35,’animate’,10,’ParticleAlignment’,’on’)

teras_angin

load wind

[sx sy sz] = meshgrid(80,23:2:50,5:5:10);

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

sl = streamline(verts);

iverts = interpstreamspeed(x,y,z,u,v,w,verts,.025);

axis tight; view(30,30); daspect([1 1 .125])

camproj perspective; camva(8)

set(gca,’DrawMode’,’fast’)

box on

streamparticles(iverts,35,’animate’,10,’ParticleAlignment’,’on’)

teras2 load wind

[sx sy sz] = meshgrid(100,20:2:56,5);

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

sl = streamline(verts);

iverts = interpstreamspeed(x,y,z,u,v,w,verts,0.05);

axis tight; view(30,30);

daspect([1.5 1.5 0.100])

camproj perspective; camva(8)

set(gca,’DrawMode’,’fast’)

box on

streamparticles(iverts,35,’animate’,10,’ParticleAlignment’,’on’)

shading interp

teras3

load wind

[sx sy sz] = meshgrid(100,18:2:56,5);

verts = stream3(x,y,z,u,v,w,sx,sy,sz);

sl = streamline(verts);

iverts = interpstreamspeed(x,y,z,u,v,w,verts,0.05);

axis tight; view(30,30);

daspect([1.5 1.5 0.100])

camproj perspective; camva(8)

set(gca,’DrawMode’,’fast’)

box on

streamparticles(iverts,35,’animate’,10,’ParticleAlignment’,’on’)

shading interp

terass

Posted in Meteorologi | Dengan kaitkata: , , | 27 Comments »

Skenario Post-SRES, SRES, IS92, SA90,Non-SRES

Posted by kadarsah pada September 5, 2008

Skenario Post-SRES

Merupakan skenario  iklim berdasarkan skenario emisi yang di publikasikan setelah IPCC selesai melaporkan SRES ( Special Report on Emission Scenarios), setelah tahun 2000.

Special Report on Emissions Scenarios (SRES)

Skenario SRES merupakan skenario emisi yang dikembangkan oleh Nakicenovic dan Swart (2000).

The Special Report on Emissions Scenarios di singkat SRES merupakan laporan yang dikeluarkan oleh Intergovernmental Panel on Climate Change  atau IPCC untuk laporan yang ketiga atau di sebut Third Assessment Report (TAR) di tahun 2001,  untuk skenario emisi masa depan digunakan untuk menjalankan model sirkulasi global untuk mengembangkan skenario perubahan iklim, hal itu untuk menggantikan  skenario IS92 yang dikeluarkan pada IPCC Second Assessment Report tahun 1995. Skenario SRES masih digunakan untuk Fourth Assessment Report (AR4)  yang dikeluarkan tahun 2007

Skenario Emisi SRES

IPCC mempublikasikan skenario iklim tahun 2000 dan digunakan dalam the Third Assessment Report (Special Report on Emissions Scenarios – SRES), skenario ini memasukan perkembangan di masa depan di lingkungan global dengan referensi khusus pada produksi gas rumah kaca dan aerosol.

Tiap storyline menampilkan perbedaan demografi,sosial,ekonomi,teknologi dan pembangunan lingkungan yang berbeda dalam cara pertambahan yang tidak dapat berubah.

Empat puluh skenario dikembangkan oleh enam tim modeling. Semua model valid, dengan tidak adanya penekanan kemungkinan terjadinya. Ke enam kelompok skenario dibentuk dari empat scenario family yaitu:A2,B1,B2 dan tiga grup dalam  scenario family A1 yang memiliki alternatif karakteristik pengembangan teknologi energi (A1F1: penggunaan energi fosil yang intensiif),A1T( penggunaan energi yang sebagian besar menggunakan energi non-fosil),A1B( penggunaan energi secara seimbang antara energi non-fosil dan energi fosil).

