1
UJI SENSITIVITAS MODEL WRF
TERHADAP PRAKIRAAN HUJAN DI NIAS
Kisscha Christine Natalia Siagian1, Taufiq Hidayah, M. Si2 1
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta 2
Badan Meteorologi Klimatologi dan Geofisika, Jakarta Email: [email protected]
Intisari
Nias memiliki pola curah hujan ekuatorial yang mengakibatkan terjadinya hujan hampir di sepanjang tahun tanpa mengenal musim. Dengan keadaan ini, sering terjadi gangguan terhadap jadwal penerbangan pada bandara Binaka Gunungsitoli Nias. Maka diperlukan suatu metode yang dapat meningkatkan akurasi analisis dan prediksi cuaca yang lebih baik, dalam kasus ini adalah analisis dan prediksi hujan. Model WRF-ARW adalah salah satu metode yang sedang berkembang dan cukup fleksibel dalam penggunaannya. Model WRF-ARW dapat digunakan di super-computer maupun laptop, sehingga dapat dipakai di stasiun terpencil sekalipun.
Dengan menggunakan input data GFS (Global Forecast System)dan FNL (Final Analysis), dilakukanlah uji sensitivitas model WRF terhadap prakiraan hujan pada tanggal 27 April 2014 dan 22 Juli 2014 dengan konfigurasi beberapa skema mikrofisis dan kumulus. Dalam analisis beberapa parameter cuaca yang berpengaruh terhadap kejadian hujan, diketahui konfigurasi skema mikrofisis WSM6 – skema kumulus Kain – Fritsch menampilkan luaran yang baik. Namun dalam prediksinya terhadap nilai curah hujan, model WRF-ARW dengan konfigurasi ini belum dapat menampilkan hasil prediksi nilai curah hujan yang diharapkan dan masih menunjukkan perbedaan yang cukup signifikan terhadap hasil observasinya.
Kata kunci: Model WRF-ARW, hujan, analisis dan prediksi, skema mikrofisis dan kumulus.
Abstract
Nias is located in an equatorial rainfall region which rainfall is expected throughout the entire year, without regard to season. This condition leads to many problems with flight schedules in Binaka Airport Gunungsitoli Nias. Thus, needed a method that can increase the accuration of weather analysis and prediction, in this case is rainfall analysis and prediction. WRF-ARW model is one of developing method and flexible in use. WRF-ARW model can be used in a super-computer, even in a laptop, so it is usable in any remote weather station. By using GFS (Global Forecast System) and FNL (Final Analysis), the WRF-model sensitivity test for rain prediction in April 27th 2014 and July 22nd 2014 was conducted with some microphysics and cumulus schemes configuration. By the analysis of few weather parameters that influents the rain, the configuration of WSM6 microphysics scheme – Kain-Fritsch cumulus scheme displayed some quite good of outputs. But, of the value of the rainfall, this configuration of WRF-ARW model is yet to present the expected prediction of value of the rainfall with some enough significant contrast to the observation data.
2
1. PENDAHULUAN
Pulau Nias berada di pesisir barat Pulau Sumatera dan berada di lintang ekuatorial yang berarti menerima dampak ekinoks yang kuat. Dampak ekinoks dapat dilihat pada distribusi curah hujan bulanan dengan puncak hujan ganda. Pola curah hujan dengan pucak hujan ganda seperti ini disebut dengan pola hujan ekuatorial, yang berarti kejadian hujan terjadi hampir sepanjang tahun tanpa mengenal musim. Pulau Nias memiliki Bandara Binaka yang memiliki 3 maskapai aktif dengan total jadwal penerbangan 5 s.d 7 kali dalam sehari dengan tujuan Medan maupun Padang. Melihat cukup sibuknya jadwal penerbangan yang ada, tentu faktor cuaca sangatlah mempengaruhi kelancaran dan keselamatan penerbangan yang ada. Dengan pola curah hujannya yang terjadi hampir sepanjang tahun menyebabkan sering terjadinya pembatalan jadwal penerbangan maupun kejadian pesawat memutar balik karena alasan cuaca buruk di lokasi Bandara Binaka. Sesuai visi dan misi BMKG dalam menyajikan informasi meteorologi yang sesuai terhadap kebutuhan stakeholder, dalam hal ini maskapai penerbangan, maka dibutuhkanlah suatu metode yang dapat membantu meningkatkan kualitas analisis dan prediksi cuaca di Nias.
