Asimilasi Data

Asimilasi Data

Asimilasi data merupakan teknik pencampuran data dari sumber yang berbeda dengan tujuan untuk memproduksi seperangkat data baru yang konsisten dengan keadaan atmosfer.

Metode asimilasi data terbaru, adalah mengekstrak informasi kondisi atmosfer dari observasi dan mengkombinasikannya dengan informasi dari model prediksi dan metode in imerupakan metode yang sangat powerful dalam pengembangan prediksi cuaca.

Data observasi yang bisa digunakan adalah data satelit, masalah utama yang dihadapi adalah faktor apa saja yang diperlukan dan bagaimana menggunakan data observasi satelit dalam asimilasi data.

1. Jumlah informasi yang tersedia dari data observasi meteorologi

2. Jumlah informasi yang bisa di ambil oleh satelit dari data real meteorologi yang tersedia.

Beberapa hal yangharus diperhatikan:

1. kapan dan dimana observasi berlangsung

2. bagaimana akurasi prediksi untuk tempat dan lokasi

Dengan kata lain, informasi yang berasal dari observasi bergantung dari jumlah dan kualitas observasi serta ketidakpastian prediksi.

Asimilasi data dimulai saat asimilasi data dalam bidang atmosfer terjadi tahun 1960-1970 dengan tokoh terkenalnya adalah Gandin. Awalnya, asimilasi data atmosfer tersebut digunakan untuk mendefinisikan “objective” dari initial conditions untuk model NWP (Numerical Weather Prediction, Prediksi Numerik Cuaca), sehingga terminologinya sering disebut menjadi “objective analysis”. Saat ini, asimilasi data digunakan untuk mendefinisikan initial conditions yang optimal untuk NWP,iklim,hidrologi,lautan,daratan,kanopi, transport polusi dan model bio-geofisika.

Metode asimilasi data yang terbaru, dapat digunakan untuk mengestimasi dan memperbaiki kesalahan model (model error estimation) serta mendefinisikan parameter empirik yang optimal.

Model dinamik bergantung setidaknya pada beberapa parameter berikut: initial conditions, error model, parameter empirik model dan boundary conditions. Ketidakakuratan prediksi dipengaruhi oleh kelemahan kita dalam memahami paramter-parameter diatas. Sistem dinamik non linear chaotic alami , misalnya terdapat dalam cuaca dan iklim, geosains, yang semuanya memiliki karakter suatu sistem dinamik. Proses pencampuran data dari observasi dengan model dinamik memerlukan pengetahuan dari berbagai disiplin ilmu matematika dan fisika yang terdiri dari: teori probabilitas, teori estimasi, teori kontrol,teori dinamik non linear dan teori chaos. Pengembangan metodologi yang akan digunakan untuk estimasi suatu sistem dinamik , misalnya MLEF ( Maximum Likehood Ensemble Filter) untuk aplikasi cuaca, iklim dan siklus karbon mutlak memerlukan seperangkat teori di atas.

Data asimilasi digunakan secara optimal dengan cara mengkombinasikan observasi dan model prediksi dinamik untuk meningkatkan estimasi  kondisi masa yang akan datang, dengan menggunakan kondisi saat ini, seperti ditunjukan gambar di atas.

• Beberapa metode: metode variasional (3d-var,4d-var) dan Kalman filter (Classical Kalman Filter (KF), Extended Kalman Filter (EKF) dan Ensemble Kalman Filter (EnKF)).
• Sedangkan EnKF terdiri dari minimum variance solution (Monte Carlo EnKF,EnKF,Hybrid EnKF,EAKF,ETKF,EnSRF,LEKF,LETKF,SEEK Filter) dan maximum likelihood solution (MLEF).

Gambar dibawah menunjukkan  aplikasi penggunaan metode-metode diatas dan dibandingkan dengan observasi. Perbandingan dilakukan untuk front ( panel atas) dan hurricane ( panel bawah) . Masing-masing panel tersebut menunjukan hasil observasi (kiri ) dan dibandingkan dengan hasil prediksi menggunakan metode 3D-Var ( tengah ) dan Ensemble Filter ( kanan).

Contoh lainnya adalah aplikasi data untuk total kelembaban seperti gambar di bawah.

Contoh program yang bisa digunakan di:

ftp://ftp.cira.colostate.edu/Zupanski/ICTP_Lecture_2008/mlef-V1.2.tar

Eta Model

Model Eta merupakan salah satu model yang digunakan di meteorologi, nama ini berasal dari huruf Yunani η (eta). Huruf eta ini melambangkan koordinat vertikal ( Mesinger, 1984). Yang secara matematika memiliki persamaan sebagai berikut:

Keterangan:

P=tekanan atmosfer

Ps=tekanan permukaan atmosfer

Pt=tekanan puncak atmosfer

Pref=tekanan referensi atmosfer

(Zs)=ketinggian atmosfer dengan tinggi z

(0)=ketinggian atmosfer 0

Gambar berikut menunjukan distribusi lapisan Eta Model untuk lapisan sebanyak 50 (kiri) dan 60 lapisan ( kanan).