Empat storyline dikombinasikan dengan dua set kecendrungan divergensi: satu set bervariasi antara pengaruh ekonomi kuat dan pengaruh lingkungan kuat, seperangkat set lainnya antara bertambahnya globalisasi dan regionalisasi.

Skenario famili berisi skenario tunggal. Enam skenario famili didiskusikan di the IPCC’s Third Assessment Report (TAR) dan Fourth Assessment Report (AR4) adalah  A1FI, A1B, A1T, A2, B1, and B2.  Skenario utama  A1,B1,B2,A2 dari : Nakićenović, N. and R. Swart, Eds., 2000: Special Report on Emissions Scenarios. Cambridge University Press, Cambridge, 599 pp.

A1 keadaan dunia yang:

  • Pertumbuhan ekonomi yang sangat cepat
  • Populasi global mencapai puncaknya pada pertengahan abad ( sekitar 9 milyar) dan menurun setelahnya
  • Pengenalan teknologi baru dan lebih efisien dengan sangat cepat
  • Negara-negara mengalami proses konvergensi melalui capacity building dan dengan bertambahnya interaksi  budaya dan sosial
  • Terjadi pengurangan berbagai perbedaan yang subtansif  terutama dalam pendapatan per kapita regional
  • S scenario family A1 yang memiliki alternatif karakteristik pengembangan teknologi energi (A1F1: penggunaan energi fosil yang intensiif),A1T( penggunaan energi yang sebagian besar menggunakan energi non-fosil),A1B( penggunaan energi secara seimbang antara energi non-fosil dan energi fosil).

A2  keadaan dunia yang :

  • Dunia yang sangat heterogen
  • Masalah utama yang dihadapi di tiap region adalah kepercayaan pada diri sendiri dan  pemeliharaan identitas lokal
  • Dunia yang independen dan negara-negara yang memiliki kepercayan diri sendiri.
  • Terus terjadi pertambahan populasi
  • Pengembangan ekonomi berorientasi secara regional
  • Perubahan teknologi terjasi secara lebih lambat dan lebih terfragmentasi disertai  peningkatan pendapatan per kapita

B1 keadaan dunia yang :

  • Dunia yang konvergen dengan populasi global yang  mencapai puncaknya ( 9 milyar pada tahun 2050) di pertengahan abad dan menurun setelahnya  sama yang terjadi di skenario A1, tetapi dengan perubahan kecepatan dalam struktur ekonomi sesuai dengan layanan dan informasi ekonomi
  • Pengurangan dalam intensitas material.
  • Pengenalan teknologi yang bersih dan efisien
  • Penekanan pada solusi global untuk ekonomi,sosial, dan ketahanan lingkungan,termasuk peningkatan kekayaan, tetapi tanpa tambahan inisiatif iklim
  • Dunia lebih terintegrasi, lebih friendly secara ekologi.

B2 keadaan dunia yang :

  • Penekanan pada solusi lokal daripada solusi global  untuk ekonomi,sosial dan ketahanan lingkungan
  • Peningkatan populasi global yang lebih rendah dari A2
  • Tingkat pengembangan ekonomi yang intermediate
  • Perubahan teknologi lebih lambat dan lebih bermacam-macam dibanding Skenario B1 dan A1
  • Skenario berorientasi pada proteksi lingkungan dan kekayaan sosial, yang berfokus pada tingkat lokal dam regional.
  • Dunia lebih terbagi-bagi, tetapi frinedly secara ekologi

Scenario IS92

Enam alternatif skenario IPCC (IS92a s.d IS92f) dipublikasikan tahun 1992 dalam the 1992 Supplementary Report to the IPCC Assessment. Skenario  tersebut memilliki asumsi yang luas yang diakibatkan oleh seberapa besar emisi GHG terjadi dan bagaimana kebijakan-kebijakan iklim di ambil.  Perbedaanya terletak pada ekonomi, sosial dan kondisi lingkugan, dan menghasilkan kisaran  konsentrasi GHG dimasa depan.

