2. PERKEMBANGAN TEKNIK STATISTICAL
2.4. Beberapa Teknik Statistical Downscaling
Meskipun GCM dapat digunakan untuk menghasilkan dugaan dengan resolusi yang lebih tinggi, teknik SD luaran GCM masih diperlukan terutama untuk memperoleh informasi dari masing- masing lokasi untuk keperluan studi dampak iklim. Teknik SD merupakan pendekatan alternatif untuk mengatasi kesenjangan skala antara kemampuan sirkulasi iklim dengan GCM dan kebutuhan ekosistem dan model- model sektoral (Giorgi & Mearns 1991 diacu dalam Zorita & Storch 1999). Kim et al. (1984), diacu dalam Huth & Kysely (2000), mulai menggunakan model statistik untuk SD. Teknik ini menjadi populer karena relatif sederhana dan biaya komputasi murah, tidak memerlukan komputasi yang intensif seperti halnya dynamical downscaling (RCM atau LAM).
Teknik SD masih berkembang terus sesuai dengan tingkat kompleksitasnya. Hal ini sejalan dengan adanya berbagai teknik untuk SD di berbagai tempat terutama di Eropa, Amerika, dan Australia. Bahkan beberapa teknik SD telah diklasifikasikan dan dibandingkan berdasarkan kompleksitas secara teknis dan keakuratan pendugaan (Wilby & Wigley 1997; Zorita & Storch 1999; Sailor & Li 1999). Namun teknik-teknik ini belum diterapkan di kawasan tropis seperti Indonesia.
Perkembangan teknik-teknik SD tercantum pada Tabel 2.2, berdasarkan kepustakaan yang ada sampai tahun 2005. Perkembangan ini mulai dari penggunaan MOS (Model Output Statistics) untuk SD oleh Klein (1982), diacu dalam Sailor & Li (1999), sampai dengan teknik-teknik yang linear seperti
Empirical Orthogonal Function (EOF) atau PCAdan nonlinear seperti ANN. Pada umumnya teknik SD yang banyak digunakan adalah teknik SD berbasis model regresi linear, seperti MOS, Perfect Prognosis, PCA, CCA, regresi polinomial, regresi bertatar. Tetapi yang paling banyak digunakan adalah regresi dengan PCA, yang sering disebut PCR. Dalam hal ini PCA digunakan sebagai metode pereduksian dimensi karena adanya masalah multikolinearitas. Demikian juga penggunaan SVD oleh Uvo et al. (2001). Teknik SD berbasis model nonlinear dan nonparametrik yang digunakan adalah ANN dan MARS. ANN digunakan antara lain oleh Zorita & Storch (1999), Trigo & Palutikof (1999), Cavazos (1999), dan Sailor et al. (2000). MARS digunakan sebagai teknik SD oleh Corte-Real et al. (1996), diacu dalam Li &Sailor (2000). Teknik CART atau TSR berbasis klasifikasi dan bersifat linear yang digunakan oleh Zorita & Storch (1999) dan Li & Sailor (2000). Charles et al. (1999b) memperkenalkan penggunaan metode rantai Markov untuk teknik SD.
Tabel 2.2. Beberapa Teknik Statistical Downscaling
Teknik SD Peubah Lokal Peubah Prediktor GCM Kepustakaan
MOS Peubah cuaca permukaan Peubah atmosfir bebas (NWP) Glahn & Lowry (1972)2
MOS dan Perfect
Prognosis Peubah cuaca permukaan Peubah atmosfir bebas (NWP) Klein (1982)
2
Weather Generator Curah hujan harian * UKTR Goodes & Palutikof (1978)1
PCA dan CCA Curah hujan musiman * ECHAM-1 Storch et al.(1993)1
Regresi Polinomial Temperatur Sea surface temperature
(SST)
GISS Hewitson (1994)
Regresi ganda bertatar Temperatur permukaan Peubah atmosfir bebas CCC Winkler et al. (1995)2
PCA dan MARS Curah hujan bulanan * UKTR Corte-Real et al. (1996)1
PCA dan Analog Curah hujan harian * ECHAM-1 Cubasch et al. (1996)1
Cluster dan PCA Curah hujan harian * HadCM2 Corte-Real et al. (1997)1
PCA, CCA, Analog & ANN
Curah hujan harian dan bulanan
Sea level pressure (SLP) ECHAM-3 Zorita & Storch (1999)
ANN Temperatur maksimum
dan minimum harian
* HadCM3 Trigo & Palutikof (1999)1
ANN Curah hujan harian Humidity Cavazos (1999)
Keterangan:
1). diacu dalam Trigo & Palutikof (2001) 2). diacu dalam Sailor & Li (1999) *) tidak tercantum
Tabel 2.2. (Lanjutan)
Teknik SD Peubah Lokal Peubah Prediktor GCM Kepustakaan
CART Curah hujan harian SLP ECHAM-3 Zorita & Storch (1999)
NHMM Curah hujan harian Moisture, SLP CSIRO-9 Charles et al. (1999a)
Charles et al. (1999b)
PCA dan CCA Curah hujan musiman * Had CM3 Gonzales-Ronco (2000)1
ANN dan MOS Kecepatan angin harian SST, Humidity, SLP,
