Halaman 1
Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/248800157
validasi
CITATIONS BACA
30 15
2 penulis:
Beberapa penulis dari publikasi ini juga mengerjakan proyek terkait ini:
Semua konten yang mengikuti halaman ini diunggah oleh Gilles Guillot pada 18 September 2015.
Pengguna telah meminta peningkatan file yang diunduh.
1
Halaman 2
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
Disaggregation Of Sahelian Meso-Scale convective Systems Rain Fields:
E li h
Perkembangan dan Validasi Lebih Lanjut I d i
English
Perkembangan dan Validasi Lebih Lanjut Indonesian
Gilles Guillot
Laboratoire d 'etude des Transferts en Hydrologie et Environnement, CNRS-INPG-IRD-UJF
dan IUT de Statistiques, Université Grenoble 2 - Pierre Mend es-France.
Thierry Lebel
Laboratoire d 'etude des Transferts en Hydrologie et Environnement, CNRS-INPG-IRD-UJF
2
Halaman 3
Abstrak.
Menjembatani kesenjangan antara skala GCM dan skala hidrologi adalah masalah utama saat
mempelajari dampak perubahan iklim potensial terhadap sumber daya air dan, lebih umum,
hubungan antara variabilitas iklim dan variabilitas hidrologi. Ini terutama berlaku di
daerah tropis di mana i) curah hujan sangat bervariasi dalam ruang dan waktu karena konvektifnya
alam, dan ii) pengukuran masih langka. Menggunakan data resolusi tinggi yang dikumpulkan di semi-kering
wilayah Niamey, Niger, Lebel et al. (1998) telah mengusulkan model ruang-waktu (LBC
model) memungkinkan pemisahan perkiraan skala besar yang dihasilkan baik dari satelit
gambar atau output General Circulation Model (GCM). Perilaku model ini adalah
terbukti memuaskan secara global ketika diuji pada sejumlah kecil Mesosfer Sahel yang dipilih
Convective Complexes (SMCC's). Namun, untuk digunakan dalam studi simulasi dampaknya
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
perubahan iklim seperti yang diprediksi oleh GCM atau dalam konteks operasional di mana hanya satelit
data sudah tersedia, validasi yang lebih sistematis diperlukan. Juga, versi awal
E li h I d i
, y g p J g ,
English Indonesian
dari model itu dimaksudkan untuk berurusan dengan SMCC saja, mengesampingkan Konveksi lainnya
Sistem menampilkan struktur spasial yang kurang koheren. Ini menyebabkan mengembangkan versi baru
Model LBC, disajikan di sini, ditandai dengan perbaikan berikut: i) yang lebih tepat
pemodelan struktur spasial dari hujan badai total dengan memperhitungkan mereka
anisotropi dan menggunakan kovarian berlapis; ii) representasi yang lebih baik dari badai kinematik oleh
berurusan dengan waktu kedatangan hujan daripada dengan kecepatan pergerakan; iii) revisi dari
parameter yang digunakan untuk menentukan standar hyetograph yang merupakan dasar dari disaggregation waktu
algoritma. Versi baru dari model ini memiliki dua keunggulan utama dibandingkan dengan yang lebih tua
satu: i) kapasitas berurusan dengan setiap jenis Sistem Konveksi Sahelian Mesoscale
(SMCS's), yang mencakup lebih dari 90% dari total curah hujan tahunan di wilayah tersebut; ii)
kemungkinan menggunakan model baik dalam simulasi dan mode disagregasi. Validasi
model dilakukan dengan membandingkan statistik curah hujan pada berbagai skala agregasi,
untuk satu set 170 yang diamati SMCS (sesuai dengan periode operasi 1990-1993) dan satu set
3
Halaman 4
1. Perkenalan
Disagregasi curah hujan adalah langkah kunci dalam menjembatani kesenjangan antara hidrologi
skala, terkait dengan heterogenitas lanskap, dan skala atmosfer, ditentukan oleh
dinamika atmosfer (lihat misalnya Zhang dan Foufoula-Georgiou, 1997). Ini terutama berlaku di
daerah tropis semi-kering, seperti Sahel. Di wilayah ini, curah hujan sangat bervariasi di
ruang dan waktu karena sifatnya yang konvektif, sementara pengukuran curah hujan secara rutin tersedia
tidak dapat memberikan perkiraan yang dapat dipercaya pada skala kecil, seperti yang ditunjukkan dalam Sivakumar (1997),
Laurent dkk. (1998), Lebel dan Amani (1999), antara lain. Sayangnya atmosfer
model tidak menebus masalah ini: GCM memiliki resolusi yang terlalu rendah, sementara
model mesoscale memerlukan pengukuran atmosfer pada skala jauh lebih rendah daripada skala
diselesaikan oleh sensor saat ini tersedia di wilayah tersebut. Dengan demikian diperlukan untuk menurunkan curah hujan
perkiraan tersedia pada skala kasar untuk memberikan masukan realistis untuk model hidrologi
digunakan untuk mempelajari dampak perubahan iklim potensial pada sumber daya air atau, lebih
umumnya, interaksi antara variabilitas iklim dan variabilitas hidrologi (lihat misalnya
model disesuaikan dengan disaggregasi ruang-waktu peristiwa hujan terkait dengan Sahelian
Mesoscale Convective Complexes (SMCC's). Model ini, berdasarkan ide Bra sebelumnya
dan Rodriguez-Iturbe (1976), bersifat konseptual dan stokastik dan relatif sederhana
untuk beroperasi karena berhubungan secara terpisah dengan langkah-langkah pemisahan ruang dan waktu. Itu
pekerjaan awal LBC menunjukkan kemampuan model untuk mensimulasikan, untuk garis-garis squall, realistis
5 menit. oleh 2 2 km 2 rambu hujan diberikan nilai curah hujan di atas 1 1 persegi yang disediakan oleh a
perkiraan satelit atau output GCM. Model ini terbuat dari tiga komponen utama. Untuk
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
model yang akan digunakan untuk tujuan hidrologi atau untuk mensimulasikan dampak perubahan iklim pada
E li h I d i
English Indonesian
sumber daya air, beberapa perbaikan diperlukan di masing-masing dari ketiga komponen tersebut. Tujuan dari
makalah ini adalah untuk menyajikan perbaikan ini dan untuk melaksanakan validasi global dari revisited
model. Versi awal dari model ini pertama kali disajikan dalam bagian 2. Revisi dan
peningkatan setiap komponen adalah objek dari bagian 3 (disagregasi spasial dari
4
Halaman 5
curah hujan total badai), 4 (badai kinematik), dan 5 (disagregasi temporal menggunakan standar
ketiga langkah ini dipertimbangkan dengan sendirinya. Kemudian, di bagian 6, validasi global disajikan,
sedangkan bagian 7 dikhususkan untuk membahas kinerja keseluruhan model dan beberapa
perspektif untuk menggunakannya dalam memaksa model hidrologi oleh GCM atau perkiraan curah hujan satelit.