Dasar skenario IS92a dan IS92b sangat menyerupai skenario SA90 yang digunakan di the First Assessment Report of the IPCC in 1990.

Skenario IS92a digunakan sebagai standar skenario yang digunakan dalam mengukur akibat, meskipun rekomendasi IPCC harus menggunakan ke enam skenario tersebut untuk menunjukan range ketidakpastian dalam emisi GHG.

Populasi meningkat dari 11.3 juta sampai tahun 2100 dan rata-rata pertumbuhan ekonomi 2.3 % per tahun antara 1990-2100, dengan campuran penggunaan sumber energi yang konvensional dan terbarukan.

Emisi tertinggi GHG dihasilkan dari skenario IS92a yang mengkombinasikan semua asumsi, pertumbuhan populasi yang moderate, pertumbuhan ekonomi yang tinggi,ketersediaan bahan bakar  fosil yang tinggi bahkan penghapusan energi nuklir.

Skenario ekstrim yang lain adalah IS92c yang memiliki emisi CO2 yang menurun dan mencapai posisi dibawah tahun 1990. Hal tersebut diasumsikan bahwa populasi pertama-tama meningkat, kemudian menurun di pertengahan abad berikutnya, trus pertumbuhan ekonomi rendah dan terdapat beberapa batasan dari persediaan bahan bakar fosil.

Skenario SA90

Skenario iklim yang digunakan di the First Assessment Report of the IPCC in 1990.

Skenario Non-SRES

Skenario yang merupakan bukan SRES (Special Report on Emission Scenarios), yang terdiri dari :

  • PICTL: Skenario dengan menggunakan GHG konstan pada saat pre-industrial.
  • 20C3M :Skenario dengan menggunakan GHG yang meningkat sesuai dengan pengamatan s.d abad 20.
  • COMMIT:Skenario ideal dimana atmosfer menimbun GHG sebanyak saat tahun 2000.
  • 1PTO4X (1% to quadruple): Konsentrasi CO2 bertambah dengan kecepatan 1 %  per tahun, mencapai 4 kali lipat, kemudian konstan.
  • 1PTO2X (1% to double) :Konsentrasi CO2 bertambah dengan kecepatan 1 % per tahun, mencapai 2 kali lipat, kemudian konstan.

Istilah-Istilah

Climate model

Suatu sistem numerik yang merefresentasikan sistem iklim berdasarkan aspek sifat-sifat fisik,kimia dan biologi ,komponen-komponen, interaksinya, proses timbal-balik,  dan proses penghitungan untuk semua elemen-elemen tersebut. Sistem iklim dapat dipresentasikan dengan berbagai model dan dengan berbagai kombinasi komponen sebagai suatu spektrum yang meliputinya. Coupled Atmosphere-Ocean General Circulation Models (AOGCMs)  merefresentasikan sistem iklim  yang paling komprehensif  melibatkan berbagai elemen iklim. Model iklim digunakan untuk mempelajari dan simulasi iklim, untuk tujuan operasional, bulanan, musiman dan prediksi inter-tahunan.

United Nations Framework Convention on Climate Change (UNFCCC)

Merupakan konvensi yang diadopsi tanggal 9 Mei 1992 di New York dan ditanda-tangani tahun 1992 di  KTT Bumi di Rio de Janeiro oleh lebih dari 150 negara dan negara Eropa.

Diagram SRES

diagram-skenario

diagram-skenario

Gambar diatas menunjukan ilustrasi skematik skenario SRES. Skenario SRES ini terbagi menjadi empat storyline yang disebut family:A1,A2,B1,B2. Total semua skenario SRES berjumlah 40 skenario yang dikembangkan oleh enam tim pemodelan. Dari tiap skenario family terdiri dari satu skenario grup kecuali skenario family A1 yang terdiri dari tiga skenario grup. Skenario A1 family terbagi tiga berdasarkan pengembangan teknologi alternatif.

