UNTUK STATISTICAL DOWNSCALING LUARAN GCM 6.1 Pendahuluan
RSAB RKU Bulan Observasi
7. EVALUASI ZONA PRAKIRAAN IKLIM (ZPI) BMG DENGAN PENDEKATAN ANALISIS KELOMPOK DENGAN PENDEKATAN ANALISIS KELOMPOK
9.2 Model ramalan produksi padi
Bagian akhir dari penelitian ini adalah peramalan produksi padi dengan menggunakan indeks hujan terboboti modifikasi dari Stephen et al. (1994). Metode peramalan produksi menggunakan algoritma BPS, yaitu produksi padi per subround adalah perkalian luas panen dan produktifitas. Yang membedakan metode ini dengan metode BPS adalah cara menduga luas panen. Dalam model ini luas panen ini diduga dengan memasukan faktor iklim (curah hujan), sementara BPS tidak menggunakan peubah iklim. Hasil pewilayahan iklim (DPM) yang disajikan dalam Bab 7 akan digunakan sebagai masukan pembobot dalam model ini. Asumsi dasar model ini adalah bahwa semua wilayah merupakan wilayah pertanian dengan sumber irigasi tadah hujan.
Berikut adalah tahapan dalam penyusunan model ramalan produksi padi modifikasi dari BPS dan Stephen et al. (1994):
1. Menghitung curah hujan terboboti oleh luas wilayah daerah prakiraan musim (DPM). DPM yang dipakai bisa menggunakan DPM BMG. 2. Menghitung indeks hujan terboboti (WRI), yaitu perkalian antara curah
95 3. Menyusun model hubungan antara luas panen dan indeks hujan
terboboti, pada masing-masing subround.
4. Menduga data produktifitas per subround. Dalam penelitian ini digunakan nilai rataan beberapa tahun sebelumnya.
5. Menduga produksi padi per subround, yaitu perkalian antara luas panen dan produktifitas
6. Menduga produksi padi dalam satu tahun, yaitu penjumlahan dari ketiga subround.
Hasil ramalan produksi padi per tahun (angka ramalan pertama: ARAM 1) mempunyai kisaran kesalahan 10%-11% dari nilai aktualnya. Sementara hasil ramalan BPS mempunyai kisaran kesalahan 5%-10% (BPS 2007). Namun hasil ini tidak bisa dibandingkan tingkat ketepatan ramalannya, karena cakupan wilayah yang berbeda. Untuk melihat kehandalan model ini perlu dicobakan untuk beberapa lokasi lain, seperti pada wilayah dengan tipe hujan lokal dan equatorial.
Model ramalan produksi padi dengan menggunakan indeks hujan terboboti, selanjutnya dapat menggunakan hasil ramalan curah hujan luaran SD yang telah dijelaskan dalam Bab 4, 5, dan 6.
Arrigo RD, Wilson R. 2008. El Nino and Indian Ocean influences on Indonesian drought: implications for forecasting rainfall and crop productivity. Int. J. Climatology. (www.interscience.wiley.com)
Aldrian E, Susanto RD. 2003. Identification Of Three Dominant Rainfall Regions Within Indonesia And Their Relationship To Sea Surface Temperature.
Int. J. Climatology 23: 1435–1452
Boer R, Las I. 2003. Sistem Produksi Padi Nasional dalam Perspektif Kebijakan Iklim Global. Di Dalam Bambang S et al. penyunting. Kebijakan perberasan dan Inovasi Teknologi Padi: Buku Dua. Prosiding Pertemuan Ilmiah Bagian Proyek Litbang Tanaman Padi, 2003. Sukamandi. hlm 215- 234.
Boer R. 2000. Perkiraan Kondisi Iklim dan Produksi Beras Nasional 2001. Paper disajikan dalam Pertemuan Prospek Ketersediaan Pangan 2001. Badan Urusan Ketahanan Pangan. Kampus Departemen Pertanian Jakarta.30 Agustus 2000.
