Kadarsah

Meteorologi dan Sains Atmosfer

Archive for the ‘NWP’ 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 »

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 »

Forecast Verification (Verifikasi Prakiraan)

Posted by kadarsah pada Februari 24, 2009

Forecast Verification atau Verifikasi Prakiraan merupakan proses dalam menentukan kualitas prakiraan. Proses ini dilakukan sejak tahun 1884(Muller,1944) yang juga dilakukan oleh Murphy, 1933 dengan metode yang berbeda.

Terdapat  tiga alasan utama mengapa verifikasi prakiraan harus dilakukan:
  • memantau kualitas ramalan , seberapa akurat metode yang digunakan serta bagaimana kualitasnya  seiring waktu?
  • meningkatkan kualitas
  • membandingkan kualitas sistem ramalan dari beberapa sistem prediksi yang berbeda
Allan Murphy, seorang pionir dalam bidang  verifikasi prakiraan , menulis tentang apa yang dimaksud dengan membuat prakiraan yang baik (Murphy, 1993). Terdapat tiga hal utama apa yang dimaksud dengan suatu prakiraan yang baik/bagus, yaitu:
  • Konsistensi : tingkat kesesuaian yang  prakiraan dengan situasi serta kondisi yang terjadi secara terus menerus
  • Kualitas: tingkat hasil prakiraan  yang setepat atau seakurat mungkin dengan kondisi sebenarnya
  • Value : tingkat  hasil prakiraan yang memberi manfaat bagi kondisi yang sebenarnya

Sembilan hal utama yang mempengaruhi kualitas prakiraan (Murphy):

  1. Bias – yang berhubungan dengan rata-rata observasi dengan rata-rata ramalan
  2. Association – kekuatan linear hubungan antara prakiraan dan pengamatan (misalnya, tindakan ini koefisien korelasi linear hubungan)
  3. Keakuratan – tingkat kesesuaian antara prakiraan dengan obser dan kebenaran (seperti yang diwakili oleh observasi). Perbedaan antara ramalan dan pengamatan adalah kesalahan. Semakin rendah kesalahan, akurasi yang lebih besar.
  4. Skill – tingkat akurasi prakiraan dari beberapa referensi prakiraan.
  5. Reliabilitas – rata-rata kesesuaian antara  prakiraan dengan nilai observasi.
  6. Resolusi – kemampuan prakiraan untuk  menyelesaikan rangkaian metode sub perangkat dengan frekuensi distribusi yang berbeda.
  7. Sharpness – kecenderungan ramalan untuk memprediksi nilai-nilai ekstrim.
  8. Diskriminasi – kemampuan ramalan  untuk membedakan antar berbagai observasi, yaitu untuk mendapatkan prediksi frekuensi yang lebih tinggi .
  9. Ketidakpastian –  variabilitas dari pengamatan. Makin besar ketidakpastian, semakin sulit ramalan .
Sumber:
Murphy, A.H., 1993: What is a good forecast? An essay on the nature of goodness in weather forecasting. Wea. Forecasting, 8, 281-293.
Recommendations on the verification of local weather forecasts

Posted in NWP | Leave a Comment »

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 »

Persamaan NWP

Posted by kadarsah pada Februari 5, 2009

Persamaan-persamaan paling dasar dalam NWP bisa dibuat seperti ini:

eq1keterangan:

Δx=Perubahan variabel prediksi pada saat ruang dan waktu tertentu

Δt=perubahan waktu (seberapa jauh prediksi akan dilakukan)

F(x)= Semua proses yang dapat menyebabkan variabel X berubah

Persamaan diatas dapat diterjemahkan secara lengkap sebagai berikut:

“Perubahan dalam memprediksi varibel X selama periode waktu Δt merupakan efek kumulatif dari semua proses yang menyebabkan X berubah”

Dalam prediksi cuaca numerik, nilai variabel meteorologi yang diprediksi, dilakukan dengan cara mencari nilai awal dan kemudian menambahkan pengaruh fisika yang bekerja pada variabel tersebut pada rentang waktu prediksi.