  • A1F1:skenario  dengan penggunaan bahan bakar fosil secara intensif
  • A1B: skenario  dengan penggunaan bahan bakar fosil secara seimbang
  • A1T: skenario  penggunaan bahan bakar non-fosil yang lebih dominan

Tiap skenario grup terbagi menjadi dua bagian besar OS dan HS (HS: harmonized dam OS). Skenario HS artinya dalam populasi global di asumsikan produk bruto dunia dan energi terjadi keseimbangan/keselarasan.Sedangkan OS artinya menunjukan skenario yang menggunakan penggerak iklim  yang tidak terdapat di skenario iklim HS. Pengembangan dari tiap skenario baik HS dan OS di perbanyak, jadi total skenario iklim menjadi 40 . Dengan angka-angka di bawah huruf OS atau HS menunjukan masing-masing jumlah skenario iklim.

Kondisi iklim dunia sampai 100 tahun ( tahun 2100) kedepan sulit diprediksi sehingga ilmuwan berusaha uuntuk melakukan berbagai skenario yang mungkin terjadi. Akibatnya skenario iklim terbagi menjadi empat kelompok utama yang disebut storyline (A1,A2,B1,B2) dengan mempertimbangkan faktor-faktor yang mempengaruhinya antara lain:perubahan demografis,pengembangan ekonomi, dan pengembangan teknologi.

Figure 1: Total global tahunan emisi  CO2 dari semua sumber (energi, industri, dan perubahan tata guna lahan) tahun 1990- 2100 (dalam giga ton karbon (GtC/yr))  untuk  family dan 6 scenario grup. 40  scenario SRES ditampilkanoleh 4 family (A1, A2, B1, and B2) and 6 scenario grup(A1F1,A1T,A1B,A2,B2,B1): penggunaan energi fosil yang intensif A1FI (terdiri dari batubar,gas dan minyak), penggunaan sebagian besar energi bahan-bakar fosil A1T, keseimbangan penggunaan energi. Skenario   A1di Gambar 1a; A2 di Gambar 1b; B1 di Gambar 1c, dan B2 di Gambar 1d. Tiap warna menunjukan rentang skenario harmonized dan non-harmonized pada tiap grup. Sebagai contoh Gambar 1(a), warna oranye (dengan skenario A1F1 ditunjukan dengan garis hitam putus-putus), warna merah (dengan skenario A1B ditunjukan dengan garis hitam solid),warna oranye muda (dengan skenario A1T ditunjukan dengan garis hitam putus-putus), merupakan rentang skenario grup yang terdiri dari skenario harmonized dan non-harmonized. Begitu pula dengan Gambar 1 (b), rentang warna coklat menunjukan rentang skenario harmonized dan non-harmonized A2 dengan garis solid hitam menunjukan skenario A2.

Capacity building

Dalam kontek perubahan iklim, capacty building  diartikan sebagai pengebanggan teknik skill dan kapabilitas institusi di negara berkembang dan kondisi ekonomi dalam transisi yang mampu berpartisipasi dalam semua aspek adaptasi, mitigasi dan penelitian dalam perubahan iklim dan dalam implementasi Mekanisme Protokol Kyoto.

Clean Development Mechanism (CDM)

Menurut definisi dalam Artikel 12 dari Protokol Kyoto,  CDM memiliki dua tujuan yaitu:

  • Membantu negara-negara yang tidak termasuk dalam Annex I untuk mencapai daya dukung pembangunan dan berkontribusi pada konvensi.
  • Membantu negara-negara lain yang termasuk Annex I dalam mencapai pemenuhan kuantitas batas emisi dan komitmen reduksinya.