Geopotential height
NCAR Sailor et al. (2000)
PCA dan Regresi berganda
Curah hujan bulanan; temperatur bulanan
Geopotential height, Geopotential thickness
ECHAM-3 Huth & Kysely (2000)
TSR Curah hujan harian Humidity, SLP, Wind speed NCAR Li & Sailor (2000)
CCA Curah hujan regional SST NCEP Landman & Tenant (2000)
SVD dan Regresi linear Curah hujan rata-rata Precipitable water,
Wind speed
Uvo et al. (2001)
CCA Curah hujan musiman SLP HadCH2 Busuioc et al. (2001)
PCA Jumlah hari waktu
pembungaan Dandelion
SST NCEP/NCAR
HadCM-3 ECHAM-4
Bergant et al (2002)
CCA dan PCA Temperatur Geopotential height, NCEP/NCAR Chen D & Chen Y (2002)
PCA dan Regresi linear; Analog
Temperatur harian; Curah hujan musiman
SST, SLP ERA-40 Fernandez (2005)
Keterangan:
1). diacu dalam Trigo & Palutikof (2001) 2). diacu dalam Sailor & Li (1999)
Teknik SD berawal dari metode numerical weather prediction (NWP) (Wilks 1995) dari National Weather Services (NWS) yang digunakan untuk peramalan curah hujan. Teknik SD yang pernah digunakan adalah Perfect Prognosis dan MOS oleh Klein (1982), diacu dalam Sailor & Li (1999). MOS lebih banyak digunakan untuk peramalan jangka menengah daripada Perfect Prognosis yang sering digunakan untuk jangka pendek. MOS, yang termasuk teknik prediksi cuaca tradisional, sebelumnya mulai diperkenalkan penggunaannya untuk prediksi peubah cuaca dari luaran suatu model numerik oleh Glahn & Lowry (1972), diacu dalam Sailor et al. (2000). Teknik MOS menentukan suatu hubungan statistik antara hasil ramalan model prediksi numerik dan suatu peubah respon (Bocchieri & Glahn 1972). Dalam prosesnya prosedur MOS terdiri dari dua tahap, yaitu (1) Membuat hubungan empirik antara peubah cuaca lokal aktual sebagai respon dan peubah prediktor berskala besar; (2) Menerapkan hubungan ini, berupa persamaan regresi, terhadap peubah dari luaran model prediksi cuaca berskala besar. Pada dasarnya MOS ini berbasis model regresi linear.
Metode Analog merupakan alternatif teknik SD luaran GCM. Metode ini termasuk teknik prediksi cuaca tradisional juga seperti MOS dan Perfect Prognosis. Pada dasarnya dalam metode ini luaran GCM dibandingkan dengan data pengamatan historisnya. Pola luaran GCM yang paling sesuai digunakan sebagai analoginya dari data pengamatan. Selanjutnya secara simultan pola luaran GCM tersebut diasosiasikan dengan peubah cuaca lokal aktual.
Metode Analog memerlukan data historis yang cukup panjang untuk memperoleh analogi yang memadai. Metode ini lebih cocok untuk kawasan dengan topografi yang relatif homogen dan akan memberikan hasil yang kurang baik untuk kawasan dengan topografi yang kompleks (Zorita & Storch 1999). Pada umumnya metode ini tidak digunakan untuk memprediksi, tetapi sebagai suatu cara untuk menspesifikasi kondisi cuaca lokal yang bersesuaian dengan pola luaran GCM.
Pada awalnya metode Analog pernah diterapkan pertama kali dalam peramalan cuaca dan prediksi jangka pendek masing- masing oleh Lorenz pada tahun 1969 dan kemudian oleh Barnett & Palutikof pada tahun 1978 (Zorita &
Storch 1999). Metode ini merupakan metode yang sederhana, namun jarang digunakan sebagai teknik SD (Zorita et al. 1995; Biau et al. 1999). Zorita & Storch (1999) dan Fernandez (2005) menggunakan kombinasi EOF atau PCA dengan metode Analog. EOF ini digunakan untuk mengatasi masalah multikolinearitas dalam data luaran GCM.
Model lain yang paling banyak digunakan sebagai teknik SD adalah model regresi linear mulai dari yang sederhana sampai regresi linear berganda, baik model parametrik maupun nonparametrik. Pada dasarnya model ini membuat hubungan fungsional antara luaran GCM dengan peubah iklim lokal. Model regresi ini telah digunakan untuk SD dan khusus diterapkan untuk menilai perubahan iklim oleh Kim et al (1984), diacu dalam Wilby & Wigley (1997). Hewitson (1994) menggunakan model ini dengan fungsi polinomial untuk hubungan antara luaran GCM dengan temperatur permukaan. Winkler et al
(1995), diacu dalam Sailor & Li (1999), menggunakan model regresi bertatar (stepwise).
