Estimasi specific differential phase (KDP) merupakan salah satu variabel kunci dalam radar cuaca polarisasi ganda yang berperan penting dalam berbagai aplikasi meteorologi, khususnya dalam estimasi curah hujan kuantitatif (QPE). Artikel berjudul Benchmarking KDP in rainfall: a quantitative assessment of estimation algorithms using C-band weather radar observations oleh Aldana et al. (2025) melakukan evaluasi komprehensif terhadap berbagai metode estimasi KDP yang tersedia secara publik. Studi ini menggunakan data radar C-band nyata dari Finnish Meteorological Institute (FMI) untuk menilai akurasi dan ketahanan metode tersebut berdasarkan prinsip polarimetric self-consistency.
Latar Belakang dan Pentingnya Estimasi KDP
KDP adalah turunan khusus dari fase diferensial (ΦDP) yang diukur radar dan memberikan informasi tentang karakteristik tetesan hujan, seperti bentuk, orientasi, dan komposisi. Keunggulan KDP dibandingkan variabel radar lain adalah ketahanannya terhadap kesalahan kalibrasi, atenuasi sinyal, dan hambatan sebagian sinar radar, sehingga sangat berguna untuk estimasi curah hujan yang lebih akurat, terutama pada hujan intens.
Namun, estimasi KDP dari pengukuran ΦDP menghadapi tantangan besar karena adanya noise, fluktuasi non-monotonik, dan efek backscattering. Berbagai metode telah dikembangkan untuk mengolah data ΦDP agar menghasilkan estimasi KDP yang lebih akurat, mulai dari filter median hingga teknik optimasi berbasis kendala self-consistency. Artikel ini membandingkan enam metode populer yang diimplementasikan dalam pustaka open-source seperti Py-ART dan wradlib, serta metode komersial dari Vaisala.
Data dan Metode Penelitian
Penelitian menggunakan data radar C-band dari stasiun Vantaa milik FMI di dekat Helsinki, Finlandia, yang merekam variabel seperti reflektivitas (ZH), diferensial reflektivitas (Zdr), fase diferensial (ΦDP), KDP, koefisien korelasi silang (ρHV), dan klasifikasi hidrometeor. Data radar ini memiliki resolusi spasial 500 meter dan sudut elevasi 0,7°, dengan pemindaian setiap 5 menit selama musim panas (Juni-September) tahun 2017–2019. Selain itu, data distribusi ukuran tetesan hujan (DSD) dari disdrometer Parsivel di Hyytiälä digunakan untuk mendukung perhitungan variabel radar dan pengembangan hubungan self-consistency.
Untuk menjaga kualitas data, dilakukan beberapa tahap penyaringan, antara lain: penggunaan threshold ρHV ≥ 0,97 untuk menghilangkan noise, penghapusan data non-meteorologis berdasarkan klasifikasi hidrometeor IRIS, eliminasi data dengan Zdr > 3,5 dB untuk mengurangi efek backscattering, serta penghapusan data dengan atenuasi lebih dari 1 dB. Setelah proses ini, dataset yang dianalisis terdiri dari 652.624 gate radar berkualitas dari 70 pemindaian.
Evaluasi metode estimasi KDP dilakukan dengan menggunakan benchmark KDP yang disebut Kp, dihitung berdasarkan hubungan matematis antara ZH dan Zdr, sesuai model dari Goddard et al. (1994) dan Gourley et al. (2009). Kp berfungsi sebagai referensi untuk menilai akurasi metode estimasi KDP lainnya.
Metode Estimasi KDP yang Dianalisis
Enam metode estimasi KDP yang dibandingkan dalam studi ini meliputi:
- kdp_maesaka dari Py-ART, menggunakan pendekatan variasional dengan pembatasan KDP ≥ 0, cocok untuk hujan cair.
- kdp_vulpiani dari Py-ART, metode moving window dengan derivatif multistep, dapat digunakan untuk berbagai jenis presipitasi.
- phase_proc_lp dari Py-ART, menggunakan linear programming dengan kendala self-consistency, fokus pada hujan cair.
- kdp_from_phidp dari wradlib, metode moving window dengan derivatif rentang, digunakan untuk semua jenis presipitasi.
- kdp_schneebeli dari Py-ART, menggunakan Kalman filter dua arah, metode default tanpa optimasi parameter.
- kdp_iris dari Vaisala IRIS, menggunakan regresi adaptif dan regularisasi, metode komersial yang tidak dapat dikonfigurasi.
Hasil dan Diskusi
Akurasi dan Optimasi Parameter
Empat metode yang memungkinkan optimasi parameter (kdp_maesaka, kdp_vulpiani, phase_proc_lp, kdp_from_phidp) diuji dengan berbagai parameter untuk meminimalkan normalized root mean square error (NRMSE) pada rentang reflektivitas 35–50 dBZ, mewakili hujan intensitas tinggi.