Model memiliki variabel prognostik: tekanan permukaan, komponen angin horisontal, temperatur, kelembaban spesifik, energi kinetik turbulensi dan hidrometeor awan. Model –model tersebut di distribusikan menggunakan Arakawa E-grid.

Model Eta telah lama di kembangkan dan dijadikan untuk keperluan riset dan operasional.  Model ini berasal dari  Hydrometeorological Institute and Belgrade University atau disingkat HIBU model. Model ini dikembangkan sekitar tahun 1970-an di Yugoslavia oleh Mesinger dan Janjic (1974). Tahun 1980-an, model dikembangkan dengan menggunakan skema adveksi horisontal Arakawa oleh Janjic (1984), kemudian dibuat dengan versi lain yang menggunakan koordinat vertikal eta ( Mesinger, 1988), sesudah itu dikembangkan oleh NCEP dengan menggunakan seperangkat persamaan-persamaan fisika ( Janjic 1990,Mesinger dan Lobocki 1991). Ncep menggunakan untuk tujuan operasional pada tanggal 8 Juni 1993 ( Black 1994). Dalam berbagai versi, model Eta di gunakan secara luas dinegara-begara berikut:Algeria, Argentina, Belgia,Brazil, Kamerun,Cina,Kosta Rika,Ciprus, Ceko,Denmark,Mesir, Finlandia, German, Yunani,Islandia, India, Israel, Italia, Malta,Tunisia, Turki,Peru,Filipina,Serbia, Montenegro, Afrika Selatan, Spanyol, Swedia dan Amerika Serikat.

Model Eta memiliki fitur utama dinamik sebagai berikut:

• Memiliki opsi non-hidrostatik (Janjic dkk,2001)
• Kekalan energi ditransformasikan antara energi potensial dan energi kinetik dalam perbedaan ruang ( Mesinger, 1988).
• Kondisi boundary lateral  ditentukan sepanjang garis tunggal dari grid point. Semua variabel ditentukan pada titik inflow, sedangkan pada titik outflow komponen kecepatan tangensial  di ektrapolasi dari sisi bagian dalam domain model, sementara variabel lain ditentukan bersamaan . Tidak ada relaksasi boundary ( Mesinger 1977).
• Skema Arakawa digunakan dalam pendekatan diferensi ruang, konservasi entrofi  dan energi, sebagaimana didefinisikan pada C-grid, adveksi horisontal  dengan barotrofik nondivergen merupakan bagian dari aliran ( Janjic 1984), dengan demikian penguatan batasan yang kuat pada  pancaran sistematik energi yang salah mendekati skala yang lebih kecil.
• Skema forward-backward untuk diferensi waktu dari gelombang gravitasi dimodifikasi  sebagai tekanan pemisah dari solusi pada dua C-subgrid dari model E-grid ( Mesinger 1974, Janjic 1979).
• Koordinat vertikal eta ( Mesinger 1984), terjadi dalam permukaan koordinat quasi-horisontal dan kemudian mencegah  eror dari gaya gradien tekanan yang diakibatkan topografi yang curam dibanding  yang terjadi ketika menggunakan koordinat  terrain-following.

Sedangkan  fitur utama fisik terdiri  beberapa pilihan ( berasal dari pengembangan dan perbaikan) :

• Skema konveksi : Betts-Miller ( Betts dan Miller (1986), Betts-Miller-Janjic ( Janjic 1994), atau Kain-Fritsch ( Kain 2004).
• Skema mikrofisika awan :skema Ferrier ( Ferrier dkk, 2002).
• Skema radiasi : SW-Lacis dan Hansen (1974) atau LW-Fels dan Schwarzkopf (1975).
• Skema permukaan tanah: Noah( Chen dkk, 1997) dengan 12 tipe vegetasi , 7 tipe tekstur tanah dan 4 lapis tanah.
• Skema turbulensi dan PBL: Skema Mellor-Yamada 2.5, teori similaritas Monin-Obukhov di lapisan permukaan dengan fungsi stabilitas Paulson.
• Model  Eta telah sukses digunakan dalam prediksi cuaca regional,aplikasi prediksi cuaca numerik, iklim regional dam prediksi musiman.