Boer R, Faqih A. 2005. Current and Future Rainfall variability in Indonesia.Technical Report of AIACC Project ’Integrated Assessment of Climate Change Impact, Adaptation and Vulnerability In Watershed Areas and Communities in Southeast Asia (AIACC AS21): Indonesia Component’.
Boer R, Wahab I, Perdinan, Meinke H. 2004.The Use of Global Climate Forcing for Rainfall and Yield Prediction in Indonesia: Case study at Bandung District. Paper was presented in the 4th International Crop Sciences Congress, September 2004 in Brisbane Australia
Busuioc A, Chen D, Hellström C. 2001. Performance of Statistical Downscaling Models in GCM Validation and Regional Climate Change: Application for Swedish Precipitation. Int. J. Climatology 21: 557-578.
Busuioc A, von Stroch H, Schnur R.1999.Verification of GCM-Generated Regional Seasonal Precipitation for Current Climate and of Statistical Downscaling Estimates under Changing Climate Conditions. J. Climate
12:258-272.
Bürger G.1996.Expanded downscaling for generating local weather scenarios.
Climate Reseach 7:111-128.
Bunkers WJ, Miller JR, DeGaetano AT.1996.Definition of Climate Regions in the Northern Plains Using an Objective Cluster Modification Technique.
99 [BPS dan DEPTAN] Badan Pusat Statistik dan Departemen Pertanian. 2003.
Buku Pedoman Petugas Kabupaten/Kota dan Propinsi. Pengumpulan Data Tanaman Pangan dan Hortikultura. Jakarta: BPS dan Deptan.
[BPS] Badan Pusat Statistik. 2007. Produksi Padi dan Palawija (Angka Ramalan I 2007). Jakarta: BPS.
[BMG] Badan Meteorologi dan Geofisika. 2003. Pemilayahan Daerah Tipe Hujan dan Evaluasi Musim Kemarau 2003 serta Prakiraan Sementara Musim Hujan 2003/2004 Kabupaten Indramayu. Jakarta. BMG.
[BMG] Badan Meteorologi dan Geofisika. 2006. Prakiraan Musim Hujan Tahun 2006/2007 di Indonesia. BMG. Jakarta.
Chan JCL, Shi J. 1997. Application of Projection-Pursuit Principal Component Analysis Method to Climate Studies. Int. J. Climatology 17:103-113. Crane RG, Hewitson BC. 1998. Doubled CO2 precipitation changes for the
Susquehanna basin: downscaling from GENESIS general circulation model. Int. J. Climatology 18:65-76.
Chen C.2002. Robust Regression and Outlier Detection with the Robustreg Procedure. SAS Institute.Inc. Cary,NC.
Corte-Real J, Zhang X, Wang X. 1995. Downscaling GCM information to regional scales: a non-parametric multivariate regression approach.
Climate Dynamics 11 (7): 413-424.
Cavazos T, Hewitson B.2005. Performance of NCEP-NCAR reanalysis variables in statistical downscaling of daily precipitation. Clim Res, 28:95-107. Cavazos T, Hewitson B.2002. Relative Performance of Empirical Predictors of
Daily Precipitation. Proc.of the 1st Biennal Meeting of the IEMSS, Lugano, Switzerland, 2:349-354.
De Veaux RD, LH Ungar. Multicollinearity: A tale of two nonparametric regressions. www.cis.upenn.edu/datamining/Publications/tale2.pdf
(22 Agustus 2006)
De Veaux RD, Gordon, Arnold L. Comiso, Joey C. Bacherer, Nadine E. 1993. Modeling of topographic effects on Antarctic sea ice using multivariate adaptive regression splines. Journal of Geophysical Research, 98 (C11): 20307-20320.
Dan Stenberg. 2001.User Guide MARS http://www.salford-systems (Januari 2001)
Friedman JH. 1991. Multivariate Adaptive Regression Splines (with discussion). http://www.salford-systems.com/MARS.pdf [September 2001].
Finizio M, Palmieri S. 1998. Non-linear modelling of monthly mean vorticity time changes: an application to the western Mediterranean.Ann.Geophysicae
16:116-124.
