50 x 40 NASA,USA United Kingdom Meteorogical Office
Model: UKMO
2,250 x 3,750 UK Max Plank Institute Model ECHAM3:
ECHAM3 Spectral triangular 42 (T42) 2,80 x 2,80 Jerman CSIRO 5.6250 x 3.2140 Australia Sumber: Wetterhall 2002 2.2 Definisi Downscaling
Downscaling didefinisikan sebagai upaya menghubungkan antara sirkulasi peubah skala global (peubah penjelas) dan peubah skala lokal (peubah respon). Istilah downscaling sedikit misleading jika diartikan secara tekstual yaitu suatu
11 cara untuk meningkatkan resolusi. Downscaling lebih menunjukkan proses perpindahan dari peubah penjelas ke peubah respon, yaitu perpindahan dari skala besar ke skala kecil (regional/titik). Von Storch (1999) menyatakan bahwa
downscaling didasarkan pada asumsi bahwa iklim regional dikondisikan (dipenga-ruhi) oleh iklim skala global atau benua. Lebih lanjut iklim regional adalah hasil dari interaksi atmosfer, lautan, sirkulasi spesifik (lokal), seperti topografi, distribusi penggunaan lahan (Gambar 2.1). Empiris/statistical downscaling meru-pakan upaya mencari informasi skala lokal dari skala global melalui hubungan inferensi dengan fungsi acak atau deterministik.
Statistical Downscaling
Statistical downscaling (SD) meliputi pengembangan kuantitatif hubungan antara peubah atmosfer (resolusi rendah: peubah penjelas) dan peubah lokal permukaan (resolusi tinggi: peubah prediktan/respon). Kebanyakan bentuk umum hubungan tersebut adalah respon merupakan fungsi dari penjelas: y = f(x) + ε
(von Stroch 1999), tetapi hubungan bentuk lain dapat digunakan. Seperti, antara penjelas dan distribusi peubah respon (Pfizenmayer dan von Stroch 2001) atau frekuensi kejadian ekstrim (Katz et al. 2002). Sebagian besar SD menggunakan skala titik (single-site) presipitasi harian/bulanan sebagai peubah respon karena merupakan peubah masukan terpenting untuk berbagai model sistem alam dan tidak dapat ditentukan secara langsung oleh keluaran model iklim.
Metode SD secara umum diklasifikasikan menjadi tiga yaitu: (1) pengkla-sifikasian pola cuaca, (2) pembangkitan cuaca, dan (3) analisis regresi/fungsi transfer.
Pengklasifikasian pola cuaca (weather classification schemes: WSC)
Metode WSC adalah mengelompokkan hari ke dalam bentuk tipe cuaca diskrit atau “status” menurut kesamaan sinoptiknya. Status cuaca didefinisikan dengan mengelompokkan kondisi atmosfer menggunakan analisis kelompok (cluster analysis) (Corte-Real 1999; Huth 2000; Kidson 2000; Hewitson dan Crane 2002, diacu dalam Wilby 2004) atau menggunakan klasifikasi pola sirkulasi secara subjektif (Bardossy dan Caspary 1990; Jones et al. 1993, diacu dalam
Wilby et al. 2004). Kedua kasus di atas, pola cuaca dikelompokkan menurut kesamaannya dengan metode tetangga terdekat (nearest neighbours). Peubah respon ditentukan sesuai dengan status cuaca umumnya dan diulangi pada kondisi terdapat perubahan iklim dengan re-sampling atau fungsi regresi (Wilby et al. 2004).
Metode berdasarkan klasifikasi mempunyai keterbatasan dalam meng-hasilkan karakteristik yang tetap pada musim hujan atau musim kemarau pada suatu lokasi (Wilby 1994). Pendekatan saat ini meliputi perluasan multi-site dan
multivariate series, seperti presipitasi dan suhu (Palutikof et al. 2002).
Pendekatan analog adalah salah satu contoh dari metode klasifikasi cuaca, yang mana peubah respon dipilih dengan penyesuaian sebelumnya untuk kondisi cuaca saat ini. Metode ini pertama kali dikenalkan oleh Lorenz (1969) untuk meramalkan cuaca, kemudian ditinggalkan karena banyak keterbatasannya. Metode ini digunakan kembali untuk aplikasi iklim (Zorita et al. 1995; Martin et al. 1997, diacu dalam Wilby et al. 2004), dengan menggunakan data deret waktu peubah penjelas yang panjang, hasilnya mengikuti keragaman iklim. Namun, metode analog masih membantu bilamana pengamatan untuk pembelajar-an/training terbatas (Timbal et al. 2003) dan jumlah klasifikasi peubah penjelas cukup banyak.
Pendekatan lain untuk klasifikasi spasial pola kejadian hujan adalah model hidden Markov, yaitu model yang menduga pola sinoptik cuaca yang sama (Hughes dan Guttorp 1994; Hughes et al. 1999, diacu dalam Wilby et al. 2004).
Pembangkitan cuaca (weather generator:WG).
