Uploaded by Yoga Promax2

PROPOSAL BAYU RETNA 22419003

advertisement
KAJIAN DIAGNOSTIK NEAR CLOUD TURBULENCE
BERDASARKAN PARAMETERISASI CONVECTIVE
GRAVITY WAVE DRAG DI INDONESIA
PROPOSAL PENELITIAN TESIS
Oleh
BAYU RETNA TRI ANDARI
NIM: 22419003
(Program Studi Magister Sains Kebumian)
INSTIT T TEKNOLOGI BAND NG
J
2020
KAJIAN DIAGNOSTIK NEAR CLOUD TURBULENCE
BERDASARKAN PARAMETERISASI CONVECTIVE
GRAVITY WAVE DRAG DI INDONESIA
HALAMAN PENGESAHAN
Oleh
BAYU RETNA TRI ANDARI
NIM: 22419003
(Program Studi Magister Sains Kebumian)
Institut Teknologi Bandung
Menyetujui
Pembimbing
Tanggal ………………………..
____________________________
(Dr. Nurjanna Joko Trilaksono)
i
DAFTAR ISI
LEMBAR PENGESAHAN ..................................................................................... i
DAFTAR ISI ........................................................................................................... ii
DAFTAR GAMBAR ............................................................................................. iv
DAFTAR TABEL ................................................................................................... v
BAB I
Pendahuluan ............................................................................................. 1
I.1
Latar Belakang ............................................................................... 1
I.2
Rumusan Masalah.......................................................................... 2
I.3
Tujuan ............................................................................................ 3
I.4
Hipotesis ........................................................................................ 3
I.5
Batasan Masalah ............................................................................ 3
BAB II Tinjauan Pustaka ...................................................................................... 5
II.1 Penyebab Turbulensi Konvektif .................................................... 5
II.2 Terjadinya Turbulensi akibat Gravity Wave Drag (GWD) ........... 5
II.3 Simulasi Parameterisasi Convective Gravity Wave Drag
(CGWD) ........................................................................................ 6
BAB III Data dan Metode ...................................................................................... 8
III.1 Data ................................................................................................ 8
III.1.1
Data Sounding ............................................................... 8
III.1.2
Data Citra Satelit Himawari-8 ....................................... 8
III.1.3
Data NCEP-FNL ........................................................... 8
III.1.4
Data WRF WCPL ITB .................................................. 9
III.2 Metode ........................................................................................... 9
III.2.1
Simulasi Model WRF.................................................... 9
III.2.2
Verifikasi hasil keluaran WRF .................................... 11
III.2.3
Simulasi diagnostik NCT dengan menggunakan
parameterisasi CGWD ................................................ 12
III.2.3.1 Parameterisasi Convective Gravity Waves
Drag (CGWD) ............................................ 12
III.2.3.2 Pengembangan dari Diagnostik NCT ......... 13
III.2.4
Perbandingan
Prediksi
Turbulensi
dengan
menggunakan Parameterisasi CGWD, Nilai
Richardson dan Indeks Turbulensi .............................. 13
BAB IV Hasil yang Diharapkan ........................................................................... 15
IV.1 Hasil Simulasi Kejadian Near Cloud Turbulence dengan
Menggunakan Parameterisasi CGWD ......................................... 15
IV.2 Perbandingan
Prediksi
NCT
dengan
Menggunakan
Parameterisasi CGWD, Nilai Richardson dan Indeks Turbulensi
..................................................................................................... 16
IV.3 Peta Prediksi Turbulensi dengan Parameterisasi CGWD di
Wilayah Indonesia Tahun 2017 ................................................... 16
ii
BAB V Jadwal Penelitian .................................................................................... 17
DAFTAR PUSTAKA ........................................................................................... 18
iii
DAFTAR GAMBAR
GambarI.1
Wilayah kajian penelitian dengan a) lokasi kejadian turbulensi
pesawat Etihad Airways (silang merah) dengan stasiun
meteorologi Pangkal Pinang(titik merah) dan b) wilayah
Indonesia. ....................................................................................... 4
Gambar III.1 Domain WRF yang digunakan. .................................................... 10
Gambar IV.1 Penampang melintang barat-timur untuk empat diagnostik NCT
berbasis a)CGWD dan b) Rim dengan lokasi peristiwa NCT
sedang (lingkaran hitam) dan parah (lingkaran merah) dan total
cloud condensate. (Sumber: Kim dkk., 2019) .............................. 15
Gambar IV.2 Penampang melintang TKE dengan total cloud condensate
(kontur biru) dan potensial temperatur (kontur hitam) pada
Domain 6 dengan lingkaran hitam merupakan kejadian
turbulensi kuat. (Sumber: Kim dkk., 2019).................................. 16
iv
DAFTAR TABEL
Tabel III.1 Konfigurasi namelist.input ............................................................. 11
Tabel V.1 Rancangan Jadwal Pengerjaan Tesis .............................................. 17
v
BAB I
I.1
Pendahuluan
Latar Belakang
Turbulensi menjadi salah satu penyebab kecelakaan tertinggi dalam operasi
penerbangan (Eick, 2013). National Transportation Safety Board (NTSB) dan
Federal
Aviation
Administration
(FAA)
melaporkan
bahwa
turbulensi
menyumbang sekitar 70% dari semua kecelakaan dan insiden yang dilaporkan
terkait cuaca untuk pesawat komersial, selain itu 7000 orang per hari juga cedera
akibat terjadinya turbulensi (Sharman dan Lane, 2016). Menurut laporan Komite
Nasional Keselamatan Transportasi (KNKT) dari tahun 1997 hingga 2018 terdapat
tujuh kejadian turbulensi yang dilaporkan dengan dua mengalami cedera fatal, 22
mengalami cedera serius dan 78 mengalami cedera minor. Turbulensi juga menjadi
faktor peningkatan biaya perjalanan karena secara tidak langsung mempunyai
potensi yang menyebabkan kerugian maskapai (Sharman dkk., 2006).