Fischer M, Dewitte B, Maîtrepierre L. 2004., A non-linear statistical downscaling model: El Niño/Southern Oscillation impact on precipitation over New Caledonia, Geophys. Res. Lett.31, L16204, doi:10.1029/ 2004GL020112. Falcon WP, Naylor RL, Wada N, Smith WL, Burke MB, McCullough EB. 2004.
Using Climate Models To Improve Indonesian Food Securaty. Bulletin of Indonesian Economic Studies 40: 355-377.
Gangopadhyay S, Clark M, Werner K, Brandon D, Rajagopalan B. 2004. Effects of Spatial and Temporal Aggregation on the Accuracy of Statistically Downscaled Precipitation Estimates in the Upper Colorado River Basin. (Re-Revisions Submitted to Journal of Hydrometeorology).
Giorgi F, Hewitson B, Christensen J, Hulme M, Von Stroch H, Whetton P, Jones R, Mearns L, Fu C. 2001. the scientific basis. Contribution of Working Group I to the Third Assesment Report of the Intergovernmental Panel on Climate Change IPCC.University Press. Cambrige.UK.
Gong X, Richman MB. 1995. On the Application of Cluster Analysis to Growing Season Precipitation Data in North America East of the Rockies. J.Climate
8:897-931.
Giannini A. 2005. ENSO and the seasonal cycle of precipitation in Southeast Asia. http://iri.columbia.edu. [September 2007]
Huth R. 1999. Statistical downscaling in central Europe: evaluation of methods and potential predictors. Clim Res,13: 91–101.
Haryoko U.2004. Pendekatan Reduksi Dimensi Luaran GCM untuk Penyusunan Model Statistical Downscaling [Tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.
Hendon HH. 2003. Indonesian Rainfall Variability: Impacts of ENSO and Local Air–Sea Interaction. J.Climate16:1775-1790.
Haylock M, McBride J. 2001. Spatial coherence and predictability of Indonesian wet season rainfall. J. Climate 14: 3882–3887.
Jesús M, Ángel F. 2004. Comparison of statistical methods commonly used in predictive modelling. Journal of Vegetation Science 15: 285-292.
Katz RW, Parlenge MB, Naveau P. 2002. Statistics of extremes in hydrology.
Advances in Water Resources 25:1287-1304.
Katz RW. 2002. Technique for estimating uncertainty in climate change scenarios and impact studies. Clim Res 20:167-185.
101 Keppenne C, Lall U.1996. Complex Singular Spectrum Analysis and Multivariate
Adaptive Regression Splines Applied to Forecasting the Southern Oscillation. http://www.cpc.noaa.gov/products/predictions/
experimental/bulletin/ Jul96/art18.html [11 Oktober 2006]
Kaimuddin.2000.Kajian Dampak Perubahan Iklim dan Tataguna Lahan Terhadap Keseimbangan Air Wilayah Sulawesi Selatan.Studi Kasus DAS Walanae Hulu dan DAS Saddang [disertasi].Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Lewis PAW, Stevens JG. 1991. Nonlinear Modelling of Time Series Using Multivariate Adaptive Regression Splines. J. Amer. Statist. Assoc 86: 864 – 877.
Leathwick JR, Rowe D, Richardson J, Elith J, Hastie T. 2005. Using multivariate adaptive regression splines to predict the distributions of New Zealand’s freshwater diadromous fish. Freshwater Biology 50: 2034–2052.
McBride JL, Haylock MR, Nicholls N.2003.Relationships between the Maritime Continent Heat Source and the El Nin˜o–Southern Oscillation Phenomenon. J. Climate 16:2905-2913.
Maini P, Kumar A. 2005. Development of Statistical-Dynamical models at NCMRWF for predicting location specific weather during monsoon. Proc. of International Roundtable on Understanding and Prediction of Summer and Winter Moonson, 21-24 Nov 2005. Jakarta.
Mearns LO, Hulme M, Carter TR, Leemans R, Lal M, Whettson P.2001.the scientific basis. Contribution of Working Group I to the Third Assesment Report of the Intergovernmental Panel on Climate Change IPCC.University Press. Cambrige.UK.