X prediksi=Xawal+F(x).Δt

Persamaan-persamaan dasar NWP:

persamaan_primitif

Jika kita lebih detail lagi melihat persamaan-persamaan tersebut adalah:

Untuk persamaan 1a.

per_angin_barat_timur1

persamaan 1b:

per_angin_u_s1

Persamaan 2( kontinuitas):

kontinuitas

Posted in NWP | 1 Comment »

NWP

Posted by kadarsah pada Desember 17, 2008

Tugas , 24 Desember 2008

skema-konveksi-dalam-model1

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

Test pendahuluan  I  praktikum NWP

  1. Apa singkatan GrADS?
  2. Selain GrADS, software lainnya yang sejenis yang digunakan untuk visualisasi data dan gratis?
  3. Sebutkan dua format data yang anda ketahui?
  4. Apa yang disebut NetCDF?
  5. Bagaimana menjalankan pertama kali GrADS

Test pendahuluan  II praktikum NWP

Tugas pendahuluan

  1. Apa yang dimaksud dengan Hovmoller plot dan buatlah plot Hovmoller tersebut dengan GrADS dan dengan menggunakan data yang telah diberikan!
  2. Berikut merupakan pilihan set gxout:

  • Bar
  • barb
  • contour
  • errbar
  • grfill
  • fgrid
  • fwrite
  • grid
  • line
  • linefill
  • print
  • scatter
  • shaded
  • stream
  • stat
  • vector

3. Apa perbedaan d mag(u,v) dan d hcurl(u,v) ( bisa diperjelas dengan gambar)?
4. Apa yang dimaksud set ccols dan set clevs serta untuk apa?
5. Dalam GrADS bagaimana perintah untuk menuliskan korelasi spasial dan korelasi temporal . ( Gunakan perintah tersebut dalam data yang telah diberikan!)

Test pendahuluan  III praktikum NWP

Berdasarkan data yang telah diberikan yaitu atm.2006050100 dan dengan menggunakan GrADS jawablah pertanyaan berikut:

1. variable data tersebut bernama?

2. File descriptornya?

3. file binary?

4. Type file?

5. berapa jumlah variabelnya?

6. sebutkan dimensi output modelnya (X,Y,Z)?

7. sebutkan dimensi waktu output modelnya?

8. sebutkan 5 variabel dalam data tersebut

9. Dalam ouput data tersebut T=1 merupakan tanggal?

10.Bagaimana membuat animasi dalam GrADS?

11.bagaimana perintah untuk mencetak (menyimpan) gambar?

12.Fungsi perintah fwrite untuk apa?

Catatan:

-Kerjakan dan dikumpulkan sebelum mulai praktikum

-Pengumpulan bisa melalui email atau melalui kertas biasa

Pengumuman:

Tema presentasi:

1. Sejarah NWP, aplikasi serta peranannya saat ini.

2. Model-model NWP yang digunakan saat ini

3. Persamaan dasar, skema,parameterisasi NWP

4. Visualisasi data hasil ouput NWP ( misal dengan GrADS,Matlab,IDL)

5. Sistim iklim, unsur cuaca, dan faktor pengendali iklim

6. Interpolasi, ektrapolasi, pengisian data kosong, asimilasi data, rata-rata, deviasi.

7. Perkembangan model sirkulasi atmosfer

jadwal

Tanggal 9 Februari 2009

nilai_akhir_nwp1

Posted in NWP | Leave a Comment »

Kinerja Supercomputer TSUBAME Pada WRF

Posted by kadarsah pada Agustus 30, 2007

Tsubame merupakan salah satu superkomputer dengan kinerja sangat tinggi didunia dan masuk top500. Superkomputer ini berada di Tokyo Institute of Technology yang digunakan untuk berbagai riset, dari mulai pemodelan meteorologi, simulasi nuklir, mesin dlln.

tsubame-pig

Gambar 1.Ruangan TSUBAME di Tokyo Istitute of Technology

Data singkat tentang TSUBAME adalah seperti yang di tunjukan tabel dibawah:

OS

SUSE Linux Enterprise Server 9

System Model

Sun Fire x4600 Cluster

CPU

AMD Dual-Core Opteron

639 nodes

2.4GHz/CPU

16 nodes

2.6GHz/CPU

Memory

21.4TB

Stretch

1PB

Compiler

PGI Cluster Develogmen Kit

Kinerja maksimum

85 TFLOPS

Kinerja rata-rata

47.38 TFLOPS

Berikut uji kinerja TSUBAME yang dilakukan pada WRF ( The Weather Research and Forecasting). Dengan simulasi curah hujan Indonesia selama satu bulan ( Januari 2006).

Dengan domain:

domain2.png

Gambar 2.Domain model yang dibantu oleh software dari WRF

dan data dari NCEP Final Analysis:

ncep.png

Berikut tabel waktu yang diperlukan pada saat simulasi, dengan menggunakan berbagai jumlah CPU ( contoh 1 CPU=720 menit, 4 CPU= 340 menit, 128 CPU= 29 menit).Sedangkan idelisasi merupakan tingkat waktu yang diperlukan untuk menyelesaikan suatu simulasi secara ideal.