Sumber yang menyebabkan turbulensi diantaranya adalah jetstream, topografi yang
kompleks, front, mountain wave dan wind shear (Kim dkk., 2011; Lane dkk., 2012).
Namun, sebagian besar turbulensi terjadi karena adanya aktivitas konvektif.
Turbulensi konvektif terjadi karena adanya updraft dan downdraft yang kuat
disekitar awan konvektif. Turbulensi konvektif berasosiasi dengan awan konvektif
yang disebut dengan convectively induced turbulence (CIT) (Sharman dan Lane,
2016). CIT diluar awan juga disebut sebagai Near Cloud Turbulence (NCT) yang
dapat disebabkan oleh convective instability dan shear instability karena adanya
deformasi aliran yang dipicu secara konvektif dan pecahnya convective gravity
wave (CGW) di daerah luar batasan awan (Kim dan Chun, 2012; Sharman dan
Lane, 2016).
Peningkatan operasi penerbangan di Indonesia sudah seharusnya didukung dengan
peningkatan keselamatan penerbangan. Perkiraan akurat mengenai turbulensi pada
operasi penerbangan penting untuk diperhatikan karena Indonesia memiliki
aktivitas konvektif yang aktif. Selain itu, kasus turbulensi pada pesawat Etihad
Airways A6-EYN tanggal 4 Mei 2016 mengalami near cloud turbulence (NCT).
1
Prediksi turbulensi yang telah dilakukan di Indonesia yaitu dengan menggunakan
nilai Richardson dan indeks turbulensi. Nilai Richardson dan indeks turbulesi
menunjukkan kejadian turbulensi karena adanya pengaruh dari vertical wind shear.
Simulasi diagnostik NCT dengan menggunakan parameterisasi CGWD untuk
memperkirakan turbulensi di Indonesia seharusnya dapat menunjukkan nilai yang
lebih baik karena parameterisasi CGWD mempertimbangkan aktivitas awan
konvektif. Sehingga dapat meningkatan prakiraan wilayah kejadian turbulensi yang
dapat meminimalisir kerugian dan kecelakaan operasi penerbangan akibat
turbulensi.
Sejumlah penelitian NCT sebelumnya telah menunjukkan bahwa CGW yang
menyebar secara vertikal dan horizontal baik secara langsung maupun tidak
langsung dapat mempengaruhi generasi turbulensi (Kim dan Chun, 2012). Kim dan
Chun (2012) menunjukkan bahwa CGW yang pecah di dekat wilayah turbulensi
berhubungan dengan generasi turbulensi. CGW dapat secara langsung
menghasilkan NCT namun secara tidak langsung CGW juga menyediakan
lingkungan yang berpotensi untuk pembangkitan NCT.
Penelitian yang dilakukan oleh Kim dkk. (2019) yang melakukan diagnosis NCT
pada dua kasus turbulensi di Amerika Serikan dan Jepang menunjukan bahwa
distribusi global convectively induced gravity wave drag (CGWD) yang dihitung
menggunakan data reanalisis global menunjukkan adanya potensi tinggi turbulensi
kuat di daerah tropis dan lintang menengah, yang secara tidak langsung menyatakan
bahwa diagnostik NCT berguna untuk memperkirakan turbulensi yang berkaitan
dengan pemecahan CGW.