Mimmack GM, Mason SJ, Galpin JS. 2001.Choise of Distance Matrices in Cluster Analysis: Defining Region. J. Climate 14:2790-2797.
Naylor RL, Falcon WP, Daniel Rochberg D, Nikolaswada. 2001. Using El Niño/Southern Oscillation Climate Data To Predict Rice Production In Indonesia. Climatic Change 50: 255–265.
Naylor RL, Falcon WP, Wada N, Rochberg D. 2002. Using El Niño-Southern Oscillation Climate Data To Improve Food Policy Planning In Indonesia.
Bulletin of Indonesian Economic Studies 38: 75–91.
Naylor RL, Falcon WP, Wada N, Battisti D, Vimont DJ, Burke MB. 2007. Assessing risk of climate variability and climate change for Indonesian rice agriculture. PNAS 104: 7752–7757.
Ogalla L 1980. Regional Classification of East African Rainfall Stations into Homogeneous Groups using the Method of Principal Component
Analysis. Statistical Climatilogy. Proceedings of the first International Conference on Statistical Climatology (a Satellite Meeting to the 1979 Session of the ISI). Edited by S.Ikeda et al. Elsevier Scintific Publishing Company.
Pfizenmayer A, von Storch H. 2001. Anthropogenic climate change shown by local wave conditions in the North Sea.Climate Research 19:15-23.
Palutikof JP, Goodess CM, Watkins SJ, Holt T. 2002. Generating rainfall and temperature scenario at multi site:examples from the Meditertanean. J. Climate 15:3529-3548
Sutikno, Aunuddin, Wigena AH. 2001. Penggunaan Regresi Splines Adaptif Berganda Untuk Pendugaan Model Regresi Non-Linier (Studi kasus : Pendugaan Model Produksi Susu dan Produksi Ikan Tuna). Di Dalam Prosiding Seminar Nasional Statistika IV ITS. 20 Oktober 2001.
Sutikno, Boer R. 2004. Penggunaan Adaptive Splines Threshold Autoregression
(ASTAR) Untuk Peramalan Indeks ENSO. Di Dalam Prosiding Seminar Nasional Matematika. Udayana-Bali. Juli 2004.
Sutikno, Boer R. 2005a. Model Prediksi Curah Hujan Dengan Regresi Splines Adaptif Berganda. Jurnal Agromet Indonesia 18:36-52.
Sutikno, Boer R. 2005b. Penggunaan Regresi Splines Adaptif Berganda, Regresi Komponen Utama, dan Jaringan Syaraf Tiruan untuk Statistical Downscaling GCM. Di Dalam Prosiding seminar Nasional Statistika VII ITS Surabaya. 26 Nopember 2005.
Surmaini E. 2006. Optimalisasi Alokasi Lahan Berdasarkan Skenario Iklim di Kabupaten Bandung [Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Saji N, Goswami B, Vinayachandran P, Yamagata T. 1999. A dipole mode in the tropical Indian Ocean. Nature 401:360-363.
Stephen DJ, Walker GK, Lyons TJ. 1994. Foreasting Australian wheat yield with a weighted rainfall index. Agriculture and Forest Meteorology 71: 247-263.
Timbal B, Dufour A, McAvaney B. 2003. An estmate of future climate change for western France using statistical downscaling technique. Climate Dynamics
20:807- 823.
Trigo RM, Palutikof JP. 2001. Precipitation Scenario over Iberia.A Comparison between Direct GCM Output and Different Downscaling Techniques. J. Climate 14:4422-4446.
Uvo CB, Olsson J, Morita O, Jinno K, Kawamura A, Nishiyama K, Koreeda N, Nakashima T. 2001. Statistical atmospheric downscaling for rainfall
103 estimation in Kyushu Island Japan. Hydrology and Earth System Sciences
5: 259-271.
Wilby RL. 1994. Stochastic weather type simulation for regional climate change impact assesment. Water Resources Research 30: 3395-3403.
Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO. 2004. Guidelines foe use of climate scenarios developed from statistical downscaling methods. http://www.ipcc-ddc.cru.uea.ac.uk/guidelines/ dgm_no2_v1_09_2004.pdf [8 Desember 2004].
Wilby RL, Tomlison OJ, Dawson CW. 2003. Multi-site simulation of precipitation by conditional resampling. Clime Res 23:183-194.
Wilks DS, Wilby RL. 1999. The weather generation game: A review of stochastic weather models. Progress in Physical Geography 23:329 – 357
Wetterhall F. 2002. Statistical downscaling in climate studies.An overview of used approaches.Report Series A No.59. Uppsala Universitet.
Wetterhall F. 2005. Statistical downscaling of Precipitation from Large-scale Atmosheric Circulation: Comparison of Methods and Climate Regions. [Dissertation] Uppsala Universitet. http://urn.kb.se/resolve?urn=urn:nbn: se:uu:diva-5937 [September 2007]
Wigena AH, Aunuddin. 2004. Aplikasi Projection Pursuit dan Jaringan Syaraf Tiruan dalam Pemodelan Statistical Downscaling. Jurnal Statistika UNISBA.4(2) Edisi Khusus:7-10.
Wigena AH. 2006. Pemodelan Statistical Downscaling dengan Regresi Projection Pursuit untuk Peramalan Curah Hujan Bulanan. Kasus Curah Hujan Bulanan di Indramayu. [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.
von Storch H. 1999. On the Use of “Inflation” in Statistical Downscaling. J. Climate 12:3505-3506.
von Storch H, Hewitson B, Mearns L. 1999. Review of Empirical Downscaling Techniques. http://w3g.gkss.de/staff/stroch/jevnaker.0500.htm
[8 Desember 2004].
von Strorch H, Zorita E, Cubash U. 1993. Downscaling of global climate change estimates to regional scales: An application to Iberian rainfall in wintertime. J. Climate 6:1161-1171.
Lampiran 1. Daftar Istilah
ASTAR Adaptive splines threshold autoregression AR Autoregresive
ACF Autocorelation function ARMA Autoregresive and moving average ARAM Angka ramalan
CSIRO Mk3 Commonwealth Scientific and Industrial Research Organization model 3
DPM/ZPI Daerah prakiraan musim/zona prakiraan iklim DMI Dipole mode index
DD Dynamic downscaling ENSO El Nino-Southern Oscillation GCM General circulation models GRK Gas rumah kaca
GCV Generalized cross validation GFDL Geophysical Fluid Dynamic Laboratory
HadCM Hadley Centre’s coupled ocean/atmosfer model
hus Kelembaban spesifik IODM Indian Ocean Dipole Mode ITCZ Inter Tropical Convergence Zone LBQ Ljung Box Q
LTS Least trimmed squares
LAM Limited area models
MARS Multivariate adaptive regression splines MAEP Mean absolute error prediction
MA Moving average netCDF Network Common Data Form PDSI Palmer drought severity index
prw Precipitable water
PC Principal component RMSEP Root mean square prediction RSAB Regresi splines adaptif berganda RCM Regional Climate models RKU Regresi komponen utama
slp Sea level presuare (tekanan permukaan laut) SD Statistical downscaling
SVD Singular value decomposition SML Suhu muka laut SOI Southeast Oscillation index SST Sea surface temperature
ua Komponen angin zonal
va Komponen angin meridional WRI Weight rainfall index WSC Weather classification schemes WG Weather generator
105
Lampiran 2. Pemprosesan Data GCM
Format Data GCM
Format data GCM seringkali dalam bentuk netCDF API1 (network Common Data Form Application Program Interface), grib, dan binary, karena kapasitas data GCM sangat besar, meliputi: lintang, bujur, waktu (record), ketinggian (level) dan nilai peubahnya. Sebagai contoh peubah precipitable water (prw) mencapai 112 mega bite, bahkan peubah sikulasi (seperti komponen angin meridional dan zonal) bisa mencapai 1,4 giga bite. Untuk kepentingkan kajian dan aplikasi iklim dengan luaran GCM, seringkali membutuhkan transformasi atau konversi dalam format text (ASCII). Beberapa piranti lunak yang dapat digunakan membaca atau konversi format netCDF ke dalam format text diantanya: NCAR
Command Language (NCL)2, Ferret3, dan Matlab4.
