Perpustakaan Digital ITB

Estimasi curah hujan satelit Integrated Multi-satellitE Retrievals for GPM (IMERG) memiliki dua produk yaitu IMERG-E dan IMERG-F. IMERG-E berpotensi dimanfaatkan untuk operasional peringatan dini karena waktu rilisnya yang cepat, namun akurasinya kurang jika dibanding IMERG-F yang telah melibatkan kalibrasi penakar. Metode Bayesian Model Averaging (BMA) menawarkan solusi kalibrasi yang dapat digunakan pada estimasi curah hujan IMERG-E. Pada penelitian ini, metode Bayesian Model Averaging (BMA) yang umumnya digunakan untuk kalibrasi prediksi ensemble digunakan untuk mengalibrasi atau mereduksi galat IMERG-E. Karena hanya menggunakan satu macam produk estimasi satelit, ensemble yang digunakan ialah hujan wilayah sekitar stasiun referensi sekaligus mengakomodasi ketidakpastian estimasi satelit secara spasial. Hasilnya menunjukkan metode BMA dapat mereduksi galat sistematis IMERG-E serta menghasilkan kalibrasi berbentuk peluang untuk ketidakpastiannya. BMA mereduksi komponen bias dan varians dari galat sistematis Mean Square Error (MSE). Konfigurasi metode BMA sangat mempengaruhi hasil kalibrasi, terutama konfigurasi dari sampling spasial atau hujan wilayah. Skema Conditional Training Window (CTW) menunjukkan keunggulan dari skema Sequential Training Window (STW) pada metode BMA. Hal ini terlihat pada evaluasi deterministik dengan MSE serta evaluasi ensemble dengan Verification Rank Histogram (VRH) dan Continuous Rank Probability Score (CRPS). Pada evaluasi probabilistik, skema CTW memiliki Area Under Curve-Relative Operating Characteristic (AUC-ROC) yang lebih besar dari skema STW dan atribut resolusi paling kecil yang ditunjukkan dengan Brier Score (BS).