This NASA animation shows how SWOT will collect data over ocean and freshwater areas.
Data hujan satelit dapat digunakan untuk menghitung debit rencana bangunan Sumber Daya Air (SDA). Penggunaan data satelit seperti CHIRPS, TRMM, atau GPM (Global Precipitation Measurement) kini lazim dipakai sebagai alternatif, terutama untuk wilayah Daerah Aliran Sungai (DAS) yang minim atau tidak memiliki stasiun pengukur hujan terukur (ungauged catchment). [1, 2, 3, 4, 5]
Meskipun demikian, data satelit tidak bisa langsung digunakan begitu saja. Karena data satelit mengukur estimasi tutupan awan dan kelembapan secara spasial, sering kali terjadi bias atau deviasi (perbedaan nilai) jika dibandingkan dengan kondisi riil di permukaan tanah. [6, 7]
Berikut adalah tahapan penting dan syarat agar data hujan satelit valid untuk menghitung debit rencana bangunan SDA:
1. Proses Koreksi Bias (Bias Correction)
Sebelum masuk ke analisis frekuensi, data satelit wajib dikalibrasi dan dikoreksi menggunakan data stasiun hujan manual/lapangan terdekat. Beberapa metode koreksi yang biasa digunakan meliputi: [6, 8]
- Linear Scaling
- Power Transformation
- Quantile Mapping
2. Analisis Hujan Rencana (Statistik)
Setelah data satelit dikoreksi dan memiliki korelasi yang baik dengan data lapangan, seri data curah hujan harian maksimum tahunan dianalisis secara statistik. Tahapan ini mengacu pada standar nasional seperti SNI 2415:2016 (Tata Cara Perhitungan Debit Banjir Rencana) untuk menentukan kecocokan distribusi frekuensi (misalnya Gumbel, Log Pearson III, atau Normal). [5, 6, 8, 9]
3. Transformasi Hujan Menjadi Debit
Curah hujan rencana hasil olahan satelit tersebut kemudian dikonversi menjadi debit banjir rencana menggunakan model hidrologi. Anda bisa menggunakan: [6]
- Metode Empiris (Rasional): Untuk DAS berukuran kecil.
- Metode Hidrograf Satuan Sintetis (HSS): Seperti metode HSS Nakayasu, Gamma I, atau SCS-CN yang disimulasikan lewat software (misalnya HEC-HMS). [6]
Kelebihan &
Kekurangan Data Satelit untuk Bangunan SDA
|
Aspek |
Kelebihan |
Kekurangan |
|
Ketersediaan Data |
Menyediakan data kontinuitas panjang (sering kali >20 tahun) tanpa ada hari yang kosong (missing data). |
Perlu keahlian khusus untuk mengunduh dan mengekstrak data format grid (NetCDF atau Raster). |
|
Cakupan Spasial |
Sangat baik untuk area terpencil, pegunungan, atau DAS yang tidak memiliki pos hidrologi sama sekali. |
Resolusi spasial terkadang terlalu kasar untuk wilayah DAS yang sangat kecil. |
|
Akurasi |
Mampu menangkap pola distribusi hujan secara regional dengan baik. |
Cenderung meremehkan (underestimate) hujan ekstrem atau melebih-lebihkan (overestimate) hujan ringan sebelum dikoreksi. |
[1]
https://ejournal.undip.ac.id
[2]
https://jtresda.ub.ac.id
[3]
https://ejournal.utp.ac.id
[4]
https://jtresda.ub.ac.id
[5]
https://dspace.uii.ac.id
[6]
https://id.scribd.com
[7]
https://journal.itny.ac.id
[8]
https://snip.eng.unila.ac.id
[9]
https://ejournal.utp.ac.id
Documents
Ancient impact to modern agriculture
A Brief Guide to
Hydroinformatics
Hidroinformatika biasanya berhubungan dengan model berbasis komputer, dimana model tersebut didefinisikan sebagai program komputer yang mencoba untuk mensimulasikan model abstrak dari proses atau sistem fisik tertentu. Dapat dikatakan bahwa pemodelan merupakan jantung dari hidroinformatika. Pemodelan memiliki dua tujuan utama. Yang pertama adalah meningkatkan pemahaman tentang kinerja domain dunia nyata, seperti daerah tangkapan atau jangkauan sungai, dan akuifer, jaringan distribusi atau drainase air, muara, atau perairan pantai. Hal ini melibatkan reproduksi kinerja masa lalu dan pemahaman mengapa hal itu terjadi. Tujuan kedua adalah kemampuan membuat prediksi tentang kinerja. Ada dua bentuk prediksi. Salah satunya adalah dengan mengidentifikasi kinerja domain ketika domain tersebut berubah secara fisik akibat campur tangan manusia, seperti membangun bendungan di daerah aliran sungai, merehabilitasi jaringan drainase perkotaan, atau membangun tanggul di sepanjang sungai untuk melindungi dataran banjir dari genangan. Bentuk prediksi lainnya berkaitan dengan apa yang terjadi pada kinerja masa depan dari domain yang sudah ada atau yang dimodifikasi. Prediksi tersebut dapat digunakan secara real time untuk meramalkan variabel aliran untuk tujuan peringatan atau untuk tindakan dalam struktur operasi seperti bendungan, gerbang, pompa atau turbin.
