Using 3D-Var Data Assimilation for Improving the Accuracy of Initial Condition of  Weather Research and Forecasting (WRF) Model in Java Region (Case Study : 23 January 2015)

Sagita, Novvria; Hidayati, Rini; Hidayat, Rahmat; Gustari, Indra; Fatkhuroyan, Fatkhuroyan

doi:10.23917/forgeo.v30i2.2512

Cited by 2 publications

(2 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian ini juga dilakukan untuk melanjutkan studi sebelumnya mengenai aplikasi WRFDA (Weather Research and Forecasting -Data Assimilation) dalam upayanya untuk memperbaiki data kondisi inisial model. Perbedaan dari penelitian sebelumnya seperti pada Junnaedhi (2008), Sagita et al (2016 dan Xue et al (2017) adalah adanya penambahan penggunaan sensor satelit yang diasimilasikan ke dalam data kondisi inisial model. Sensor ini diasimilasikan secara tunggal maupun gabungan yang merupakan kombinasi dari semua sensor satelit.…”

Section: Pendahuluanunclassified

“…Menurut Stewart (2008), nilai perturbation potential temperature tidak terpengaruh jika terjadi perubahan transfer panas seperti pemanasan, pendinginan, evaporasi, maupun kondensasi dan dapat dikonversi menjadi nilai temperatur udara normal. Water vapor mixing ratio berguna untuk mengidentifikasi sifat-sifat massa udara terutama dalam skala luas (Padfield, 2007). Selain itu, pengaruh asimilasi juga diamati pada parameter lapse rate temperatur udara.…”

Section: Pengaruh Asimilasi Data Satelit Pada Data Kondisi Inisial Wrfunclassified

See 1 more Smart Citation

Performa Model WRF Asimilasi Data Satelit Cuaca Pada Kejadian Curah Hujan Lebat Di Jabodetabek

Ismail¹,

Silitonga²,

Fadlan³

2018

JSTMC

View full text Add to dashboard Cite

Prediksi cuaca numerik saat ini terus dikembangkan untuk memenuhi kebutuhan prakiraan curah hujan beresolusi tinggi. Namun, prediksi cuaca numerik di Indonesia masih bermasalah dalam hal akurasi model numerik. Beberapa penelitian sebelumnya menunjukkan bahwa akurasi pemodelan sangat dipengaruhi oleh error pada data kondisi inisial. Penelitian ini mengkaji upaya untuk memperbaiki data inisial model Weather Research and Forecasting (WRF) dengan menggunakan prosedur asimilasi radiance satelit untuk prakiraan curah hujan di wilayah Jabodetabek untuk empat studi kasus pada musim yang berbeda selama 2017. Enam eksperimen model dijalankan dengan data satelit AMSUA, MHS, HIRS4, dan ATMS menggunakan WRFDA 3DVar. Penelitian ini dilakukan dengan analisis pengaruh asimilasi terhadap data inisial model, analisis skill model berdasarkan diagram taylor, kriteria curah hujan, curah hujan spasial, dan akumulasi curah hujan time series dibandingkan dengan data observasi curah hujan BMKG dan data curah hujan GSMaP. Hasil penelitian menunjukkan bahwa eksperimen DA AMSUA, MHS, dan MIX dapat memodifikasi data kondisi inisial model dengan baik. Sementara itu, hasil verifikasi diagram taylor mengungkapkan bahwa eksperimen DA-MHS memiliki performa terbaik dibandingkan dengan asimilasi lainnya, sedangkan verifikasi prediksi curah hujan berdasarkan kriteria hujan, verifikasi spasial, dan akumulasi curah hujan time series pada eksperimen DA-AMSUA adalah yang terbaik dengan skill model yang cukup konsisten di wilayah Jabodetabek pada berbagai musim.

show abstract

Section: Pendahuluanunclassified

Section: Pengaruh Asimilasi Data Satelit Pada Data Kondisi Inisial Wrfunclassified

Performa Model WRF Asimilasi Data Satelit Cuaca Pada Kejadian Curah Hujan Lebat Di Jabodetabek

Ismail¹,

Silitonga²,

Fadlan³

2018

JSTMC

View full text Add to dashboard Cite

show abstract

A piecewise integration approach for model error-induced biases of greenhouse gas contribution to global warming

Liu

Wang

et al. 2022

Clim Dyn

View full text Add to dashboard Cite

Many of the observed changes of the climate system since the 1950s are unprecedented, and there is a high level of con dence in the conclusion that greenhouse gases (GHGs) caused a substantial part of the observed global warming. We need to consider the model errors, that usually accumulate in long-term integration as a result of imperfect physical and numerical representations, to attribute climate changes using model simulations. Here, we present a new method of the piecewise integration (PWI) with simulation corrected by the observation at each step, to identify model error-induced bias of global warming in the Community Earth System Model (CESM). To con rm the hypothesis of constant modelobservation bias under different external forcing, we disturb the original CESM into a less low-cloud version and take its historical and GHGs-xed simulations as our "observations". In the PWI historical and GHGs-xed runs of original CESM from 1958 to 2005, we use the difference between "historical observation" and PWI historical run to correct both PWI runs at the end of each 1-day step. The results show that the PWI can effectively reduce model's cumulative error and presents a GHGs-induced global warming trend of 0.688℃ (48yr) -1 , which is very close to the "observational" trend of 0.683℃ (48yr) -1 , con rming the hypothesis of constant model bias under different external forcing. The continuous runs, as usually done by the Coupled Model Intercomparison Project (CMIP) models, present a much higher GHGs-induced global warming trend of 0.887℃ (48yr) -1 , which means that the model overestimates the GHGs's role in global warming trend by 32.3% compared to our "observations". Global distribution of this model bias is also discussed. The PWI method provides a new way to correct model biases in analyzing relative contribution of anthropogenic and natural forcing to global warming.

show abstract

Using 3D-Var Data Assimilation for Improving the Accuracy of Initial Condition of Weather Research and Forecasting (WRF) Model in Java Region (Case Study : 23 January 2015)

Cited by 2 publications

References 4 publications

Performa Model WRF Asimilasi Data Satelit Cuaca Pada Kejadian Curah Hujan Lebat Di Jabodetabek

Performa Model WRF Asimilasi Data Satelit Cuaca Pada Kejadian Curah Hujan Lebat Di Jabodetabek

A piecewise integration approach for model error-induced biases of greenhouse gas contribution to global warming

Contact Info

Product

Resources

About