Cara Menjalankan Aplikasi Climate PredictabilityTool (CPT) #1

Apa kabar sobat peduli Alam dan Kehidupan ? Semoga akhir pekannya menyenangkan yah...

Sobat, kali ini kita akan membahas model untuk memprediksi iklim CPT.

Apa itu CPT? CPT singkatan dari Climate PredictabilityTool, sebuah aplikasi buatan International Research Institute (IRI) for Climate and Society. 

CPT merupakan aplikasi sebagai model guna memprediksi iklim, validasi model dan juga menghasilkan prakiraan berdasarkan inputa data terbaru. 

CPT didesain menggunakan Model Output Statistik (MOS) untuk menghasilkan prediksi iklim berdasarkan General Circulation Model (GCM).

CPT cukup terkenal digunakan untuk memprediksi iklim khususnya hujan berdasarkan data Suhu Muka Laut (SST).

Sobat meteorologis ataupun klimatologis yang tertarik dapat mendownload aplikasi CPT dari sini (versi windows). 

Nah jika sudah terinstal di komputer sobat, jika dijalankan maka tampilannya seperti ini.

Tampilan aplikasi Climate PredictabilityTool (CPT)

Untuk memulai aplikasi maka pilih klik view kemudian pilih CCA, seperti ini.

Maka akan terbuka jendela seperti ini.

Kotak 1 adalah dataset prediktor yang akan kita gunakan untuk memprediksi. IRI menyediakan dataset SST baik observasi, model ataupun hasil reanalysis yang bisa didownload dari sini. 

Dalam artikel ini saya akan menggunakan data "ersstv3b_apr_1951_2014" yang artinya data model SST setiap bulan April selama 1951 sd 2014.

Kotak 2 adalah dataset prediktan atau sesuatu yang ingin kita prediksi bisa hujan atau suhu udara. Dalam artikel ini saya menggunakan data curah hujan Indonesia.

Nah karena kita menggunakan dataset SST April, maka kita bisa menguji atau menghasilkan prediksi curah hujan untuk bulan Mei (lead 0) dan bulan Juni (lead 1)

Kotak 3 adalah menu untuk menghasilkan prediksi. Untuk sementara diabaikan saja dulu.

Sekarang kita siapkan dulu data curah hujan yang akan kita prediksi. 

Datanya harus dalam "txt", yang bisa kita siapkan dalam bentuk "excel" dulu lalu disimpat sebagai teks. Tampilannya seperti ini.

Penjelasan tampilan data di atas sebagai berikut:

• Kotak bergaris merah putus adalah header pengenal data agar bisa dikenali oleh CPT
• cpt:nfield=1, artinya hanya ada 1 kelompok data
• cpt:field=prcp, artinya data curah hujan
• cpt:nrow=312, artinya jumlah baris data. 312 = 26 tahun (1985-2010) x 12 bulan
• cpt:ncol=164, jumlah stasiun atau pos hujan
• cpt:missing=-9999, jika ada data kosong maka diisi nilai ini.
• cpt:X = bujur
• cpt:Y= lintang
• 1985-01 = tahun 1985 bulan Januari dst.

Jika sudah siap, simpan file data curah hujannya dalam bentuk "txt".

Lanjut? kita mulai dengan memasukkan data prediktor berupa SST ersstv3b_apr_1951_2014. 

Pada "explanatory (X) variables" klik browse lalu cari dimana kita menyimpan file SST tersebut. Jika sudah ketemu akan muncul jendela seperti ini.

Jendela ini memungkinkan kita mengatur domain atau area SST yang kita anggap mempengaruhi curah hujan yang menjadi objek pilihan kita. 

Pada menu di atas, saya memilih lintang 30 LS - 30 LS dan 40 BT s.d 270 BB yang muncul sebagai area merah pada domain di atas. 

Lalu klik OK. Akan muncul jendela "X mode option" isikan saja untuk maksimum = 3 dan minimum =1. Klik OK.

Selanjutnya kita input data curah hujan. Pada menu "Y response variables" klik browse lalu cari data curah hujan yang sudah kita siapkan sebelumnya. Pilih, lalu akan muncul jendela seperti ini.

Karena data SST adalah bulan April dan kita ingin memprediksi hujan bulan Mei maka  "first month" harus kita isi "5". jika ingin memprediksi hujan bulan Juni maka harus diisi "6". 

Untuk "length of season to forecast " kita isi "1" karena kita ingin mendapat prediksi 1 bulanan saja. Jika kita isi "3" artinya prediksi yang dihasilkan merupakan nilai rata-rata untuk 3 bulan, Mei-Juni-Juli. Dst.

Sesudah kita klik OK, akan muncul jendela untuk mengatur domain yang akan diprediksi. Dalam artikel ini saya memilih area se-Indonesia. Tampilan pengaturannya seperti ini.

Klik OK, lalu akan muncul menu "Y options" isikan saja untuk maksimum = 3 dan minimum = 1. 

Sesudahnya akan tampil pilihan "CCA option", isikan saja maksimum = 3 dan minimum = 1. 

Sebelum kita mulai me-run data, pada menu "option>data>missing value" kita atur dulu seperti ini.

Lalu klik  Action>Calculate>Cross-validated, seperti ini.

Jika tidak ada data atau setingan yang salah, maka tampilannya akan seperti ini.

Nah artinya kita sudah bisa mulai melihat bagaimana SST berpengaruh pada hujan di Indonesia. 

Kita mulai dengan "Skill Maps". langkah-langkahnya sebagai berikut:

Gambar di atas memperlihatkan korelasi curah hujan dengan SST. Semakin merah artinya korelasi curah hujan terhadap SST semakin baik dan sebaliknya.

Mari kita lihat mode CCA, caranya begini.

--------

Nah sobat, untuk sementara  Cara menjalankan aplikasi Climate PredictabilityTool (CPT) bagian 1 saya cukupkan sampai di sini. 

Untuk analisis lanjutan dan bagaimana mana membuat prediksi akan saya lanjutkan pada bagian 2. Insya Allah. 

Jika sobat ingin menambah referensi, bisa juga baca tutorial versi pdf karya mas Alberth Nahas.

Climate4life.info mendapat sedikit keuntungan dari penayangan iklan dan digunakan untuk operasional blog ini.

Jika menurut anda artikel ini bermanfaat, maukah mentraktir kami secangkir kopi melalu "trakteer id"?