WRF-ARW merupakan model generasi lanjutan sistem simulasi cuaca numerik skala meso yang didesain untuk melayani simulasi operasional dan kebutuhan penelitian atmosfer. Model ini mempunyai keistimewaan inti dinamik yang berlipat, variasi 3-dimensional (3DVAR) sistem asimilasi data dan arsitektur perangkat lunak yang mengijinkan untuk melakukan komputasi secara paralel dan sistem ekstensibel. WRF cocok untuk aplikasi yang luas dari skala meter sampai ribuan meter (NCAR Technical Note, 2005).
WRF merupakan model yang fleksibel, seni, dan dan memiliki code portable yang efisien untuk lingkungan computing dari parallel supercomputer hingga laptop, sehingga dapat diaplikasikan bahkan di stasiun-stasiun terpencil sekalipun. Pola cuaca yang berbeda antar wilayah mengharuskan dilakukan pengujian model cuaca numerik seperti pemilihan skema parameterisasi, syarat awal, waktu spin agar mampu menghasilkan prediksi yang terbaik (Gustari, 2012). Skema yang digunakan adalah skema parameterisasi mikrofisis dan kumulus. Mikrofisis melibatkan uap air, awan, dan proses presipitasi secara eksplisit. Dalam penelitian ini, yang digunakan adalah: 1. Skema Lin (Purdue Lin)
Enam kelas hidrometeor meliputi uap, air, tetes hujan, hujan, es, salju, dan graupel. Semua bentuk produksi parameterisasi berdasarkan Lin et.al.(1983) dan Rutledge dan Hobbs (1984) dengan beberapa modifikasi, termasuk pengaturan kejenuhan mengikuti Tao et.al.(1989), sedimentasi es. Skema ini merupakan skema yang relatif canggih di WRF, dan sangat cocok digunakan dalam simulasi data real resolusi tinggi.
2. Skema WSM6
Skema ini merupakan perluasan dari skema WSM3 (meliputi sedimentasi es dan parameterisasi baru fase es lainnya, untuk memprediksi 3 kategori hidrometeor yaitu uap, tetes hujan/es, dan hujan/salju)dan WSM5 (uap, hujan,salju,kristal es dan tetes hujan dibawa pada lima array berbeda sehingga mampu memunculkan air kelewat dingin), yaitu memasukkan graupel dan proses-proses yang berhubungan dengannya. Dari ketiga skema WSM, WSM6 yang paling cocok untuk cloud-resolving grid, melihat dari efisiensi dan latar belakang teoritis. Adapun skema-skema parameterisasi kumulus yang digunakan adalah:
1. Skema Betts-Miller-Janjic
Terdapat struktur termodinamika quasi-e. Terdapat struktur
3 termodinamika quasiequilibrum dimana
lingkungannya berpindah akibat konveksi. Struktur ini dapat didefinisikan dalam mixing line yang ditentukan dari data observasi. Tujuan representasi konveksi dari model global, hal tersebut tidak penting untuk secara ekplisit menampilkan pemanasan dan kelembaban yang disebabkan oleh proses subgrid updraft, downdraft, peluruhan dan pembentukan. Dengan asumsi bahwa keserdahaan desain akan lebih efisien dan mengurangi eror, semuanya dibuat secara implisit. Batas skema diasumsikan bahwa laju saat kelabilan konvektif ditimbulkan dalam suatu lingkungan yang menentukan bagaimana kecepatan profil lingkungan berubah menurut mixing-line. Skala waktu relaksasi untuk konvektif selama 2 jam.
2. Skema Kain-Fritsch
Memungkinkan CAPE sesuai untuk badai dataran luas, model awan diformulasikan menjadi detrainment entrainment dengan parsel bouyanci yang dihitung sebagai funsi dari parsel yang tercampur secara lateral antar lingkungan dan updraft. Perbedaan di reformulasikan menjadi kekekalan massa, energi panas, massa dan momentum. Didesain untuk ukuran grid 20-25km. Memuat proses fisik awan yang lengkap dalam parameterisasi konfektiv. Parameter downdraft memungkinkan simulasi lebih baik untuk respon skala meso dan memungkinkan untuk sebagian besar skema. Batasan CAPE tidak sesuai untuk lingkungan tropis dan dapat menyebabkan konveksi yang sangat kuat
.