2. Model LBC
Di Sahel 90% dari curah hujan tahunan dihasilkan oleh Sahelian Mesoscale Convective
Sistem (SMCS). Berbagai tingkat organisasi dan efisiensi curah hujan SMCS saat ini.
Sistem penghasil hujan yang paling efisien adalah SMCC, yang dicirikan oleh perluasan besar
dan organisasi dan kinematika yang didefinisikan dengan baik. Menggunakan data EPSAT-Niger (lihat apendiks
dan Lebel et al., 1997, untuk rincian tentang kumpulan data ini), D'Amato dan Lebel (1998) memperkirakan
bahwa akun SMCC sekitar 70% dari total curah hujan tahunan, sedangkan sisanya
sistem yang lebih longgar terorganisasi (yang akan diberi label SMCSo dalam hal berikut) untuk akun
sekitar 20% dari total tahunan. Dalam kumpulan data EPSAT-Niger, SMCC dan SMCSo
Peristiwa serupa frekuensi: 127 SMCSo dan 131 SMCC untuk total 258 SMCS's
direkam oleh jaringan raingauge antara tahun 1990 dan 1995. Dari titik organisasi spasial
satu pandangan juga dapat membedakan populasi SMCC antara garis-garis squall (SL) dan non
squall lines (NSL), SL menampilkan front konvektif linier dan arah dan kecepatan yang stabil
organisasi spasial hujan SMCS's elds (yang merupakan puncak dari akumulasi hujan selama
seluruh durasi SMCS's) adalah intermiten. Parameter ini akan dinotasikan F 0 dalam
(16.000 km 2 ) di mana tidak ada hujan yang dicatat untuk peristiwa hujan tertentu. Ini dapat dilihat pada Tabel 1
bahwa curah hujan badai rata-rata menurun dan intermittency meningkat ketika pergi dari SL
ke NSL ke acara SMCSo. Kriteria penting realisme untuk model curah hujan Sahelian adalah
oleh karena itu kemampuannya untuk mensimulasikan tetua hujan dengan statistik serupa dengan Tabel 1.
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
5
Halaman
E li h 6 I d i
Halaman
English 6 Indonesian
Di luar variabilitas yang ditandai yang mencirikan hujan Sahelian di semua skala, data
selama beberapa tahun mengungkapkan stabilitas beberapa statistik curah hujan dari tahun ke tahun. Itu
paling signifikan, dari sudut pandang pemodelan, adalah sebagai berikut: 1. stabilitas antartetual
dari statistik urutan pertama (tingkat kejadian, Fo, mean) dari kejadian hujan yang terkait dengan
SMCC di satu sisi dan SMCSo di sisi lain; 2. acara hujan elds
menunjukkan sifat stasioner urutan kedua dalam ruang; 3. kekuatan atmosfer skala besar,
terkait dengan sirkulasi Hadley, menghasilkan lintasan Timur-Barat yang dominan dari SMCS;
sel dan akibatnya sangat terlokalisasi pada waktunya. Berdasarkan sifat-sifat ini, LBC mengembangkan a
model yang bertujuan untuk mendisemasi perkiraan satelit atau keluaran GCM yang diperoleh secara spasial besar
skala (biasanya 1 1 hingga 2,5 2,5). Model diperlakukan hanya SMCC, karena itu pada
pertama percaya bahwa intermittency spasial tinggi dan kinematika agak tidak menentu dari
struktur model adalah sebagai berikut. Misalkan bahwa nilai curah hujan areal hujan tersedia
di atas domain besar yang mencakup beberapa ribu km 2 , tiga langkah mengarah pada disagregasi
nilai ini pada kisi kilometrik pada langkah waktu khas 5 menit: 1. disagregasi spasial
dari badai hujan, berdasarkan pendekatan meta-Gaussian (lihat Bagian 3); 2. perhitungan
waktu kedatangan badai di setiap node dari grid, diberikan angin rata-rata, dengan acak
kebisingan untuk mereproduksi uctuations lokal dari kecepatan badai; 3. disagregasi sementara pada a
diberikan lokasi oleh derivasi hyetogram standar yang integral dan bentuknya dikondisikan
oleh hujan badai total yang dihasilkan oleh algoritma pemisahan spasial di lokasi tersebut.
Salah satu kelemahan utama dari model LBC adalah pembatasannya terhadap disagregasi
secara objektif memisahkan antara SMCC dan SMCSo. Studi yang cermat tentang kovariansi
6
Halaman 7
pemodelan yang dilakukan oleh Guillot (1999) dan Guillot dan Lebel (1999) menunjukkan bahwa
Pendekatan meta-Gaussian, digunakan dalam langkah disagregasi spasial model LBC, memungkinkan
untuk mereproduksi dengan cara yang memuaskan kovariansi SMCC dan SMCSo. Ini
membuka jalan pada formulasi model yang diperbarui, yang disajikan dalam bagian berikut, dengan
tujuan ganda dari i) menggunakan model LBC baik sebagai simulasi dan sebagai alat disaggregation;
ii) memperluas objeknya ke seluruh populasi SMCS. Beberapa bagian lain dari model juga
ii) definisi dari hyetograph standar yang digunakan untuk disaggregasi temporal.
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
3. Komponen Ruang: Model untuk Lahan Hujan Badai
E li h I d i
English Indonesian
3.1. Pengaturan Umum
Mempertimbangkan badai hujan elds (yaitu akumulasi hujan sepanjang seluruh durasi badai),
realisasi dari fungsi acak yang sama. Dengan tidak adanya heterogenitas geografis yang ditandai,
model stasioner akan dipertahankan. Misalkan R ( x ) menunjukkan kedalaman hujan di lokasi x = ( 1 ; 2 ). Hujan
elds yang jelas bukan Gaussian, kita akan menganggap bahwa R adalah meta-Gaussian stasioner
fungsi acak, yaitu transformasi non linear dari fungsi acak Gaussian stasioner
dilambangkan oleh Y. Lihat misalnya Kelly dan Krzysztofowicz (1997), untuk pengenalan dasar ini
keluarga distribusi. Ini akan memungkinkan menentukan distribusi marjinal yang nyaman dan untuk
Di bawah serangkaian hipotesis ini, model fungsi acak kami akan sepenuhnya ditentukan oleh
fungsi kovarian dan distribusi marjinal telah diperiksa oleh Guillot (1999),
Dalam makalah pendamping oleh Guillot dan Lebel (1999), itu menunjukkan bahwa mempertimbangkan
SMCS yang sama dipelajari di sini, distribusi marjinal dari curah hujan acara mereka dapat dilakukan
7
Halaman 8
oleh model campuran yang terbuat dari atom pada nol dan distribusi gamma (dilambangkan dengan _ 0 ).