Dalam pemodelan statistical downscaling (SD) membutuhkan penyiapan data. Penyiapan data dalam pemodelan SD, seringkali disebut sebagai pra-pemprosesan data. Terdapat dua tahapan dalam penyiapan data yaitu penyiapan data GCM dan pereduksian dimensi domain (grid). Penyiapan data GCM meliputi konversi data format metadata (netCDF) ke text (ASCII), pemilihan domain (lintang dan bujur), pemilihan level dan transformasi satuan. Pada bab ini akan disajikan pemrosesan data netCDF menjadi data ASCII dengan menggunakan Matlab.
Konversi data GCM format netCDF ke text (ASCII) dengan Matlab 6.5 Penyiapan Piranti Matlab 6.5
Untuk dapat menjalankan atau membaca data dalam format netCDF, piranti Matlab harus ditambahkan netCDF toolbox5. Kemudian toolbox tersebut, yang terdiri atas file netcdf.dll dan mexnc.dll, di-copy-kan pada folder bin Matlab 6.5.
1 http://www.unidata.ucar.edu/packages/netcdf) 2 http://www.ncl.ucar.edu\overview.html 3 http://www.ferret.noaa.gov/Ferret 4 http://www.unidata.ucar.edu/packages/netcdf) 5 http://my.unidata.ucar.edu/content/software/netcdf
Membaca data format netCDF
Tahapan dalam membaca dan mengkonversi data netCDF ke ASCII sebagai berikut:
a. Letakkan file data netCDF dengan ekstensi *.nc pada folder d:\data
contoh file: prw_A1.nc
b. Buka aplikasi Matlab 6.5
c. Atur direktori kerja pada bagian current directory ke folder:
C:\MATLAB6p5\bin\mexnc
d. Untuk mengaktifkan toolbox netCDF yang telah di-install sebelumnya dila-kukan penambahan path untuk beberapa folder yang terdapat pada toolbox, yaitu: folder netcdf, nctype, dan ncutility. Perintah untuk penambahan path
di Matlab 6.5 adalah: >> addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox-1.0.8\netcdf_toolbox\netcdf –end >> addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox-1.0.8\netcdf_toolbox\netcdf\nctype –end >> addpath C:\MATLAB6p5\bin\mexnc\netcdf_toolbox-1.0.8\netcdf_toolbox\netcdf\ncutility –end >> addpath D:\DATA\Convert –end
e. Pemanggilan data pada file netCDF yang terdapat di folder d:\data\ prw_A1.nc dilakukan dengan menggunakan perintah berikut (Gambar 1).
>> nc = netcdf('d:\data\prw_A1.nc', 'nowrite');
double click
107
Double click pada workspace akan memberikan hasil sebagai berikut:
NetCDF_File: 'D:\DATA_GCM\prw_A1.nc' nDimensions: 4 nVariables: 7 nGlobalAttributes: 12 RecordDimension: 'time' nRecords: 1560 Permission: 'nowrite' DefineMode: 'data' FillMode: 'fill' MaxNameLen: 0
Keluaran di atas merupakan informasi banyaknya dimensi (dalam bentuk matriks), banyaknya variabel, jenis record dimensi, banyaknya record. f. Perintah selanjutnya untuk menampilkan deskripsi file atribut keseluruhan
data netCDF (Gambar 2). Seringkali biasanya perintah ini tidak memuncul-kan deskripsi data (the variable is empty).
>> description = nc.description(:)
Gambar 2. Tampilan berkas description. double click
g. Pemanggilan variabel yang terdapat di dalam file netCDF dilakukan melalui perintah:
>> variables = var(nc);
Melalui perintah ini dapat mengetahui banyaknya jumlah variabel yang terdapat di dalam file netCDF dan ukuran dimensinya (Gambar 3). Di dalam contoh ini, terdapat 7 variabel.