I.2
Rumusan Masalah
Dalam dunia penerbangan cuaca menjadi salah satu aspek yang memiliki pengaruh
kecelakaan tertinggi. Penggunaan metode deteksi turbulensi untuk meminimalisir
kerusakan pada pesawat selama ini masih menunjukkan nilai yang kurang
representatif. Prakiraan mengenai turbulensi yang telah dilakukan di Indonesia
yaitu dengan menggunakan nilai Richardson dan indeks turbulensi. Nilai
2
Richardson dan indeks turbulensi menunjukkan kejadian turbulensi karena adanya
pengaruh dari vertical windshear. Sementara itu, di Indonesia aktivitas awan
konvektif cukup tinggi dan hal tersebut belum di pertimbangkan dalam nilai
Richardson dan indeks turbulensi sehingga deteksi turbulensi dengan menggunakan
diagnostik NCT yang menggunakan parameterisasi CGWD di Indonesia
seharusnya dapat menunjukkan nilai yang lebih baik karena mempertimbangkan
aktivitas awan konvektif.
I.3
Tujuan
Tujuan dari penelitian ini yaitu
1. Mengimplementasikan diagnostic NCT berdasarkan parameterisasi
CGWD pada kasus turbulensi Etihad Airways A6-EYN
2. Membuktikan diagnostic NCT dengan parameterisasi CGWD memiliki
nilai yang lebih baik daripada nilai Richardson dan indeks turbulensi
pada kasus turbulensi Etihad Airways A6-EYN.
3. Memetakan near cloud turbulence dengan skema parameterisasi
CGWD di Indonesia pada tahun 2017.
I.4
Hipotesis
Deteksi turbulensi dengan menggunakan diagnostic NCT berdasarkan skema
parameterisasi CGWD di Indonesia memiliki nilai yang lebih baik di Indonesia
karena parameterisasi CGWD berkaitan dengan adanya aktivitas konvektif.
I.5
Batasan Masalah
Wilayah kajian dalam penelitian ini dibatasi pada 01° LS-04° LS dan 103° BT-107°
BT dengan turbulensi pesawat Etihad Airways terjadi pada 2.375° LS dan 105.812°
BT. Pesawat Etihad Airways mengalami turbulensi pada tanggal 4 Mei 2016 dan
waktu kejadian turbulensi pada 06.40 UTC pada ketinggian 39000 kaki. Selain itu,
pada penelitian ini juga dibatasi pada 15ºLU-15ºLS dan 90ºBT-150ºBT selama
tahun 2017.
3
a)
b)
Gambar I.1 Wilayah kajian penelitian dengan a) lokasi kejadian turbulensi
pesawat Etihad Airways (silang merah) dengan stasiun
meteorologi Pangkal Pinang(titik merah) dan b) wilayah
Indonesia.
4
BAB II
II.1
Tinjauan Pustaka
Penyebab Turbulensi Konvektif
Turbulensi konvektif terjadi karena adanya updraft dan downdraft yang kuat
disekitar awan konvektif. Turbulensi konvektif berasosiasi dengan awan konvektif
(baik didalam atau didekat awan) disebut dengan convectively induced turbulence
(CIT) (Sharman dan Lane, 2016). Near Cloud Turbulence merupakan kejadian
turbulensi yang terjadi di luar awan. Hal ini digunakan untuk membedakan
turbulensi yang terjadi di dalam awan dan di luar awan. Pada seluruh kejadian,
karena sumber turbulensi berhubungan langsung dengan struktur awan konvektif
maka waktu hidup CIT relatif singkat, kecuali pada kasus turbulensi dari sistem
konvektif skala meso yang dapat berlangsung lebih lama. NCT lebih berbahaya
daripada CIT Karena NCT bersifat tidak dapat diprediksi dan tidak terdeteksi
dengan standard onboard atau ground-based radar (Lane dkk., 2012).
Turbulensi konvektif dipengaruhi oleh pengaruh geografi dan kondisi meteorologi.
Penelitian yang dilakukan oleh Kaplan dkk. (2005) menunjukkan bahwa dari 44
studi kasus mengenai turbulensi, 86% kejadian turbulensi merupakan turbulensi
konvektif. Sedangkan, Chun dkk., (2017) menyimpulkan bahwa penyebab dari
11% turbulensi sedang berasal dari aktivitas konvektif. Lane dkk, (2012)
menyebutkan dalam penelitiannya bahwa fenomena NCT merupakan fenomena
yang kompleks yang sangat bergantung pada karakteristik awan, struktur
lingkungan sekitar awan, gangguan lingkungan akibat sirkulasi awan dan gravity
waves. NCT dapat terjadi secara lateral di samping awan maupun vertikal di atas
awan.
