7 Grell merupakan skema konvektif yang mendasarkan bahwa awan terdapat dalam
dua kondisi tetap steady state sirkulasi yaitu updraft dan downdraft. Tidak ada pencampuran langsung antara uap air dan lingkungan kecuali pada bagian atas dan
bawah sirkulasi. Skema konvektif MIT-Emanuel merupakan skema konvektif terbaru yang ada di RegCM3. Model ideal dari gerakan udara updraft dan
downdraft dengan metode buoyancy sorting. Hal tersebut menentukan tingkat penambahan dan pengurangan parsel udara pada level tertentu untuk mendapatkan
potensi uap air yang cukup Elguindi et al, 2007 Proses running RegCM3 diperlukan untuk mendapatkan data model iklim
pada wilayah yang menjadi kajian penelitian. Proses running dari RegCM3 terdiri dari tiga kompoenen utama, yaitu Pre Processing, Processing dan Post
Processing. Pada tahap Pre Processing ada dua hal pokok yang perlu dilakukan untuk menginput data yaitu Terrain dan ICBC. Beberapa hal penting yang perlu
di input dalam Terrain ialah domain latitude pusat dan longitude pusat dari wilayah kajian, grid interval paling kecil 10 km x 10km, land use default
penggunaan lahan dari the Global Land Cover Characterization GLCC yang didapatkan dari 1 km Advance Very High Resolutions Radiometer dari April
1992 – Maret 1993, dan selanjutnya adalah elevasi dari USGS. Sedangkan input
pada ICBC ialah Sea Surface Temperature SST dan data set yang akan digunakan untuk mensimulasikan model data iklim GCM atau reanalysis.
2.3 Koreksi Bias Data Luaran Model RegCM
RCM merupakan salah satu hasil dari downscaling yang termasuk dalam kategori dynamical downscaling. RCM dapat memberikan struktur bidang
meteorologi yang rinci baik dalam skala rung maupun waktu. Meskipun demikian, data luaran dari RCM ini biasanya tidak dapat langsung kita gunakan untuk
analisis hidrologi, karena suatu analisis hidrologi membutuhkan akurasi yang sangat tinggi, padahal luaran dari RCM masih mengandung bias Tanaka et al,
2005. Koreksi bias didefinisikan sebagai proses menghitung kesalahan secara sistematik dari luaran suatu model iklim Teutschbein and Seibert, 2010. Jadi
prinsip dasar dari koreksi bias adalah untuk mengkoreksi data hasil luaran model dengan data observasi. Oleh sebab itu penerapan koreksi bias sangat dianjurkan
dalam memanfaatkan data luaran model iklim untuk analisis hirologi. Apabila
8 data luaran dari suatu model iklim langsung digunakan tanpa adanya koreksi bias,
maka simulasi hidrologi yang dihasilkan akan menunjukkan fenomena yang tidak realistik.
Teutschbein and Seibert 2010, mengemukakan beberapa metode koreksi bias untuk diterapkan pada data luaran model iklim, khususnya untuk parameter
curah hujan dan suhu. Metode-metode tersebut adalah sebagai berikut: a. Pendekatan skala, yaitu dengan menggunakan faktor koreksi bulanan, dimana
faktor bulanan ini didapatkan dari rasio antara nilai harian model dan nilai harian observasi. Biasanya untuk parameter suhu dijumlahkan dengan hasil
faktor koreksi bulanan sedangkan untuk parameter curah hujan dikalikan dengan faktor koreksi.
b. Transformasi linear, yaitu
variabel meteorologi dari RCM dikoreksi dengan transformasi linear persamaan yang mempertimbangkan perubahan dalam
mean dan varians. c. Transfer distribusi, yaitu fungsi transfer didapatkan dari cumulative
distribution functions CDFs dari data historis observasi dan dari data model. Biasanya untuk curah hujan menggunakan distribusi gamma, namun distribusi
Gaussian dan Beta juga bisa digiunakan. Hagemann and Haerter, 2010 juga menyebutkan beberapa metode yang
dapat digunakan untuk menenetukan koreksi bias. Metode tersebut adalah: delta change approach, multiple linear regression, analogue methods, local intensity
scalling, quantile mapping. Dan yang terbaik untuk menentukan bias correction pada RCM dengan wilayah penelitian di Alps menurut Themeβl et al. dalam
Hagemann and Haerter 2010 adalah metode quantile mapping. Bennett et al. 2012, juga melakukan koreksi bias dengan menggunakan
quantile mapping untuk menghitung besarnya faktor koreksi bias sebelum data hasil luaran dari RCM digunakan untuk analisis model hidrologi selanjutnya.
Adapun rumus dari faktor koreksi bias antara data observasi dan data model RCM dari Bennett adalah sebagai berikut:
9 keterangan:
Fi = faktor quantil mapping
Piobs = i th percentile dari data observasi
Pi RCM = i th percentile dari data output RCM
2.4 Batasan Kekeringan
