BAB III DATA DAN METODOLOGI
3.1 Data dan Daerah Penelitian
3.1.1 Data Input model REMO dapat diambil dari hasil keluaran model iklim global atau hasil reanalisa global. Dalam penelitian ini data input yang digunakan adalah data mentah hasil reanalisa keluaran European Centre for Medium-Range Weather Forecasts (ECMWF) yaitu ERA 15 dari tahun 1979 s.d 1993. Data model global tersebut digunakan sebagai inputan model REMO dengan interval data setiap 6 jam, yakni pukul 00, 06, 12, 18 UTC. Parameter input yang digunakan diantaranya: 1. Parameter atmosfer di batas domain yang dinamis, seperti tekanan permukaan, temperatur, kecepatan angin zonal dan meridional, kelembaban spesifik, dan kandungan air cair. 2. Data batas domain permukaan laut yang dinamis merupakan data suhu muka laut yang juga telah diolah ECMWF dari hasil observasi. 3. Parameter permukaan yang bersifat statis dengan resolusi spasial 1 km dari USGS GTOP30 yang terdiri dari data orografis dan karakteristik tutupan lahan seperti jenis vegetasi, rasio hutan, leaf area index, albedo, dan kekasaran permukaan (Hagemann et al., 1999). 3.1.2 Daerah Penelitian Wilayah simulasi model meliputi 8,5°LU – 19°LS dan 91°BT – 141,5°BT merupakan wilayah Indonesia dan sekitarnya ditampilkan pada gambar 3.1. Sedangkan daerah kajian khusus meliputi wilayah Kalimantan dengan batas latitude 80LU – 50 LS dan batas longitude 1080BT – 1200BT dapat dilihat pada gambar 3.2. Domain inilah yang III - 1
selanjutnya akan dibuat simulasi penurunan maupun penambahan rasio hutan yang akan dianalisis outputnya secara spasial maupun temporal.
Gambar 3.1 Domain simulasi model REMO
Gambar 3.2 Domain kajian penelitian 3.2 Metodologi Metodologi dari penelitian ini adalah mengubah data parameter permukaan USGS, yaitu rasio vegetasi berdasarkan skenario penurunan maupun penambahan luas rasio III - 2
hutan yang telah ditetapkan. Parameter-parameter permukaan lainnya, seperti albedo permukaan, leaf area index, tipe vegetasi, dan kapasitas lapang pun ikut disesuaikan. Dibuat tiga skenario berdasarkan kondisi kontrol, dimana rasio hutan pada masingmasing skenario diubah secara random hingga rasio hutan berkurang sebesar 25% untuk skenario 1, berkurang 50% untuk skenario 2, dan bertambah 20% untuk skenario 3. Perubahan nilai rasio hutan pada tiap grid domain model disertai pula dengan perubahan nilai parameter permukaan lain yang telah disebutkan di atas. REMO dapat dijalankan untuk mode iklim maupun prediksi. Pada penelitian ini, REMO diaplikasikan untuk mode iklim, dimana model ini diinisialisasi hanya pada saat awal model dijalankan. Mode iklim baik digunakan untuk studi iklim dan simulasi dalam jangka waktu yang panjang. Pada proses inisiasi, model lapisan bawah diisi dengan parameter permukaan untuk muka tanah, temperatur muka laut untuk laut, dan seluruh grid domain tiap lapisan. Penggantian data parameter permukaan yang telah diturunkan atau ditambahkan rasionya dilakukan pada proses ini. Pada time step berikutnya, model hanya mensuplai input data pada lapisan paling bawah dan lapisan batas domain. Adapun tahap-tahap penelitian ini terdiri dari: 1. Tahap compiler installation 2. Tahap persiapan (pre-processing) 3. Tahap menjalankan model 4. Tahap post-processing Apabila digambarkan secara sederhana, diagram alir penelitian ini ditampilkan pada gambar 3.3.