Gambar 3. Tampilan identifikasi variabel.
Untuk mengetahui nama variabel apa saja yang terdapat dalam file berikut dengan urutannya, dapat dilakukan dengan menggunakan perintah:
>> for i = 1:length(variables) disp([name(variables{i}) ' =']), disp(' ') end time= lat= lon= prw= time_bnds= lon_bnds= lat_bnds=
Nama variabel tersebut meliputi: time, latitude, longitude, prw, time_bnds, lon_bnds, dan lat_bnds. Ukuran dimensi matriksnya masing-masing ada-lah: time =[1560x1 ncvar] lat =[96x1 ncvar] lon =[192x1 ncvar] prw =[1560x96x192 ncvar] time_bnds=[1560x2 ncvar] lon_bnds=[192x2 ncvar] lat_bnds=[96x2 ncvar]
Sedangkan untuk menampilkan data yang terdapat pada masing-masing variabel secara umum digunakan perintah,
109 i menunjukkan urutan variabel, sebagai contoh untuk menampilkan data pada variabel latitude dan longitude digunakan perintah:
>> disp(variables{2}(:)) >> disp(variables{3}(:))
Luaran dari perintah ini disajikan pada Gambar 4.
(a)
(b)
Gambar 4. Tampilan luaran latitude (a) dan longitude (b).
Cropping data
Cropping data adalah pembacaan dan pengambilan bagian-bagian data tertentu yang dibutuhkan menurut domain (lintang-bujur: grid), record (waktu), dan level ketinggian data GCM. Sebagai ilustrasi, ingin meng-cropp data GCM CSIRO Mk3 dengan ukuran grid 3x3, 8x8, dan 12x12 di lokasi stasiun Losarang yang terletak pada 6.410 LS dan 108.150 BT. Lokasi stasiun berada ditengah-tengah grid tersebut (Gambar 5). Resolusi CSIRO Mk3 adalah 1.850x 1.880.
Bujur 12x12 8x8 3x3 3x3 8x8 12x12 Lintang 97.5 99.4 101.3 103.1 105.0 106.9 108.8 110.6 112.5 114.4 116.3 118.1 12x12 -17.7 -15.9 8x8 -14.0 -12.1 -10.3 3x3 -8.4 -6.5 3x3 -4.7 -2.8 8x8 -0.9 0.9 12x12 2.8
Lintang Bujur No.Urut Ukuran grid
-88.57 0.00 1 -86.72 1.88 2 -84.86 3.75 3 . . . -17.72 71.25 39 12x12 -15.85 73.13 40 -13.99 75.00 41 8x8 -12.12 76.88 42 -10.26 78.75 43 -8.39 80.63 44 3x3 -6.53 82.50 45 -4.66 84.38 46 3x3 -2.80 86.25 47 -0.93 88.13 48 8x8 0.93 90.00 49 2.80 91.88 50 12x12 4.66 93.75 51 6.53 95.63 52 8.39 97.50 53 12x12 10.26 99.38 54 12.12 101.25 55 8x8 13.99 103.13 56 15.85 105.00 57 17.72 106.88 58 3x3 19.59 108.75 59 21.45 110.63 60 3x3 23.32 112.50 61 25.18 114.38 62 8x8 27.05 116.25 63 28.91 118.13 64 12x12 . . . 88.57 178.13 96 . . 358.13 192 Lokasi stasiun Losarang
Gambar 5. Matriks grid (A) dan penandaan nomor urut lintang dan bujur (B).
