Putera, Muhammad Luthfi Setiarno (2017) Bayesian Model Averaging Dan Geostatistical Output Perturbation Untuk Prakiraan Cuaca Jangka Pendek Terkalibrasi. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1315201203-Master_Thesis.pdf - Published Version Download (5MB) | Preview |
Abstract
Data prakiraan cuaca berbasis numerik, Numerical Weather Prediction (NWP), yang selama ini digunakan untuk membantu para forecaster masih belum mampu untuk menghasilkan prakiraan cuaca dengan akurat, termasuk untuk jangka pendek. Ensembel adalah gabungan beberapa metode prakiraan yang bertujuan untuk memperbaiki akurasi dan presisi prakiraan. Namun, ensembel seringkali masih bersifat underdispersive, yaitu prakiraan cuaca cenderung terpusat pada suatu nilai dengan varians yang rendah. Bayesian Model Averaging (BMA) adalah metode parametrik untuk mengkalibrasi prakiraan ensembel dan membentuk interval prediktif yang lebih reliabel. Namun, BMA tidak mempertimbangkan korelasi spasial dalam menghasilkan prakiraan cuaca terkalibrasi. Selain itu, beberapa parameter BMA tidak dapat diestimasi secara analitik dengan MLE. Tidak seperti BMA, Geostatistical Output Perturbation (GOP) mempertimbangkan korelasi spasial seluruh lokasi secara serentak. GOP memiliki parameter spasial yang berfungsi untuk memodifikasi hasil prakiraan cuaca sedemikian hingga mampu memanfaatkan informasi spasial. Suhu udara menjadi fokus penelitian karena memiliki hubungan yang cukup erat dengan elemen cuaca lainnya. Analisis yang digunakan untuk mengkalibrasi prakiraan suhu udara di delapan stasiun meteorologi Jabotabek adalah BMA dan GOP. Tahap awal dilakukan reduksi dimensi untuk tiap parameter NWP menggunakan Principal Component Analysis (PCA), sehingga prediktor untuk BMA adalah skor komponen utama sementara prediktor GOP adalah luaran NWP pada grid yang bersesuaian dengan stamet. Ensembel terdiri dari tiga metode statistik, yaitu regresi PLS, PCR, dan Ridge. Untuk periode training selama 30 hari, prakiraan suhu udara BMA di 8 stamet termasuk ke dalam kriteria baik-sedang. BMA juga mampu mengkalibrasi prakiraan suhu udara dimana coverage yang dihasilkan sudah mendekati standar 50%. Sementara, GOP masih menghasilkan prakiraan dengan bias yang cukup tinggi, bahkan tidak terkalibrasi karena coverage 75% yang masih bersifat underdispersive. Namun, jika pemodelan GOP tidak melibatkan stamet Citeko, maka akurasi dan presisi prakiraan menjadi lebih tinggi. Dapat disimpulkan bahwa akurasi dan presisi prakiraan BMA lebih tinggi daripada GOP.
=================================================================
Massive Numerical Weather Prediction (NWP) currently utilized to aid the forecasters has not yet been able to produce the weather forecast accurately, including for the short-range one. Ensemble is a combination of several processing methods to improve the accuracy and precision. However, it still possesses underdispersive nature, that is the forecast tends to concentrate at a point with low variance. Bayesian Model Averaging (BMA) is parametric method to calibrate the ensemble prediction and create more reliable predictive interval. BMA producing the calibrated forecast, though, does not consider spatial correlation. Furthermore, some BMA parameters are not able to be estimated by MLE. Unlike BMA, Geostatistical Output Perturbation (GOP) reckons spatial correlation among many locations altogether. It owns spatial parameters modifying the forecast output such that being able to capture spatial information. Temperature being the interest tends to have relatively strong correlation with the other elements. Analysis applied to calibrate the temperature forecast at eight meteorological sites within Jabotabek are BMA and GOP. Firstly, dimension reduction of each NWP parameter is applied by Principal Component Analysis, after which BMA’s predictors are PC scores while GOP’s ones are NWP output of temperature at nearest grid corresponding to the interest site. The ensemble members consist of prediction of PLS, PCR, and Ridge regression. For training period over 30 days, BMA temperature forecasts at 8 sites classify into good and fair ones. It is able to calibrate the temperature forecast as well, of which the coverage comes closer to the standard 50%. Meanwhile, GOP yet produces the forecasts possessing quite high bias, even uncalibrated due to underdispersive nature indicated by the 75% coverage, less than the standard 90%. The accuracy and precision somehow improve quite significant without involving Citeko site. Based on some common assessment indicators of weather forecast, such as RMSE and CRPS, BMA is better than GOP in terms of accuracy and precision.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | BMA, Ensembel, GOP, NWP, Underdispersive |
| Subjects: | H Social Sciences > HA Statistics Q Science |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Putra Muhammad Luthfi Setiarno |
| Date Deposited: | 30 Oct 2017 06:36 |
| Last Modified: | 05 Mar 2019 07:34 |
| URI: | http://repository.its.ac.id/id/eprint/43284 |
Actions (login required)
 |
View Item |