bagian yang benar-benar berkelanjutan adalah singkatan dari nilai curah hujan yang sangat positif. Presentasi formal
hipotesis ini dalam rangka pemodelan curah hujan diberikan oleh Kedem dan Pavlopoulos
(1991), dan implementasi dapat ditemukan dalam karya awal Bell (1987). Pengikut
parameter ditemukan:
ER j R> 0] = 14.15 mm
PrR = 0] = 0,26
Kovariansi empiris adalah anisotropik (Gambar 1). Model bentuk berikut ini adalah:
C Y ( h ) = 21 e j h j1 = s 1 +22e j h j2 = s 2 (1)
rasio anisotropi tanpa dimensi, s i adalah skala jarak paramater dan i adalah varians skala
Parameter kovarian yang ditemukan oleh Guillot dan Lebel (1999) adalah:
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
2 s 1 = 30 km a1=2=3
E li h 1 = 100 mm 2 I d i
English 1 100 mm 2 Indonesian
2 s 2 = 300 km a 2 = 1 = 3
2 = 100 mm 2
Dari sudut pandang fisik, perlu dicatat di sini bahwa diperlukan dua model bertingkat
untuk menghormati kehadiran dua rezim dalam tingkat korelasi yang menurun. Ini mungkin
diartikan sebagai i) kehadiran dua tingkat organisasi hujan eld, tingkat sel konvektif
dan seluruh level MCS, dan ii) gerakan ke arah barat dari SMCS mendorong lebih lambat
korelasi menurun sepanjang sumbu gerak preferensial (E-NE) daripada sepanjang orthogonal
8
Halaman 9
sumbu (N-NW).
Struktur anisotropik bersarang ini sangat penting untuk menghormati urutan kedua
3.2.1. SMCC dan SMCS. Salah satu alasan untuk versi asli dari model LBC
diyakini tidak dapat menjelaskan dengan tepat untuk intermiten, mencirikan secara longgar
mengatur SMCS. Untuk mengevaluasi peningkatan yang dihasilkan dari menggunakan bersarang dan anisotropik
kovarians dalam mode simulasi, (yang tidak dibatasi oleh areal yang diamati atau diperkirakan
curah hujan di atas domain simulasi), satu set 400 peristiwa hujan SMCS yang dihasilkan dan
stratied, menggunakan kriteria intermiten sebelumnya digunakan untuk stratifikasi hujan peristiwa yang diamati
Sebagai langkah pertama, kami memeriksa bahwa proporsi masing-masing kelompok dihormati oleh model.
Kemudian untuk setiap kelompok, statistik poin dihitung (mean, varians dan fraksi
nilai nol). Seperti yang ditunjukkan pada Tabel 1, statistik hujan yang disimulasikan dan diamati
membandingkan dengan baik pada dua akun: i) proporsi masing-masing kelompok; ii) statistik
dari hujan SMCC's elds. Di sisi lain rata-rata intermittency dan rata-rata dari
SMCSo relatif baik direproduksi tetapi perbedaan yang signifikan diamati untuk varians.
Terlepas dari perbedaan ini, dan karena akun SMCSo hanya sekitar 20%
dari curah hujan tahunan Sahelian, perbandingan ini menunjukkan bahwa versi model yang direvisi
cukup baik disesuaikan dengan representasi statistik dari semua SMCS. Satu poin
terutama perlu dicatat adalah kemampuannya untuk mengambil modus utama distribusi F 0 , (yang
Proporsi SL-MCC dan NSL-MCC juga dihormati oleh simulasi tetapan hujan), bahkan
Pendekatan meta-Gaussian adalah bahwa hanya data titik yang tersedia untuk kalibrasi dan validasi.
Dengan demikian hasil positif yang disajikan pada bagian sebelumnya menyangkut titik statistik properti.
Karena model ini terutama ditujukan untuk digunakan sebagai alat disaggregation, ia harus diuji
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
9
Halaman 10
berbagai skala. Untuk itu, varians dari curah hujan, sekali dikumpulkan secara spasial
daerah mulai dari beberapa km 2 hingga 100 100 km 2 dibandingkan pada Gambar 2 untuk simulasi dan
peristiwa yang teramati. Dapat dilihat bahwa dua kurva varians dibandingkan hingga beberapa puluh
ribuan km 2 . Perbandingan serupa (tidak ditunjukkan) dilakukan untuk parameter yang diberikan F 0
hasil yang bagus untuk skala di bawah 1000 km 2, yaitu skala panjang adalah 30 km. Harus
Namun dicatat bahwa perhitungan intermitensi pada skala agregasi besar masih jauh
dari dapat diandalkan dari jaringan raingage seperti yang ditunjukkan pada Gambar 14. Oleh karena itu,
perbandingan ini tidak sepenuhnya berarti, bahkan jika itu menunjukkan bahwa akun model untuk
4. Kinematik
Model ini digunakan untuk melakukan simulasi atau disagregasi. Kedua mode
Disaggregation of SMCC's, penulis mengasumsikan bahwa gerakan badai itu cukup seragam dan
konstan dan bahwa kecepatan dapat diberikan baik oleh pengukuran penginderaan jauh atau oleh
Keluaran GCM. Perbaikan yang diusulkan di sini adalah sebagai berikut: i) mengendurkan hipotesis
keteguhan, dalam rangka menangani ketiga kelompok SMCS, ii) mengembangkan suatu algoritma
yang akan berlaku untuk situasi di mana baik kecepatan tertentu acara diketahui atau hanya di mana
Sifat data (hyetograms pada langkah waktu 5 menit dengan kepadatan rata-rata
satu stasiun per 100 km 2 ), berarti bahwa estimasi kecepatan depan, didefinisikan sebagai
batas antara daerah hujan dan non hujan, dapat mengalami kesalahan yang cukup besar. Apalagi sejak itu
stasiun tidak didistribusikan secara teratur, estimasi kecepatan tidak dapat dilakukan pada
skala yang sama untuk semua lokasi (beberapa kecepatan akan menjadi kecepatan rata-rata di atas kurang dari satu
km, sedangkan beberapa perkiraan akan dihitung lebih dari beberapa km). Upaya awal untuk
langsung memperkirakan kecepatan lokal mengembalikan hasil yang tidak realistis secara fisik. Apalagi beberapa kejadian
sangat longgar diatur dalam ruang, sehingga identifikasi front badai (seperti didefinisikan
10
Halaman 11
Untuk alasan yang disebutkan di atas, kami memilih untuk mempelajari masa kedatangan. Ini
eld dapat didefinisikan sebagai berikut (Amani dan Lebel, 1997). Untuk setiap acara ada stasiun pertama
dicapai oleh badai. Stasiun ini akan menentukan asal-usul waktu untuk acara tersebut. Kemudian pada a
stasiun umum x , waktu antara hujan pertama di jaringan dan hujan pertama di x akan terjadi
dilambangkan dengan T ( x ). Medan ini dapat langsung diukur di stasiun dan sekarang akan menjadi subjek
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
terkait dengan sirkulasi Hadley. Dalam oder untuk mengukur bagaimana gerakan skala besar ini
diterjemahkan dalam skala kecil, kami menghitung waktu kedatangan rata-rata ~ T didefinisikan sebagai:
1 XK
~T(x)= Tk(x) (3)
K
k =1
di mana (1; :::; K) berdiri untuk peristiwa yang diamati K, di stasiun x .