II.2
Terjadinya Turbulensi akibat Gravity Wave Drag (GWD)
Gelombang gravitasi atmosfer merupakan gelombang yang dihasilkan oleh sumber
atmosfer yang lebih rendah, misalnya, mengalir di atas ketidakteraturan di
permukaan bumi seperti gunung dan lembah dan distribusi sumber panas diabatik
yang tidak merata terkait dengan sistem konvektif. Gravity wave drag merupakan
percepatan zonal yang umumnya dihasilkan oleh gelombang gravitasi yang
5
merambat ke atas pada tingkat di mana gelombang itu pecah. Gravity wave drag
berperan penting dalam menjelaskan aliran rata-rata zona dan struktur termal pada
tingkat atmosfer yang lebih tinggi, khususnya di mesosfer. Gravity wave drag juga
dapat mempengaruhi evolusi sistem cuaca jangka pendek dan iklim jangka panjang.
Namun, skala spasial dari gelombang ini (dalam kisaran ~ 5 500 km secara
horizontal) terlalu pendek untuk ditangkap sepenuhnya dalam model, sehingga
GWD harus diparameterisasi (Y. J. Kim dkk., 2003)).
Gravity wave drag dapat disebabkan karena adanya orografi dan aktivitas
konvektif. Orographic gravity wave drag (OGWD) terjadi karena pecahnya gravity
waves yang di hasilkan karena menabrak pegunungan pada kondisi atmosfer yang
stabil (Robert Sharman dan Lane, 2016). Gravity waves pada kondisi stabil dapat
merambat secara vertikal dan pecah pada saat atmosfer stabil diatas gunung disertai
dengan kondisi angin dilapisan atas yang lemah, sehingga dapat menyebabkan
adanya turbulensi. Sedangkan convective gravity wave drag (CGWD) terjadi
karena pecahnya gravity waves akibat adanya aktivitas konvektif yang merambat
secara vertikal sehingga dapat mengakibatkan turbulensi. CGWD mungkin
dominan di wilayah tropis di mana pada wilayah tropis aktivitas konvektif lebih
mendominasi. CGWD bernilai positif (percepatan ke arah barat) berada di wilayah
timur ITCZ oleh awan cumulus sedangkan CGWD negatif (percepatan ke arah
timur) berada di wilayah barat lintang tengah belahan bumi utara (Chun dkk., 2001).
II.3
Simulasi Parameterisasi Convective Gravity Wave Drag (CGWD)
Penelitian yang dilakukan oleh Chun dkk. (2001) mengenai skema parameterisasi
CGWD yang diimplementasikan dalam model sirkulasi umum atmosfer (GCM)
Universitas Yonsei dan efek CGWD pada aliran rata-rata zona dan gelombang
planeter dengan simulasi Juli secara berkesinambungan menunjukkan bahwa
gravity wave stress terpusat pada daerah ITCZ (10°S-30°N) dengan nilai
maksimum 0.14 N/m. Pecahnya gelombang gravitasi akibat adanya konveksi
terjadi pada troposfer bagian atas dan bawah. Hal ini berbeda dengan pecahnya
gelombang gravitasi akibat adanya pegunungan yang terjadi hanya di troposfer
bagian bawah.
6
Penelitian yag dilakukan oleh Kim dkk. (2019) dengan menggunakan dua kasus
turbulensi di Jepang dan Amerika serikat menunjukkan bahwa hasil diagnostic
NCT skema CGWD cukup sesuai dengan hasil observasi. Selain itu, distribusi
global CGWD yang dihitung menggunakan data reanalisis global dapat
meunjukkan potensi turbulensi yang tinggi di daerah tropis dan lintang menengah
yang menyiratkan bahwa diagnostik NCT yang diusulkan berguna untuk deteksi
turbulensi, khususnya di wilayah tropis.
7
BAB III
III.1
Data dan Metode
Data
Penelitian ini menggunakan data sounding pada stasiun meteorologi Pangkal
Pinang, data citra satelit Himawari-8, dan data NCEP-FNL dari tanggal 03 Mei
2016 sampai 04 Mei 2016 selain itu juga menggunakan data output WRF dari
WCPL untuk membandingkan metode deteksi turbulensi. Berikut adalah
penjelasan mengenai data-data yang digunakan.
III.1.1
Data Sounding
Data sounding akan digunakan untuk verifikasi hasil keluaran model WRF dengan
parameter arah angin, kecepatan angin dan suhu secara kuantitatif yaitu dengan
regresi linier dan korelasi. Data sounding yang digunakan dalam penelitian ini
meliputi data sounding stasiun meteorologi Pangkal Pinang (2.16LS, 106.13 BT).
Stasiun Pangkal Pinang dipilih karena memiliki lokasi terdekat dengan lokasi
kejadian turbulensi yang terjadi pada pesawat Etihad Airways. Waktu yang
digunakan yaitu pada tanggal 4 Mei 2016 jam 00.00 UTC dan 12.00 UTC yang
dapat diunduh dari situs http://weather.uwyo.edu/upperair/sounding.html.