Certified Emission Reduction Units dari proyek CDM  yang dilakukan di negara-negara  Non-Annex I dimana batas atau pengurangan emisi HGH, ketika disertifikasi oleh entitas operasional yang didesain oleh Conference Paris, yang kemudian dapat menarik investor ( pemerintah atau swasta dari negara-negara B. Berbagai informasi dalam proses aktivitas proyek sertifikasi digunakan untuk menutupi biaya administrasi sama halnya dengan membantu negara-negara berkembang  khususnta yang rentan untuk efek  merugikan dari perubahan iklim sehingga sesuai dengan kost adaptasi.

Projection

Terminologi proyeksi digunakan dalam dalam literatur perubahan iklim. Secara umum, suatu proyeksi dilakukan untuk tiap deskripsi masa datang dan pencapaiannya. Interprestasi yang lebih jelas bisa dilihat ketika digunakan dalam terminologi proyeksi iklim yang digunakan oleh IPCC ketika berbicara tentang model yang mengestimasi iklim masa depan.

Forecast/Prediction

Ketika proyeksi diasosiasikan dengan “most likely” maka istilah proyeksi berubah menjadi prakiraan/prediksi. Suatu prediksi sering diperoleh dengan menggunakan model deterministik, kemungkinan menggunakan beberapa model, hasilnya memiliki tingkat kepercayaan yang digunakan pada proyeksi.

Scenario

Scenario: proyeksi dari potensi masa datang berdasarkan logis yang jelas dan storyline yang terkuantatisasi. Suatu skenario adalah koheren, konsisten secara internal dan kemungkinan kondisi dunia dimasa depan. Skenario bukan prediksi, tiap skenario merupakan salah satu gambaran bagaimana kondisi masa depan dapat diketahui.Suatu proyeksi bisa merupakan bahan dasar untuk suatu skenario , tetapi skenario sering memerlukan tambahan informasi. Seperangkat skenario sering diadopasi untuk merefleksikan berbagai kemungkinan dalam rentang ketidakpastian dalam proyeksi. Dengan kata lain bahwa ada beberapa kata lain yang memiliki kesamaan diantaranya: “characterisation”, “storyline” and “construction”.

Scenario Family

Istilah dalam skenario iklim IPCC yang artinya satu atau  lebih skenario yang dikelompokan karena  memiliki kesamaan demografi,sosial-politik,ekonomi dan storyline teknologi  ( Keempat scenario family: A1,A2,B2,B1).

Storyline

Deskripsi narasi dari skenario iklim ( skenario famili atau skenario) yang menyoroti khususnya tentang karakteristik utama dan dinamik serta memiliki hubungan dengan daya penggerak iklim.

Tujuh model yang digunakan:

  • The UK Hadley Centre for Climate Prediction and Research (HadCM2)
  • The German Climate Research Centre (ECHAM4)
  • The Canadian Centre for Climate Modelling and Analysis (CGCM1)
  • The US Geophysical Fluid Dynamics Laboratory (GFDL-R15)
  • The Australian Commonwealth Scientific and Industrial Research Organisation (CSIRO-Mk2)
  • The National Centre for Atmospheric Research (NCAR-DOE)
  • The Japanese Centre for Climate System Research (CCSR)

Model Lain yang digunakan:

  • BCC:CM1
  • BCCR:BCM2
  • CCCMA:CGCM3_1-T47
  • CCCMA:CGCM3_1-T63
  • CNRM:CM3
  • CONS:ECHO-G
  • CSIRO:MK3
  • GFDL:CM2
  • GFDL:CM2_1
  • INM:CM3
  • IPSL:CM4
  • LASG:FGOALS-G1_0
  • MPIM:ECHAM5
  • MRI:CGCM2_3_2
  • NASA:GISS-AOM
  • NASA:GISS-EH
  • NASA:GISS-ER
  • NCAR:CCSM3
  • NCAR:PCM
  • NIES:MIROC3_2-HI
  • NIES:MIROC3_2-MED
  • UKMO:HADCM3
  • UKMO:HADGEM1

Climate feedback

Merupakan mekanisme interaksi  antara proses-proses yang terjadi di sistem iklim, proses tersebut disebut proses timbal-balik jika suatu proses mempengaruhi perubahan proses yang lain dan proses yang lain tersebut juga akan mempengaruhi proses yang pertama tadi.Proses timbal-balik positif terjadi jika memperkuat proses awal, sedang proses timbal-balik negatif akan mengurangi proses awal.

