Optimalisasi Estimasi Curah Hujan Berdasarkan Citra Radar Menggunakan Model Pembelajaran Mesin MLP

Abstract

Bencana hidrometeorologi di Jawa Timur dalam 10 tahun terakhir memiliki catatan lebih banyak dibandingkan jenis bencana lainnya. Urgensi penelitian ini adalah membuat model yang tepat dalam mengestimasi curah hujan dari nilai reflektivitas citra radar sebab ketersediaan alat pengamatan in situ tidak menyeluruh dan hasil pemindaian citra radar masih terdapat noise. Terdapat 3 tahap dalam penelitian ini, yaitu tahap data preprocessing, pelatihan data, dan pengujian data. Tahap data preprocessing untuk menghilangkan noise sebelum mengestimasi curah hujan, meliputi koreksi VPR, koreksi atenuasi, dan clutter removal. Pembelajaran mesin Multi-layer Perceptron (MLP) digunakan untuk pelatihan dan pengujian data. Simulasi percobaan dengan variasi jumlah hidden layers dibutuhkan untuk mendapatkan pengaturan terbaik sebelum melakukan pelatihan data. Data tahun 2018-2019 digunakan sebagai pelatihan data, sedangkan data tahun 2020 digunakan sebagai pengujian data. Data input meliputi estimasi curah hujan radar dan jarak titik pengamatan curah hujan dari pusat radar yang dinormalisasi, sementara data output adalah nilai curah hujan hasil pengamatan in situ. Tahap data preprocessing menghasilkan nilai reflektivitas rata-rata dari partikel bukan air hujan atau clutter adalah 1,93 dBz. Hasil simulasi memperoleh jumlah hidden layers terbaik adalah 65. Pengujian data menggunakan model MLP dari hasil pelatihan data memperoleh nilai RMSE sebesar 16.2 mm, skill score sebesar -0.33, dan mean bias sebesar -0.83 mm. Hasil visualisasi model MLP menunjukan semakin jauh dari pusat radar, maka nilai bobot bias yang akan dikalikan terhadap data input juga semakin besar.   

Abstract

Hydrometeorological disasters in East Java in the past 10 years have been recorded more than other types of disasters. The urgency of this research is to create an appropriate model for estimating rainfall from radar image reflectivity values because the availability of in situ observation tools is not comprehensive and the results of radar image scanning still contain noise. There are 3 stages in this research, those are data preprocessing, data training, and data testing. The data preprocessing stage aims to remove noise before estimating rainfall, including VPR correction, attenuation correction, and clutter removal. Multi-layer Perceptron (MLP) machine learning is used for training and testing data. Experimental simulations with variations in the number of hidden layers in a certain range are needed to get the best settings before doing data training. The 2018–2019 data is used as training data, while the 2020 data is used as testing data. Input data include the estimated radar rainfall and the normalized distance of the rainfall observation point from the radar center, while the output data is rainfall values resulting from in situ observations. The data preprocessing stage produces an average reflectivity value for non-precipitation particles or clutter of 1.93 dBz. The simulation results show that the best number of hidden layers is 65. Data testing using the MLP model from the training data results obtained an RMSE value of 16.2 mm, a skill score of -0.33, and a mean bias of -0.83 mm. The visualization results of the MLP model show that the further away from the radar center, the greater the bias weight value as a multiplier for the input data.