III.1.2
Data Citra Satelit Himawari-8
Himawari 8 merupakan satelit geostasioner yang dimiliki oleh badan meteorologi
Jepang sebagai pengganti dari satelit MTSAT. Data citra satelit Himawari-8 yang
digunakan adalah kanal infrared (IR1) untuk identifikasi awan konvektif dengan
menggunakan inti konvektif. Data citra satelit Himawari-8 digunakan untuk
memverifikasi hasil keluaran model dan untuk mengidentifikasi awan konvektif
yang dapat menjadi penyebab kejadian turbulensi. Data himawari 8 memiliki
resolusi temporal selama 10 menit dengan resolusi spasial dua km. Data citra satelit
Himawari-8 yang digunakan yaitu pada tanggal 04 Mei 2016 jam 06.10 UTC
sampai jam 07.00 UTC. Data himawari 8 diunduh dari ftp.ptree.jaxa.jp.
III.1.3
Data NCEP-FNL
Data NCEP Final (FNL) merupakan suatu data analisis yang memiliki resolusi grid
0.25o x0.25o dan tersedia setiap 6 jam. Data NCEP FNL memuat berbagai informasi
8
kondisi atmosfer seperti suhu, parameter angin, tekanan, albedo, tutupan tanah,
vortisitas, tutupan es, evaporasi dan ketinggian lapisan batas. Informasi ini tersedia
pada level permukaan, pada 26 level dari ketinggian 1000 mb hingga 10mb, dalam
lapisan batas permukaan dan lapisan lainnya.
Data FNL dapat diunduh dari http://rda.ucar.edu/datasets/ds083.3/. Penelitian ini
menggunakan data FNL yang berjumlah delapan buah dengan rentang waktu
tanggal 3 Mei 2016 jam 00:00 UTC hingga 4 Mei 2016 jam 18:00 UTC. Data NCEP
FNL digunakan sebagai data input model WRF yang dijadikan sebagai data inisial
dan batas. Selain itu, data ini juga digunakan untuk proses downscaling agar
mendapatkan resolusi spasial dan temporal yang lebih tinggi.
III.1.4
Data WRF WCPL ITB
Weather and Climate Prediction Laboratory (WCPL) merupakan sistem informasi
monitoring dan prediksi cuaca (eksperimental) di wilayah Indonesia dengan
menggunakan model MM5 dan WRF. Data WRF dari WCPL ITB digunakan untuk
menghitung prediksi turbulensi pada jangka panjang selama satu tahun di wilayah
Indonesia yaitu 15ºLU-15ºLS dan 90ºBT-150ºBT, yang ditampilkan dalam bentuk
peta dengan resolusi spasial 27 km. Data WRF yang digunakan yaitu pada tahun
2017.
III.2
Metode
III.2.1 Simulasi Model WRF
Penelitian ini mengunakan model numerik Weather Research and Forecasting
(WRF) versi 3.9.1 dengan dynamical core Advance Research WRF (ARW) dan
juga WRF-python untuk mengetahui kondisi atmosfer dan juga karakteristik
turbulensi. Data yang digunakan sebagai input model WRF adalah NCEP FNL pada
rentang waktu tanggal 3 Mei 2016 jam 00:00 UTC hingga 4 Mei 2016 jam 18:00
UTC. Selanjutnya, akan dilakukan downscaling hingga resolusi spasialnya
mencapai 3 km. Pada Gambar 3.1 ditunjukkan konfigurasi domain yang digunakan.
Domain satu memiliki resolusi spasial sembilan km dengan resolusi temporal satu
9
jam, dan domain dua memiliki resolusi spasial tiga km dengan resolusi temporal
sepuluh menit.
Gambar III.1 Domain WRF yang digunakan.
Penelitian ini menggunakan skema parameterisasi yang mengacu pada penelitian
Lee dan Chun (2018) sedangkan untuk skema parameterisasi cumulus dan
mikrofisis disesuaikan terhadap parameterisasi yang sesuai untuk daerah tropis.
Pada parameterisasi cumulus, menggunakan skema Kain-Fritsch pada domain satu
karena parameterisasi ini mempunyai nilai energi potensial konvektif yang besar
sehingga cukup baik diterapkan untuk wilayah tropis sedangkan pada domain dua
tidak digunakan parameterisasi cumulus karena pada parameterisasi cumulus tidak
dapat digunakan pada model dengan ukurn grid dibawah 4 km yang dapat
mengakibatkan kejadian hujan dan perawanan yang tidak realistis menurut Krueger
(2004) (dalam Nugraha (2017)). Pada parameterisasi mikrofisis digunakan skema
WSM6 yang dapat mempresentasikan kondisi mikrofisis untuk awan konvektif di
Indonesia. Konfigurasi yang digunakan dalam namelist.input terdapat pada Tabel
III.1, yaitu:
10
Tabel III.1 Konfigurasi namelist.input.
