Prediksi Curah Hujan Bulanan dengan Climate Predictability Tool (CPT)

Tentang CPT
Climate Predictability Tool (CPT) merupakan piranti lunak berbasis Windows untuk mengolah model prakiraan iklim, melakukan validasi model, dan membuat prakiraan berdasarkan data termutakhir. Meskipun program ini secara spesifik dibuat untuk aplikasi-aplikasi tersebut, program ini juga bisa digunakan untuk keperluan umum lainnya dengan memanfaatkan Canonical Correlation Analysis (CCA), Principal Components Regression (PCR), atau Multiple Linear Regression (MLR) pada suatu series data. Untuk keperluan validasi model atau prakiraan, CPT memberikan pilihan GCM Validation dan Probabilistic Forecast Verification. 

Untuk mengunduh Software CPT dan segala informasi tentang CPT dapat melalui laman : 

https://iri.columbia.edu/our-expertise/climate/tools/cpt/

Jika ada pertanyaan lebih lanjut tentang CPT dapat menghubungi email :
cpt@iri.columbia.edu

Climate Predictability Tool (CPT) merupakan produk yang dikelola, dikembangkan, dan dirilis oleh the International Research Institute for Climate and Society (IRI), Columbia University. Produk ini bersifat freeware dan dapat didistribusikan secara bebas-bertanggung jawab oleh pengguna. Semua fitur, logo, aplikasi, dan lisensi yang mungkin mempunyai kekuatan hukum yang digunakan pada produk ini dimiliki oleh IRI. Penggunaan hanya dibatasi pada pemanfaatan fitur-fitur pada produk, kecuali disebutkan secara spesifik oleh IRI. Data model iklim global yang digunakan pada Panduan ini dapat diakses secara bebas dan tanpa berbayar dengan memanfaatkan File Transfer Protocol dari laman NCEP NOAA. Data model iklim global bersumber dari hasil ensembel North-American Multi Model Ensemble (NMME). Perbedaan terhadap hasil yang diperoleh yang kemungkinan disebabkan dari data ini sedianya dapat dikonsultasikan langsung dengan NCEP NOAA.

Instalasi Software CPT
Setelah software CPT berhasil didownload, selanjutnya adalah melakukan instalasi dengan klik dua kali pada file set up application. Selanjutnya tinggal klik next hingga proses instalasi selesai. Catatan: pada tahap kedua, kita perlu memilih I accept the agreement baru klik Next. Selanjutnya tinggal klik Next saja.

Persiapan Data
Ada tiga jenis data yang digunakan yaitu (1) data prediktor yang merupakan variabel x (hcst), (2) data prediktan yang merupakan variabel y, dan (3) data prakiraan (fcst). Data prediktor dan data forecast dapat didownload melalui alamat : https://ftp.cpc.ncep.noaa.gov/International/nmme/

Setiap bulan akan ada update terbaru untuk data pediktor dan forecast, dan setiap update terdiri dari 8 model yaitu : cfsv2, cmc1, cmc2, gfdl, gfdl_flor, nasa, ncar_ccsm4, dan nmme, masing-masing model berisi 6 data prediktor dan 6 data forecast untuk parameter curah hujan (precip), sea surface temperature (sst), suhu permukaan (tmp2m). Contoh nama file data forecast (fcst) dan prediktor (hcst) dari model NMME update bulan Desember 2019 untuk 6 bulan kedepan adalah :
nmme_precip_fcst_Decic_1_2020.txt
nmme_precip_fcst_Decic_2_2020.txt
nmme_precip_fcst_Decic_3_2020.txt
nmme_precip_fcst_Decic_4_2020.txt
nmme_precip_fcst_Decic_5_2020.txt
nmme_precip_fcst_Decic_6_2020.txt

nmme_precip_hcst_Decic_1_2020.txt
nmme_precip_hcst_Decic_2_2020.txt
nmme_precip_hcst_Decic_3_2020.txt
nmme_precip_hcst_Decic_4_2020.txt
nmme_precip_hcst_Decic_5_2020.txt
nmme_precip_hcst_Decic_6_2020.txt


