Seminar Nasional dalam Rangka Dies Natalis ke-45 UNS Tahun 2021
“Membangun Sinergi antar Perguruan Tinggi dan Industri Pertanian dalam
Rangka Implementasi Merdeka Belajar Kampus Merdeka”
Komparasi dan Evaluasi Data Hujan Berbasis Satelit dalam Mengestimasi
Curah Hujan Harian Maksimum di Provinsi Papua Barat
Arif Faisol1 dan Samsul Bachri2
1 Program Studi Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Papua 2 Program Studi Ilmu Tanah, Fakultas Pertanian, Universitas Papua
Abstrak
Banjir merupakan salah satu bencana alam yang mendominasi kejadian bencana alam di Provinsi Papua Barat. Terbatasnya stasiun iklim dan stasiun hujan di Provinsi Papua Barat mengakibatkan sebagian besar wilayah di Provinsi Papua Barat belum memiliki data hujan sehingga menjadi kendala dalam melakukan analisis banjir. Tersedianya data hujan hasil pengamatan satelit dapat dijadikan sebagai solusi alternatif dalam penyediaan data hujan di Provinsi Papua Barat, diantaranya adalah Tropical Rainfall Measuring Mission (TRMM),
Global Precipitation Measurement (GPM), dan Climate Hazards Group Infrared Precipitation with Stations (CHIRPS). Penelitian ini bertujuan untuk menguji akurasi data TRMM, GPM,
dan CHIRPS dibandingkan dengan data hasil perekaman pada automatic weather stations (AWS) menggunakan 7 (tujuh) parameter statistik, yaitu root mean square error (RMSE),
mean error (ME), mean absolute error (MAE), relative bias (RBIAS), mean bias factor
(MBIAS), percent bias (PBIAS), dan koefisien korelasi (r). Hasil penelitian menunjukkan data TRMM, GPM, dan CHIRPS memiliki akurasi yang acceptable dalam mengestimasi curah hujan harian maksimum di Provinsi Papua Barat dengan nilai bias sebesar 23,29% - 33,47% dibanding data AWS serta memiliki hubungan yang kuat dengan data AWS yang ditunjukkan dengan nilai koefisien korelasi sebesar 0,65 – 0,69. Dari ketiga data tersebut, data TRMM memiliki akurasi yang lebih baik dalam mengestimasi curah hujan harian maksimum di Provinsi Papua Barat. Oleh sebab itu data TRMM lebih direkomendasikan apabila digunakan untuk analisis banjir di Provinsi Papua Barat khususnya pada wilayah yang belum tersedia stasiun iklim maupun stasiun penangkar hujan.
Kata kunci: banjir, Tropical Rainfall Measuring Mission (TRMM), Global Precipitation
Measurement (GPM), dan Climate Hazards Group Infrared Precipitation with Stations
(CHIRPS)
Pendahuluan
Barat. Berdasarkan data dan informasi bencana Indonesia (DIBI) yang dirilis oleh Badan Nasional Penanggulangan Bencana (BNPB), pada kurun 2010 – 2020 telah terjadi bencana banjir sedikitnya 36 kejadian di Papua Barat. Jumlah kejadian bencana alam dan kejadian banjir di Provinsi Papua Barat disajikan pada Gambar 1 dan Gambar 2.
Gambar 1. Jumlah kejadian bencana di Provinsi Papua Barat periode 2010 – 2020 (Badan Nasional Penanggulangan Bencana, 2020)
Gambar 2. Jumlah kejadian banjir di Provinsi Papua Barat periode 2010 – 2020 (Badan Nasional Penanggulangan Bencana, 2020)
Curah hujan merupakan parameter utama yang digunakan dalam analisis banjir. Terbatasnya stasiun iklim dan stasiun hujan di Provinsi Papua Barat mengakibatkan sebagian besar wilayah di Provinsi Papua Barat belum memiliki data hujan sehingga menjadi kendala dalam analisis banjir. Disamping itu World Meteorological Organization (WMO) merekomendasikan bahwa stasiun pengamat cuaca atau iklim hanya dapat mewakili suatu wilayah seluas 100 km2 – 1000 km2 (World Meteorological Organization, 2010), sehingga Provinsi Papua Barat yang memiliki luas ± 102.946 km2 (Badan Pusat Statistik, 2020) idealnya memiliki 103 stasiun iklim. Sebaran stasiun iklim dan stasiun hujan di Provinsi Papua Barat disajikan pada Gambar 3.