Climate prediction/Prediksi Iklim

Prediksi iklim atau prakiraan iklim adalah hasil  sebagai upaya untuk menghaislkan suatu estimasi dari evolusi aktual kondisi iklim dimasa depan, sebagai contoh, musiman,inter-tahunan, atau skala lebih panjang.

Climate projection/Proyeksi Iklim

Suatu proyeksi merupakan respon dari sistem iklim untuk emisi atau skenario konsentrasi dari GHG dan aerosol  atau  seknario radiative forcing ,sering disimulasikan oleh model iklim.

Proyeksi iklim berbeda dengan prediksi iklim terutama pada penekanan proyeksi iklim berdasarkan skenario emisi/konsentrasi/radiasi yang digunakan, yang berdasarkan asumsi, sebagai contoh, pengembanagn sosial-ekonomi dan teknologi yang bisa terealisasi dan bisa juga tidak sehingga menimbulkan ketidakpastian.

Climate scenario/Skenario Iklim

Refresentasi sederhana dan logis tentang keadaan iklim masa depan, berdasarkan hubungan yang konsisten dari parameter klimatologi  yang dibangun secara ekplisit digunakan dalam investigasi untuk  konsekuensi potensial dari perubahan iklim antropogenik, yang sering sebagai input untuk model. Proyeksi iklim sering digunakan untuk bahan dasar untuk membangun skenario iklim, tetapi skenario iklim  biasanya memerlukan tambahan informasi seperti pengamatan iklim .

Climate sensitivity/ Sensitivitas Iklim

Sensitivitas iklim merupakan istilah yang digunakan untuk dalam laporan IPCC equilibrium climate sensitivity merujuk pada perubahan keseimbangan rata-rata tahunan temperatur permukaan global yang diikuti oleh konsentrasi CO2 sebanyak 2 kalipat di atmosfer. Akibat keterbatasan komputasi, sensitivitas ekuilibrum iklim dalam model iklim biasanya diestimasi dengan menjalankan model sirkulasi kopel global atmosfer untuk suatu model laut mixed-layer, sebab sensitivitas ekuilibrum iklim sebagain besar ditentukan oleh proses atmosfer.

Climate system/Sistim Iklim

Sistim iklim merupakan sistem komplek yang terdiri dari lima komponen utama: atmosphere, hydrosphere,cryosphere, daratan, biosphere, dan interkasi dianataranya. Sistem iklim meningkat dalam waktu dan dipengaruhi oleh dinamika internal dan  gaya luar seperti letusan gunung api, variasi matahari, pengaruh  anthropogenic ( misalnya: perubahan komposisi atmosfer dan perubahan lahan).

Climate variability/Variabilitas Iklim

Variabilitas iklim merujuk pada variasi pada keadaan rata-rata dan statistik ( standard deviasi,kejadian ektrim)  dari iklim pada semua skala spasial dan temporal dimana peristiwa tersebut terjadi.

Variabilitas bisa disebabkan oleh proses internal dengan sistem iklim (variabilitas internal), atau variasi natural atau anthropogenic external forcing (variabilitas ekternal).

Projection/Proyeksi

Suatu evolusi potensial masa depan dari suatu kuantitas atau seperangkat kuantitas, yang sering dihitung dengan bantuan model. Proyeksi berbeda dengan prediksi dalam hal bahwa proyeksi memasukan asumsi yang berkaitan, contoh keadaan sosial-ekonomi, pengembangan teknologi yang mungkin terealisasi dan tidak sehingga menimbulkan ketidakpastian.

