Analisis Kinerja Satelit GPM-IMERG V07 Terhadap Data AWS (Automatic Weather Station) Dalam Mengestimasi Curah Hujan Harian

AlJauhari, Alfina Mursida (2025) Analisis Kinerja Satelit GPM-IMERG V07 Terhadap Data AWS (Automatic Weather Station) Dalam Mengestimasi Curah Hujan Harian. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Abstrak.pdf - Published Version Download (302kB)
	Text (BAB 1 Pendahuluan) BAB 1 Pendahuluan.pdf - Published Version Download (434kB)
	Text (BAB 5 Kesimpulan) BAB 5 Kesimpulan Penutup.pdf - Published Version Download (250kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (229kB)
	Text (Skripsi Full Text) Tugas Akhir Full Text.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Ketersediaan data curah hujan yang akurat dan merata merupakan tantangan utama dalam pengelolaan sumber daya air di Indonesia, khususnya di Provinsi Sumatera Barat. Provinsi ini menghadapi ketidakseimbangan persebaran stasiun pengamatan curah hujan yang tidak memenuhi standar World Meteorological Organization (WMO), yang merekomendasikan satu pos pengamatan setiap 600–900 km² di wilayah tropis. Sebagai upaya pemenuhan kebutuhan data meteorologi yang handal, Automatic Weather Station (AWS) digunakan untuk mengumpulkan data secara otomatis, namun AWS memiliki keterbatasan berupa biaya operasional yang tinggi serta potensi kesalahan pencatatan akibat gangguan teknis seperti fluktuasi tegangan listrik. Dalam konteks ini, Satellite Precipitation Products (SPP) yang diperoleh melalui satelit seperti Global Precipitation Measurement – Integrated Multi-satellite Retrievals for GPM (GPM IMERG) menawarkan alternatif efisien dengan cakupan spasial luas dan biaya relatif lebih rendah. Penelitian ini bertujuan untuk mengevaluasi akurasi data curah hujan harian GPM IMERG versi 07, baik produk Early Run maupun Lately Run, yang resmi diluncurkan pada Juni 2024. Validasi dilakukan menggunakan data pengamatan dari AWS Ambient Weather WS-2902 pada periode Agustus 2023 hingga Maret 2025. Pendekatan point-to-pixel diterapkan untuk menyesuaikan perbedaan resolusi spasial antara data satelit dan AWS.Untuk memperbaiki bias estimasi curah hujan dari satelit, penelitian ini menerapkan tiga metode koreksi bias, yaitu Linear Scaling (LS), Local Intensity Scaling (LOCI), dan Empirical Quantile Method (EQM). Evaluasi performa koreksi menggunakan Taylor Diagram menunjukkan bahwa metode Linear Scaling memberikan hasil terbaik, dengan nilai koefisien korelasi tertinggi, yaitu 0.65 untuk Early Run dan 0.63 untuk Lately Run, serta nilai centered Root Mean Square Deviation (cRMSD) terendah, yakni 39.08 mm dan 40.89 mm. Analisis kinerja deteksi hari hujan mengungkapkan bahwa produk Early Run memiliki performa yang lebih baik dibandingkan Lately Run, dengan Probability of Detection (POD) sebesar 0.92, False Alarm Ratio (FAR) 0.14, dan Critical Success Index (CSI) 0.79, sementara Lately Run memperoleh POD 0.87, FAR 0.15, dan CSI 0.75. Hasil ini menegaskan kemampuan kedua produk dalam mendeteksi hari hujan secara andal dengan tingkat kesalahan rendah. Produk Early Run direkomendasikan untuk studi hidrologi yang memerlukan kesesuaian statistik tinggi dengan data observasi, sedangkan Lately Run lebih cocok untuk analisis pola variabilitas curah hujan jangka panjang. Temuan ini memberikan landasan penting bagi pemilihan produk satelit yang tepat sesuai kebutuhan aplikasi hidrometeorologi di Indonesia.

Actions (login required)

View Item