Saat ini telah tersedia data hujan hasil pengamatan satelit. Disamping memiliki wilayah liputan yang sangat luas, data hujan hasil pengamatan satelit memiliki akurasi yang cukup baik
0 5 10 15 20 25 30 35 40
Banjir Gempa Bumi Putting Beliung Tanah Longsor
Jumlah Ke ja di an Bencana Alam 0 2 4 6 8 10 12 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Juml ah Ke ja di an Tahun
karena telah dikalibrasi dengan stasiun pengamat hujan yang ada di bumi sehingga dapat dijadikan sebagai solusi alternatif dalam penyediaan data hujan di Provinsi Papua Barat. Beberapa data hujan hasil pengamatan satelit yang tersedia saat ini disajikan pada Tabel 1.
Gambar 3. Sebaran stasiun iklim dan stasiun hujan di Provinsi Papua Barat
Tabel 1. Data hujan hasil pengamatan satelit (National Center for Atmospheric Research Staff, 2020)
Data hujan Domain Resolusi
temporal
Resolusi spasial Asian Precipitation - Highly-Resolved Observational Data Integration
Towards Evaluation (APHRODITE)
Asia harian 0,25o
The Climatologies at high resolution for the Earth's land surface (CHELSA)
Global bulanan 30 arc sec
CICS High-Resolution Optimally Interpolated Microwave Precipitation from Satellites (CHOMPS)
Global haily 0,25o
CMAP Global bulanan 2,50o
CPC Morphing Technique (CMORPH) Global harian 0,25o
CPC Global barian 0,50o
CRU Global bulanan 0,50o
Global Precipitation Climatology Centre (GPCC) Global harian, bulanan 0,50o Global Precipitation Climatology Project (GPCP) Global harian 1,00o
GPCP Global bulanan 2,50o
HOAPS Global harian, bulanan 0,50o
Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks - Climate Data Record (PERSIANN-CDR)
Global harian 0,25o
PREC/L Global bulanan 2,50o
TerraClimate Global bulanan ~4 km
Tropical Rainfall Measuring Mission (TRMM) Tropics 4 jam, harian, bulanan
0,25o
Global Precipitation Measurement (GPM) Global 4 jam, harian,
bulanan
~10 km Climate Hazards Group Infrared Precipitation with Stations (CHIRPS) Global harian, bulanan ~5 km
TRMM, GPM, dan CHIRPS merupakan data hujan yang umum digunakan oleh berbagai lembaga didunia, diantaranya; Climate Hazards Centre – University of California memanfaatkan data CHIRPS untuk mengestimasi dan memantau curah hujan di Afrika, Afrika Timur, Afrika Barat, Afrika Selatan, kawasan Asia Tengah, Amerika Selatan, Amerika Tengah, dan Haiti (Climate Hazards Center, 2020), International Research Institute for Climate and
Society – Colombia University memanfaatkan data CHIRPS untuk memprediksi curah hujan
di Indonesia dan beberapa wilayah lainnya (International Research Institute for Climate and
Society, 2015), Lembaga Penerbangan dan Antariksa Nasional (LAPAN) memanfaatkan data
CHIRPS untuk memantau curah hujan di Indonesia (LAPAN, 2020a) dan data TRMM untuk menyusun informasi spasial tingkat kekeringan pada lahan sawah (LAPAN, 2020b), Badan Meteorologi Klimatologi dan Geofisika (BMKG) menggunakan data TRMM untuk prediksi iklim di Indonesia (Nuraini et al., 2019), Femine Early Warning System Network (FEWS NET) menggunakan data GPM untuk memantau keamanan pangan dan air (Khawaja, 2019),
Sustainability Satellites Water and Environment (SASWE) memanfaatkan data GPM untuk
pengelolaan sumberdaya air di negara – negara Asia Selatan (Khawaja, 2019).