Scenario

Deskripsi sederhana dan logis dari bagaimana masa depan terjadi, berdasarkan seperangkat asumsi internal yang konsisten dan koheren tentang driving forces dan yang memiliki key relationships.

skenario Emisi

Skenario Emisi merupakan representasi yang logis dari peningkatan emisi masa depan yang merupakan subtansi sebagai potensi radiatif aktif ( greenhouse gases, aerosols), hal tersebut berdasarkan seperangkat asumsi internal yang konsisten dan koheren tentang driving forces (misalnya demografi dan pengembangan sosial-ekonomi, perubahan teknologi ) dan hubungan diantaranya.

Concentration scenarios, berasal dari skenario emisi yang digunakan sebagai input  untuk climate model  untuk menghitung  proyeksi iklim. Dalam IPCC (1992)  merupakan seperangkat emisi yang merefresentasikan dan digunakan sebagai basis proyeksi iklim IPCC (1996). Emisi-emisi tersebut disebut  IS92 scenarios. Dalam  IPCC Special Report on Emission Scenarios (Nakic4enovic4 and Swart, 2000)  terdapat emisi baru disebut skenario SRES.

Assessment Reports /Laporan Penilaian

Sesuai dengan mandat yang ditegaskan dalam panel, IPCC secara teratur an komprehensif mengeluarkan Assessment Reports /Laporan Penilaian mencakup: saintifik, teknik dan informasi sosial-ekonomi yang berhubungan untuk memahami pengaruh manusia terhadap perubahan iklim, potensi pengaruh perubahan iklim dan berbagai cara untuk mitigasi dan adaptasi. Empat  Assessment Reports telah diselesaikan tahun : 1990, 1995, 2001 and 2007.

Sebagai contohnya, The Fourth Assessment Report “Climate Change 2007″ terdiri dari 4 volume dengan berbagai variasi kntribusidiluncurkan bulan November 2007.

Assessment Reports biasanya dipublikasikan dalam beberapa volume, satu untuk tiap Kelompok Kerja (Working Groups), sedangkan materi yang diputuskan oleh Panel, atau Synthesis Report.

Tiap volume yang dihasilkan oleh Working Group terdiri dari  individual chapters, an optional technical summary dan Summary for Policymakers. Sedangkan ,Synthesis Reports merupakan sintesis material berisi Assessment Reports, dan materia lainnya yang berupa kilasan serta rangkuman. Ditulis tidak terlalu teknis mengingat akan gunakan untuk pengambil kebijakan.

Laporan lainnya berupa Special Reports  atau Laporan Khusus yang disiapkan untuk topik tertentu misalnya tentang penerbangan, pengaruh regional dari perubahan iklim, transfer teknologi,skenario emisi, penggunaan lahan, perubahan penggunaan lahan dan hutan, konentrasi CO2 dan hubungannya dengan lapisan ozon serta sistem iklim global.

global-climate

global-climate

Gambar diatas menunjukan bagaimana jika skenario tersebut dijalankan dan pengaruhnya terhadap (a) Emisi Co2,(b)Konsentrasi Co2, (c) Emisi SO2,(d)Perubahan Temperatur, (e)Kenaikan Permukaan Laut. Khusus untuk gambar (d) dan (e) terdapat rentang kemungkinan hasil model. Gambar (e) menunjukan rentang yang sangat besar hasil semua model SRES (selubung garis hitam paling luar), beberapa model SRES (selubung yang berwarna abu-abu, serta rata-rata model SRES ( selubung warna abu-abu yang lebih gelap). Sedangkan berbagai garis yang beraneka warna menunjukan rentang hasil model dari skenario masing-masing, misal warna garis merah solid merupakan skenario model A1B maka rentangan hasil model untuk skenario A1B setinggi garis tersebut,begitu pula garis yang lain.