Domain penelitian
Konfigurasi namelist.input
Domain 1
Domain 2
Resolusi grid sumbu X
9 km
3 km
Resolusi grid sumbu Y
9 km
3 km
Skema Mikrosfisis
WRF Single-Moment 6-class Scheme
Skema Radiasi Gelombang Panjang
RRTM Longwave Scheme
Skema Radiasi Gelombang Pendek
Dudhia Shortwave Scheme
Skema Planetary Boundary Layer
Mellor-Yamada-Janjic Scheme (MYJ)
Skema Cumulus
Kain-Fritsch
-
III.2.2 Verifikasi hasil keluaran WRF
Verifikasi hasil keluaran model WRF akan dilakukan agar mengetahui tingkat
keakuratan data yang dihasilkan oleh model WRF. Dalam penelitian ini dilakukan
verifikasi dengan dua tahap yaitu pertama verifikasi kuantitatif dari parameter
meteorologi yaitu arah angin, kecepatan angin dan suhu dengan menggunakan nilai
korelasi dan regresi linier sedangkan verifikasi kualitatif dengan menggunakan
kecocokan pola dari cloudfraction dari hasil keluaran model WRF dan inti
konvektif citra satelit Himawari 8.
Dalam verifikasi kuantitatif parameter arah angin, kecepatan angin dan suhu
menggunakan data hasil keluaran WRF dan data sounding pada stasiun Pangkal
Pinang. Stasiun Pangkal Pinang dipilih karena stasiun tersebut memiliki lokasi
terdekat wilayah kejadian turbulensi. Waktu yang dipilih dalam proses verifikasi
yaitu pada jam 00.00 UTC dan 12.00 UTC tanggal 4 Mei 2016.
Dalam verifikasi kualitatif menggunakan kecocokan pola dari cloudfraction dan
inti konvektif dari citra satelit Himawari8. Inti konvektif dengan menggunakan
pengurangan dari nilai TBB Himawari-8 kanal IR1 yang dikurangi dengan ambang
batas awan konvektif menurut Yang dkk. (2015) yaitu sebesar 221 K. Verifikasi
kecocokan distribusi awan digunakan untuk mengetahui tingkat keakuratan model
WRF dalam mensimulasikan awan konvektif yang dapat menyebabkan turbulensi.
11
III.2.3 Simulasi diagnostik NCT dengan menggunakan parameterisasi
CGWD
Dalam penelitian ini, diagnostik NCT berdasarkan parameterisasi CGWD yang
dilakukan oleh Chun dan Baik (1998).
III.2.3.1 Parameterisasi Convective Gravity Waves Drag (CGWD)
Chun dan Baik (1998) menghasilkan ekspresi analitik dari fluks momentum
gelombang gravitasi pada puncak awan berdasarkan respons linear dua dimensi,
steady state, panas laten akibat konveksi lembab dan frekuensi apung.
Parameterisasi convective gravity waves drag (CGWD) hanya digunakan pada titiktitik model grid dengan adanya awan konvektif dan dihitung pada puncak awan.
CGWD dapat dihitung dengan menggunakan persamaan (III.1)
1 𝜏
πΆπΊπ‘Šπ·
(III.1)
𝜌
dengan
𝜏 = wave stress diatas puncak awan yang sejajar dengan vektor wave stress pada
setiap level
𝜌 = densitas udara
Selain itu, level pemecahan gelombang dapat diidentifikasi berdasarkan nilai
minimum Richardson number (𝑅𝑖
𝑖
) termasuk efek CGW yang dapat dihitung
dengan menggunakan persamaan (III.2)
𝑅𝑖
𝑅𝑖 1
𝑖
1− |𝑐2 |
𝑅𝑖 1/2 |𝑐2 |2
(III.2)
dengan
µ= faktor nonlinear dari panas yang menginduksi gelombang gravitasi maka akan
dilakukan beberapa percobaan yang sesuai dengan wilayah tropis.
𝑐2 = konstanta yang berkaitan dengan angin kondisi dasar dan stabilitas serta
ketinggian bawah dan atas dari gaya diabatic
12
Saat nilai 𝑅𝑖
0.25 maka dapat diasumsikan tidak terdapat gelombang yang
𝑖
pecah, namun saat nilai 𝑅𝑖
0.25 dapat diasumsikan terdapat gelombang yang
𝑖
pecah yang dapat memicu terjadinya turbulensi.
III.2.3.2 Pengembangan dari Diagnostik NCT
Diagnostik NCT dapat dihitung dengan menggunakan CGWD dan 𝑅𝑖
𝑖
.