Dengan topografi Nias yang berada di pesisir barat Sumatera dan memiliki pengaruh lokal angin darat-laut yang kuat (Mori et. Al., 2004), Penulis ingin mencoba menggunakan analisis model WRF skala meso dan menemukan apakah model ini baik dalam prakiraan hujan di Nias.
Kemudian hasilnya akan diverifikasi dengan data observasi setempat untuk menentukan skema parameterisasi yang paling baik untuk digunakan dalam prakiraan hujan di Pulau Nias. Dengan dilakukannya penelitian ini, diharapkan agar menjadi bahan studi dalam mempelajari variabilitas lokal yang terjadi di daerah Nias untuk meningkatkan kualitas analisis dan prakiraan cuaca di Nias.
2. DATA DAN METODE
Daerah penelitian dilakukan di Pulau Nias, khususnya koordinat Stasiun Meteorologi Binaka Gunungsitoli Nias yang terletak di koordinat 0º12’-1º32’LU dan 97º-98º BT. Penulis mengambil data kasus hujan saat masa transisi kemarau ke hujan di tahun 2014 yaitu tanggal 22 Juli 2014 dengan jumlah curah hujan sebesar 95 mm, lalu kasus hujan saat transisi hujan ke kemarau tahun 2014 yaitu tanggal 27 April 2014 dengan jumlah curah hujan 10,8 mm.Laptop merk Lenovo seri G40 digunakan untuk merunning model WRF-ARW versi 3.0 dan The Grid Analysis and Display System (GrADS) untuk display hasil luaran model. Data yang dipakai dalam penelitian adalah data Global Forecast System (GFS) sebagai data prakiraan input WRF-ARW dan data FNL (Final Analysis) yang merupakan data reanalysis kemudian data observasi dari Stasiun Meteorologi Binaka Gunungsitoli sebagai data verifikasi hasil output dari model WRF-ARW.
Langkah selanjutnya adalah mengolah data dengan merunning model WRF-ARW dengan terlebih dahulu melakukan penetapan domain penelitian dengan menggunakan Domain Wizard. Setelah menentukan domain, langkah selanjutnya adalah menyelesaikan tahapan pre-processing pada WPS. Terdapat tiga tahapan dalam WPS yaitu: geogrid, ungrib, dan metgrid. Setelah proses WPS ini selesai maka
4 dilanjutkanlah dengan masuk dalam
proses WRF nya yaitu prosesreal.exe dan wrf.exe. selanjutnya, untuk tahapan Post-Processing digunakan ARW-post untuk mengubah data format .nc menjadi format .dat dan .ctl. kemudian didisplay melalui software GRADS. Konfigurasi setting WRF-ARW sebagai berikut:
Gambar 2.1 Konfigurasi WRF-ARW Hasil keluaran masing-masing skema dari model WRF-ARW akan dianalisis, yaitu nilai curah hujannya, keluaran nilai CAPE, dan juga keluaran kelembaban udara per lapisan. Prediksi hujan dapat diverifikasi dengan metode kejadian kategorik dengan score verifikasi berbeda untuk setiap kejadian. Dalam verifikasi data hujan bisa dilakukan dengan tabel kontingensi berikut ini:
Tabel 2.1 Tabel Kontingensi
Dimana :
Hits = prediksi hujan yang benar False alarm = prediksi tidak hujan yang
salah
Miss = prediksi hujan yang salah
Correct non event = prediksi tidak hujan yang benar
3. HASIL DAN PEMBAHASAN
3.1 Verifikasi Nilai Curah Hujan
Verifikasi curah hujan hasil luaran model WRF-ARW dilakukan dengan menggunakan tabel kontingensi untuk membandingkan hasil luaran model terhadap observasinya, kemudian selanjutnya hasil tabel tersebut digunakan untuk mencari nilai Threat Score (TS), Proportion Correct (Akurasi), dan Frequence Bias Index (Bias) sehingga didapatkan skema yang terbaik dan sesuai data observasi.