Kritikan

Skenario SRES mendapat kritikan tajam dari Ian Castles, manatan ahli statistik Australia dan David Henderson, mantan ekonom dari  OECD. Inti kritikan mereka adalah penggunaan market exchange rates (MER)  untuk perbandingan internasional , sebagai gantinya dapat digunakan PPP exchange rate  untuk mengkoreksi  perbedaan dalam  transaksi energi.  Perdebatan tersebut  terus berlangsung sampai saat ini.

Menurut Ian Catles dan David Henderson, penggunaan  MER di  skenario SRES scenarios akan menekan perbedaan pendapatan untuk saat ini dan  terjadi  overestimate mengenai pertumbuhan ekonomi dimasa datang dinegara berkembang, akibatnya hal ini jug akan mendorong overestimate emisi GHG di masa depan. Akibatnya, IPCC harus membuat perubahan iklim yang lebih dramatik daripada yang diproyeksikan sekarang.

Akan tetapi, perbedaan dalam pertumbuhan ekonomi akan diimbangi oleh perbedaan dalam intensitas energi. Beberpa ahli mengatakan bahwa efeknya akan salaing menghilangkan secara penuh, sebagain mengatakan akan saling menghilangkan sebagian.  Sehingga secara keseluruhan, pengaruh perubahan MER menjadi PPP akan memiliki efek minimum pada karbondioksida di atmosfer.

Bahkan jika perubahan iklim global tidak berpengaruh, hakl tersebut ditentang bahwa distribusi emisi regional dan pendapatan  sangat berbeda antara skenario MER dan  PPP. Perdebatan ini dipengaruhi debat politik, dalam skenario PPP, Cina dan India lebih kecil sumbangsihnya untuk emisi global. Hal tersbeut juga menimbulkan pengaruh vulnerability pad aoerubahan iklim  dalam suatu skenario PPP, negara-negara miskin tumbuh lebih lambat dan akan mengalami akibat yang lebih besar.

Untuk download data IPCC:

http://www.ipcc-data.org/sres/gcm_data.html

Reference:

  1. J. Leggett, W.J. Pepper, R.J. Swart, J. Edmonds, L.G. Meira Filho, I. Mintzer, M.X. Wang, and J. Watson. 1992. “Emissions Scenarios for the IPCC: an Update”, Climate Change 1992: The Supplementary Report to The IPCC Scientific Assessment, Cambridge University Press, UK, pp. 68-95
  2. W. J. Pepper, R.J. Leggett, R.J. Swart, J. Wasson, J. Edmonds and I. Mintzer. 1992. “Emission Scenarios for the IPCC An Update, Assumptions, Methodology, and Results”, US Environmental Protection Agency, Washington, D.C.
  3. Brandt and Farrell (2007, Climatic Change, 84: 241-363)
  4. “Climate Change 2007: The Physical Science Basis – Summary for Policymakers”. Intergovernmental Panel on Climate Change (2007). Retrieved on 2007-02-02. Letters to the IPCC
  5. Castles and Henderson (2003), Energy and Environment, 14:159-185
  6. Castles and Henderson (2003), Energy and Environment, 14:415-435
  7. Nordhaus (2007), Energy Economics, 29:349-372
  8. Economist (Feb 13, 2003) Hot Potato: The IPCC had better check its calculations,
  9. Economist (Nov 6, 2003) Hot Potato Revisited: A lack-of-progress report on the IPCC
  10. Economist (May 27, 2004) Measuring Economies: Garbage In, Garbage Out
  11. Gruebler et al. (2004), Energy and Environment, 15:11-24
  12. Holtsmark and Alfsen (2005), Climatic Change, 68:11-19
  13. Manne et al. (2005), Climatic Change, 71:1-8
  14. 14.  Tol (2006), Climatic Change, 75:59-80

Posted in Global Climate Change, Meteorologi, Umum | Dengan kaitkata: , , | 5 Comments »

 
Ikuti

Get every new post delivered to your Inbox.

Bergabunglah dengan 40 pengikut lainnya.