Sejumlah penelitian menunjukkan bahwa TRMM, GPM, dan CHIRPS memiliki akurasi yang cukup baik dalam mengestimasi curah hujan. Berdasarkan penelitian yang dilakukan oleh Faisol et al. (2020) CHIRPS memiliki tingkat kesalahan rata-rata (ME) sebesar 0,31 mm dalam mengestimasi curah hujan harian di Jawa Timur dibandingkan data hasil pengamatan pada stasiun iklim serta ME sebesar 2,75 mm dalam mengestimasi curah hujan harian di Provinsi Papua Barat dibandingkan data hasil perekaman pada automatic weather stations (AWS) (Budiyono & Faisol, 2021). Faisol et al. (2020) juga melaporkan bahwa data GPM memiliki tingkat kesalahan rata-rata (ME) sebesar 1,56 mm dalam mengestimasi curah hujan harian di Jawa Timur dibandingkan data hasil pengamatan pada stasiun iklim, serta ME sebesar 1,9 mm dalam mengestimasi curah hujan harian di Provinsi Papua Barat (Faisol et al., 2019). Hasil penelitian yang dilakukan oleh Syaifullah (2014) data TRMM memiliki nilai error sebesar 11,6 mm/hari dalam mengestimasi curah hujan pada 3 daerah aliran sungai (DAS) di Indonesia, dan berdasarkan penelitian Krisnayanti et al. (Krisnayanti et al., 2020) data TRMM memiliki korelasi yang kuat hingga sangat kuat terhadap data hasil pengukuran dengan nilai koefisien korelasi sebesar 0,505 – 0,813.
Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk mengevaluasi dan mengkomparasi data TRMM, GPM, dan CHIRPS dalam mengestmasi curah hujan maksimum di Provinsi Papua Barat agar dapat digunakan untuk analisis banjir pada wilayah yang belum tersedia stasiun iklim maupun stasiun penangkar hujan.
Metodologi
Penelitian ini dilakukan di Provinsi Papua Barat pada bulan Maret – April tahun 2021. Secara umum penelitian ini terdiri atas 4 (empat) tahapan utama, yaitu; inventarisasi data, ekstraksi data, evaluasi data, dan komparasi data. Diagram alir penelitian disajikan pada Gambar 4.
Gambar 4. Diagram alir penelitian A. Inventarisasi data
Tahapan ini bertujuan untuk melakukan inventarisasi data TRMM, GPM, CHIRPS, dan data hujan perekaman tahun 2015 sampai tahun 2019 yang diperoleh dari 3 (tiga) AWS, yaitu AWS Rendani yang berlokasi di Kabupaten Manokwari, AWS Torea yang berlokasi di Kabupaten Fakfak, dan AWS Kaimana yang berlokasi di Kabupaten Kaimana.
B. Ekstraksi data hujan
Tahapan ini bertujuan untuk mengekstrak data hujan harian maksimum TRMM, GPM, dan CHIRPS berdasarkan lokasi stasiun AWS menggunakan metode point to pixel. Ekstraksi data hujan dapat dilakukan secara manual dengan mencatat data hujan hasil pengamatan satelit pada setiap lokasi AWS maupun dilakukan secara otomatis menggunakan perangkat lunak sistem informasi geografis.