Sebagai contoh bisa terlihat hasil output Model Eta berikut ini:

Hasil Keluaran Model Eta Dalam Berbagai Skema

Keterangan gambar:

• a. Akumulasi curah hujan selama 24 jam dengan menggunakan skema konveksi Betts-Miller-Janjic (BMJ) dan koordinat vertikal Eta.
• b.Akumulasi curah hujan selama 48 jam dengan menggunakan skema konveksi Betts-Miller-Janjic (BMJ) dan koordinat vertikal Eta.
• c. Sama dengan Gambar a tetapi menggunakan skema konveksi Kain-Fritsch (KF).
• d.Sama dengan Gambar b tetapi menggunakan skema konveksi Kain-Fritsch (KF).
• e.Sama dengan Gambar a tetapi menggunakan skema koordinat vertikal sigma.
• f.Sama dengan Gambar b tetapi menggunakan skema koordinat vertikal sigma.
• g. Sama dengan Gambar c tetapi menggunakan skema koordinat vertikal sigma.
• h.e.Sama dengan Gambar d tetapi menggunakan skema koordinat vertikal sigma

Sebagai pembanding digunakan data observasi dari . Gambar I dan II digunakan sebagai data observasi  berturut-turut untuk keluaran model akumulasi curah hujan  24 jam dan 48 jam,

Seting model di buat sebagai berikut:

Seting model secara umum dibuat sebagai berikut:

• Titik koordinat tengah domain: 0 (latitude) ,115 E (longitude).
• Dimensi :119 x 169 x 38 grid (model top 25 hPa)
• Resolusi : 30 km
• Boundary lateral: update tiap 6 jam (GFS)
• Inisial condition: interpolasi dari NCEP GFS 1̊ lat/lon grid GRIB data
• GFS2 data : 25 Agustus 2008-10-17
• Resolusi temporal:48 jam
• Resolusi horisontal: 30 km
• Time step: 90 detik
• Nonhidrostatik
• FSS:1.1
• FEFI=EFMNT+SLOPE(EFI-EFIMN)

Sedang model fisik:

• surface layer: teori similaritas Monin-Obukhov di lapisan permukaan dengan fungsi stabilitas Paulson.
• land surface model: 4-layer thermal diffusion
• TKE prognostic: Skema Mellor-Yamada 2.
• Radiasi : skema GFL
• Mikrofisika awan: skema Ferrair

Parameter Eta Model:

Number of Variables = 51

• no4lftx180_0mb 0 132 ** 180-0 mb above gnd Best (4-layer) lifted index [K]
• acpcpsfc 0 63 ** surface Convective precipitation [kg/m^2]
• albdosfc 0 84 ** surface Albedo [%]
• apcpsfc 0 61 ** surface Total precipitation [kg/m^2]
• cfrzrsfc 0 141 ** surface Categorical freezing rain [yes=1;no=0]
• cicepsfc 0 142 ** surface Categorical ice pellets [yes=1;no=0]
• crainsfc 0 140 ** surface Categorical rain [yes=1;no=0]
• csnowsfc 0 143 ** surface Categorical snow [yes=1;no=0]
• dlwrfsfc 0 205 ** surface Downward long wave flux [W/m^2]
• dptprs 13 17 ** Dew point temp. [K]
• dpt2m 0 17 ** 2 m Dew point temp. [K]
• dpthbl 10 17 ** Dew point temp. [K]
• dswrfsfc 0 204 ** surface Downward short wave flux [W/m^2]
• hgtsfc 0 7 ** surface Geopotential height [gpm]
• hgtprs 39 7 ** Geopotential height [gpm]
• hgthbl 10 7 ** Geopotential height [gpm]
• icecsfc 0 91 ** surface Ice concentration (ice=1;no ice=0) [fraction]
• landsfc 0 81 ** surface Land cover (land=1;sea=0) [fraction]
• lhtflsfc 0 121 ** surface Latent heat flux [W/m^2]
• msletmsl 0 130 ** Mean sea level pressure (ETA model) [Pa]
• ncpcpsfc 0 62 ** surface Large scale precipitation [kg/m^2]
• pot10m 0 13 ** 10 m Potential temp. [K]
• pressfc 0 1 ** surface Pressure [Pa]
• preshbl 10 1 ** Pressure [Pa]
• prmslmsl 0 2 ** Pressure reduced to MSL [Pa]
• pwatclm 0 54 ** atmos column Precipitable water [kg/m^2]
• rhprs 39 52 ** Relative humidity [%]
• shtflsfc 0 122 ** surface Sensible heat flux [W/m^2]
• soilwsoilt 0 144 ** 0-10 cm undergnd Volumetric soil moisture [fraction]
• soilwdlr 3 144 ** Volumetric soil moisture [fraction]
• sotypsfc 0 224 ** surface Soil type (Zobler) [0..9]
• spfhprs 0 51 ** Specific humidity [kg/kg]
• tmpsfc 0 11 ** surface Temp. [K]
• tmpprs 39 11 ** Temp. [K]
• tmp2m 0 11 ** 2 m Temp. [K]
• tmphbl 10 11 ** Temp. [K]
• tmp30_0mb 0 11 ** 30-0 mb above gnd Temp. [K]
• tsoilsoilt 0 85 ** 0-10 cm undergnd Soil temp. [K]
• tsoildlr 3 85 ** Soil temp. [K]
• ugrdprs 39 33 ** u wind [m/s]
• ugrd10m 0 33 ** 10 m u wind [m/s]
• ulwrfsfc 0 212 ** surface Upward long wave flux [W/m^2]
• ulwrftoa 0 212 ** top of atmos Upward long wave flux [W/m^2]
• uswrfsfc 0 211 ** surface Upward short wave flux [W/m^2]
• uswrftoa 0 211 ** top of atmos Upward short wave flux [W/m^2]
• vgrdprs 39 34 ** v wind [m/s]
• vgrd10m 0 34 ** 10 m v wind [m/s]
• vgtypsfc 0 225 ** surface Vegetation type (as in SiB) [0..13]
• vvelprs 13 39 ** Pressure vertical velocity [Pa/s]
• weasdsfc 0 65 ** surface Accum. snow [kg/m^2]
• wtmpsfc 0 80 ** surface Water temp. [K]