Nilai R di dapat hasil waktu yang diperlukan 1 CPU untuk menyelesaikan suatu simulasi dibagi dengan jumlah CPU yang digunakan. Contoh, waktu yang digunakan 1 CPU selama 720 menit, maka nilai R saat digunakan satu 2 CPU (720/490)=1.47 menit.

waktu-tsubame.png

Untuk lebih jelasnya dapat dilihat dari grafik berikut:

cpu.png

Dari grafik tersebut terlihat bahwa penambahan jumlah CPU tidak secara signifikan meningkatkan kinerja dalam menyelesaikan suatu simulasi ( memerlukan waktu yang lebih sedikit). Penambahan yang signifikan terjadi sampai dengan jumlah CPU mencapai 32-64 buah. Jadi dengan mempertimbangkan hal ini maka simulasi sebaiknya menggunakan 32-64 buah CPU sehingga sisa CPU lain dapat digunakan untuk keperluan lainnya.

FLOPS

Pengertian FLOPS (http://id.wikipedia.org/wiki/TFLOPS):

FLOPS adalah singkatan dari istilah dalam bahasa Inggris Floating point Operations Per Second yang merujuk pada satuan untuk jumlah perhitungan yang dapat dilakukan oleh sebuah perangkat komputasi (dalam hal ini adalah komputer) terhadap bilangan pecahan (floating point) tiap satu satuan waktu. FLOPS merupakan satuan pengukuran kecepatan kinerja suatu mikroprosesor biasanya dalam aplikasi ilmiah (scientific application), seperti untuk menghitung/mensimulasikan data pergerakan Bumi secara waktu nyata. Sebagai contoh, superkomputer Cray 1 mempunyai kemampuan untuk melakukan kalkulasi sebanyak 80 juta kalkulasi terhadap bilangan pecahan dalam 1 detik, dan dapat dinyatakan dalam satuan 80 MFLOPS/MegaFLOPS.

10n Satuan Simbol Ekuivalen dengan angka Keterangan
24 1024 yottaflops YFLOPS 1 000 000 000 000 000 000 000 000
21 1021 zetaflops ZFLOPS 1 000 000 000 000 000 000 000 890 ZFLOPS itu adalah total hasil kalkulasi proyek komputasi terdistribusi seti@home sejak diluncurkan dari 17 Mei 1999 hingga Juli 2001.
18 1018 exaflops EFLOPS 1 000 000 000 000 000 000
15 1015 petaflops PFLOPS 1 000 000 000 000 000 Jepang berencana pada awal 2011 untuk membangun superkomputer yang berkemampuan 3 PFLOPS.
12 1012 teraflops TFLOPS 1 000 000 000 000 Superkomputer tercepat per Juni 2005 Bluegene/L mempunyai kemampuan kalkulasi 136.8 TeraFLOPS. Proyek komputasi terdistribusi seti@home berkemampuan 100 TFLOPS. Proyek komputasi terdistribusi folding@home berkemampuan 200 TFLOPS, sedangkan GIMPS yang melakukan pencarian terhadap bilangan prima Mersenne berkemampuan 17 TFLOPS. PlayStation 3 sendiri memiliki kemampuan 2 TFLOPS.
9 109 gigaflops GFLOPS 1 000 000 000 Kemampuan rata-rata sebuah komputer pribadi berbasis prosesor Intel Pentium 4 adalah 1.3 GFLOPS.
6 106 megaflops MFLOPS 1 000 000 Superkomputer Cray-1 mempunyai kemampuan kalkulasi 80 MFLOPS
3 103 kiloflops kFLOPS 1 000
2 102 hektoflops hFLOPS 100
1 101 dekaflops daFLOPS 10
0 100 tidak ada tidak ada 1 Kalkulator saku memiliki kemampuan 10 FLOPS jika waktu respons operatornya diasumsikan 0.1 detik.
-3 10-3 milliflops mFLOPS 0.001 Manusia adalah pemroses bilangan pecahan terburuk terburuk. Dicatat, membutuhkan 25 menit bagi manusia untuk menghitung pembagian bilangan pecahan dengan presisi 10 digit menggunakan pensil dan kertas. Manusia melakukan perhitungan dalam skala milliFLOPS.

Untuk saat ini 6 Juni 2008 , TSUBAME memilik kemampuan 56.43 TFLOPS (56430 GFLOPS) sedangkan kemampuan rata-rata sebuah komputer pribadi berbasis prosesor Intel Pentium 4 adalah 1.3 GFLOPS. Dengan membagi 56430 dengan 1.3 didapat 43407, sehingga kemampuan TSUBAME setara 43 407 buah komputer pribadi.

Posted in Meteorologi, Model Meteorologi, NWP | Leave a Comment »