Grafik yang sesuai dilaporkan untuk setiap sub-kelompok kejadian pada Gambar 3. Untuk
masing-masing subkelompok, pesawat telah mencapai rata-rata dengan metode kuadrat terkecil. Itu
parameter masing-masing pesawat dan kecepatan yang disimpulkan dari kebalikan dari kemiringan dilaporkan
Meja 2.
Seseorang dapat mengamati bahwa ketiga permukaan ini berbeda secara signifikan. Bidang rata-rata
sesuai dengan SL-SMCC adalah yang paling seragam dan rata-rata kecepatan badai j v j disimpulkan
dari lereng mirip dengan kecepatan rata-rata yang diamati oleh radar di wilayah ini (Lebel et
Al. 1997). Di sisi lain, nilai jv j yang diperoleh untuk NSL-SMCC dan SMCS tidak
realistis, konsekuensi dari fakta bahwa peristiwa-peristiwa ini tidak terorganisir di sepanjang garis lurus
bergerak seragam.
Seperti yang disebutkan sebelumnya, kesulitan dalam menghitung kecepatan yang bermakna adalah kunci
alasan untuk bekerja dengan waktu kedatangan daripada dengan kecepatan.
T0(x)=T(x)~T(x) (4)
11
Halaman 12
memisahkan x dan y dan tergantung pada orientasi ( xy ). Hal yang menarik adalah
bahwa residu SL-SMCC dan NSL-SMCC adalah anisotropik. Sumbu utama
anisotropi mirip dengan yang diidentifikasi untuk badai hujan elds. Besarnya
anisotropi cenderung lebih rendah pada NSL-SMCC daripada pada SL-SMCC's, sedangkan waktu kedatangan
SMCSo sepertinya isotropik. Varian residual lebih kecil pada SL-SMCC. Ini
berarti untuk kelompok ini waktu kedatangan lapangan lebih stabil dari satu kejadian ke peristiwa lainnya
mewakili gerakan rata-rata dari setiap kelompok kejadian. Dalam mode disagregasi, seseorang dapat menggunakan
sebuah event khusus pesawat T, yang dapat disimpulkan dari informasi berskala besar tentang badai
Properti yang diamati sekarang disintesis dalam model probabilistik yang akan digunakan
E li h T( ) ET ( )] ( ) I d i (6)
English T ( x ) = ET ( x )] + ( x ) Indonesian (6)
ET ( x )] = a + b 1 + c 2 , di mana x = ( 1 ; 2 ) (7)
Kami akan mempertimbangkan bahwa distribusi residu dari setiap subkelompok adalah realisasi
Fungsi kovarian dari residu ini, yang dipertahankan untuk setiap kelompok adalah Gaussian
C T ( h ) = 2 exp j h j = r] 2 (8)
12
Halaman 13
di mana jh j adalah suatu persamaan norma anisotropik untuk yang didefinisikan dalam persamaan 2. Skala
parameter dan parameter anisotropi dari kovarians tentu saja spesifik untuk setiap kelompok.
Perhatikan bahwa sekarang kita dapat menurunkan kecepatan lokal (non-Gaussian) dan V dari front badai
(tidak dapat dijawab langsung dengan data, sebagaimana disebutkan dalam bagian 4.1) melalui hubungan berikut:
1
V= grad T (9)
j grad T j 2
Untuk menggambarkan kemampuan model ini untuk mereproduksi gerakan badai yang diamati, kami punya
simulasi 33 elds waktu kedatangan sesuai dengan parameter yang dihitung untuk SL-SMCC's. Untuk
setiap peristiwa, sebuah pesawat persegi setidaknya menuju ke masa kedatangan. Kemiringan dan aspek
dari pesawat ini memberikan perkiraan kecepatan rata-rata dari simulasi badai. Sama
Algoritma dilakukan menggunakan data yang diamati untuk SL-SMCC's. Hasilnya dilaporkan pada Gambar 5.
Sebagaimana diukur dengan tolok ukur uji statistik (misalnya, uji Kolmogorov-Smirnov diterapkan
ke contoh modulus kecepatan), perjanjian agak lemah (hipotesis identik
Tapi, dengan pengecualian satu peristiwa yang terluar, urutan besarnya dalam hal
modulus dan arah antara data dan simulasi sudah benar. Simulasi yang terluar
event berhubungan dengan waktu kedatangan yang jauh dari linear, yang muncul ketika
gerak tidak seragam, terutama ketika bagian depan badai terbelah menjadi beberapa komponen, yang
akibatnya mengarah ke nilai kecepatan rata-rata yang tidak berarti. Model statistik apa pun tunduk
masalah semacam ini, karena tidak ada persamaan fisik untuk mencegah perilaku ekstrim. Dengan
dalam pikiran ini tampak bahwa model ini bertanggung jawab untuk kedua gerakan klimatologi dan
variabilitas peristiwa, yang merupakan parameter kunci utama dalam studi statistik gerakan badai.
Selanjutnya, fakta bahwa beberapa parameter khusus kelompok digunakan dalam simulasi badai
gerak, adalah cara yang bermakna secara fisik untuk menghubungkan informasi skala besar (jenis peristiwa) dan
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
13
Halaman 14
Misalkan sekarang bahwa untuk badai tertentu, badai hujan dan lapangan waktu kedatangan adalah
disediakan, (dalam prakteknya mereka akan disediakan oleh simulasi sesuai dengan dua komponen
Dalam hal ini, dua pertanyaan muncul: i) apakah mungkin untuk menemukan representasi generik
hyetogram? ii) diberikan representasi seperti itu, apakah mungkin untuk menghubungkan (secara statistik) nya
parameter ke kedalaman hujan badai dicatat pada titik di mana hyetogram harus
Pertanyaan pertama muncul untuk menggambarkan bentuk hyetogram dengan satu set kecil
membutuhkan untuk menentukan apakah kedalaman badai di lokasi umum, dan beberapa karakteristik
dari gerakan, membawa informasi apa pun tentang bentuk hyetogram di lokasi ini.