III - 3
Mulai
Data ECMWF xa (Big Endian) Konversi Big Endian ke Little Endian Data ECMWF xalin (Little Endian) : Data permukaan Data 20 lapisan
Skenario penurunan dan penambahan hutan
VISUAL BASIC
Simulasi I Kontrol
Simulasi II Deforestasi 25%
Simulasi III Deforestasi 50%
Simulasi IV Reforestasi 20%
REMO
Output : data xt
Output : data xt
Output : data xt
Pengolahan data: Visualisasi Output Plot Spasial dan Temporal Anomali
Analisis
Selesai
Gambar 3.3 Diagram alir penelitian
III - 4
Output : data xt
3.2.1 Tahap Compiler Installation Pada tahap awal ini, dipersiapkan beberapa perangkat lunak yang harus tersedia diantaranya: 1. Sistem Operasi Linux. Dalam Penelitian ini sistem operasi yang digunakan adalah OPENSUSE 11.0. 2. Fortran Compiler menggunakan Lahey Fortran Fujitsu 95 3. Model Iklim Regional REMO 4. Ms.Visual Basic 6.0 untuk membuat skenario penurunan dan penambahan rasio hutan 5. GrADS untuk menampilkan output model 3.2.2 Tahap Persiapan (Pre-processing) Penjelasan tahap-tahap yang dilakukan pada proses ini adalah sebagai berikut. 1. Mempersiapkan data statis permukaan dan data dinamis berupa forcing atmosfer dan temperatur muka laut dalam file input tiap 6 jam dalam. Data gabungan ini merupakan hasil reanalisa ECMWF yang mencakup wilayah Indonesia. 2. Merubah jenis data input dari format komputer besar (BIG endian) ke format Linux (LITTLE endian). Masing-masing file data terdiri dari 145 data meteorologi permukaan dan data meteorologi lapisan. Data permukaan hanya terdiri dari satu lapisan sedangkan data lapisan terdiri dari 20 level. Masingmasing data terdiri dari nilai maksimum, nilai minimum, dan nilai rata-rata. 3. Proses pembuatan skenario penurunan dan penambahan rasio hutan. Skenario penurunan maupun penambahan luas hutan dilakukan dengan beberapa langkah, yaitu: 1. Mengekstrak beberapa parameter permukaan dari data input yang sudah diubah ke dalam format LITTLE endian, yaitu: Parameter 172: Land Sea Mask III - 5
Parameter 174: Surface Background Albedo Parameter 198: Vegetation Ratio Parameter 200: Leaf Area Index Parameter 212: Vegetation Type Parameter 229: Field Capacity of Soil Nilainya ditampilkan menggunakan GrADS lalu disimpan dalam format txt. 2. Melakukan proses Masking dengan menggunakan parameter 172 (land sea mask), dimana pada parameter ini grid daratan (land) bernilai 1 sedangkan lautan (sea) bernilai 0. Proses ini bertujuan untuk membatasi wilayah Kalimantan sebagai daerah kajian. Sehingga nilai grid land untuk wilayah daratan lain selain Kalimantan diganti dengan nilai 0. 3. Melakukan proses penurunan dan penambahan luas hutan dengan menjalankan script yang telah dibuat dengan menggunakan compiler Visual Basic. Proses ini dilakukan secara random, misalnya : untuk penurunan rasio hutan sebesar 25%, secara random terpilih grid yang memiliki nilai rasio hutan yang lebih besar diganti dengan nilai pada grid yang nilai rasio hutannya lebih kecil. Contoh proses penggantian grid rasio hutan lebih besar dengan grid rasio hutan lebih kecil dapat dilihat pada gambar 3.4
Gambar 3.4 Proses penurunan nilai rasio vegetasi secara random pada grid land
III - 6
Dari gambar 3.4, sebagai contoh terpilih secara random nilai rasio vegetasi pada grid (3,4) yang lebih besar daripada nilai pada grid (8,1). Dengan menjalankan script yang dibuat maka nilai rasio vegetasi pada grid (3,4) akan diganti secara otomatis dengan nilai rasio vegetasi pada grid (8,1). Proses ini juga akan merubah nilai parameter permukaan lainnya. Proses ini akan berulang secara otomatis, hingga rasio hutan akan berkurang atau bertambah sesuai dengan skenario yang telah ditetapkan. Untuk lebih jelasnya dapat dilihat pada diagram alir perubahan luas rasio hutan pada gambar 3.5. Start
Rasio Hutan, Land Sea Mask, Albedo Permukaan, Leaf Area Index, Tipe Vegetasi, Kapasitas Tanah Lapang
I0 = Random () J0 = Random () I1 = Random () J1 = Random () N
Rasio (I0,J0) > Rasio (I1,J1)
Y
N
RH (I0,J0) = RH (I1,J1) LSM (I0,J0) = LSM (I1,J1) AP (I0,J0) = AP (I1,J1) LAI (I0,J0) = LAI (I1,J1) TV (I0,J0) = TV (I1,J1) KTL (I0,J0) = KTL (I1,J1)
Rasio Total ≤ Rasio Awal - (50/100 * Rasio Awal)
Y Selesai
Gambar 3.5 Diagram alir perubahan rasio hutan III - 7
Dari rangkaian proses pre-processing di atas, diperoleh 4 data input awal untuk menjalankan REMO masing-masing selama 15 tahun yang memiliki spesifikasi berbeda, yaitu: 1. Kontrol, dimana rasio hutan masih berupa kondisi awal 2. Skenario deforestasi 25%, dimana rasio hutan diturunkan 25% 3. Skenario deforestasi 50%, dimana rasio hutan diturunkan 50% 4. Skenario reforestasi 20%, dimana rasio hutan ditambah 20% 3.2.3 Tahap Menjalankan REMO (Running Model) Untuk menjalankan REMO, diperlukan beberapa direktori kerja sebagai berikut: xa sebagai direktori input dengan format BIG endian xalin sebagai direktori input dengan format LITTLE endian xf sebagai direktori file inisial xe sebagai direktori output REMO berisi parameter 20 lapisan xt sebagai direktori output REMO berisi parameter permukaan Sebelum menjalankan REMO, perlu dipastikan pula terdapat file RSA, REND, RMON, RYEAR yang akan selalu menandakan awal dan akhir proses simulasi serta bulan dan tahun berjalan. Setelah seluruh direktori dan file tersebut disiapkan, maka proses simulasi dengan model REMO siap dilakukan dengan menjalankan script remo_ind_chain. Dalam menjalankan model REMO, data di grid menjadi resolusi 0,50 dengan menggunakan metoda Cressman. Daerah model mencakup seluruh wilayah Indonesia 80LU-190 LS dan 910BT-1410BT (sekitar 18 juta km2) dengan resolusi horizontal 0,50 (55 km) dengan 20 lapisan vertikal dari permukaan tanah hingga pada ketinggian 10 mb. Sehingga dalam penelitian ini, Indonesia dibagi menjadi 101 x 55 grid beda hingga dengan masing-masing grid berisi data.
