TEKNIK EVALUASI PERKIRAAN HUJAN RADAR
radar memegang peranan penting dalam pemantauan hujan, khususnya dalam perkiraan hujan kawasan. Jika hujan dari radar dapat diperkirakan dengan baik, maka informasi tersebut memberikan prospek yang cukup besar dalam pengembangan sistem peringatan dini banjir. Namun demikian, tingkat kebenaran informasinya, yaitu korelasi data hujan radar terhadap pengukuran hujan di permukaan lahan perlu dilakukan evaluasi, karena masih terdapat kekurangan pada tingkat presisi perkiraan hujan radar yang disebabkan oleh berbagai sumber kesalahan (Rossa, et al. 2010; Burcea et al. 2011).
Tingkat akurasi perkiraan hujan radar secara sederhana dinilai dari perbandingan datanya terhadap pengukuran hujan yang terjadi di permukaan lahan melalui penakar hujan (Hong and Gourley 2015). Bila perkiraan hujan radar tersebut dibandingkan dengan hasil pengukuran hujan dengan penakar hujan (rain gauge), ditemukan kesalahan perkiraan yang tergantung dari jarak stasiun penakar hujan terhadap posisi radar (Sebastianelli et al. 2013). Secara umum, akurasi perkiraan hujan radar semakin kecil terhadap hujan yang terjadi di permukaan dengan semakin meningkatnya jangkauan radar (Allegretti et al. 2012).
Pengembangan teknik dan teknologi evaluasi yang memadai harus menjadi bagian yang terintegrasi dari pendekatan yang digunakan (Krajewski, et al. 2010). Untuk radar gelombang pendek (short range radar), teknik perbandingan antara pengukuran hujan dengan penakar (G) dan perkiraan hujan radar (R) digunakan untuk memperbaiki bias rata-rata lapangan. Bias radar (C) dapat digunakan untuk mengoreksi data reflektivitas radar yang disebabkan oleh pengaruh kesalahan kalibrasi radar. Sebastianelli et al. (2013) menawarkan suatu teknik evaluasi kesalahan perkiraan hujan radar sebagai fungsi jaraknya (range) untuk memperbaiki perkiraan data radar. Evaluasi kesalahan perkiraan hujan radar dilakukan dengan menganalisis indeks fractional standard error (FSE), gradien regresi antara G dan R, serta sifat rasio G/R sebagai fungsi jarak.
Bias radar yang digunakan untuk mengoreksi data reflektivitas radar dihitung dengan persamaan berikut:
MC 10b log (1)
dimana b = 0.5853 dan Multiplicative error (M) dihitung dengan rumus:
P
j i j
E i
P
j i j
E
i
R G M
1 ,
1
1 ,
1 (2)
Gi,j dan Ri,j merupakan jumlah hujan dari radar dan penakar hujan, i adalah kejadian hujan dan j adalah stasiun penakar hujan. E adalah jumlah kejadian hujan, sementara P adalah jumlah stasiun penakar hujan. Setelah kalibrasi radar selesai dilakukan, rasio G/R dapat dihitung. Rasio G/R menunjukkan nilai yang lebih stabil pada nilai akumulasi hujan yang lebih panjang. Masing-masing komponen dari vektor rasio G/R dihitung dengan persamaan berikut:
n j
R G R
G
E
i i
E
i i
j
,..., 2 ,1
1
1
(3)
Gi dan Ri masing-masing adalah jumlah hujan dari penakar dan radar pada kejadian i, E adalah jumlah kejadian hujan selama periode yang ditinjau, dan j menyatakan penakar hujan. Sifat-sifat rasio G/R dievaluasi berdasarkan nilai logaritmik G/R masing-masing stasiun penakar hujan dalam kaitannya dengan jarak stasiun terhadap radar. Gambar 1 merupakan contoh plotting nilai log rasio G/R dan jarak stasiun penakar hujan terhadap radar sebelum dan setelah dikalibrasi, sedangkan Gambar 2 merupakan regresi log rasio G/R dan jarak stasiun penakar hujan terhadap radar setelah dikalibrasi (Sebastianelli et al. 2013).
Gambar 1. Log rasio G/R sebelum dan
setelah kalibrasi Gambar 2. Log (G/R) sebagai fungsi jarak setelah dikalibrasi
Hasil plotting nilai log rasio G/R dan jarak stasiun penakar hujan terhadap radar (Gambar 1) menunjukkan bahwa sebelum dikalibrasi terjadi kekurangan (underestimate) perkiraan hujan radar, sedangkan setelah dikalibrasi, terjadi kelebihan perkiraan (overestimate). Berdasarkan penelitian Sebastianelli et al.