WG adalah model yang mereplikasi atribut/ukuran statistik peubah iklim lokal (misal rataan dan ragam), tetapi tidak diamati urutan kejadian (Wilks dan Wilby 1999). Model ini berdasarkan pada kejadian presipitasi melalui proses Markov untuk hari hujan/kering atau musim transisi. Peubah lain (secondary variables) seperti jumlah hari hujan (basah), suhu, radiasi yang sering dimodelkan pada kejadian kondisi presipitasi. WG digunakan untuk SD dengan pengkondisian peubah penjelas atmosfer, kondisi cuaca atau sifat curah hujan.
13 Bagaimanapun modifikasi peubah untuk skenario iklim ke depan dapat sebagai petunjuk keluaran yang tidak terantisipasi. Sebagai contoh, perubahan peubah menentukan panjang musim hujan/kering dapat disebabkan simulasi suhu dan radiasi tetap sebelum modifikasi diterapkan dalam penentuan peubah ini. Di samping itu, WG didasarkan pada rantai Markov orde satu seringkali
underestimate variabilitas temporalnya dan presipitasi tetap (Gregory et al. 1993; Mearns et al. 1996; Katz and Parlange 1998, diacu dalam Wilby et al. 2004). Meskipun demikian, WG dalam kondisi tertentu berguna untuk temporal
downscaling, untuk pemisahan cepat total presipitasi bulanan dan hujan harian dalam jumlah hari atau total hujan harian dalam komponen sub harian (Kilsby et al. 1998; Fowler et al. 2000, diacu dalam Wilby et al. 2004).
Tabel 2.3 Kelebihan dan kelemahan utama metode SD
Metode Kelebihan Kelemahan
Tipe cuaca (weather typing): (metode analog, pendekatan hybrid, klasifikasi fuzzy, metode Monte Carlo)
Serba guna (dapat diterapkan untuk iklim permukaan, kualitas udara, banjir, erosi)
Kombinasi untuk analisis kejadian ekstrim
Keluaran fisik dapat
diinterpretasikan dengan iklim permukaan
Pola sirkulasi sering tidak sensitif untuk forcing iklim ke depan
Mungkin tidak dapat menggambarkan ragam internal dalam iklim permukaan Pembangkit cuaca (weather generators): (markov chain, model stokastik)
Menghasilkan esembel yang luas untuk analisis ketidak-pastian atau simulasi yang panjang pada kondisi ekstrim
Dapat membangkitkan informasi kondisi tengah harian (sub-daily)
Hasil peubah berubah-ubah untuk iklim ke depan
Dampak tidak terantisipasi peubah lain (secondary variables) dari perubahan peubah presipitasi. Analisis regresi: (regresi linear, jaringan syaraf tiruan, analisis korelasi kanonik, kriging)
Relatif praktis untuk diterapkan
Menggunakan semua peubah penjelas yang tersedia
Software tersedia
Representasi ragam observasi lemah
Adanya asumsi linearitas atau normalitas data
Representasi kejadian ekstrim lemah
Sumber: Wilby et al. 2004.
Fungsi Transfer (Analisis Regresi)
Dengan konsep sederhana, model regresi adalah menggambarkan bentuk hubungan linear atau nonlinear antara peubah prediktan dan peubah penjelas
(GCM). Secara umum metode yang digunakan adalah regresi berganda, analisis korelasi kanonik (von Strorch et al. 1993), dan jaringan syaraf tiruan yang mana sama dengan regresi nonlinear (Crane dan Hewitson 1998). Von Strorch (1999) dan Bürger (1996) mendiskusikan tentang pentingnya ragam prediksi yang sering berasosiasi dengan pendekatan regresi. Masalah ini timbul khusus untuk down-scaling presipitasi harian, karena kemampuan prediksi relatif rendah. Bürger (1966) menggunakan pendekatan “expanded downscaling” untuk meningkatkan keragaman dari peubah penjelas yang disimulasikan. Beberapa metode ber-dasarkan regresi multi-site juga berkembang, dimana ragam yang tidak dapat dijelaskan digambarkan melalui proses stokastik (Wilby et al. 2003).
Berbagai macam peubah penjelas digunakan dalam fungsi transfer di antaranya tekanan permukaan laut (slp), tekanan udara, sirkulasi zonal, sirkulasi meridional, kelembaban spesifik, kelembaban relatif, ketinggian geopotensial pada berbagai level dan sebagainya. Pemilihan peubah penjelas tersebut tergantung pada lokasi kajian. Peubah prediktan yang sering digunakan adalah presipitasi (curah hujan) dan suhu dengan periode harian dan bulanan. Penjelasan lebih detail tentang berbagai teknik SD, lokasi kajian, peubah penjelas, peubah prediktan, skala periode dan penelitinya dapat dilihat di Wetterhall (2002) dan Giorgi et al. (2001).
Pemilihan lokasi dan luasan grid GCM (domain) merupakan bagian penting dalam proses SD. Lokasi dan luasan grid GCM seharusnya mencerminkan pengaruh dominan wilayah observasi peubah respon (Wilby et al. 2004). Sayangnya penelitian tentang penentuan domain hingga saat ini masih terbatas. Domain yang seringkali digunakan adalah lebih dari satu grid dengan posisi ditengah-tengah lokasi peubah respon (Seperti Wigena 2006; Wetterhall 2002, 2005; Cavazos dan Hewitson 2002, 2005; Maini dan Kumar 2005; Huth 1999).
15