Asimilasi Data
Dengan kata lain, informasi yang berasal dari observasi bergantung dari jumlah dan kualitas observasi serta ketidakpastian prediksi.
Data asimilasi digunakan secara optimal dengan cara mengkombinasikan observasi dan model prediksi dinamik untuk meningkatkan estimasi kondisi masa yang akan datang, dengan menggunakan kondisi saat ini, seperti ditunjukan gambar di atas.
Contoh lainnya adalah aplikasi data untuk total kelembaban seperti gambar di bawah.
Asimilasi data merupakan teknik pencampuran data dari sumber yang berbeda dengan tujuan untuk memproduksi seperangkat data baru yang konsisten dengan keadaan atmosfer.
Metode asimilasi data terbaru, adalah mengekstrak informasi kondisi atmosfer dari observasi dan mengkombinasikannya dengan informasi dari model prediksi dan metode in imerupakan metode yang sangat powerful dalam pengembangan prediksi cuaca.
Data observasi yang bisa digunakan adalah data satelit, masalah utama yang dihadapi adalah faktor apa saja yang diperlukan dan bagaimana menggunakan data observasi satelit dalam asimilasi data.
1. Jumlah informasi yang tersedia dari data observasi meteorologi
2. Jumlah informasi yang bisa di ambil oleh satelit dari data real meteorologi yang tersedia.
Beberapa hal yangharus diperhatikan:
1. kapan dan dimana observasi berlangsung
2. bagaimana akurasi prediksi untuk tempat dan lokasi
Dengan kata lain, informasi yang berasal dari observasi bergantung dari jumlah dan kualitas observasi serta ketidakpastian prediksi.
Asimilasi data dimulai saat asimilasi data dalam bidang atmosfer terjadi tahun 1960-1970 dengan tokoh terkenalnya adalah Gandin. Awalnya, asimilasi data atmosfer tersebut digunakan untuk mendefinisikan “objective” dari initial conditions untuk model NWP (Numerical Weather Prediction, Prediksi Numerik Cuaca), sehingga terminologinya sering disebut menjadi “objective analysis”. Saat ini, asimilasi data digunakan untuk mendefinisikan initial conditions yang optimal untuk NWP,iklim,hidrologi,lautan,daratan,kanopi, transport polusi dan model bio-geofisika.
Metode asimilasi data yang terbaru, dapat digunakan untuk mengestimasi dan memperbaiki kesalahan model (model error estimation) serta mendefinisikan parameter empirik yang optimal.
Model dinamik bergantung setidaknya pada beberapa parameter berikut: initial conditions, error model, parameter empirik model dan boundary conditions. Ketidakakuratan prediksi dipengaruhi oleh kelemahan kita dalam memahami paramter-parameter diatas. Sistem dinamik non linear chaotic alami , misalnya terdapat dalam cuaca dan iklim, geosains, yang semuanya memiliki karakter suatu sistem dinamik. Proses pencampuran data dari observasi dengan model dinamik memerlukan pengetahuan dari berbagai disiplin ilmu matematika dan fisika yang terdiri dari: teori probabilitas, teori estimasi, teori kontrol,teori dinamik non linear dan teori chaos. Pengembangan metodologi yang akan digunakan untuk estimasi suatu sistem dinamik , misalnya MLEF ( Maximum Likehood Ensemble Filter) untuk aplikasi cuaca, iklim dan siklus karbon mutlak memerlukan seperangkat teori di atas.
Data asimilasi digunakan secara optimal dengan cara mengkombinasikan observasi dan model prediksi dinamik untuk meningkatkan estimasi kondisi masa yang akan datang, dengan menggunakan kondisi saat ini, seperti ditunjukan gambar di atas.
- Beberapa metode: metode variasional (3d-var,4d-var) dan Kalman filter (Classical Kalman Filter (KF), Extended Kalman Filter (EKF) dan Ensemble Kalman Filter (EnKF)).
- Sedangkan EnKF terdiri dari minimum variance solution (Monte Carlo EnKF,EnKF,Hybrid EnKF,EAKF,ETKF,EnSRF,LEKF,LETKF,SEEK Filter) dan maximum likelihood solution (MLEF).
Contoh lainnya adalah aplikasi data untuk total kelembaban seperti gambar di bawah.