(2013), kekurangan dan kelebihan perkiraan ini terjadi pada daerah (lokasi penakar hujan) diatas 50 km dari radar. Hal ini juga menunjukkan bahwa kesalahan perkiraan hujan radar meningkat dengan meningkatnya jarak lokasi perkiraan hujan dari radar. Untuk itu, perkiraan hujan radar harus dikoreksi menggunakan nilai bias jarak (AF) menggunakan persamaan:
eX r bAF( )10log (4)
dimana nilai b = 0.5853 dan X didapat dari persamaan regresi antara log G/R dan jarak stasiun penakar hujan terhadap radar yang telah dikalibrasi (Gambar 2).
Contoh pada studi kasus penelitian Sebastianelli et al. (2013), persamaan regresi yang didapat adalah:
6 2 5
3 4 4 3
5 2
1r p r pr p r p r p
p
X (5)
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
0 20 40 60 80 100 120
log (G/R)
Jarak (Km) sebelum kalibrasi
setelah kalibrasi
y = -8.98e-010x5 + 2.02e-007x4 - 1.61e-005x3 + 0.01x2 - 0.03x + 0.27 R² = 0.90
-0.5 0.0 0.5 1.0 1.5 2.0
0 20 40 60 80 100 120
log (G/R)
Jarak (Km) setelah kalibrasi
Garis regresi
p1, p2, p3, p4, p5, p6 merupakan koefisien regresi dan r merupakan jarak stasiun penakar hujan terhadap radar. Contoh nilai hubungan AF dan jarak stasiun penakar hujan terhadap radar disajikan pada Gambar 3 (Sebastianelli et al. 2013).
Indeks fractional standard error (FSE) digunakan untuk mengukur perbedaan antara nilai prediksi dari model (data radar) dan nilai observasi aktual (dari penakar hujan) atau untuk menghitung kesalahan radar. Perbandingan nilai tersebut juga digambarkan dalam diagram pencar (scatter plot) (Gambar 4).
Gambar 3. Nilai AF sebagai fungsi
jarak Gambar 4. Hubungan antara indeks FSE dan jarak
Indeks FSE dapat dihitung dengan persamaan berikut:
N x
N x x
FSE N
i g
N
i r g
1 1
2
(6)
dimana xr dan xg masing-masing adalah data radar dan penakar hujan, sementara N adalah jumlah nilai observasi.
METODOLOGI STUDI
Pada tahap awal studi ini dilakukan kajian pustaka terhadap teknik evaluasi yang dilakukan oleh Sebastianelli et al. (2013), dengan harapan teknik ini dapat diterapkan untuk mengevaluasi data hujan radar terhadap data hujan permukaan (ground rainfall) di lereng Merapi, Daerah Istimewa Yogyakarta. Perangkat radar yang terpasang pada stasiun Museum Gunung Merapi merupakan radar tipe X- band Multiparameter (XMP). Radar XMP merupakan radar rentang pendek yang memiliki beberapa kelebihan dibanding radar generasi sebelumnya (tipe S-band maupun C-band). Panjang gelombang yang lebih pendek pada XMP memberikan sensitivitas yang lebih tinggi, sehingga mampu memberikan resolusi spasial yang lebih baik (Hirano et al. 2014).
Sebastianelli et al. (2013) melakukan evaluasi data hujan radar terhadap hujan penakar menggunakan 148 data di Italia. Data hujan radar diperoleh dari hasil
-2 0 2 4 6 8 10 12 14 16 18
0 20 40 60 80 100 120
AF (dB)
Jarak (Km)
0 1 2 3 4 5 6 7
0 20 40 60 80 100 120
IndeksFSE
Jarak (Km) Data mentah Setelah kalibrasi Setelah menggunakan AF
pengukuran reflektivitas menggunakan radar cuaca Polar 55C (tipe C-band) dengan jangkauan mencapai 120 km dari lokasi radar, elevasi sapuan (sweep elevation) 1.5o, dan waktu repetisi setiap lima menit. Rekaman hujan radar ini kemudian dibuat dalam bentuk peta intensitas hujan yang dibagi ke dalam grid kartesian dengan ukuran 1 km2. Data hujan di lahan diperoleh dari 40 stasiun penakar hujan tipe tipping bucket yang tersebar dalam wilayah cakupan radar.
