Spatial Ensemble Model Output Statistics Untuk Kalibrasi Dan Prakiraan Cuaca Jangka Pendek

Cahyoko, Fajar Dwi (2023) Spatial Ensemble Model Output Statistics Untuk Kalibrasi Dan Prakiraan Cuaca Jangka Pendek. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003201036-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (3MB) | Request a copy

Abstract

Penggunaan model output statistics untuk prediksi cuaca masih memiliki kekurangan, yakni masih menghasilkan bias yang cukup tinggi. Untuk meningkatkan keakurasian dalam memprediksi model dapat dilakukan dengan menggunakan metode Ensemble. Pendekatan ini berangkat dari Ensemble Prediction System (EPS) yang kemudian dikalibrasi untuk mengatasi permasalahan underdispersive dan overdispersive. Ensemble Model Output Statistics (EMOS) merupakan varian dari regresi linier berganda yang secara tradisional telah digunakan untuk prakiraan deterministic. Tidak seperti EMOS, Geostatistical Output Perturbation (GOP) mempertimbangkan korelasi spasial di antara beberapa lokasi secara serentak. Metode ini memiliki parameter spasial yang memodifikasi output prakiraan untukmenangkap informasi spasial. Namun, GOP hanya berlaku untuk perkiraan deterministic tunggal. Spasial Ensemble Model Output Statistics (SEMOS) adalah metode yang menggabungkan EMOS dan GOP. Penelitian ini bertujuan untuk mendapatkan taksiran parameter model SEMOS dan prakiraan terkalibrasi untuk variabel suhu maksimum dan minimum harian menggunakan model SEMOS pada 10 stasiun meteorologi di Jawa Timur. Metode penaksir parameter untuk SEMOS terbagi menjadi beberapa tahap yakni penaksiran parameter EMOS menggunakan Maximum Likelihood Estimation dengan iterasi numerik newton Raphson, dilanjutkan dengan estimasi parameter korelasi spasial menggunakan pendekatan Weighted Least Square dengan iterasi Limited Memory BFGS (L-BFGS) dan terakhir estimasi parameter regresi model SEMOS dengan tahapan yang sama seperti penaksiran parameter EMOS. Untuk periode training 20, 30 dan 40 hari SEMOS belum mampu mengkalibrasi prakiraan suhu harian karena nilai coverage yang didapatkan masih jauh dari standar coverage yang ditetapkan. Berdasarkan beberapa indicator prakiraan cuaca, seperti RMSE dan CRPS, SEMOS tidak lebih baik daripada EMOS dalam hal akurasi dan presisi. Pada kajian ini, SEMOS lebih baik digunakan dalam kalibrasi dan prakiraan suhu minimum dibandingkan dengan suhu maksimum.
======================================================================================================================================
The use of output statistics models for weather prediction still has a drawback, namely that it still produces a fairly high bias. To improve the accuracy in predicting the model can be done using the Ensemble method. This approach departs from the Ensemble Prediction System (EPS) which is then calibrated to overcome underdispersive and overdispersive problems. The Ensemble Model Output Statistics (EMOS) is a variant of multiple linear regression that has traditionally been used for deterministic forecasting. Unlike EMOS, Geostatistical Output Perturbation (GOP) considers spatial correlations between multiple locations simultaneously. This method has spatial parameters that modify the forecast output to capture spatial information. However, the GOP applies only to single deterministic estimates. Spatial Ensemble Model Output Statistics (SEMOS) is a method that combines EMOS and GOP. This study aims to obtain an estimate of the SEMOS model parameters and calibrated forecasts for daily maximum and minimum temperature variables using the SEMOS model at 10 meteorological stations in East Java. The parameter estimator method for SEMOS is divided into several stages, namely the estimation of EMOS parameters using Maximum Likelihood Estimation with newton Raphson's numerical iteration, followed by estimation of spatial correlation parameters using the Weighted Least Square approach with Limited Memory BFGS (L-BFGS) iterations and finally the estimation of SEMOS model regression parameters with the same stages as EMOS parameter estimation. For training windows of 20, 30 and 40 days SEMOS has not been able to calibrate daily temperature forecasts because the coverage value obtained is still far from the established coverage standard. Based on several weather forecast indicators, such as RMSE and CRPS, SEMOS is no better than EMOS in terms of accuracy and precision. In this study, SEMOS is better used in calibration and forecasting the minimum temperature compared to the maximum temperature.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	EMOS, EPS, GOP, Korelasi Spasial, Temperatur EMOS, EPS, GOP, Spatial Correlation, Temperature
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Fajar Dwi Cahyoko
Date Deposited:	17 Feb 2023 03:36
Last Modified:	17 Feb 2023 03:36
URI:	http://repository.its.ac.id/id/eprint/97508

Actions (login required)

View Item