Tutorial dan latihan Model Eta

Referensi:

1. Black, T. L., 1994: The new NMC mesoscale Eta Model: Description and forecast examples. Weather Forecasting, 9, 265-278.
2. Chen, F., Z. Janjic, and K. Mitchell, 1997: Impact of atmospheric surface-layer parameterizations in the new land-surface scheme of the NCEP mesoscale Eta Model. Bound.-Layer Meteor., 85, 391-421.
3. Chou, S. C., J. F. Bustamante, and J. L. Gomes, 2005: Evaluation of seasonal precipitation forecasts over South America using Eta model. Nonlin. Proc. Geophys., 12, 537-555;
4. Ferrier, B. S., Y. Jin, Y. Lin, T. Black, E. Rogers, and G. DiMego, 2002: Implementation of a new grid-scale cloud and precipitation scheme in the NCEP Eta Model. 19th Conf. on Weather Analysis and Forecasting/15th Conf. on Numerical Weather Prediction, San Antonio, TX, Amer. Meteor. Soc., 280-283.
5. Janjic, Z. I., 1979: Forward-backward scheme modified to prevent two-grid-interval noise and its application in sigma coordinate models. Contrib. Atmos. Phys., 52, 69-84.
6. Janjic, Z. I., 1990: The step-mountain coordinate: Physical package. Mon. Wea. Rev., 118, 1429-1443.
7. Janjic, Z. I., 1994: The step-mountain eta coordinate model: Further developments of the convection, viscous sublayer, and turbulence closure schemes. Mon. Wea. Rev., 122, 927-945.
8. Janjic, Z. I., J. P. Gerrity Jr., and S. Nickovic, 2001: An alternative approach to nonhydrostatic modeling. Mon. Wea. Rev., 129, 1164-1178.
9. Kain, J. S., 2004: The Kain–Fritsch convective parameterization: An update. J. Appl. Meteor., 43, 170–181.
10. Mesinger, F., 1974: An economical explicit scheme which inherently prevents the false two-grid-interval wave in the forecast fields. Proc. Symp. “Difference and Spectral Methods for Atmosphere and Ocean Dynamics Problems”, Academy of Sciences, Novosibirsk 1973; Part II, 18-34.
11. Mesinger, F., 1977: Forward-backward scheme, and its use in a limited area model. Contrib. Atmos. Phys., 50, 200-210.
12. Mesinger, F., 1984: A blocking technique for representation of mountains in atmospheric models. Riv. Meteor. Aeronautica, 44, 195-202.
13. Mesinger, F., 2000: Numerical Methods: The Arakawa approach, horizontal grid, global, and limited-area modeling. General Circulation Model Development: Past, Present and Future. International Geophysics Series, Vol. 70, D. A. Randall, Ed., Academic Press, 373-419.
14. Mesinger, F., Z. I. Janjic, S. Nickovic, D. Gavrilov, and D. G. Deaven, 1988: The step-mountain coordinate: model description and performance for cases of Alpine lee cyclogenesis and for a case of an Appalachian redevelopment. Mon. Wea. Rev., 116, 1493-1518.