C. Evaluasi data
TRMM, GPM, dan CHIRPS dengan data hujan hasil perekaman pada AWS. Parameter statistik yang digunakan untuk mengevaluasi data TRMM, GPM, dan CHIRPS adalah; root mean
square error (RMSE), mean error (ME), mean absolute error (MAE), relative bias (RBIAS), mean bias factor (MBIAS), percent bias (PBIAS), dan koefisien korelasi (r). Parameter tersebut dihitung menggunakan persamaan berikut:
𝑅𝑀𝑆𝐸 =1 𝑛∑ (𝑦𝑖− 𝑥𝑖) 2 𝑛 𝑖=1 ……….. (1) 𝑀𝐸 =1 𝑛∑ (𝑦𝑖− 𝑥𝑖) 𝑛 𝑖=1 ……….……… (2) 𝑀𝐴𝐸 = 1 𝑛∑ |𝑦𝑖 − 𝑥𝑖| 𝑛 𝑖=1 ……….…….. (3) 𝑅𝐵𝐼𝐴𝑆 =∑𝑛𝑖=1(𝑦𝑖−𝑥𝑖) ∑𝑛𝑖=1𝑥𝑖 ………. (4) 𝑀𝐵𝐼𝐴𝑆 =∑𝑛𝑖=1𝑦𝑖 ∑𝑛𝑖=1𝑥𝑖 ………... (5) 𝑃𝐵𝐼𝐴𝑆 = 100 (∑𝑛𝑖=1(𝑦𝑖−𝑥𝑖) ∑𝑛𝑖=1𝑥𝑖 ) ………. (6) 𝑟 = ∑ (𝑦𝑖−𝑦̅)(𝑥𝑖−𝑥̅) 𝑛 𝑖=1 √∑𝑛 (𝑦𝑖−𝑦̅)2 𝑖=1 √∑𝑛𝑖=1(𝑥𝑖−𝑥̅)2 ………. (7)
Keterangan: yi adalah nilai curah hujan dari citra satelit pada waktu ke-i (mm) ; 𝑦̅ adalah nilai curah hujan rerata dari citra satelit pada periode tertentu (mm) ; xi adalah nilai curah hujan perekaman AWS pada waktu ke-i (mm) ; 𝑥̅ adalah nilai curah hujan rerata perekaman AWS pada periode tertentu (mm); dan n adalah jumlah data. Nilai terbaik dari RMSE = 0, ME = 0, MAE = 0, RBIAS = 0, MBIAS = 1, PBIAS = 0, r= 1 (Omranian et al., 2018; Saeidizand, Sabetghadam, Tarnavsky, & Pierleoni, 2018; Lelis, Bosquilia, & Duarte, 2018; Wang, Zhong, Lai, & Chen, 2017; Javier et al., 2016).
Tingkat hubungan antara data hasil observasi/ pencatatan pada AWS dengan data hasil estimasi citra satelit disajikan pada Tabel 2.
Tabel 2. Tingkat keeratan hubungan antara data hasil estimasi dan observasi (Azka et al., 2018)
Interval Koefisien Tingkat Hubungan
0,00 – 0,199 Sangat lemah 0,20 – 0,399 Lemah 0,40 – 0,599 Sedang 0,60 – 0,799 Kuat 0,80 – 1,000 Sangat kuat D. Komparasi data
dalam mengestimasi curah hujan harian maksimum berdasarkan parameter statistik dan karakteristik data.
Hasil dan Pembahasan
Data TRMM pada umumnya overestimated dalam mengestimasi curah hujan maksimum di Provinsi Papua Barat dibandingkan data AWS, sedangkan data GPM dan CHIRPS cenderung underestimated. Hal ini relevan dengan penelitian yang dilakukan oleh Budiyono dan Faisol (2021) bahwa data CHIRPS cenderung underestimated dalam mengestimasi curah hujan harian di Provinsi Papua Barat. Namun berbeda dengan data GPM yang cenderung
overestimated dalam mengestimasi curah hujan harian di Provinsi Papua Barat (Faisol et al.,
2019;Faisol & Atekan, 2020). Komparasi curah hujan maksimum antara data AWS, TRMM, GPM, dan CHRIPS pada periode perekaman tahun 2015 – 2019 disajikan pada Gambar 5.