Pendekatan model regresi umumnya mene ntukan hubungan linear atau nonlinear antara peubah lokal dengan peubah prediktornya yang berskala global. Hubungan nonlinear umumnya diimplementasi dengan jaringan syaraf tiruan (ANN). Teknik ini dapat menghasilkan model nonlinear antara peubah lokal dan peubah luaran GCM. Cavazos (1999) dan Cavazos & Hewitson (2002) telah menggunakan ANN untuk memperoleh model SD antara SLP (tekanan permukaan laut), geopotential height, dan kelembaban dengan curah hujan harian. Trigo & Palutikof (2001) menerapkan ANN baik untuk model linear maupun nonlinear dengan menggunakan data luaran GCM HadCM2 sebagai prediktor dan curah hujan di Iberia sebagai peubah respon.
Teknik-teknik SD yang lebih kompleks antara lain CCA, MARS, CART atau TSR. Teknik SD dengan CCA menentukan hubungan dua gugus peubah X dan Y dan menghasilkan sejumlah pasangan pola hubungan yang bekorelasi optimal antara keduanya. CCA telah digunakan oleh Storch et al. (1997), diacu dalam Zorita & Storch (1999), Zorita & Storch (1999), Gonzales-Ronco (2000), diacu dalam Trigo & Palutikof (2001), Landman & Tenant (2000), Busuioc et al.
dan nonparametrik di mana pendugaan modelnya berdasarkan fungsi spline. MARS ini telah digunakan oleh Corte-Real et al (1996), diacu dalam Li &Sailor (2000), untuk pendugaan curah hujan bulanan berdasarkan luaran GCM UKTR (United Kingdom Meteorological Transient). CART atau TSR merupakan gabungan antara klasifikasi dan regresi. Dalam proses pendugaannya teknik ini melakukan pengelompokan biner berdasarkan kriteria tertentu sampai kriteria optimal tercapai. Pada akhir pengelompokan dilakukan pendugaan berdasarkan model regresi tertentu untuk setiap kelompok.
Di samping itu ada teknik SD yang menggunakan metode rantai Markov terutama untuk klasisfikasi cuaca yang bersifat diskrit. Charles et al. (1999a; 1999b) telah menerapkan model rantai Markov, yang disebut Nonhomogenuous Hidden Markov Model (NHMM), untuk memprediksi curah hujan harian berdasarkan luaran GCM (SLP) CSIRO 9. NHMM ini berdasarkan proses stokastik ganda di mana proses-proses yang ‘tersembunyi’ (hidden atau
unobserved) hanya dapat diketahui melalui sejumlah proses stokastik lainnya yang dapat menghasilkan sekuen data pengamatan. Dalam NHMM didefinisikan adanya hubungan bersyarat stokastik antara pola kejadian curah hujan harian aktual dengan sejumlah keadaan cuaca yang tersembunyi.
Ada beberapa teknik SD yang merupakan kombinasi dari dua metode, antara lain Huth & Kysely (2000) menggunakan regresi linear ganda dengan PCA untuk memprediksi total curah hujan dan temperatur rata-rata bulanan berdasarkan SST luaran GCM ECHAM-3 di Republik Cekoslovakia; Uvo et al. (2001) mengembangkan model regresi linear berdasarkan dekomposisi nilai singular (SVD) untuk pendugaan curah hujan rata-rata dengan basis 12 jam di pulau Kyushu Jepang. Sailor et al. (2000) mengkombinasikan ANN dengan MOS untuk data luaran GCM NCAR (National Centre for Atmospheric Research) untuk memprediksi kecepatan angin permukaan harian. Chen D & Chen Y (2002) menggunakan CCA dan PCA untuk peramalan temperatur berdasarkan luaran GCM NCEP/NCAR.
Secara umum teknik-teknik SD banyak digunakan untuk memprediksi curah hujan harian, bulanan, maupun musiman, dan temperatur. Teknik SD tidak hanya dapat digunakan untuk memprediksi peubah iklim lokal, tetapi juga peubah
respon lainnya, antara lain populasi zooplankton di Belanda dan polusi udara di London (Wilby et al. 2004). Bergant et al (2002) memprediksi jumlah hari untuk mulai pembungaan tanaman Dandelion berdasarkan temperatur (luaran GCM). Peubah prediktor yang sering digunakan adalah SST (Sea Surface Temperature), SLP (Sea Level Pressure), Geopotential height, Humidity. Peubah prediktor lainnya yang digunakan, antara lain Wind speed, Precipitable water, Presipitasi.