Satu set data besar pada 5 menit. langkah waktu telah digunakan untuk menjawab pertanyaan pertama. Saya t
i) kontribusi utama terhadap kedalaman badai (relevan dari sudut pandang hidrologis) di a
lokasi generik adalah karena tingginya curah hujan yang terkait dengan sel-sel konvektif (lihat Gambar 7),
ii) kegiatan konvektif pada suatu titik secara umum sangat terlokalisasi pada waktunya,
iii) laju hujan di daerah stratiform bervariasi sedikit waktu, dan rata-rata, itu berkontribusi
Gambar 6). Dengan demikian, hyetogram akan diwakili oleh bentuk segitiga selama konvektif
panggung dan dengan bentuk persegi panjang (yaitu tingkat curah hujan konstan) selama bentuk stratiform. Misalnya
Pola mungkin tampak kasar pada langkah ini, tetapi minatnya akan tampak lebih jelas di langkah berikutnya
14
Halaman 15
bagian.
Beberapa parameter ini dapat diidentifikasi secara obyektif: tingkat hujan maksimum selama
badai dan durasi badai dapat dihitung dengan mudah di setiap stasiun dan untuk setiap badai.
Di sisi lain, sulit untuk secara objektif menentukan durasi konvektif. Karena itu,
waktu mulai dari tahap stratiform dan tingkat rata-rata selama tahap stratiform tidak bisa
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
dihitung dengan mudah dari hyetogram yang diamati, meskipun algoritma dikembangkan untuk
E li h
secara otomatis memisahkan bagian konvektif dan stratiform
I d
dari
i
hyetogram yang diamati pada a
English
secara otomatis memisahkan bagian konvektif dan stratiform dari hyetogram yang diamati pada a
Indonesian
Untuk alasan ini kami membatasi diri pada perhitungan D dan Rmax dan selanjutnya
statistik.
Mempertimbangkan korelasi statistik yang ditemukan antara dua parameter ini dan badai
mendalam, skema sederhana diusulkan untuk mewakili evolusi waktu generik tingkat hujan:
{D(x)=R(x)
{ D ( x ) R strat ( x ) = R ( x ) dengan 1
{ dan dipilih sehingga untuk t diamati momen urutan pertama D dan R strat .
{di bawah batasan ini, dan dalam pola segi tiga persegi panjang, Rmax ( x ) ditetapkan oleh
R maks ( x ) = 2 (1 ) R ( x ) = D c + =
Kesalahan dibuat dengan mengganti model hyetogram untuk hyetogram yang sebenarnya
diukur dengan mempertimbangkan indeks berikut (dihitung pada setiap lokasi x , dan untuk setiap peristiwa):
Z
1
R
k ( x ) = r k ( x ; t) dt jr k ( x ; t) r k ( x ; t) j dt
di mana r k ( x ; t) dan r k ( x ; t) masing-masing berdiri untuk mengamati dan memodelkan laju hujan di lokasi
x dan waktu langkah t, untuk acara k th .
15
Halaman 16
model hyetogram mampu melokalisasi waktu 75% dari jumlah curah hujan lokal rata-rata,
ketika jumlah total diberikan. Fitur ini masih diperbaiki ketika analisis terbatas
untuk SL-SMCC yang merupakan kontributor utama untuk jumlah curah hujan musiman dan variabilitas.
Contoh hyetogram yang benar dan dimodelkan dilaporkan dalam Gambar 7 yang menggambarkan hujan yang tinggi
rate adalah yang terbaik yang direproduksi oleh skema kami. Ini dapat dipikirkan sebelumnya
maksimum tingkat hujan, didefinisikan di lokasi pelindian x , dan untuk setiap peristiwa k, sebagai
M k ( x ) = M ax f r k ( x ; t 1 ); ::: r k ( x ; t n ) g (10)
kecuali untuk satu nilai luar dari set yang diamati. Nilai ini 50% lebih besar dari yang setara
di set simulasi dan unik untuk periode rekaman 1990-1993. Kami tidak memiliki elemen
menyatakan apakah nilai ini disebabkan oleh kesalahan dalam proses perekaman atau apakah itu benar-benar ekstrem
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
tingkat hujan (itu sebabnya belum dihapus dari kumpulan data yang diteliti). Di sini nanti
durasi, tingkat hujan maksimum yang sesuai akan terkait sangat tidak linier terhadap
kedalaman badai total.
Jika dibandingkan dengan model curah hujan lain yang telah diusulkan di
litterature selama 15 tahun terakhir atau lebih (Rodriguez-Iturbe, 1987; Gupta dan Waymire, 1993;
Perica dan Foufoula-Georgiou, 1996), karakteristik khusus dari model yang disajikan di sini
1. Telah dirancang untuk menangani pengamatan titik langsung dari hujan yang menyediakan
16
Halaman 17
informasi yang sangat berbeda dari yang diambil dari tidak langsung dan
2. Konsepsinya berakar dalam dalam satu set data yang tidak ada padanannya di Afrika tropis.
3. Itu bergantung pada prosedur inferensi yang relatif sederhana dan jumlah parameter tetap
cukup rendah.
Untuk semua keuntungan potensial ini, kita harus mengakui bahwa ada beberapa "ad-hocness" di dalam
model yang pada akhirnya dapat dibenarkan hanya dengan validasi menyeluruh, titik yang akan ada sekarang
ditangani.
Pertengahan hujan sahelian dilakukan oleh Lebel et al. (1998) dan Guillot dan Lebel (1999). Dalam ini
two papers it was shown that i) a realistic representation of small scale rain elds could be
obtained in a disaggregation mode for squall lines ; ii) the meta-gaussian model produces rst
and second order statistics of storm rain elds that compare well to corresponding observed
statistik. For a more complete validation, we will work in a simulation mode since the absence
of conditioning makes it a more powerfull validation. This validation consists in working on
5 menit. rainfall statistics produced by the model, after generation of a set of SMCS's. Ini
simulated set is constituted of 170 events and will be compared to the 170 events observed by
the raingauge network between 1990 and 1993, (subset that is easier to handle numerically
than the initial set of 258 events recorded during the 1990-1995 period). The simulation is
performed according to the parameters de ned in section 3.1 on a grid of 30 points comparable
to the subgrid mentionned in the appendix.
For the use of rainfall model outputs as inputs to hydrologic models, some properties of major
importance are the distributions of areal precipitations (as underlined by Johnson et al., 1991,
for instance). These distributions will be studied here through the size of areas above a given
threshold which are likely to play a key role in surface processes such as in itration and runo .
For each 5 min. observed eld r k (x; t) (k standing for the event number, and t for the
rank of the eld within the event), we de ne the fractions of area f k;t (s) where it rains above
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
17
Halaman 18
a threshold s as
1
f k;t (s) = jf x= r k (x; t) > s gj (11)
jDj
where D is the whole domain
We de ne the same quantities for the simulated elds, and we will refer to them as
f k;t (s). It is important to notice that the sequence (f k;t (s)) 1 tt k within a given event cannot
stands also for the corresponding sequences (f k;t (s)) 1 tt k obtained from simulations), because
of the strong dependence between images due to the storm motion. It would be consequently
very di cult to take into account this dependance if one would try to model these sequences.