Penakar hujan tersebut memiliki interval waktu perekaman 10-15 menit dan resolusi hujan 0,2 mm/jam. Gambar 5 merupakan distribusi spasial lokasi stasiun penakar hujan dan radar yang digunakan dalam analisis Sebastianelli et al. (2013).
Wilayah cakupan radarnya dibagi ke dalam rentang 40 m (dari 0 hingga 120 m).
Hujan yang terekam pada penakar akan dibandingkan dengan hujan yang terjadi pada masing-masing grid radar yang terdapat penakar tersebut. Sebelum melakukan perbandingan, jumlah hujan dari radar maupun dari penakar hujan diakumulasikan dengan rentang waktu 30 sampai 90 menit.
Perkiraan besaran hujan dapat dilakukan kalibrasi dengan mengoreksi data reflektivitas radar. Untuk kalibrasi radar Polar 55C pada penelitian ini, digunakan kejadian hujan dari 6 stasiun penakar hujan untuk dibandingkan dengan rekaman hujan radar. Penakar hujan yang dipilih adalah penakar hujan yang berlokasi pada daerah dengan visibilitas radar yang baik, yaitu penakar hujan yang memiliki koefisien korelasi Kendall yang tinggi seperti yang ditunjukkan pada Gambar 6 (Sebastianelli et al. 2013).
Gambar 5. Distribusi lokasi penakar
hujan dan radar pada wilayah studi Gambar 6. Variasi koefisien Kendall sebelum kalibrasi berdasarkan jarak stasiun penakar hujan terhadap lokasi
radar Koefisien korelasi Kendall dapat dihitung dengan persamaan:
1
2
1
N N
N Nc d
(7)
dimana Nc merupakan jumlah nilai-nilai yang sama/sesuai, sedangkan Nd
merupakan jumlah nilai-nilai yang berbeda/bertentangan.
0.0 0.2 0.4 0.6 0.8 1.0
0 20 40 60 80 100 120
Koef. Korelasi Kendall
Jarak (Km)
HASIL STUDI DAN PEMBAHASAN
Hasil analisis terhadap data jumlah hujan (Sebastianelli et al. 2013) menunjukkan perbedaan nilai FSE indeks terhadap jarak antara data mentah (sebelum dikalibrasi), data setelah dikalibrasi dan data setelah dikoreksi dengan nilai AF (Gambar 4). Nilai korelasi antara data hujan radar dan data hujan dari penakar meningkat cukup signifikan setelah dikalibrasi dan dikoreksi menggunakan nilai AF (Gambar 7) dibandingkan data mentah. Pada jarak 25-40 km dari radar, nilai hujan radar dan penakar menunjukkan korelasi moderat hingga tinggi, dan peningkatan kemiringan garis regresi setelah dikalibrasi dan dikoreksi mencapai 3 kali lipat dari garis regresi data mentah. Sementara, untuk jarak diatas 40 km dari radar, nilai hujan radar dan penakar menunjukkan korelasi yang rendah.
Peningkatan kemiringan garis regresi setelah dikalibrasi dan dikoreksi ± 2 kali lipat dari garis regresi data mentah. Lebih spesifik, pada jarak diatas 40 km, koefisien determinasi (R2) meningkat setelah dilakukan koreksi dengan nilai AF.
Hal ini disebabkan oleh nilai AF sebagai parameter koreksi terhadap reflektivitas radar semakin besar dengan bertambahnya jarak daerah tinjauan (stasiun penakar hujan terhadap radar). Dengan demikian, kekurangan perkiraan (underestimate) dikoreksi menjadi lebih besar (semakin besar) pada jarak 40 km ke atas.
Gambar 7. Grafik kemiringan garis korelasi data hujan radar dan jarak
setelah dikoreksi dengan nilai AF
Gambar 8. Hubungan rasio G/R dan jarak setelah dikoreksi dengan AF Pada tinjauan jarak yang sama seperti evaluasi terhadap korelasi jumlah hujan radar dan penakar terhadap jarak, rasio G/R juga menunjukkan trend yang sama (Gambar 8). Setelah reflektivitas hujan radar dikoreksi dengan nilai AF, rasio G/R dan kemiringan garis regresi (antara data radar dan jarak) semakin menurun dengan semakin bertambahnya jarak. Disisi lain, indeks FSE semakin rendah dengan meningkatnya kesesuaian antara data radar dan data penakar hujan, dan mendekati 1 atau kurang, dengan semakin dekatnya jarak terhadap radar.