(a) (b)
(c)
Gambar 5. Grafik perbandingan data curah hujan maksimum antara data AWS dan data satelit; (a) Rendani – Kabupaten Manokwari, (b) Torea – Kabupaten Fakfak, (c) Kaimana – Kabupaten Kaimana
Berdasarkan hasil uji statistik, data TRMM, GPM, dan CHIRPS memiliki akurasi yang
acceptable dalam mengestimasi curah hujan harian maksimum di Provinsi Papua Barat dengan
nilai bias sebesar 23,29% - 33,47% dibanding data hasil perekaman pada AWS serta memiliki hubungan yang kuat dengan data AWS yang ditunjukkan dengan nilai koefisien korelasi sebesar 0,65 – 0,69. Hasil uji akurasi data TRMM, GPM, dan CHIRPS dibandingkan data AWS
0 50 100 150 200 250 2015 2016 2017 2018 2019 Cu ra h h u ja n ( m m ) AWS TRMM GPM CHIRPS 0 50 100 150 200 250 2015 2016 2017 2018 2019 Cu ra h h u ja n ( m m ) AWS TRMM GPM CHIRPS 0 20 40 60 80 100 120 2015 2016 2017 2018 2019 Cu ra h h u ja n ( m m ) AWS TRMM GPM CHIRPS
disajikan pada Tabel 2.
Meskipun data TRMM, GPM, dan CHIRPS memiliki akurasi yang acceptable dalam mengestimasi curah hujan harian maksimum di Provinsi Papua Barat, namun untuk analisis banjir dibutuhkan data curah hujan harian paling sedikit 10 tahun berturut – turut. Oleh sebab itu data yang memenuhi syarat untuk analisis banjir adalah data TRMM dan CHIRPS, karena data TRMM menyediakan data hujan tahun 1997 sampai saat ini (Macritchie, 2017) dan data CHIRPS menyediakan data hujan tahun 1981 sampai saat ini (Funk et al., 2014). Sedangkan data GPM menyediakan data hujan tahun 2014 sampai saat ini (Goddard Space Flight Center, 2013).
Tabel 2. Hasil uji akurasi data hujan harian maksimum antara data TRMM, GPM, dan CHIRPS dibanding data AWS
Parameter statistik
AWS Rendani AWS Torea AWS Kaimana Rerata
TRMM GPM CHIRPS TRMM GPM CHIRPS TRMM GPM CHIRPS TRMM GPM CHIRPS
RMSE 32,86 45,96 58,50 46,03 58,83 30,01 13,40 11,90 32,24 30,77 38,90 40,25 ME 23,53 27,71 -56,41 -17,97 -42,60 10,44 0,48 -9,39 -18,60 2,01 -8,10 -21,54 MAE 29,08 36,70 56,41 40,00 42,60 21,22 11,47 11,35 31,68 26,85 30,22 36,44 RBIAS 0,22 0,27 0,42 0,33 0,36 0,18 0,15 0,15 0,41 0,23 0,26 0,33 MBIAS 1,18 1,21 0,58 0,85 0,64 1,09 1,01 0,88 0,76 1,01 0,91 0,81 PBIAS 21,67 27,34 42,03 33,49 35,67 17,77 14,70 14,55 40,61 23,29 25,86 33,47 r 0,80 0,61 0,64 0,41 0,51 0,82 0,74 0,95 0,53 0,65 0,69 0,66
Tabel 2 menunjukkan data TRMM memiliki nilai RMSE, ME, MAE, RBIAS, dan PBIAS lebih rendah daripada data GPM dan data CHIRPS. Hal ini mengindikasikan bahwa data TRMM memiliki tingkat kesalahan lebih kecil dalam mengestimasi curah hujan harian maksimum daripada data GPM dan data CHIRPS. Disamping itu data TRMM memiliki nilai MBIAS yang lebih mendekati nilai 1 dibanding data GPM dan data CHIRPS, sehingga data TRMM memiliki tingkat kemiripan yang lebih tinggi dengan data AWS daripada data GPM dan CHIRPS. Berdasarkan kondisi tersebut, data TRMM lebih akurat daripada data GPM dan CHIRPS dalam mengestimasi curah hujan harian maksimum di Provinsi Papua Barat.