Tabel 3.1 Hasil Verifikasi Curah Hujan Model WRF-ARW terhadap Hasil
Observasi
Keterangan:
Skema 1 : Mikrofisis Lin - Kumulus Betts-Miller-Janjic
Skema 2 : Mikrofisis Lin - Skema Kumulus Kain-Fritsch
Skema 3 : Skema Mikrofis WSM6 - Skema Kumulus Betts-Miller-Janjic Skema 4 : Skema Mikrofisis WSM6 – Skema Kumulus Kain-Fritsch
Pada verifikasi kejadian hujan tanggal 27 April 2014, nilai TS yang paling tinggi terdapat pada skema 4
5 dengan nilai sebesar 0,33. Hal ini
menunjukkan kejadian hujan pada model dengan kejadian hujan yang terjadi memiliki kesamaan sebesar 33%. Sedangkan untuk nilai FBI nya, skema 4 menghasilkan nilai 1. Sementara FBI pada skema 1 dan 2 menunjukkan hasil yang sama-sama overestimate atau menghasilkan prediksi hujan lebih banyak daripada kejadian sebenarnya sebesar 2,5 atau lebih besar dari nilai 1. Nilai PC atau akurasi terbaik baik untuk kejadian hujan maupun tidak hujannya terdapat pada skema 4 yaitu sebesar 0,75. Secara umum, skema 4 dengan menggunakan data GFS pada kejadian tanggal 27 April merupakan skema yang paling baik.
Dengan menggunakan data FNL saat kejadian hujan tanggal 27 April 2014, masing-masing nilai TS, PC, dan FBI menunjukkan nilai yang sama, terutama pada skema 1 dan skema 3, yaitu 0.14, 3, dan 0.25. Walaupun skema 2 menunjukkan nilai akurasi yang baik, yaitu dengan nilai 1, namun nilai TS, dan FBI nya tidak menunjukkan nilai sehingga dianggap kurang baik secara keseluruhan. Dengan membandingkan tabel diatas, untuk kejadian hujan tanggal 27 April 2014, nilai yang ditunjukkan oleh skema 4 dengan menggunakan data GFS menunjukkan hasil verifikasi yang lebih baik dibandingkan skema lain yang diuji.
Selanjutnya, dalam verifikasi terhadap kejadian hujan tanggal 22 Juli 2014, nilai yang dikeluarkan tidaklah sebaik yang diharapkan. Tabel verifikasi diatas tidak mampu menampilkan verifikasi nilai yang baik dikarenakan nilai prediksi hujannya banyak yang miss atau tidak tepat., namun hampir seluruh skema menunjukkan akurasi terhadap prediksi terjadinya kejadian tidak hujannya.
3.2 Verifikasi Kelembaban Udara
Pada verifikasi curah hujan sebelumnya dengan melihat nilai ThreatScore (TS), Proportion Correct (Akurasi), dan Frequence Bias Index (Bias) maka dianggaplah skema 4 (Skema Mikrofisis WSM6 – Skema Kumulus Kain-Fritsch) menunjukkan hasil yang paling baik pada data GFS. Selanjutnya, parameter yang akan diverifikasi adalah kelembaban udara hasil keluaran dari skema 4 dengan menggunakan data GFS dan FNL. Data yang dihasilkan akan dibandingkan terhadap hasil observasinya, kemudian dicari nilai korelasi dan nilai error (RMSE) untuk menentukan apakah hasilnya baik atau tidak.
Tabel 3.2 Hasil Verifikasi Kelembaban Udara Model WRF-ARW terhadap Hasil
Observasi
Tabel diatas merupakan hasil verifikasi kelembaban udara model WRF-ARW terhadap hasil observasi. Pada kejadian hujan tanggal 27 April 2014 dengan menggunakandata GFS dan FNL, skema 2 menunjukkan nilai korelasi yang baik terhadap nilai observasinya yaitu sebesar 0,40 dan 0,54 dengan nilai error yang paling kecil diantara skema dengan data GFS lainnya. Sementara pada skema 4 yang sebelumnya baik untuk verifikasi hujan tidak terlalu menunjukkan nilai korelasi yang tinggi, namun nilai error pada skema 4 ini merupakan nilai error terkecil sehingga skema 4 dianggap baik dalam verifikasi kelembaban udara.
Dapat dilihat, sesuai dengan hasil verifikasi curah hujan sebelumnya, skema 4 untuk kejadian hujan tanggal 22 Juli 2014 menunjukkan hasil yang cukup baik dibandingkan skema lainnya pada
6 tanggal yang sama, terutama
menggunakan data GFS. dengan nilai korelasi sebesar 0,50 dan nilai error sebesar 17,01. Walaupun nilai error yang dihasilkan cukup tinggi, namun dibandingkan hasil skema lain pada hari yang sama, nilainya lebih baik.