Dengan demikian, nilai AF merupakan variabel penting yang dapat digunakan untuk melakukan koreksi terhadap perkiraan hujan radar akibat pengaruh jarak pantauan radar. Selain itu, C dapat digunakan untuk mengoreksi data reflektivitas radar yang disebabkan oleh pengaruh kesalahan kalibrasi radar.
0 1 2 3 4 5
0 20 40 60 80 100 120
Kemiringan diagram pencar
Jarak (Km) Setelah menggunakan AF y = 0.0013x+1.2
0 1 2 3 4 5
0 20 40 60 80 100 120
G/R
Jarak (Km) Setelah menggunakan AF y = 0.00025x+1
KESIMPULAN DAN REKOMENDASI Kesimpulan
Teknik evaluasi perkiraan hujan radar yang ditawarkan oleh Sebastianelli et al.
(2013) memberikan kontribusi yag cukup signifikan dalam peningkatan kualitas pemantauan hujan menggunakan radar. Evaluasi yang telah dilakukan menunjukkan hasil yang cukup baik dalam mengkalibrasi dan mengkoreksi besaran perkiraan hujan radar terhadap hujan permukaan. Dengan demikian, teknik ini cukup baik digunakan untuk mengevaluasi perkiraan hujan radar terhadap pengukuran hujan permukaan di lereng Merapi, Daerah Istimewa Yogyakarta.
Rekomendasi
Data hujan radar pada penelitian Sebastianelli et al. (2013) bersumber dari radar Polar 55C (C-band radar) yang merupakan long range radar dengan jangkauan mencapai 120 km, sementara radar pada Museum merapi merupakan radar XMP yang merupakan short range radar dengan jangkauan 30 km. Untuk itu, dalam penggunaan teknik evaluasi ini pada kasus hujan di lereng Merapi, intepretasi hubungan parameter statistik terhadap jarak perlu disesuaikan.
UCAPAN TERIMA KASIH
Terima kasih disampaikan pada Kepala Laboratorium Hidraulika, Departemen Teknik Sipil dan Lingkungan Fakultas Teknik Universitas Gadjah Mada yang telah memfasilitasi penulisan makalah dan keikutsertaan Penulis pada PIT HATHI 33 di Semarang.
REFERENSI
Allegretti, Marco et al. 2012. X-Band Mini Radar for Observing and Monitoring Rainfall Events. Atmospheric and Climate Sciences 2(3):290–97. Retrieved (http://www.scirp.org/journal/PaperDownload.aspx?DOI=10.4236/acs.2012.
23026).
Burcea, Sorin et al. 2011. Comparison between Radar Estimations and Rain Gauge Precipitations in the Moldavian Plateau (Romania). Environmental Engineering and Management Journal 11(4):723–31.
Hirano, Kohin, Masayuki Maki, Takeshi Maesaka, Ryohei Misumi, and Koyuru Iwanami. 2014. Composite Rainfall Map from C-Band Conventioal and X- Band Dual-Polarimetric Radars for the Whole of Japan. Pp. 1–5 in 8th European Conference on Radar in Meteorology and Hydrology. Garmisch- Partenkirchen, Germany.
Hong, Yang and Jonathan J. Gourley. 2015. Radar Hydrology: Principles, Models, and Application. Boca Raton: CRC Press.
Krajewski, Witold F., Gabriele Villarini, and James A. Smith. 2010. RADAR- Rainfall Uncertainties. Bulletin of the American Meteorological Society 91(1):87–94. Retrieved
(http://journals.ametsoc.org/doi/abs/10.1175/2009BAMS2747.1).
Rossa, Andrea M., G. Cenzon, and M. Monai. 2010. Quantitative Comparison of Radar QPE to Rain Gauges for the 26 September 2007 Venice Mestre Flood.
Natural Hazards and Earth System Science 10(2006):371–77.
Sebastianelli, S., F. Russo, F. Napolitano, and L. Baldini. 2013. On Precipitation Measurements Collected by a Weather Radar and a Rain Gauge Network.
Natural Hazards and Earth System Science 13(3):605–23.
Yoon, Seong-Sim and Deg-Hyo Bae. 2012. Optimal Rainfall Estimation by Considering Elevation in the Han River Basin, South Korea. Journal of Applied Meteorologi and Climatology 52(1979):802–18.