Tim Riset Banjir (TRB)
Rencana 3-Tahun Riset & Pengembangan Model Risiko Banjir Dinamis untuk Wilayah DKI Jakarta Dipresentasikan pada Simposium “Asuransi Banjir Nasional” oleh Tim Riset Banjir: Tri Wahyu Hadi (WCPL-ITB), Hengki Eko Putra (MAIPARK), Aditia Rojali (IRISIKO), I Dewa Gede A. Junnaedhi; M. Ridho Syahputra; Edi Riawan (WCPL-ITB), Ibnu Sofian (BIG) Simposium “Asuransi Banjir Nasional”
PT Reasuransi Maipark, Jakarta, 2015/10/19
Risiko Banjir DINAMIS, apa dan mengapa? Variabilitas Iklim Global dan Peluang Kejadian Banjir Statistik kejadian kekeringan dan banjir yang berasosiasi dengan variabilitas iklim terkait fenomena El Nino dan La Nina di India dan Australia Utara. (K.M. Lau, Encyclopedia of Atmospheric Sciences, 2003)
Centennial climatology of ENSO sensitive regions with regard to the global landsurface precipitation from 1901 to 2010 (Merz et al., 2014)
Simposium “Asuransi Banjir Nasional”
PT Reasuransi Maipark, Jakarta, 2015/10/19
Risiko Banjir DINAMIS, apa dan mengapa? Kejadian Banjir: Cara Pandang “Klasik” dan “Baru” Aspek Randomness (sifat acak)
Cara Pandang “Klasik” Random (Acak): Banjir adalah kejadian acak yang magnitudo-nya hanya tergantung kepada distribusi statistik
Perspektif spasial
Lokal: kejadian banjir sepenuhnya dapat digambarkan oleh proses-proses di dalam lingkup DAS. Variabilitas natural Stasioner: karakteristik banjir bersifat stasioner, dan banjir yakni merupakan rata-rata jangka panjang dari variabilitas natural di dalam DAS Perspektif temporal Recent (kekinian): karakteristik banjir sebagai hasil dari kondisi paling mutakhir yang terkunci di dalam DAS Estimasi banjir
Manajemen banjir
“Baru” Kausal: kejadian banjir, baik magnitudo maupun frekuensinya ditentukan oleh serangkaian process di atmosfer dan Daerah Aliran Sungai (DAS). Sebagian dari variabilitas banjir tergambarkan oleh proses deterministik, dijelaskan dari karakteristik iklim yang mengubah distribusi peluang banjir.
Global: banjir terjadi dalam kerangka spasial yang melibatkan pola sirkulasi skala besar di dalam sistem iklim. Bervariasi terhadap waktu: karakteristik banjir berubah sesuai dengan variabilitas iklim pada beberapa skala waktu yang berbeda Jangka panjang: karakteristik banjir merupakan hasil dari proses yang saling terkait dalam jangka panjang melibatkan iklim, topografi, geologi, vegetasi, dan manusia.
Netral terhadap proses: antara satu kejadian banjir Berbasis proses: banjir dapat terjadi dengan proses yang berbeda satu dengan lainnya tidak ada perbedaan proses dalam satu DAS. Informasi mengenai proses-proses banjir yang yang mendasar terjadi menentukan distribusi peluang kejadian banjir. risiko Fokus pada hazard; statik: manejemen banjir fokus pada pengurangan hazard terutama pembangunan struktur pengendali banjir; instrumen finansial juga digunakan berdasarkan zonasi hazard banjir
Simposium “Asuransi Banjir Nasional”
Berorientasi pada risiko; dinamis: manajemen risiko (mencakup hazard dan vulnerability) yang komprehensif melibatkan penanganan struktural, non-struktural, dan finansial secara terintegrasi. Kemampuan memprediksi risiko banjir, baik dalam jangka pendek maupun panjang menentukan keberhasilan mitigasi banjir.