They will be considered here only for a desciptive comparison between data and simulations.
As a rst investigation, we will compare for various thresholds the average fractions (the
XK Xt k
f (s) = f k;t (s) (12)
k =1 t =1
XK Xt k
f (s) = f k;t (s) (13)
k =1 t =1
The curves (s; f(s)) and (s; f (s)) are reported in Figure 10 for each group. Satu bisa
observe a rather good aggreement between data and simulations, for the group SL-SMCC's
for high thresholds (s=20 mm.h 1 and above). In the range of low thresholds, the model
underestimates the fraction of area, and for s=0 mm.h 1 , the model overestimates the fraction
of zero rainfall area (intermittency). Concerning NSL-SMCC's and SMCSo's, the intermittency
is better reproduced with a very good agreement for the NSL-SMCC's. But at the other
18
Halaman 19
For a more detailed analysis, we now study the distribution of each pair of sequences of
formulir
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
(f k;t (s)) k;t ;(f k;t (s)) k;t
E li h I d i
English Indonesian
However, considering that the departure of the model from observations in the stratiform tail
(where the rain rate is under 2 mm.h 1 ) is of little importance for hydrology, from the initial
set of images (studied in the previous section), only those displaying at least one point where
the rain rate is greater than 2 mm.h 1 are kept. The other ones, being entirely covered by
rainrate under 2 mm.h 1 imbedding large areas of zero rain rates are removed.
The quantile-quantile plot of these pairs for various thresholds are reported for each group
results are quite di erents from one group to another from the point of view of data, of the
- For the group of SL-SMCC's (Figure 11), it appears that the model has larger areas than
data at all thresholds. This di erence is maximal around 20 mm.h 1 . But one can observe
that under 30 mm.h 1 there is no major discrepancy in term of statistical distribution. Itu
results concerning high thresholds (more than 50 mm.h 1 ) seem to be weak but this should be
taken with caution since this is based on a very small set of images, with a limited number of
- The result is better for the group of NSL-SMCC's (Figure 12) for which a very good
agreement is observed at all thresholds (almost all points are on the line standing for equality
of the distributions)
- Concerning the later group of SMCSo's (Figure 13), the distributions do not compare
baik. The model underestimates these fraction at all thresholds. Linearitas dari
quantile-quantile plots with slopes larger than one denote a relation F (x) = F(x=) , where
F (resp. F) is the cumulative distribution function of the fraction of areas of the model (resp.
of the data).
19
Halaman 20
It seems that the model behaves properly for the representation of NSL-SMCC's and
that its quality deteriorates for SL-SMCC's and SMCSo's, althougth the orders of magnitude
remain good under 50 mm.h 1 for SL-SMCC's. This discrepancy may be a consequence of the
fact that i) the parameters of the model (except those concerning kinematics) were estimated
according to the whole sample of SMCS's without distinction amongs sub-groups, thus the
model tends to produce average behaviour of rain elds, ii) the linear dependence between
event rain depth and event duration at a point - which is probably one of the most arbitrary
propertie of the model - tends to create arti cial regions of uniform rainfall in the simulated
elds.
As compared to the initial LBC model version, the main improvements are the following :
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
1. for the rst component (space model), use of a nested and anisotropic covariance that
allows the representation of all SMCS's and not only of the SMCC's, while preserving
E li h I d i
p y p g
English Indonesian
the ability of the model to stratify SMCC's and SMCSo's (which pertains to a certain
capacity in respecting the modes of the distribution of the intermittency) ;
2. the second component is built around the concept of arrival times of rain, being
considered as a random eld. This also opens the possibility of simulating all SMCS's
and not only squall lines or SMCC's, while preserving the possibility of computing local
velocities when this makes sense. Reciprocally, it remains possible to use large scale
motion indications (using satellite images or relevant GCM outputs) to produce surface
trend planes from which a realistic random eld of arrival times may be produced. Ini
technique allows a far better representation of local uctuations of the speed eld ;
3. a systematic statistical analysis performed on the hyetograms of 170 SMCSS's has led to
identify two key parameters de ning a climatological SMCS's hyetogram. While being
necessarily a simpli ed version of all the hyetograms observed in nature, the model
20
Halaman 21
retained here reconstitutes very well the observed distribution of the 5 min. peak rainfall
of SMCS's.
As clearly stated in the previous paragraphs, this model is a stationary model in the sense
that some homogeneity assumptions are made concerning the space and kinematic properties
(storm interior characterisitcs), and also in the sense that in a simulation mode, all events
are simulated independently one from each other, and according to the same parameters.
Consequently, some seasonal or inter-annual trend are not taken into account. Namun, ini
limitation vanishes in disaggregation mode, since each synthetic event is conditionned by
some global measures, carrying information on the large time-scale trend, such as seasonal
variasi.
Beside a new capacity for dealing with all SMCS's, one major consequence of the
improvements brought to components 1 and 2 of the model is a greater ability to operate in
a simulation mode. As a matter of fact, in this mode conditioning vanishes and it becomes
Components 1 and 2 of the model rely on the simulation of (meta) Gaussian random
fungsi. One signi cant di erence between these two components relates precisely to the
pengkondisian. In a disaggregation mode, the simulation of the event rain eld is conditioned
by the space-time average supplied as input to the disaggregation process. By contrast, the
Conditioning issues have received a great attention in the statistical litterature in the
case where realisations are conditioned by point values. Various methods are available in the
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
Gaussian case. The question becomes more di cult when the realisations are conditioned
Tarboton et al. (1998) have recently proposed a general method in a non parametric
21
Halaman 22
rejection method has been used which requires the simulation of a very large set of realisations.
The non-conditional simulation is performed with the so-called turning band method
which is known to be numerically e cient for the non conditional simulation of Gaussian
random functions on a two or three dimension space, (Matheron, 1973 ; Lantu ejoul, 1994 ;
Dietrich, 1995 ; Gneiting, 1996). The use of the model in routine would require substantial
7.3. Perspektif
Within the chosen methodological framework, this model has probably reached its limits
and would not be improved by tuning parameters.
Of course, the question is now raised as to how well our model performs when compared
with other models dealing with the scaling properties of rain elds in space and time (eg
Perica and Foufoula-Georgiou, 1996 ; Waymire and Gupta, 1993). It must be recalled here that
chosing a point model of rainfall was motivated by the availability of point data only regarding
the Sahelian rainfall. Interestingly enough the renewed interest for tropical rainfall, symbolized
by the launch of TRMM (Tropical Rainfall Measurement Mission) in late 1997, should lead to
fostering ground validation sites, combining radar and gauge measurements of tropical rainfall
over land, most notably over Africa, where such measurements are dramatically lacking.
