Prediksi cuaca yang akurat, terutama untuk kejadian hujan sangat lebat, sangat
penting untuk mitigasi bencana hidrometeorologi. Namun, prediksi kejadian hujan
sangat lebat masih memiliki keterbatasan skill, seperti yang terjadi di Kalimantan
Timur, salah satu wilayah di Benua Maritim Indonesia (BMI) dengan karakteristik
dan kompleksitas sistem cuaca yang unik. Pemanfaatan model prediksi cuaca
numerik, baik dari model skala regional hingga model skala konvektif (ConvectionPermitting Models), telah beberapa kali diinvestigasi. Namun, masih terdapat bias
yang disebabkan oleh kondisi awal (initial condition) yang tidak dapat
merepresentasikan keadaan cuaca pada saat itu. Oleh karena itu, dilakukan asimiasi
data untuk memperbaiki initial condition supaya menghasilkan simulasi yang lebih
akurat. Satelit Himawari-8 dengan sensor The Advanced Himawari Imager (AHI)
yang dimilikinya memiliki kelebihan dalam menghasilkan data radians yang
mengamati fenomena atmosfer pada resolusi spasial dan temporal yang tinggi.
Beberapa penelitian telah membuktikan bahwa asimilasi data radians AHI dapat
memperbaiki initial condition yang penting bagi inisiasi konveksi seperti yang
terjadi pada proses intensifikasi siklon tropis hingga pembentukan sel awan
konvektif yang terisolasi. Namun, penelitian mengenai asimilasi data radians AHI
untuk wilayah dengan sistem yang didominasi oleh konveksi yang kompleks di
BMI masih terbatas dan belum tereksplorasi dengan baik.
Selain itu, metode asimilasi data berperan penting dalam meningkatkan akurasi
initial condition dalam prediksi cuaca. Teknik Three-Dimensional Variational
(3DVAR) banyak digunakan karena efisiensi komputasinya, meskipun tidak
mempertimbangkan ketergantungan aliran (flow-dependent) yang sebenarnya
terjadi dalam sistem, karena asumsi kovarians background error yang homogen dan
isotropik. Sebaliknya, metode Ensemble Kalman Filter (EnKF)
mempertimbangkan flow-dependent namun memiliki keterbatasan pada ukuran
ensemble yang kecil, yang dapat menyebabkan korelasi palsu. Untuk mengatasi
masalah ini, metode hybrid ensemble-variational (EnVar) seperti 3D-EnsembleVariational (3DenVar) menggabungkan kelebihan kedua metode tersebut,
mengatasi keterbatasan ensemble dan kovarians statis. Sehingga, penelitian ini
dilakukan untuk mengetahui dan membandingkan seberapa besar peningkatan skill
ii
prediksi model yang telah diasimilasi dengan metode asimilasi yang berbeda untuk
kasus hujan sangat lebat di Kalimantan Timur pada skala konvektif.
Empat skema dirancang pada model Weather Research and Forecasting (WRF)
pada resolusi 3 km (Convection-permitting) yang membandingkan skema tanpa
asimilasi (NODA) dan tiga skema dengan metode asimilasi yang berbeda. Ketiga
skema tersebut adalah 3DVAR (model dengan metode asimilasi 3DVAR),
HYBRID (model dengan metode asimilasi 3DEnVar), dan DUALRES (model
dengan metode asimilasi 3DEnVar-dual resolution). Asimilasi dilakukan setiap 1
jam pada 7 jam pertama waktu inisiasi model untuk studi kasus hujan sangat lebat
di Kalimantan Timur tanggal 2 – 4 Juni 2019. Analisis dilakukan dengan
membandingkan hasil peningkatan moisture flux, perbaikan profil udara atas, dan
skill prediksi curah hujan yang ditinjau dari metrik probability of prediction (POD),
threat score (TS), fraction skill score (FSS), dan kurva relative operating
characteristic (ROC) beserta area under the ROC curve (AUC).
Hasil analisis menunjukkan bahwa asimilasi data radians AHI pada model skala
konvektif dengan teknik hybrid 3DEnVar dan 3DVAR secara signifikan
meningkatkan skill prediksi hujan sangat lebat di Kalimantan Timur dengan skema
HYBRID dan DUALRES menunjukkan peningkatan yang lebih signifikan
dibandingkan model tanpa asimilasi (NODA) dan skema 3DVAR. Hasil analisis
menunjukkan bahwa asimilasi data AHI mempengaruhi variabel prognostik seperti
perturbasi suhu potensial, perturbasi suhu potensial basah, dan rasio pencampuran
uap air secara signifikan, menghasilkan perubahan yang lebih besar dan sensitif
dalam initial condition. Skema DUALRES unggul dalam mengurangi bias pada
berbagai variabel atmosfer dan meningkatkan metrik evaluasi seperti POD, TS,
FSS, dan AUC pada kurva ROC, menunjukkan skill prediksi kejadian hujan yang
lebih baik. Secara keseluruhan, asimilasi data radiasi AHI dengan metode 3DEnVar
meningkatkan sensitivitas prediksi terhadap dinamika atmosfer yang kompleks,
menghasilkan distribusi dan intensitas curah hujan yang lebih akurat, dan
memperbaiki pola diurnal curah hujan di Kalimantan Timur