III - 8
REMO dijalankan dengan inisialisasi tiap 6 jam dari boundary layer ECMWF dan diinterpolasi tiap 5 menit sekali. Dengan permulaan model seperti itu setiap hari, variabilitas model internal dikondisikan dengan tujuan untuk memaksa model tersebut sesuai dengan cuaca yang diamati. Program ini dijalankan dan direinisialisasi setiap 48 jam untuk kurun waktu dari awal Januari 1979 hingga akhir Desember 1993. Output yang dihasilkan model simulasi REMO berupa data 20 lapisan (output vertikal) yang tersimpan dalam direktori xe dan data permukaan yang tersimpan dalam direktori xt. Selain itu terdapat pula data inisialisasi yang tersimpan dalam direktori xf. 3.2.4 Tahap Post-processing Setelah seluruh output model selama 15 tahun diperoleh, proses selanjutnya adalah mengolah data-data tersebut agar dapat divisualisasikan dalam GrADS dan dianalisis hasilnya. Proses pengolahan data pada penelitian ini terdiri dari: 1. Proses ekstraksi Definisi ekstrak adalah suatu proses memilih dan mengeluarkan parameter yang dikehendaki dari data keluaran model. Dalam tugas akhir ini parameter yang dibutuhkan seluruhnya merupakan data permukaan, yaitu : Parameter c139 : temperatur permukaan Parameter c146 : sensible heat flux Parameter c147 : latent heat flux Parameter c143 : CH konvektif Parameter c182 : evaporasi permukaan Mengeluarkan (extraction) data parameter tertentu dari input maupun output REMO dapat dilakukan dengan menjalankan script yang telah dipersiapkan khusus. Script ini berfungsi untuk mengubah format data REMO menjadi data dalam grid-grid agar dapat diolah menggunakan GrADS. Agar parameter-
III - 9
parameter ini dapat dijalankan ke dalam GrADS, maka perlu dilakukan beberapa tahap diantaranya: 1. Menerjemahkan data REMO ke dalam format ieee 2. Mengubah format ieee menjadi format grd dan membuat file descriptor ctl 3. Akumulasi seluruh hasil file 6 jam-an ke dalam satu file bulanan. 2. Proses visualisasi output Pada proses ini diambil satu kasus pada bulan Maret tahun 1983 untuk menampilkan output 5 parameter permukaan dalam 4 simulasi yang telah dilakukan, yaitu sensible heat flux, latent heat flux, temperatur permukaan, evaporasi permukaan, dan curah hujan konvektif . Output visual ini merupakan nilai rata-rata bulanan dalam 4 waktu simulasi, yaitu pukul 00, 06, 12, dan 18 UTC. 3. Proses pembuatan anomali output Anomali pada penelitian ini didefinisikan sebagai selisih antara nilai parameter pada simulasi skenario dengan simulasi kontrol. Pengolahan anomali dilakukan secara spasial maupun temporal selama 15 tahun. Pada pengolahan anomali secara spasial diambil 4 contoh kasus, yaitu pada perioda musim basah Desember-Januari-Februari (DJF), perioda musim kering Juni-Juli-Agustus (JJA), serta 2 perioda peralihan yaitu perioda Maret-April-Mei (MAM) dan perioda September-Oktober-November (SON). Dalam kasus ini ada 3 parameter yang diolah, yaitu temperatur permukaan, evaporasi permukaan, dan curah hujan konvektif. Nilai anomali yang dihasilkan merupakan nilai rata-rata bulanan komposit selama 15 tahun. Sedangkan pengolahan anomali secara temporal dilakukan dengan membuat time series masing masing anomali bulanan selama 15 tahun, lalu dianalisis perbedaanya untuk masing-masing skenario.
III - 10