Only when such measurements are available, will it be possible to compare the information
contained in dense ground measurments and the information provided by radar and satellite
sensors, and further investigate which kind of space-time model would better represent the
An experimental network of high time resolution recording raingauges was set up at the
end of the 80's in the region of Niamey (Niger) to study the variability of Sahelian rain elds
over a range of scales and to help validating satellite rainfall algorithms. A 110 140 km 2
22
Halaman 23
area is covered with a uniform network of 30 stations, which is still in operation (heavy black
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
circles in Fig. 14). From 1990 to 1993, this uniform network was densi ed with an additional
where the gauge density was locally decreased to 1 gauge per km 2 . A total of 170 SMCS's were
observed with this dense network between 1990 and 1993. An additional 88 SMCSo's were
observed with the uniform network of 30 gauges in 1994 and 1995. Based on these observations
D'Amato and Lebel (1998) determined that, in average, SMCS's produce about 90% of the
total annual rainfall in this region, while the sub-group of SMCC's produce about 70% of the
Acknowledgments :
The authors acknowledge PNRH (French National Hydrological Research Program) for its
23
Halaman 24
Referensi
A. Amani and T. Lebel. Lagrangian kriging for the estimation of Sahelian rainfall at small
TL Bell. A space-time stochastic model of rainfall for satellite remote-sensing studies. Jurnal
NAC Cressie. Statistik untuk data spasial. Series in Probability and Mathematical statistics.
Wiley, 1994.
N. D'Amato and T. Lebel. On the characteristics of rainfall events in the Sahel, with a view
CR Dietrich. A simple and e cient space domain implementation of the turning bands
metode. Water Ressources Research, 31(1):147{156, 1995.
T. Gneiting. Comment on "A simple and e cient space domain implementation of the turning
G. Guillot and T. Lebel. Approximation of Sahelian rainfall elds with meta-gaussian random
24
Halaman 25
B. Kedem and H. Pavlopoulos. On the threshold method for rainfall estimation : choosing the
1991.
H. Laurent, A. Jobard, and A. Toma. Validation of the satellite and ground based estimates
of precipitation over the Sahel. Atmospheric Research, 47-48:651{670, 1998.
T. Lebel and A. Amani. Rainfall estimation in the Sahel : What is the ground truth ? Jurnal
of Applied Meteorology, 1999. In print.
masalah khusus.
G. Matheron. The intrisic random functions and their applications. Advances in Applied
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
25
Halaman 26
I. Rodriguez-Iturbe, DR Cox, and V. Isham. Some models for rainfall based on stochastic
point processes. Proceedings of the Royal Society of London, serie A(410):269{288, 1987.
January 1998.
Y. Xue and J. Shukla. The in uence of land surface properties on Sahel climate. part 1 :
Deserti cation. Journal of Climate, 6:2232{2245, 1993.
Paper JGRd-1998PCP023 submitted to J. Geophys. Res., september 1998, revised march 1999
26
Halaman 27
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h
Daftar tabel I d i
English
a ta tabe Indonesian
computed for the number of systems. m is the average storm rain depth over
the 16000 km 2 study area, 2 is the inter-event variance of this storm rain depth
and F 0 is the mean proportion of rain gauges not reached by the storm. . . . . . 28
2 Paramaters of the least square plane tted to the average time arrival eld.
( ~T( x )] = a + b 1 + c 2 where x = ( 1 ; 2 )) . . . . . . . . . . . . . . . . . . . . . . 29
3 Parameters supplied for the disaggregation of SL-SMCC's events. . . . . . . . . . 30
Daftar Gambar
1 Covariance curves (model and data) : each point represents an empirical covari-
ance between a pair of stations, over 258 storms. The dashed lines correspond to
pairs of stations ( x i ; x j ) for which the vector xxi j is oriented along a N-NW
axis, the dot lines correspond to a E-NE axis (after Guillot and Lebel, 1999). . . 31
3 Average eld of arrival time (from left to right and from top to bottom : SL-
SMCC, NSL-SMCC, SMCSo) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
SMCC, SMCSo). The horizontal line stands for the stationnary variance that is
C T (0). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
27
Halaman 28
7 Example of observed hyetograms (triangles) for four recordings, and their repre-
sentation with a 4 parameter shaped hyetogram model (squares). Top left is
typical of a SMCSo hyetogram, top right and bottom left of a convective stage
with 2 maxima with a weak intensity, bottom right of a deep convective activity
model is able to localise in time 75% of the local amount of rainfall in average,
x-axis are mm.h 1 averaged over 5 min. time steps. (From top to bottom : SL-SMCC,
NSL-SMCC, SMCSo) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
11 Squall Lines MCC's : Quantile-quantile plot of the distribution of the fraction of
area where it rains above a given threshold. The discrete nature of values reported
on the x-axis is due to the fact that the fractions are computed on a xed number of
stations, which is not the case for the data (y-axis) for which we sometimes have missing
nilai-nilai. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
12 NSL-MCC's : Quantile-quantile plot of the distribution of the fraction of area
28
Halaman 29
rain depth over the 16000 km 2 study area, 2 is the inter-event variance
of this storm rain depth and F 0 is the mean proportion of rain gauges not
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
29
Halaman 30
Table 2. Paramaters of the least square plane tted to the average time
parameter
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i 30
English Indonesian 30
Halaman 31
komponen
variance 21 = 2 2 = 100 mm 2
anistropy direction = 110
distribusi
Kinematis CT(h)=2
3C3(h)
Covariance function of C 3 is a gaussian covariance with scale parameter r 3 =
waktu
convective stage
Average rain rate 1= = 8mm:h 1
31
Halaman 32
200
150
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
100
E li h i ( 2) I d i
English covariances (mm2) Indonesian
50
0 50 100 150
distances (km)
Figure 1. Covariance curves (model and data) : each point represents an empirical covariance
between a pair of stations, over 258 storms. The dashed lines correspond to pairs of stations
( x i ; x j ) for which the vector xxi j is oriented along a N-NW axis, the dot lines correspond to
a E-NE axis (after Guillot and Lebel, 1999).
32
Halaman 33
220 oo
Hai
200 Hai
HaiHaiHai
180 Hai
160 Hai
140
variance (mm2)
120
simulasi
data
100
80 Hai
0 20 40 60 80 100
scale (km)
Figure 2. Empirical variance at various scales, computed over a 258 events : V arR(D )] as
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
33
Halaman 34
150 160
100 120
Waktu (mnt) Waktu
80 (mnt)
50
40
80 80
60
North-South (km) 100 60
40 60 80
North-South
40
(km) 80 100
20 40 40 60
0 20
West-East (km)
20
0 20
-20 -20 West-East (km)
160
140
120
100
80 (mnt)
Waktu
60
40
80
60
North-South
40
(km) 80 100
40 60
20
0 20
West-East (km)
-20
Figure 3. Average eld of arrival time (from left to right and from top to bottom : SL-SMCC,
NSL-SMCC, SMCSo)
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
34
Halaman 35
4000
E-NE axis
N-NW axis
3000
2000
1000
covariance (min2)
-1000
0 50 100 150
distances (km)
6000
4000
covariance (min2)
2000
0
-2000
0 50 100 150
distances (km)
2000
covariance (min2)
0
-2000
0 50 100 150
distances
Figure 4. Empirical covariances of arrival time. (km)
(From top to bottom : SL-SMCC, NSL-
SMCC, SMCSo). The horizontal line stands for the stationnary variance that is C T (0).