(A)
111 Peubah GCM-nya adalah precipitable water untuk semua waktu (record) yang tersedia, maka dapat dilakukan dengan perintah sebagai berikut,
>> x = variables{4}(:, 39:50, 53:64); (untuk grid 12x12)
>> x = variables{4}(:, 41:48, 55:62); (untuk grid 8x8)
>> x = variables{4}(:, 44:46, 58:60); (untuk grid 3x3)
x = variables {5} ( : , 3 x = variables {4}( : , 40:57 , 49:81 ); Nama variabel data hasil cropping Lintang Bujur Waktu (time) Urutan variabel data (prw)
Untuk menyimpan data hasil cropping ke dalam file output (d:\data\hasil.dat), digunakan perintah:
>> dlmwrite(‘d:\data\hasil.dat’, x, '\t');
dimana : ‘\t’ adalah pemisahan data antar kolom dengan tab.
Program makro
Jika paramater GCM yang harus dikonversi cukup banyak maka penggunaan makro cukup efektif. Berikut contoh program makro untuk peubah prw GCM CSIRO Mk3.0. Akan dilakukan cropping 15.8547°LU-15.8547°LS dan 90-150°BT akan menghasilkan sebanyak 18 x 33 grid (594 kolom).
function [time,lat,lon,prwina,prw_mm] = crop_prwcsiro (theFilename,SaveAs1,SaveAs2);
nc = netcdf(theFilename, 'nowrite');
description = nc.description(:); % Global attribute.
variables = var(nc); % Get variable data.
time = datestr(variables{1}(:),28); % Time (monthly) -- mmmyyyy lat = variables{2}(40:57); % Latitude
lon = variables{3}(49:81); % Longitude
% Cropping data Indonesia untuk model GCM CSIRO_MK3
prwina = variables{4}(:,40:57, 49:81); % Cropping data dlmwrite(SaveAs1, prwina, '\t'); % Save data nc = close(nc);
% Mengkonversi satuan precipitable water (kg m-2) menjadi (mm)
prw_in = 0.0004 * prwina * 0.1 * 9.81 * 100; prw_mm = prw_in * 25.4;
dlmwrite(SaveAs2, prw_mm,'\t'); % Save data Precipitation (mm)
Makro tersebut dapat dijalankan (running) pada command prompt Matlab melalui perintah:
>> [time,lat,lon,prwina,prw_mm] = crop_prwcsiro ('d:\data\prw_A1.nc','d:\data\hasil.dat');
113
Lampiran 3. Peubah penjelas, peubah respon, dan waktu yang digunakan
dalam pemodelan SD (fungsi transfer) menurut lokasi Lokasi Peubah penjelas Peubah respon Waktu Peneliti
Afrika Selatan C P D Hewitson and Crane,
1996
USA C, T, VOR P D Wilby and Wigley, 1997
USA C, Q P D Crane and Hewitson,
1998
USA C, T, VOR T, P D Wilby et.al, 1998
USA C, T, RH, W T D Sailor and Li, 1999
Mesiko dan USA C,TH, O P D Cavazos, 1997
Mesiko dan USA C,TH, O P D Cavazos, 1999
Jepang C Sea level M Cui et.al, 1995, 1996
China Sea level
variability
M Cui and Zorita, 1998 New Zealand C,TH, VOR,W T, P D Kidson and Thompson,
1998
Australia C Tmax, Tmin D Schubert and
Henderson-Seller, 1997
Australia C Tmax, Tmin D Schubert, 1998
Europa C,P,Tmax, Tmin,
O
T, P D Semenov and Barrow, 1996
Europa C,W,VOR,T,Q,O T, P M Murphy, 1998
Europa C T, P D Weichert and Burger,1998
Jerman T Phenological Maak and von Storch,
1997
Jerman C Storm surge M Von Storch and
Reichardt, 1997
Iberian Peninsula C Tmax, Tmin D Trigo and Palutikof, 1998
Spain C Tmax, Tmin D Palutikof et.al, 1997
Spain C Tmax, Tmin D Winkler et.al, 1997
Portugal C P M Corte-Real et.al, 1995
Norway C,O T, P M Benestad, 1999
Norway C,O Cuaca lokal D Reichert et.al, 1999
Romania C P M Busuioc and von Storch,
1996
Romania C P M Busuioc et al., 1999
Alps C, T T, P M Fischlin and
Gylistras,1997
Alps C, T T,P Gylistras et al.,1998
Alps C P Burkhardt,1999