Sedangkan data prediktan (y) merupakan data observasi stasiun/pos yang mesti dibuat menurut aturan format data CPT. Jika tidak mempunyai data observasi dapat juga digunakan data alternatif seperti data CHIRPS, untuk cara download dan ekstrak data CHIRPS dapat klik https://arifmarufi.blogspot.com/2019/11/cara-download-dan-ekstrak-data-chirps.html

Cara membuat input data prediktan :
1. CPT hanya bisa membaca data dengan format .txt, namun untuk membuat input data prediktan dapat dilakukan di MS. Excel dan kemudian di save as ke .txt.
2. Ada enam baris sebagai header yang diperlukan agar CPT dapat membaca data input prediktan.
3. Baris pertama dimulai dari cell A1 yaitu merupakan pengenal CPT versi 10 keatas adalah :

xmlns:cpt=http://iri.columbia.edu/CPT/v10/

4. Baris kedua dimulai dari cell A2 merupakan pengenal jumlah parameter yang digunakan dalam hal ini diisi 1 karena hanya ada satu parameter yaitu curah hujan bulanan.

cpt:nfields=1

5. Baris ketiga dimulai dari cell A3 yang terdiri dari :

cpt:field=prcp menunjukkan parameter yang digunakan, prcp singkatan dari precipitation.
cpt:nrow=268, menunjukkan jumlah baris data dimulai dari baris ketujuh sampai baris terakhir. Dalam hal ini ada 268 baris dimulai dari bulan Januari 1981 sd Desember 2019 (268 baris).
cpt:ncol=146, menunjukkan jumlah kolom yang berisi data dimulai dari kolom B sampai dengan kolom terakhir. Dalam hal ini ada 146 pos hujan yang digunakan.
cpt:row=T, menunjukkan informasi waktu, dalam hal ini dimulai dari cell A7
cpt:col=station, menunjukkan informasi bahwa kolom merupakan stasiun atau pos.
cpt:units=mm, menunjukkan satuan data dalam milimeter.
cpt:missing=-999,9 menunjukkan variabel pengganti dari data kosong.

6. Baris keempat diisi dengan nama atau kode stasiun tanpa spasi, dimulai dari cell B4
7. Baris kelima diisi dengan lintang stasiun cpt:y dalam format desimal dimulai dari cell A5
8. Baris keenam diisi dengan bujur stasiun cpt:x dalam format desimal dimulai dari cell A6
9. Baris ketujuh diisi pengenal waktu pada cell A7 dan dilanjutkan dengan data series sesuai stasiun dan waktu. Format waktu yang digunakan harus mengikuti ISO8601, contohnya 28 Februari 2020 ditulis 2020-02-28


Running CCA

Berikut ini adalah step by step membuat prediksi curah hujan bulanan dengan menggunakan Canonical Corelation Analisys (CCA) pada CPT versi 14.

• Buka aplikasi CPT dengan mengklik dua kali pada icon shortcut CPT pada Desktop, kemudian klik menu bar View | Canonical Corelation Analisys (CCA). Sehingga muncul kotak dialog CCA.

 

• Selanjutnya klik menu Browse pada Expalanatory (x) Variables, pilih data prediktor (hcst) nmme_precip_hcst_Decic_1_2020.txt sebagai data hindcasts untuk bulan Januari tahun 2020. Pada Kotak Dialog X Domain diisi domain wilayah prediktor dalam hal ini dipilih batasan koordinat tropik yaitu : X = 30 dan -30 dan Y = 40 dan 290, kemudian klik Redraw Map.

• Kemudian akan muncul kotak dialog X Mode Option yang merupakan jumlah Mode untuk menganalisis data. Dalam hal ini, jumlah maksimum Mode harus lebih besar dari Minimum dan dipilih nilai Maksimumnya adalah 3.

• Selanjutnya mulai menginput data Prediktan, klik menu Browse pada Expalanatory (y) Variables, pilih data prediktan yang sudah dipersiapkan sebelumnya. Dalam contoh ini saya menggunakan data CHIRP periode 1981-2020 (feb). Setelah memilih data, maka akan muncul kotak dialog Y Domain. Klik Data Limit kemudian klik Redraw Map dan klik OK.