PT Reasuransi Maipark, Jakarta, 2015/10/19
Risiko Banjir DINAMIS: Konsep dan Rencana Kerja Konsep Umum Pengelolaan Risiko Banjir Dinamis
Estimasi peluang kejadian banjir berbasis prediksi iklim (seasonal prediction) curah hujan ensemble dan analisis tren variabilitas iklim
simulasi banjir dengan model dinamis yang memperhitungkan ketidakpastian input curah hujan
Analisis perubahan risiko banjir yang memperhitungkan perkembangan kondisi iklim satu tahun ke depan
Analisis risiko banjir menggunakan probabilistic flood hazard map yang lebih robust terhadap ketidakpastian (unpredicatbility) proses iklim
Penentuan rate asuransi banjir yang dinamis, adaptif, dan kompetitif oleh industri asuransi nasional
Panduan rate asuransi banjir standar nasional
Simposium “Asuransi Banjir Nasional”
Pendekatan “Klasik” yang Dikembangkan
Implementasi Pendekatan “Baru”
Data dan informasi curah hujan baseline
PT Reasuransi Maipark, Jakarta, 2015/10/19
Risiko Banjir DINAMIS: Konsep dan Rencana Kerja Komponen Pemodelan Banjir Data historis sebagai “baseline”
Iklim/Cuaca Hujan
Prediksi curah hujan skala musim (seasonal prediction) Banjir perkotaan jika terjadi kegagalan drainase
Evaporasi
Infiltrasi (proses dengan skala waktu relatif panjang)
Kondisi permukaan Limpasan (proses dengan skala waktu relatif pendek)
Base flow
Aliran sungai
Kejadian banjir kombinasi
Simposium “Asuransi Banjir Nasional”
Luapan sungai jika volume sungai tidak dapat menampung aliran sungai
Aliran sungai di muara
Tinggi muka air laut Pasang-surut (Pasut)
PT Reasuransi Maipark, Jakarta, 2015/10/19
Risiko Banjir DINAMIS: Konsep dan Rencana Kerja “Blue Print” 3-tahun Riset dan Pengembangan Model Risiko Banjir
Simposium “Asuransi Banjir Nasional”
PT Reasuransi Maipark, Jakarta, 2015/10/19
Hujan Sebagai Salah Satu Permasalahan Utama Iklim di Indonesia: Monsun
dry
Rainfall area
December to February (DJF)
dry (Johnson, 1992) Simposium “Asuransi Banjir Nasional”
(Webster and Fasullo, 2003)
June to September (JJAS)
PT Reasuransi Maipark, Jakarta, 2015/10/19
Data Satelit TRMM 3B42-V7 sebagai Baseline Temporal range Spatial range Temporal res. Horizontal res.
Average file size Data format
01-01-1998 to 31-05-2015 50° S-50°N , 180°W-180°E 3 hourly 0,25° x 0,25°; nlat = 400, nlon = 1440 Compressed: ~0,71MB; Original: ~11MB HDF
ftp://disc2.nascom.nasa.gov/data/TRMM/Gridded/3B42_V7/
GAUGES OBSERVATION Badan Meteorologi, Klimatologi dan Geofisika (BMKG) ● Pusat Litbang Sumber Daya Air (PUSAIR) ● Global Summary of The Day (GSOD) ● http://www.ncdc.noaa.gov/cgi-bin/res40.pl?page=gsod.html ftp://ftp.ncdc.noaa.gov/pub/data/gsod. Simposium “Asuransi Banjir Nasional”
PT Reasuransi Maipark, Jakarta, 2015/10/19
Quantifying Uncertainties of TRMM Estimates
etc.....
AghaKouchak, A. , N. Nasrollahi and E. Habib. “Accounting for Uncertainties of the TRMM Satellite Estimates”. Remote Sens. 2009, 1, 606 - 619; doi:10.3390/rs1030606
Satellite Estimates
Multiplicative error, proportional to magnitude of satellite estimates
Represent random error sources
𝑷𝒔𝒊𝒎 = 𝑷𝒔𝒂𝒕 + 𝑷𝒔𝒂𝒕 × 𝝈𝟏 + 𝝈𝟐 Simulated fields
satellite estimates Simposium “Asuransi Banjir Nasional” Total error, used to perturb PT Reasuransi Maipark, Jakarta, 2015/10/19
Pairs of observation (Pobs) and TRMM estimates (P*sat)
ALGORITHM
Remove overall bias (β1) 𝛽1 =
𝑃𝑠𝑎𝑡 =
𝑛 𝑖=1 𝑃𝑜𝑏𝑠,𝑖 𝑛 ∗ 𝑖=1 P sat,i P∗sat,𝑖 × 𝛽1
Maximize log-likelihood function to estimates model parameters (σ1 and σ2)
𝐿=
𝑛 − 𝑙𝑛 2
𝜎2𝑃𝑜𝑏𝑠
× 𝜎1 + 𝜎2 −
2 1 𝑛 𝑖=1 𝑃𝑜𝑏𝑠 −𝑃𝑠𝑎𝑡 2 𝜎2𝑃𝑜𝑏𝑠 ×𝜎1 +𝜎2
Estimate perturbation fields 𝑃𝑠𝑎𝑡 × 𝜎1 + 𝜎2 Calculate ensemble of simulated fields (rain-rate) 𝑃𝑠𝑖𝑚Banjir = 𝑃𝑠𝑎𝑡 + 𝑃𝑠𝑎𝑡 × 𝜎1 + 𝜎2 Simposium “Asuransi Nasional”
Maximum Likelihood Estimators (MLE)
Monte Carlo Method
PT Reasuransi Maipark, Jakarta, 2015/10/19