Machine Learning dengan Koreksi Bias Prediksi Curah Hujan Lebih Akurat

Oleh M Hidayat pada 17 Mei 2022, 07:00 WIB
Diperbarui 17 Mei 2022, 07:00 WIB
Ilustrasi hujan
Perbesar
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) merilis, bahwa wilayah Jawa Barat masih berada dalam puncak musim hujan sehingga peningkatan intensitas curah hujan masih kerap terjadi.

Liputan6.com, Jakarta - Memahami waktu dan skala curah hujan lokal sangat penting untuk mengelola sumber daya air. Dalam studi baru-baru ini, para peneliti dari Institute of Industrial Science, University of Tokyo mengembangkan metode yang dapat memberikan prediksi curah hujan lokal yang lebih akurat menggunakan machine learning dengan pendekatan baru.

Penelitian mereka terbit dalam makalah berjudul A bias correction method for precipitation through recognizing mesoscale precipitation systems corresponding to weather conditions di jurnal PLOS Water.

Mengutip Eurekalert, pada Selasa (17/5/2022), curah hujan dapat sangat bervariasi dalam hal ruang dan waktu. Sistem cuaca skala besar seperti Front Hangat dan Front Dingin berinteraksi dengan topografi lokal dan proses fisik lainnya untuk menghasilkan variasi lokal dalam pola curah hujan.

Perubahan kecil dalam kondisi atmosfer, semisal angin, juga dapat secara signifikan mempengaruhi curah hujan lokal. Pengelolaan sumber daya air dan perencanaan untuk bencana yang berhubungan dengan air memerlukan perkiraan curah hujan lokal akurat.

Model numerik biasanya digunakan untuk menghasilkan perkiraan ini, tetapi ia rentan terhadap kesalahan. Sebagian besar model tidak memperhitungkan semua proses kompleks yang memengaruhi curah hujan, juga tidak memiliki resolusi cukup tinggi.

"Metode koreksi bias dapat digunakan untuk meningkatkan kinerja model curah hujan numerik," kata penulis utama studi tersebut, Takao Yoshikane.

Berbagai metode, menurut Takao, telah digunakan, tetapi sebagian besar di antaranya fokus pada pola curah hujan harian atau bulanan.

"Kami ingin mengembangkan metode yang dapat menghasilkan perkiraan akurat tentang curah hujan lokal per jam," tutur Takao.

 Dalam hal ini, Takao dan rekan-rekannya menggunakan metode machine learning yang mampu mengenali hubungan-hubungan kompleks yang terdapat di dalam curah hujan lokal.

 

Infografis Musim Hujan Datang, La Nina Mengintai. (Liputan6.com/Trieyasni)
Perbesar
Infografis Musim Hujan Datang, La Nina Mengintai. (Liputan6.com/Trieyasni)

Metode

Menggunakan data meteorologi untuk area 113 km persegi di Jepang, mereka membandingkan curah hujan yang diamati dengan data simulasi. Kemudian, teknik yang disebut pemetaan kuantil diterapkan untuk memodifikasi perkiraan yang dihasilkan.

Metode ini memodifikasi perkiraan distribusi spasial curah hujan per jam untuk mencerminkan kondisi lokal.

"Dengan menggunakan metode ini, kami dapat mereproduksi distribusi spasial curah hujan lokal jangka panjang dengan akurasi tinggi,: ujar Yoshikane.

Perkiraan akurat dari sistem presipitasi pada skala 2500 hingga 40.000 km persegi telah diproduksi, yang mencakup sistem cuaca skala besar seperti Front Hangat dan Front Dingin, dan sistem tekanan rendah, yang terkait erat dengan curah hujan lokal.

Memahami pola curah hujan lokal sangat penting untuk perencanaan, baik dalam hal pengelolaan sumber daya air dan respons terhadap bahaya, seperti banjir. Metode baru ini memberikan pendekatan menjanjikan untuk perkiraan curah hujan lebih baik dan, pada akhirnya, meningkatkan pengelolaan air.


Peneliti Gunakan Machine Learning untuk Ukur Kedalaman Perairan Dangkal

Sebelumnya, para peneliti mengembangkan algoritma machine learning menggunakan data dari dua satelit pengamatan Bumi untuk menentukan kedalaman perairan dangkal secara optik. Mereka menerbitkan penelitian itu di Journal of Remote Sensing.

"Lingkungan perairan dangkal dekat pantai seperti terumbu karang, padang lamun, dan padang rumput laut adalah salah satu ekosistem paling penting secara sosial ekonomi dan produktif di dunia," ujar Zhongping Lee, Profesor Emeritus di School for the Environment di University of Massachusetts Boston dikutip dari rilis pers via Eurekalert.

Selain memantau perubahan di seluruh substrat dasar dalam ekosistem tersebut, satu parameter diinginkan adalah kedalaman dasar.

"Itu penting tidak hanya untuk ,navigasi tetapi juga untuk studi proses pesisir dan pengelolaan kejadian pesisir mulai dari pemantauan gelombang badai hingga pemilihan lokasi ladang angin," tutur Lee.

Secara konvensional, pengukuran kedalaman dasar, yang disebut batimetri, dilakukan melalui sonar. Namun, berkat kemajuan teknologi satelit, semakin banyak pengukuran yang dilakukan melalui lidar satelit.

Wendian Lai, mahasiswa pascasarjana di College of Ocean and Earth Sciences di Xiamen University, mengatakan bahwa metode dan sistem ini memberikan pengukuran kedalaman dasar dengan presisi tinggi.

Namun, kata dia, kedua metode ini memakan biaya tinggi, memakan waktu. Selain itu, sonar hanya terbatas pada area yang dapat dijangkau kapal atau garis yang ditarik oleh lidar satelit, dengan data yang dihasilkan dari luar angkasa.

"Akibatnya, tidak dapat terbentuk peta batimetri resolusi tinggi," tutur Lai.


Sumber Data

Para peneliti menggunakan data publik dari dua dua sumber, yaitu Operational Land Imager di Landsat 8 dan Advanced Topographic Laster Altimeter System (ATLAS) pada ICESat-2.

Data ATLAS berisi garis lintang, garis bujur, dan waktu untuk semua foton yang di-downlink oleh satelit. Sementara ICESat-2 menyorotkan laser ke tempat yang diinginkan dan menghitung waktu yang dibutuhkan laser untuk mencapai titik tersebut dan kembali ke satelit.

"Algoritma secara akurat memberi label perairan dangkal optik dan perairan dalam optik seratus persen setiap saat," kata Lai.

Para peneliti mencatat bahwa, meskipun hasilnya terlihat menjanjikan, penelitian ini baru berfokus pada daerah tropis dan subtropis saja, di mana air umumnya jernih. Namun, pendekatan mereka dapat diterapkan ke wilayah lain setelah data pencitraan dari Landsat 8 dikumpulkan.

Lanjutkan Membaca ↓

POPULER

Berita Terkini Selengkapnya