Diagnostik NCT tersebut yaitu koefisien difusi (K), TKE skala subgrid dan EDR.
TKE dan EDR untuk CGWD dan Rimin dapat dihitung dengan persamaan (III.3)
dan (III.4)
𝑇𝐾𝐸 πΆπΊπ‘Šπ·,𝑅𝑖
𝐢 −1
𝐾 𝐢𝐺 𝐷,
(III.3)
1/
/2
𝐢 𝑇𝐾𝐸 𝐢𝐺 𝐷,
𝐸𝐷𝑅 πΆπΊπ‘Šπ·,𝑅𝑖
(III.4)
dengan
Cd
= Koefisien Deardoff
C
= Koefisien Moeng
K
= Koefisien difusi
L
= Jarak grid vertikal
Oleh karena itu, diagnostik NCT (CGWD, Rimin, CGWD, TKECGWD, TKERim,
EDRCGWD, dan EDRRim) dapat diturunkan dalam penelitian ini.
III.2.4
Perbandingan
Prediksi
Turbulensi
dengan
menggunakan
Parameterisasi CGWD, Nilai Richardson dan Indeks Turbulensi
Perbandingan prediksi turbulensi dengan menggunakan parameterisasi CGWD
akan dibandingkan dengan nilai Richardson dengan menggunakan persamaan
(III.6) sebagai berikut
𝑅𝑖
2
2
(III.6)
2
dengan
N = Brunt-Vaisala
V = kecepatan angin vertikal
13
z = ketinggian
g = kecepatan gravitasi
= suhu potensial.
Selain itu, parameterisasi CGWD juga akan dibandingkan dengan menggunakan
indeks turbulensi. Indeks turbulensi 1 dan 2 mengacu pada penelitian Ellrod dan
Knapp (1992) yang dapat disederhanakan sebagai berikut:
TI1
DEF βˆ™ VWS
(III.7)
TI2
VWS DEF βˆ™ CVG
(III.8)
dengan
DEF = Deformasi total
VWS = vertical wind shear
CVG = isotherm suhu potensial dan konvergensi
14
BAB IV
IV.1
Hasil
Simulasi
Hasil yang Diharapkan
Kejadian
Near
Cloud
Turbulence
dengan
Menggunakan Parameterisasi CGWD
Penelitian yang dilakukan oleh Kim dkk., (2019) seperti pada Gambar IV.1
menunjukkan penampang vertikal barat-timur empat diagnostik yang NCT berbasis
CGWD. Selain itu untuk penguat analisis juga diperlukan penampang melintang
antara TKE dengan total cloud condensate (kontur biru) dan potensial temperatur
(kontur hitam), saat terjadi turbulensi maka pada lokasi kejadian memiliki nilai
TKE yang kuat dengan adanya overturning pada potensial temperatur sehingga
dapat memperkuat analisis untuk menunjukkan near cloud turbulence sepertiyang
ditunjukkan pada Gambar IV.2.
a)
b)
Gambar IV.1Penampang melintang barat-timur untuk empat diagnostik NCT
berbasis a)CGWD dan b) Rim dengan lokasi peristiwa NCT sedang
(lingkaran hitam) dan parah (lingkaran merah) dan total cloud
condensate. (Sumber: Kim dkk., 2019)
15
Gambar IV.2 Penampang melintang TKE dengan total cloud condensate (kontur
biru) dan potensial temperatur (kontur hitam) pada Domain 6 dengan
lingkaran hitam merupakan kejadian turbulensi kuat. (Sumber: Kim
dkk., 2019)
IV.2
Perbandingan Prediksi NCT dengan Menggunakan Parameterisasi
CGWD, Nilai Richardson dan Indeks Turbulensi
Perbandingan prediksi NCT dengan parameterisasi CGWD, Nilai Richardson dan
Indeks Turbulensi digunakan untuk mengetahui apakah diagnostik NCT dengan
menggunakan parameterisasi memiliki hasil yang lebih bagus. Sehingga,
Parameterisasi CGWD akan dibandingkan dengan nilai Richardshon dan indeks
turbulensi 1 dan 2 pada single case yaitu kasus turbulensi pada pesawat Etihad
Airways A6EYN yang mengalami turbulensi pada tanggal 4 Mei 2016.
IV.3
Peta Prediksi Turbulensi dengan Parameterisasi CGWD di Wilayah
Indonesia Tahun 2017
Parameterisasi CGWD selain dibandingkan dengan single case juga akan
diterapkan selama tahun 2017 sehingga akan didapat peta turbulensi di Indonesia
berdasarkan parameterisasi CGWD.
