PENENTUAN PREDIKTOR UNTUK PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN METODE STATISTICAL DYNAMICAL DOWNSCALING

Abstract

Pemilihan prediktor terbaik untuk curah hujan di 15 pos pengamatan di Indramayu telah dilakukan menggunakan metode statistical downscaling. Teknik Singular Value Decomposition (SVD) yang diaplikasikan pada metode ini menggunakan data curah hujan bulanan dari GPCP dan CMAP, serta data tekanan udara, precipitable water, tekanan udara permukaan laut, suhu, dan komponen angin zonal luaran NCEP/NCAR reanalisis sebagai input. Dari metode ini diperoleh hasil bahwa  angin zonal adalah prediktor terbaik untuk memprediksi rata-rata curah hujan bulanan di 15 pos pengamatan di Indramayu. Selanjutnya, digunakan data input NCEP/NCAR reanalisis yang telah di-downscale menggunakan CCAM (dynamical downscaling) resolusi ~60 km  untuk wilayah Indonesia. Kombinasi dua metode ini (dynamical dan statistical downscaling) terbukti mampu meningkatkan akurasi prediksi curah hujan bulanan dan menurunkan nilai RMSEP di 15 pos pengamatan tersebut.

Selection of best predictor for 15 rain gauge station in Indramayu has been investigated using statistical downscaling method. The Singular Value Decomposition technique is applied using monthly rainfall data from GPCP and CMAP, and air pressure, precipitable water, sealevel air pressure, temperature zonal wind component from NCEP/NCAR reanalysis as an input. From this method is shown that the zonal wind component is the best predictor to predict monthly rainfall at 15 rain gauge observation in Indramayu. Furthermore, the NCEP/NCAR reanalysis downscaled using CCAM (dynamical downscaling, ~60 km resolution) is used as an input for Indonesia region. The combination of these two methods (dynamical dan statistical downscaling) proven the ability to increase monthly rainfall prediction accuracy and to reduce RMSEP values at these 15 raingauge observation site.