Analisis Perbandingan Kehandalan Data Hujan GSMaP, TRMM, GPM dan PERSIANN Terhadap Data Obsevasi Dalam Rentang Waktu Penelitian 2020 - 2021
Comparative Analysis of GSMaP, TRMM, GPM and PERSIANN Rain Data Reliability Against Observation Data in the 2020 - 2021 Research Time Range
Abstract
Abstract: The utilization of rain data from satellites can be used at points that are not caught by the observation rainfall measuring station. By comparing satellite rain data and observational rain data from previous studies from 2020 to 2021 in every region in Indonesia, the effectiveness of satellite data can be known. From the studies that have been carried out, it was found that rainfall data from GSMaP has a significant advantage in global research locations over observation data. With 7 (seven) studies using the Pearson correlation method, K-means clustering on blending data, RMSE, direct visual analysis on maps, Standardized Precipitation Index (SPI), descriptive analysis method with reference, field data with statistical average rainfall variability and simulation. Weather Research and Forecasting Advance Research (WRF-ARW) version 4.0 proves the reliability of the data. In addition, research using TRMM data shows the accuracy of observation data in the Central Java area, and also West Papua, while the GPM and PERSIANN rainfall data have accuracy in the East Nusa Tenggara area on a monthly scale. Although it has a fairly good spatial, no research represents the superiority of CHIRPS rainfall data in the range of years from observation.
Keywords: BMKG, Rain data, GSMaP, Indonesia, Satellite
Abstrak: Pemanfaatan data hujan dari satelit dapat digunakan pada titik-titik yang tidak tertangkap oleh stasiun pengukur curah hujan observasi. Dengan dilakukannya perbandingan antara data hujan satelit terhadap data hujan observasi dari penelitian terdahulu dalam rentang waktu tahun 2020 hingga 2021 pada setiap daerah di Indonesia, maka keefektifan data satelit dapat diketahui. Dari kajian yang telah dilakukan, didapatkan bahwa data hujan dari GSMaP memiliki keunggulan yang cukup signifikan pada lokasi penelitian global terhadap data observasi. Dengan 7 (tujuh) penelitian yang menggunakan metode korelasi pearson, K-means clustering pada data blending, RMSE, analisis penglihatan langsung pada peta, Standardized Precipitation Index (SPI), metode analisis deskriptif dengan referensi, data lapangan dengan variabilitas curah hujan statistik rata-rata dan Simulasi Weather Research and Forecasting Advance Research (WRF-ARW) versi 4.0 membuktikan kehandalan data tersebut. Selain itu penelitian yang menggunakan data TRMM menunjukkan keakuratan terhadap data observasi di daerah Jawa Tengah, dan juga Papua Barat, sedangkan data curah hujan GPM dan PERSIANN memiliki keakuratan pada daerah Nusa Tenggara Timur pada skala bulanan. Meskipun memiliki spasial yang cukup baik, namun belum ada penelitian yang mewakili keunggulan data curah hujan CHIRPS pada rentang tahun pengamatan.
Kata Kunci : BMKG, Data hujan, GSMaP, Indonesia, Satelit
References
[2] A. Kurniawan, "Evaluasi Pengukuran Curah Hujan Antara Hasil Pengukuran Permukaan (AWS, HELLMAN, OBS) dan Hasil Estimasi (Citra Satelit =GSMaP) Di Stasiun Klimatologi Mlati Tahun 2018", Jurnal Geografi, Edukasi dan Lingkungan (JGEL), vol. 4, no. 1, pp. 1-7, 2020.
[3] A. Bees, K. Karlina and J. Sujono, "Perbandingan Curah Hujan Satelit pada DAS Tilong Nusa Tenggara Timur Terkait Perubahan Iklim", Hdl.handle.net, 2022.
[4] M. Muhajir, N. Ismail, S. Syahreza and A. Simanjuntak, "Pemutakhiran Zona Musim (ZOM) Provinsi Aceh Menggunakan Data Blending Berbasis Non-Hirarki K-Means Clustering", Jurnal Fisika Flux: Jurnal Ilmiah Fisika FMIPA Universitas Lambung Mangkurat, vol. 18, no. 1, p. 35, 2021.
[5] D. Oktaverina, E. Suhartanto and S. Wahyuni, "Validasi Data Curah Hujan Satelit TRMM (Tropical Rainfall Measuring Mission) dengan Pos Stasiun Hujan pada Sub DAS Keduang Kabupaten Wonogiri, Provinsi Jawa Tengah", Jtresda.ub.ac.id, 2022.
[6] Z. Ruslana, R. Tresnawati, R. Rosyidah, I. Harmoko and S. Siswanto, "Reliabilitas Prediksi Curah Hujan Dasarian Pada Kejadian Curah Hujan Ekstrim Pemicu Banjir 26 Oktober 2020 di Kebumen: Model Statistik (HyBMG) versus Model Dinamik (ECMWF)", Jurnal Geosains dan Teknologi, vol. 4, no. 2, pp. 83-100, 2021.
[7] R. Hidayat, A. Susatya and H. Suhartoyo, "Analisa Spasial Kekeringan dengan Mengunakan Metode Standardized Precipitation Indeks (Spi) di Bengkulu", Ejournal.unib.ac.id, 2022.
[8] I. A. Saragih, "Identifikasi Pola Diurnal Curah Hujan di Sumatera Utara (Studi Kasus Tahun 2019)", Prosiding Seminar Nasional Fisika 2020, pp. 24-27, 2020.
[9] S. Prasetyo, "Synoptic and Mesoscale Analysis of Extreme Rainfall Event in Cilacap Meteorological Station, Indonesia on December 7, 2018", Jurnal Ilmu dan Inovasi Fisika, vol. 5, no. 2, pp. 121-131, 2021.
[10] Faisol, Arif, and Samsul Bachri. "Komparasi dan Evaluasi Data Hujan Berbasis Satelit dalam Mengestimasi Curah Hujan Harian Maksimum di Provinsi Papua Barat." Agrista: Jurnal Ilmiah Mahasiswa Agribisnis UNS, vol. 5, no. 1, 2021, pp. 534-543.
[11] "The Tropical Rainfall Measuring Mission (TRMM) | NASA Global Precipitation Measurement Mission", Gpm.nasa.gov, 2022.
[12] “Missions | NASA Global Precipitation Measurement Mission", Gpm.nasa.gov, 2022.
[13] "JAXA | Japan Aerospace Exploration Agency", JAXA | Japan Aerospace Exploration Agency, 2022.
[14] "CHRS Data Portal", Chrsdata.eng.uci.edu, 2022.
[15] "CHIRPS: Rainfall Estimates from Rain Gauge and Satellite Observations | Climate Hazards Center - UC Santa Barbara", Chc.ucsb.edu, 2022.
[16] "CPC: Monitoring and Data - Global Precipitation Analyses", Cpc.ncep.noaa.gov, 2022.
[17] "CHRS - The Center for Hydrometeorology and Remote Sensing at UCI", Chrs.web.uci.edu, 2022.
[18] "Real-time PERSIANN Rainfall Dataset Updated with Improved Accuracy – ICIWaRM", Iciwarm.info, 2022.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
