Kisah Konversi Data Radar - Bagian 1

 

Okay. Setelah berbulan-bulan mencari dan mencari, menunggu dan menunggu, data radar cuaca BPPT sudah bisa dibaca keduanya. Data radar padang lebih beruntung. Seorang rekan peneliti dari JAMSTEC ternyata pernah membuat tool (unofficial) untuk membaca data RAW IRIS Sigmet. Karena format data radar padang sudah sesuai (data RAW), konversi ke parameter reflectivity dan doppler velocity jadi jauh lebih mudah, walaupun gw sempat jungkir balik juga buat ngoprek toolnya karena nggak serta merta bisa dijalankan alias error mulu. Ada beberapa script (dalam C) yg harus diulik-ulik dulu. But anyway, we made it.

Data radar serpong jauh lebih rumit lagi. Karena format data RAW-nya bukan format IRIS Sigmet, dan sampe sekarang JAMSTEC masih belum dapat cara yg pas buat konversi data RAW kuno tadi ke ASCII (atau RAW IRIS), kami pake cara yg sedikit 'primitif' untuk memperoleh data reflectivity. Caranya adalah dengan melakukan image processing terhadap data image untuk web radar. Data image ini diproses hingga pada akhirnya diperoleh nilai pixel yg unik pada tiap titik pixel data reflectivity. Setelah dikelompokkan dan di format ulang tiap grid dan koordinatnya, akan diperoleh nilai pixel yg merepresentasikan nilai reflectivity yg dicari. Cara yg menurut gw sangat-sangat 'maksa' karena ada beberapa keterbatasan dengan metode ini, antara lain :

1. Karena yg diproses adalah data image dan bukan data RAW, maka otomatis hanya data pada 3 sudut elevasi antena saja yg bisa diproses, yaitu pada sudut 1 derajat, 4.5 derajat dan 23.8 derajat. Dengan hanya menggunakan data pada ketiga sudut ini (dari total 18 sudut elevasi yg ada), analisis tingkat lanjut seperti estimasi ketebalan awan ataupun ground check verification mejadi sangat sukar dilakukan. Walaupun bisa, hasilnya kemungkinan besar nggak valid.
2. Hasil pembacaan data reflectivity akan sangat bergantung pada kualitas image yg diproses. Kalo saja sistem radarnya lagi error dan image-nya jadi ngaco, maka otomatis data keluarannya juga ikutan ngaco.
3. Pada image ada 2 kotak legenda yg menutupi beberapa daerah cakupan (coverage) radar, akibatnya data reflectivity pada daerah-daerah ini nggak bisa diperoleh.
4. Urutan proses menjadi sangat panjang dan kurang efisien untuk proses otomatisasi konversi data. Kira-kira begini urutannya : Data RAW (BIN) --> Data Image (GIF) --> Image Processing (ilwis) --> Data Grid dan Pixel (ASCII) --> Data Reflectivity (ASCII).
5. Karena tipe pixel dikelompokkan berdasarkan legenda citra radar, otomatis nilai reflectivity yg dihasilkan juga bergantung pada legenda radar. Akibatnya, nilainya jadi nggak spesifik/detil tapi berada pada selang-selang tertentu. Misal 5 dBZ sampai 10 dBZ, 11 dBZ - 20 dBZ dst.
   
6. Karena menggunakan image processing, maka yg banyak terlibat adalah orang-orang image processing/GIS. Pengetahuan gw tentang radar nggak terlalu banyak diperlukan di sini. Hehehe ... emangnya gw pakar radar gitu ? ... kumat .. kumat ... narsis gw kumat 

Hehehe ... ya udahlah gpp. Toh ini semua demi kepentingan bersama dan masyarakat. Ego pribadi harus dikesampingkan dulu. Mari maju bersama membangun bangsa. Benar nggak sodara-sodara ?

Cara 'maksa' ini digunakan untuk sementara saja, ntar kalo modul IRIS dipasang di radar serpong (sekitar awal tahun depan), data RAWnya udah bisa dikonversi ke data ASCII.

-----------

Tahap selanjutnya adalah konversi data reflectivity ke rain rate. Secara umum hubungannya dituliskan sebagai berikut :

Z = aR^b, Z adalah reflectivity factor (dB of Z) dan R adalah rain rate (mm/hr)

Rumus di atas diperoleh dari proses panjang yg sejujurnya gw juga belum terlalu mengerti. Kebanyakan cacing-cacing integral dan dede-dede turunan sih . Yg jelas, relasi Z dan R akan terlihat jelas kalo diplotkan dan membentuk grafik persamaan linear dengan Z dan R sebagai sumbu-sumbunya. CMIIW.

Berdasarkan formula di atas, Marshall-Palmer (1948) menuliskan hubungan Z-R sebagai berikut :

dBZ = 200R^0.625, jadi a = 200 dan b = 0.625

Menurut beberapa sumber (terpercaya pastinya), nilai a dan b (koefesien dan eksponen) pada formula di atas diklaim paling mendekati nilai rain rate yg sesungguhnya (nilai default, kalo Pak Findi bilang :P). Tadinya, gw udah bikin algoritma program buat konversi data reflectivity ke rain rate dengan formula Marshall-Palmer tadi. Eh, nggak taunya, pas lagi googling, ternyata nilai a dan b tadi bisa bervariasi, tergantung pada lokasi pengamatan dan topografi setempat. Kalo di USA misalnya, pada beberapa daerah, koefisien yg digunakan bisa mencapai nilai 300 dan eksponen bernilai lebih dari satu.

Nah, kalo begitu, koefisien dan eksponen yg paling cocok untuk daerah Jakarta dan Padang berapa ? Ternyata belum ada yg melakukan penelitian tentang itu di Indonesia. Bisa buat bahan paper nih ! By the way, nilai a dan b bisa dicari dengan melakukan verifikasi data curah hujan di permukaan, ntar dicocokkan dengan nilai reflectivity dan diperolehlah korelasinya. Masalah lagi, kalo diluar negeri, verifikasi data biasanya menggunakan jaringan ARG (Automatic Rain Gauge) dan AWS (Automatic Weather Station) yg tersebar hinggan ratusan unit pada tiap 1000 kilometer persegi. Kalo Indonesia ??? Hmmmm ... hmmm ... ARG/AWS di Jakarta dan Padang cuman ada berapa ya ? Dan kalopun ada, belum tentu datanya bisa diperoleh dengan mudah, butuh birokrasi yg berbelit-belit dan kadang UUD (ujung-ujungnya duit). Yah, namanya juga Indonesia ... hehehe.

Hhhh ... ok just go on, keep fighting, tetap semangat walaupun puyeng .