Meskipun data TRMM memiliki akurasi yang lebih bagus dibanding data GPM dan CHIRPS, namun informasi hujan yang ditampilkan oleh TRMM tidak sedetail GPM dan CHIRPS. Hal ini disebabkan data TRMM memiliki resolusi spasial sebesar 25 km. Sedangkan data GPM memiliki resolusi spasial 10 km, dan CHIRPS memiliki resolusi spasial 5 km.
Kesimpulan dan Saran
curah hujan harian maksimum di Provinsi Papua Barat karena memiliki akurasi yang
acceptable. Dari ketiga data tersebut, data TRMM memiliki akurasi yang lebih baik dalam
mengestimasi curah hujan harian maksimum serta memiliki rentang data lebih dari 10 tahun sehingga lebih direkomendasikan untuk analisis banjir di Provinsi Papua Barat khususnya pada wilayah yang belum tersedia stasiun iklim maupun stasiun penangkar hujan.
Ucapan Terimakasih
Penulis mengucapkan terima kasih kepada Universitas Papua yang telah membiayai penelitian ini melalui skema Penelitian Dosen Asisten Ahli tahun anggaran 2021 dengan nomor keputusan SP-111/UN42/PG/ 2021.
Daftar Pustaka
Azka, M. A., Sugianto, P. A., Silitonga, A. K., dan Nugraheni, I. R. (2018). Uji Akurasi Produk Estimasi Curah Hujan Satelit GPM IMERG di Surabaya, Indonesia. Jurnal Sains &
Teknologi Modifikasi Cuaca, 19(2), 83–88.
Badan Nasional Penanggulangan Bencana. (2020). Data Informasi Bencana Indonesia (DIBI). http://bnpb.cloud/dibi/tabel1a
Badan Pusat Statistik. (2020). Provinsi Papua Barat Dalam Angka 2020. Badan Pusat Statistik. Budiyono, dan Faisol, A. (2021). Evaluasi Data Climate Hazards Group Infrared Precipitation With Station ( CHIRPS ) Dengan Data Pembanding Automatic Weather Stations ( AWS ) Dalam Mengestimasi Curah Hujan Harian Di Provinsi Papua Barat. Jurnal Teknik
Pertanian Lampung. 10(1), 64–72.
Climate Hazards Center. (2020). CHC Early Estimates. https://www.chc.ucsb.edu/monitoring/ early-estimates.
Faisol, A., dan Atekan, A. (2020). Potensi Pemanfaatan Data Iklim Berbasis Citra Satelit untuk Pengembangan Lahan Pertanian di Provinsi Papua Barat. Igya Ser Hanjop, 2(2), 69–80. https://doi.org/10.47039/ish.2.2020.69-80
Faisol, A., Budiyono, B., Indarto, I., dan Novita, E. (2019). Evaluasi Data Hujan Harian Global Precipitation Measurement (GPM) versi ke-6 di Provinsi Papua Barat. Prosiding Seminar
Nasional MIPA UNIPA IV, 147–154.
Faisol, A., Indarto, I., Novita, E., dan Budiyono, B. (2020). Komparasi Antara Climate Hazards Group Infrared Precipitation With Stations (CHIRPS) dan Global Precipitation Measurement (GPM) Dalam Membangkitkan Informasi Curah Hujan Harian di Provinsi Jawa Timur. Jurnal Teknologi Pertanian Andalas, 24(2), 148–156.
Funk, C. C., Peterson, P. J., Landsfeld, M. F., Pedreros, D. H., Verdin, J. P., Rowland, J. D., Romero, B. E., Husak, G. J., Michaelsen, J. C., and Verdin, A. P. (2014). A Quasi-Global
Goddard Space Flight Center. (2013). Global Precipitation Measurement (GPM) Science
Implementation Plan. NASA.