16
BAB V
Jadwal Penelitian
Penelitian ini akan dilaksanakan sesuai jadwal yang dimuat pada Tabel V.1
Tabel V.1 Rancangan Jadwal Pengerjaan Tesis
17
DAFTAR PUSTAKA
Chun, H. Y., Kim, J. H., Lee, D. B., Kim, S. H., Strahan, M., Pettegrew, B., Gill,
P., Williams, P. D., Schumann, U., Tenenbaum, J., Lee, Y. G., Choi, H. W.,
Song, I. S., Park, Y. J., dan Sharman, R. D. (2017): Research collaborations
for better predictions of aviation weather hazards, Bulletin of the American
Meteorological
Society,
98(5),
ES103 ES107.
https://doi.org/10.1175/BAMS-D-17-0010.1
Chun, H. Y., Song, M.-D., Kim, J.-W., dan Baik, J.-J. (2001): Effects of Gravity
Wave Drag Induced by Cumulus Convection on the Atmospheric General
Circulation, Journal Of Atmospheric Sciences, 302 319.
Eick, D. (2013): Turbulence Related Accidents & Incidents, National
Transportation Safety Board.
Kaplan, M. L., Huffman, A. W., Lux, K. M., Charney, J. J., Riordan, A. J., dan Lin,
Y. L. (2005): Characterizing the severe turbulence environments associated
with commercial aviation accidents. Part 1: A 44-case study synoptic
observational analyses, Meteorology and Atmospheric Physics, 88(3 4), 129
152. https://doi.org/10.1007/s00703-004-0080-0
Kim, J. H., dan Chun, H. Y. (2012): A Numerical Simulation of Convectively
Induced Turbulence above Deep Convection, Journal of Applied Meteorology
and Climatology, (2010), 1180 1201. https://doi.org/10.1175/JAMC-D-110140.1
Kim, J. H., Chun, H. Y., Sharman, R. D., dan Keller, T. L. (2011): Evaluations of
Upper-Level Turbulence Diagnostics Performance Using the Graphical
Turbulence Guidance ( GTG ) System and Pilot Reports ( PIREPs ) over East
Asia, Journal of Applied Meteorology and Climatology, 1936 1952.
https://doi.org/10.1175/JAMC-D-10-05017.1
Kim, S., Chun, H.-Y., Sharman, R. D., dan Trier, S. B. (2019): Development of
Near-Cloud Turbulence Diagnostics Based on a Convective Gravity Wave
Drag Parameterization Development of Near-Cloud Turbulence Diagnostics
Based on a Convective Gravity Wave Drag Parameterization, Journal of
Applied Meteorology and Climatology, (July). https://doi.org/10.1175/JAMCD-18-0300.1
Kim, Y. J., Eckermann, S. D., dan Chun, H. Y. (2003): An overview of the past,
present and future of gravity-wave drag parametrization for numerical climate
and weather prediction models, Atmosphere - Ocean, 41(1), 65 98.
https://doi.org/10.3137/ao.410105
Lane, T. P., Sharman, R. D., Trier, S. B., Fovell, R. G., dan Williams, J. K. (2012):
Recent advances in the understanding of near-cloud turbulence, Bulletin of
the
American
Meteorological
Society,
93(4),
499 515.
https://doi.org/10.1175/BAMS-D-11-00062.1
Lee, D., dan Chun, H. (2018): A Numerical Study of Aviation Turbulence
Encountered on 13 February 2013 over the Yellow Sea between China and
Korea over the Yellow Sea between China and the Korean Peninsula, Journal
of
Applied
Meteorology
and
Climatology,
(September).
https://doi.org/10.1175/JAMC-D-17-0247.1
Nugraha, Achmad Auly Alvin. (2017): Simulasi Wind Gust akibat Thunderstorm
18
Outflow di Blok Mahakam dengan Menggunakan WRF(Studi Kasus: Tanggal
24 Februari 2011), Institut Teknologi Bandung.
Sharman, R, Tebaldi, C., Wiener, G., dan Wolff, J. (2006): An Integrated Approach
to Mid- and Upper-Level Turbulence Forecasting, Weather and Forecasting,
268 287.
Sharman, Robert, dan Lane, T. (2016): Aviation Turbulence: Process , Detection,
Prediction. https://doi.org/10.1007/978-3-319-23630-8
Trier, S. B., Sharman, R. D., dan Lane, T. P. (2012): Influences of Moist Convection
on a Cold-Season Outbreak of Clear-Air Turbulence ( CAT ) Monthly Weather
Review, 2477 2497. https://doi.org/10.1175/MWR-D-11-00353.1
Yang, X., Fei, J., Huang, X., Cheng, X., Carvalho, L. M. V., dan He, H. (2015):
Characteristics of mesoscale convective systems over China and its vicinity
using geostationary satellite FY2, Journal of Climate, 28(12), 4890 4907.
https://doi.org/10.1175/JCLI-D-14-00491.1
19
Download