35
Halaman 36
20
0
-20
South-North (km/h)
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
-40
E li h 60 I d i
English -60 Indonesian
-100-80 -60 -40 -20 0 20
West-East (km/h)
50
-50
-100
South-North (km/h)
-150
-200
36
Halaman 37
Rain rate
Maksimum
rain rate R
maks
Stratiform
rain rate R
strat
Waktu
Convective Total
duration Dc duration D
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
37
Halaman 38
80
20
60
15
mm/h mm/h
40
10
5 20
0 0
20 40 60 80 100 20 40 60 80 100
menit menit
20 200
15 150
mm/h
10 100
mm/h
5 50
0 0
20 40 60 80 100 20 40 60 80 100
menit menit
Figure 7. Example of observed hyetograms (triangles) for four recordings, and their repre-
sentation with a 4 parameter shaped hyetogram model (squares). Top left is typical of a SMCSo
hyetogram, top right and bottom left of a convective stage with 2 maxima with a weak intensity,
bottom right of a deep convective activity associated to the occurence of a convective cell. Ini
latest type is of greater importance in term of total amount, and of maximal intensity. ini
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English Indonesian
38
Halaman 39
40 14
12
30
10
8
20
6
4
10
2
0 0
0,2 0,4 0,6 0,8 1.0 0,2 0,4 0,6 0,8 1.0
Dimensionless
Wholeerror index (1-epsilon/2) Dimensionless
sample error index (1-epsilon/2)
SL-SMCC
15 8
6
10
4
5
2
0 0
0,2 0,4 0,6 0,8 1.0 0,2 0,4 0,6 0,8 1.0
Dimensionless error index (1-epsilon/2) Dimensionless
NSL-SMCC SMCSoerror index (1-epsilon/2)
localise in time 75% of the local amount of rainfall in average, when the local amount is given.
39
Halaman 40
300
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
200
E li h I d i
English Indonesian
data (mm/h)
100
............................................................................................... ..
0
0 50 100 150 200
model (mm/h)
QQ-plot of max rate over 5 minutes
40
Halaman 41
0,30
0,25
0,20
0,15
model
0,10 data
Average
0,05 fraction of area above threshold
0,0
0 50 100 150 200
rain rate threshold (mm/h)
0,20
0,15
model
data
0,10
0,05
Average fraction of area above threshold
0,0
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
0 50 100 150 200
rain rate threshold (mm/h)
E li h 0 20 I d i
English 0,20 Indonesian
0,15
0,10 data
model
0,05
Average fraction of area above threshold
0,0
0 50 100 150 200
rain rate threshold (mm/h)
Figure 10. Average fraction of area where it rains above a given threshold, The units of the
x-axis are mm.h 1 averaged over 5 min. time steps. (From top to bottom : SL-SMCC, NSL-SMCC,
SMCSo)
41
Halaman 42
0,5
0,4
0,4
0,3
0,3
data data
0,2
0,2
0,1 0,1
0,0 0,0
0,0 0,1 0,2 0,3 0,4 0,0 0,1 0,2 0,3
model model
threshold=10mm/h threshold=15mm/h
0,3 0,3
0,2 0,2
data data
0,1 0,1
0,0 0,0
0,0 0,050,100,150,200,250,30 0,0 0,05 0,10 0,15 0,20 0,25
model model
threshold=20mm/h threshold=30mm/h
0,20 0,08
0,15 0,06
data
0,10 data
0,04
0,05 0,02
0,0 0,0
0,0 0,05 0,10 0,15 0,20 0,0 0,02 0,04 0,06 0,08 0,100,12
model model
threshold=50mm/h threshold=100mm/h
Figure 11. Squall Lines MCC's : Quantile-quantile plot of the distribution of the fraction of
area where it rains above a given threshold. The discrete nature of values reported on the x-axis is
due to the fact that the fractions are computed on a xed number of stations, which is not the case for
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
the data (y-axis) for which we sometimes have missing values.
E li h I d i
English Indonesian
42
Halaman 43
1.0 Hai
Hai Hai 1.0 Hai
HaiHai
Hai
0,8 0,8
0,6 0,6
data Hai data Hai
0,4 Hai 0,4 Hai
ooooo
oooooooo oo
ooooooooo
oooo
ooooooo oooooooooo
oooooo
0,2 oooooo
oooo 0,2 ooooo
oooooo
oooo
oooooooooo
oooooo ooooooo
ooooooo
Hai
0,0Hai
Hai 0,0Hai
ooo
0,0 0,1 0,2 0,3 0,0 0,1 0,2 0,3
model model
threshold=10mm/h threshold=15mm/h
Figure 12. NSL-MCC's : Quantile-quantile plot of the distribution of the fraction of area
43
Halaman 44
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
Hai
Hai oo
0,4 Hai
oo 0,4 Hai
Hai
E li h ooo I d i Hai
ooo Hai
oo Hai
English Indonesian
0,3 oo oo 0,3 Hai
Haio
Hai o Hai
data ooooo data
0,2 oooooooooo
Hai
0,2 oo ooooo o ooo
ooooooo o oooooo
oo
0,1 ooooooooooo o oo 0,1 ooooooooooooo
ooooooooooooooo
0,0Haio o o 0,0ooooooooooooooooo
0,0 0,05 0,10 0,15 0,20 0,25 0,0 0,05 0,10 0,15 0,20 0,25
model model
threshold=10mm/h threshold=15mm/h
oo Hai
0,4 Hai 0,4
Hai Hai
Hai
Hai
Hai
Hai
Hai
0,20 0,08
Hai Hai Hai Hai Hai
data Hai data oo
Hai Hai
0,10 Hai
ooo ooo ooo
0,04
ooooo
Haiooooo
ooooooo
0,0Hai 0,0Hai
0,0 0,02 0,04 0,06 0,08 0,0 0,005 0,015 0,025
model model
threshold=50mm/h threshold=100mm/h
Figure 13. SMCSo's : Quantile-quantile plot of the distribution of the fraction of area where
44
Halaman 45
https://doc-0s-a8-docs.googleusercontent.com/docs/securesc/vmgcbsvujvoms2sfgscgjau4igan2k0h/b3uct4ek4fn2otdnvmu4m0dvg9g8ncoi/1527494400000/1310
E li h I d i
English
Figure 14. EPSAT-Niger raingauge network (x and y axisIndonesian
in km)