International Research Institute for Climate and Society. (2015). Indonesia CPT Precipitation
Forecast. https://iridl.ldeo.columbia.edu/maproom/Agriculture/Forecast/Indonesia_ Precip_CHIRPS.html#tabs-2.
Khawaja, S. (2019). Global Precipitation Mission: Improved, Accurate and Timely Global
Precipitation Information. https://www.space4water.org/news/global-precipitation-mission-improved-accurate-and-timely-global-precipitation-information
Krisnayanti, D. S., Welkis, D. F. B., Hepy, F. M., and Legono, D. (2020). Evaluasi Kesesuaian Data Tropical Rainfall Measuring Mission (TRMM) dengan Data Pos Hujan Pada Das Temef di Kabupaten Timor Tengah Selatan. Jurnal Sumber Daya Air, 16(1), 51–62. LAPAN. (2020a). Curah Hujan. https://spbn.pusfatja.lapan.go.id/maps/7122.
LAPAN. (2020b). Rawan Kering Lahan Sawah. https://sipandora.lapan.go.id/site/ rawankeringsawah.
Lelis, L. C., Bosquilia, R. W. D., and Duarte, S. N. (2018). Assessment of Precipitation Data Generated by GPM and TRMM Satellites. Revista Brasileira de Meteorologia, 33(1), 153–163.
Macritchie, K. (2017). README Document for the Tropical Rainfall Measurement Mission (
TRMM ) Version 7 (4th ed.). National Aeronautics and Space Administration.
National Center for Atmospheric Research Staff. (2020). The Climate Data Guide:
Precipitation Data Sets: Overview & Comparison table.
Agustus.https://climatedataguide.ucar.edu/climate-data/precipitation-data-sets-overview-comparison-table
Nuraini, T. A., Nuryanto, D. E., Komalasari, K. E., Satyaningsih, R., Fajariana, Y., Anggraeni, R., dan Sopaheluwakan, A. (2019). Pengembangan Model HyBMG 2.07 Untuk Prediksi Iklim Di Indonesia Dengan Menggunakan Data Tropical Rainfall Measuring Mission (TRMM). Jurnal Meteorologi Dan Geofisika, 20(2), 101.
Omranian, E., Sharif, H. O., and Tvakoly, A. A. (2018). How Well Can Global Precipitation Measurement ( GPM ) Capture Hurricanes ? Case Study : Hurricane Harvey. Remote
Sensing, 14. https://doi.org/10.3390/rs10071150
Saeidizand, R., Sabetghadam, S., Tarnavsky, E., and Pierleoni, A. (2018). Evaluation of CHIRPS Rainfall Estimates over Iran. Advances in Remote Sensing Pf Rainfall and
Snowfall, 144(May), 282–291. https://doi.org/10.1002/qj.3342
Syaifullah, M. D. (2014). Validasi Data TRMM Terhadap Data Curah Hujan Aktual di Tiga DAS di Indonesia. Jurnal Meteorologi Dan Geofisika, 15(2), 109–118.
Trejo, F. J. P., Barbosa, H. A., Peñaloza-Murillo, M. A., Moreno, M. A., and Farías, A. (2016). Intercomparison of Improved Satellite Rainfall Estimation with CHIRPS Gridded Product and Rain Gauge Data over Venezuela. Atmósfera, 29(4), 323–342.
Wang, Z., Zhong, R., Lai, C., and Chen, J. (2017). Evaluation of The GPM IMERG Satellite-based Precipitation Products and The Hydrological Utility. Atmospheric Research,
196(June), 151–163. https://doi.org/10.1016/j.atmosres.2017.06.020
World Meteorological Organization. (2010). Commission for Instruments and Methods of Observation (WMO-No. 1064). In Fifteenth session - Abridged final report with