• Kemudian akan muncul kotak dialog Y Mode Option. Sama dengan X Mode Option, jumlah Mode maksimum diisi 3 dan minimum tetap 1. Kemudian klik OK.

• Langkah selanjutnya melakukan pengaturan jumlah data kosong, klik Options | Data | Missing Values. Maka akan muncul kotak dialog Missing Values, dimana kita fokus ke Y variables untuk mengisi berapa persen data kosong yang diperbolehkan. Dalam hal ini saya memilih nilai 30% yang artinya data yang digunakan dalam analisis dan prediksi lebih dari 2/3 dari total data.

• Kemudian mengatur batasan nilai Atas Normal, Normal dan Bawah Normal, yaitu dengan memilih menu Options | Tailoring sehingga muncul kotak dialog Tailoring. Pada Select Method dipilih % of Average, pada menu Tresholds dipilih Absolute Thresholds dimana pada Upper diisi 115 dan Lower diisi 85 yang merupakan persentase yang digunakan untuk menentukan batas Atas Normal dan Bawah Normal. 

• Sebelum melakukan Cross-Validated, terlebih dahulu pastikan bahwa awal data prediktor dan predikatan dimulai dari tahun yang sama. Silahkan cek start at pada prediktor dan prediktan. 
• Setelah semua Pengaturan dilakukan, klik menu Actions | Calculate | Cross-Validated dan tunggu sampai proses selesai.
  
• Setelah proses Cross-Validated selesai, klik menu Tools | Validation | Cross-Validation | Skill Map.
• Korelasi Pearson adalah salah satu pilihan menu yang dapat melihat linieritas data prediktor dan prediktan. Hubungan tersebut dapat berupa hubungan positif dan negatif dengan nilai diantara rentang -1 dan 1. 

 

• Hasil lain yang dapat dilihat adalah CCA Maps, yaitu dengan memilih menu Tools | Modes | CCA Maps.

• Selanjutnya dilakukan verifikasi untuk mengukur kemampuan model dalam memprediksi data yang sudah diobservasi. Terlebih dahulu dengan melakukan reset terhadap langkah sebelumnya dengan klik menu Actions | Reset. 
• Kemudian klik Actions | Calculate | Retroactive. Tunggu sampai prosesnya selesai.

• Untuk menilai verifikasi dalam contoh ini diambil ROC Diagram, dimana nilai yang mendekati 1 adalah yang terbaik. Nilai ROC Diagram yang lebih dari 0.5 hanyalah untuk kriteria Normal dan Bawah Normal. Sedangkan untuk kategori Atas Normal verifikasi prediksinya tidak begitu baik.

• Setelah melakukan validasi dan verifikasi, dilakukan prediksi untuk 1 bulan kedepan.
• Klik Browse pada Forecast Variables, kemudian pilih file forecast yang sudah didownload sebelumnya. Karena saat mulai CCA menggunakan data hcst bulan Januari 2020 (nmme_precip_hcst_Decic_1_2020.txt) sebagai prediktor, maka untuk file input forecastnya menggunakan file nmme_precip_fcst_Decic_1_2020.txt.

• Untuk melihat hasil prakiraan probabilistik, klik Tools | Forecasts | Maps | Probabilistic. Dari hasil prakiraan probabilistik diperoleh kesimpulan bahwa pada bulan Januari 2020 peluang sifat hujan terbesar adalah kategori Normal.

• Sedangkan untuk Prakiraan Deterministik, dapat dilihat dengan menyimpan hasil prakiraan melalui cara klik File | Output Results | Output Results sehingga keluar kotak dialog Output Files, kemudian klik Forecast dan simpan file Probabilstic Forecast serta Deterministic Forecast pada folder yang diinginkan dengan menekan Browse.

• Untuk tampilan yang lebih baik, output forecast dapat diplot ulang pada aplikasi pemetaan yang lain misalnya ArcGIS. 
• Semoga bermanfaat

Sebagian besar isi tulisan ini merupakan bagian dari tutorial CPT yang dibuat oleh :

Alberth Nahas (GAW Koto Tabang)