3.3 Analisis Luaran Model
WRF-ARW
Menggunakan skema 4 yaitu
skema Mikrofisis WSM6 – skema
kumulus Kain-Fritsch yang dianggap
paling
baik,
maka
dengan
menggunakan GraDs, model WRF
dapat menampilkan nilai CAPE dan
nilai kelembaban udara per lapisan
pada tiap tanggal kasusnya.
3.3.1 Analisis Kondisi Atmosfer
Tanggal 22 Juli 2014
(
(a)
(b)
Gambar 3.3 Analisis terhadap (a) nilai CAPE dan (b) Kelembaban Udara per Lapisan Tanggal 22 Juli 2014(GFS)
Nilai CAPE menunjukkan nilai sebesar 1800 J/kg dan kelembaban udaranya menunjukkan nilai 90% pada lapisan 850mb, 80% untuk lapisan 700mb, 50% pada lapisan 500mb, dan 70% pada lapisan 300mb Masing-masing nilai analisisnya menunjukkan adanya potensi pembentukan awan-awan konvektif.
(a)
(b)
Gambar 3.4 Analisis terhadap (a) nilai CAPE dan (b) Kelembaban Udara per Lapisan Tanggal 22 Juli 214(FNL)
Nilai CAPE menunjukkan nilai sebesar 1.200 J/kg dengan nilai kelembaban pada masing-masing lapisan 850, 700, 500, dan 300mb sebesar 60%, 60%, 70%, dan 40%. Nilainya menunjukkan adanya potensi konvektif walaupun tidak begitu besar.
7
3.3.2 Analisis Kondisi Atmosfer 27
April 2014
(a)
(b)
Gambar 3.5 Analisis terhadap (a) nilai CAPE dan (b) Kelembaban Udara per Lapisan Tanggal 27 April 2014(GFS)
Nilai CAPE menunjukkan nilai sebesar 3.000 J/kg yang menunjukkan nilai labilitas atmosfer yang tinggi. Nilai kelembaban pada masing-masing lapisan 850, 700, 500, dan 300mb sebesar 90%-100%, 80%, 80%, dan 90%. Nilai kelembabannya yang tinggi mendukung terjadinya potensi konvektif yang kuat.
(a)
(b)
Gambar 3.5 Analisis terhadap (a) nilai CAPE dan (b) Kelembaban Udara per Lapisan Tanggal 27 April 2014(FNL)
Nilai CAPE menunjukkan nilai sebesar 2.700 J/kg dan menunjukkan nilai kelabilan atmosfer yang tinggi. Nilai kelembaban pada masing-masing lapisan 850, 700, 500, dan 300mb sebesar 80%, 80%, 100%, dan 60%. Nilainya menunjukkan potensi tinggi untuk pertumbuhan awan konvektif.
Dari berbagai analisis yang telah dilakukan, hasil luaran konfigurasi skema mikrofisis dan kumulus model WRF-ARW yang cukup baik dibandingkan skema lain yang diuji dalam penelitian ini adalah skema 4, yaitu skema WSM6 – skema Kain-Fritsch. Ditinjau dari analisis atmosfernya, skema 4 dapat menghasilkan analisis yang baik pada nilai CAPE, dan kelembaban udaranya.
Pada kejadian hujan tanggal 27 April 2014 dengan curah hujan tercatat 10 mm, hampir seluruh konfigurasi skemanyanya menampilkan hasil verifikasi yang cukup baik namun banyak menampilkan hasil curah hujan yang overestimate
Namun, untuk kejadian hujan pada tanggal 22 Juli 2014 yang pada hasil observasinya menghasilkan curah hujan hujan sebesar 95 mm, tidak dapat ditampilkan dengan baik. Model WRF-ARW ini cukup baik menampilkan analisis kejadian hujan namun tidak cukup sensitif dalam menampilkan kuantitas curah hujannya.
8 4. KESIMPULAN
Berdasarkan hasil dan analisis yang dilakukan pada penelitian ini, maka dihasilkan kesimpulan:
1. Model WRF-ARW dapat digunakan dalam analisis atmosfer untuk prediksi hujan. Namun model WRF-ARW kurang sensitif dalam memprediksi nilai curah hujannya. 2. Berdasarkan 4 konfigurasi antara
beberapa skema mikrofisis dan skema kumulusnya pada data GFS maupun data FNL, skema mikrofisis WSM6 – skema kumulus Kain - Fritsch dengan data GFS menghasilkan hasil prediksi yang lebih baik diantara skema lainnya.
Untuk penelitian selanjutnya, maka saran yang mungkin dapat diperhatikan adalah:
1. Melakukan percobaan dengan menguji data kasus selama setahun untuk mengetahui kesensitifitasan model WRF-ARW dengan lebih baik.
2. Memilih data kasus pada berbagai macam karateristik musim, sehingga dapat diketahui karateristik yang dapat direpresentasikan paling baik oleh model WRF-ARW.
3. Menggunakan konfigurasi skema kumulus dan mikrofisis lainnya yang dapat menghasilkan data luaran lebih baik.
DAFTAR PUSTAKA
Fadianika, Apritarum. 2014. Uji Sensitivitas Skema Parameterisasi Cumulus untuk Prediksi Hujan di Jawa Timur. Skripsi Diploma IV Sekolah Tinggi Meteorologi Klimatologi dan Geofisika: Jakarta.
Gustari, Indra., dkk. 2012. Akurasi Prediksi Curah Hujan Harian Operasional Di Jabodetabek : Perbandingan Dengan Model
Wrf. Jurnal Meteorologi Dan Geofisika Vol. 13 No. 2 Tahun 2012. BMKG : Jakarta.
Hadi, T, W, dkk. 2011. Pelatihan Model WRF. Laboratoriom Analisis Meteorologi. Institut Teknologi bandung: Bandung.
Hanggoro, W. dkk. 2012.Simulasi Hujan Ekstrim Pada Kejadian Banjir Di Mataram Tanggal 10 Januari 2009 Menggunakan WRF-EMS. Puslitbang BMKG: Jakarta.
Kurniawan, Roni. 2012. Verifikasi Model Meteorologi Weather Research And Forecast (WRF). Laporan Bulanan Hasil Penelitian Puslitbang 2012. BMKG: Jakarta.
Listiaji, Eko. 2009. Simulasi Curah Hujan di Atas Pulau Lombok Studi Kasus Bulan Januari 2007. Institut Teknologi Bandung :Bandung.
Marpaung, Debora. 2013. Simulasi Kejadian Hujan Lebat Di Batam Tanggal 30-31 Januari 2011 Menggunakan Model Wrf - Ems. Tugas Akhir DIII Akademi Meteorologi dan Geofisika: Jakarta
Rizkiana, D.dkk. Perbandingan Skema Parameterisasi Dalam Simulasi Cuaca Numerik Menggunakan Model WRF-ARW (Studi Kasus Hujan Ekstrim Di Balikpapan Tanggal 5 Juli 2008). Skripsi Jurusan Meteorologi Institut Teknologi Bandung :Bandung. Rozumalski, R.A.(2010).A Nearly
Complete Guide to the WRF EMS V3. NOAA/NWS National SOO Science and Training Resource Coordinator.
Santriyani, M, dkk. 2007. Sensitivitas Parameterisasi Konveksi Dalam Prediksi Cuaca Numerik Menggunakan Model WRF_ARW (Studi Kasus Hujan Ekstrim Di Jakarta
9 Tanggal 7 April 2009). Institut
Teknologi Bandung: Bandung. Soepangkat, 1994. Pengantar
Meteorologi. Balai Pendidikan dan Latihan Meteorologi dan Geofisika: Jakarta.
Tambunan, N, N. 2014. Verifikasi Pemanfaatan Model WRF-ARW untuk Prediksi Hujan Harian di Sumatera Utara. Skripsi Diploma IV Sekolah Tinggi Meteorologi Klimatologi dan Geofisika: Jakarta.
Tjasyono, HK, B. 2006. Meteorologi Indonesia Volume I. Badan Meteorologi dan Geofisika: Jakarta.
Tjasyono, HK, B. 2008. Meteorologi Indonesia Volume II. Badan Meteorologi dan Geofisika: Jakarta.
Yunita, Rezky. 2014. Uji Skema Parameterisasi Cumulus dalam Prediksi Hujan di Kalimantan Selatan. Skripsi Diploma IV Sekolah Tinggi Meteorologi Klimatologi dan Geofisika: Jakarta. https://www.meted.ucar.edu/nwp/model _precipandclouds/ http://kadarsah.wordpress.com/2008/04/ 01/beberapa-skemaparameterisasi-awan-cumulus/