Hasil menunjukkan bahwa metode phase_proc_lp memiliki akurasi dan presisi tertinggi, dengan estimasi KDP yang sangat dekat dengan benchmark Kp di seluruh rentang ZH. Metode ini mampu mengatasi noise dan fluktuasi non-monotonik dengan baik berkat pendekatan optimasi yang ketat.
Metode kdp_maesaka menunjukkan performa baik pada ZH di bawah 30 dBZ, namun menurun drastis pada ZH di atas 30 dBZ dengan penyebaran estimasi yang lebih besar dan kecenderungan underestimasi KDP. Hal ini disebabkan oleh pembatasan nilai KDP agar selalu positif, sehingga kurang cocok untuk kondisi presipitasi campuran.
Metode kdp_vulpiani dan kdp_iris menunjukkan performa sedang, dengan kdp_vulpiani sedikit lebih unggul pada hujan intens. Kedua metode ini lebih tahan terhadap variasi kualitas data karena tidak bergantung pada variabel radar lain selain ΦDP.
Sementara itu, metode kdp_from_phidp dan kdp_schneebeli memiliki akurasi dan presisi terendah, dengan kecenderungan underestimasi KDP terutama pada ZH rendah (kurang dari 30 dBZ). Metode Kalman filter dua arah (kdp_schneebeli) tampak kurang mampu mengatasi noise secara efektif.
Konsistensi Antar Metode
Analisis korelasi antar metode menunjukkan bahwa metode kdp_iris dan kdp_vulpiani memiliki korelasi tertinggi (R=0,66), diikuti oleh korelasi sedang antara phase_proc_lp dengan kedua metode tersebut (R sekitar 0,65). Metode kdp_schneebeli memiliki korelasi rendah hingga hampir tidak ada dengan metode lain, sementara kdp_maesaka juga menunjukkan korelasi rendah dengan metode lain (maksimal R=0,41).
Perbedaan ini mengindikasikan bahwa metode-metode tersebut menangani noise dan data berkualitas rendah dengan cara berbeda, serta sensitivitasnya terhadap kalibrasi radar juga bervariasi.
Studi Kasus dan Data Kuantitatif
Dalam dataset yang dianalisis, terdapat 652.624 gate radar berkualitas dari 70 pemindaian musim panas selama tiga tahun. Mayoritas data berada pada rentang reflektivitas 30–35 dBZ, dengan proporsi data yang mengalami atenuasi sinyal meningkat seiring kenaikan ZH.
Parameter optimal untuk metode phase_proc_lp menghasilkan NRMSE terendah dan bias terkecil, terutama pada rentang ZH tinggi yang kritikal untuk estimasi curah hujan intens.
Nilai Tambah, Kritik, dan Relevansi Industri
Artikel ini memberikan kontribusi penting bagi komunitas meteorologi dan hidrologi dengan menyediakan evaluasi kuantitatif dan komprehensif atas metode estimasi KDP berbasis data radar nyata. Pendekatan benchmarking menggunakan prinsip self-consistency sebagai referensi mengatasi keterbatasan ketiadaan data ground-truth langsung.
Namun, ada beberapa catatan penting:
- Ketergantungan metode phase_proc_lp pada variabel radar lain seperti ZH dan Zdr membuatnya sangat sensitif terhadap kualitas dan kalibrasi data radar.
- Metode yang hanya menggunakan ΦDP seperti kdp_vulpiani dan kdp_iris lebih tahan terhadap isu kualitas data dan karenanya lebih cocok untuk aplikasi operasional di lapangan.
- Studi ini terbatas pada data musim panas dan hujan cair, sehingga belum menguji performa metode pada presipitasi campuran atau salju yang memiliki karakteristik berbeda.
- Pengembangan metode yang lebih adaptif dan tahan noise sangat diperlukan untuk meningkatkan akurasi estimasi KDP pada kondisi hujan intensitas sangat tinggi dan kondisi atmosfer kompleks.
Dari sisi tren industri, peningkatan akurasi estimasi KDP sangat relevan dalam pengembangan sistem peringatan dini banjir, pengelolaan sumber daya air, dan prediksi cuaca presisi tinggi. Penggunaan pustaka open-source seperti Py-ART dan wradlib juga mendukung transparansi, kolaborasi riset, dan pengembangan teknologi radar cuaca di seluruh dunia.
Kesimpulan
Studi benchmarking ini mengungkapkan bahwa metode estimasi KDP memiliki variasi performa yang signifikan tergantung algoritma dan parameter yang digunakan. Metode phase_proc_lp unggul dalam hal akurasi dan presisi, namun membutuhkan data radar berkualitas tinggi dan optimasi parameter yang cermat. Metode kdp_vulpiani dan kdp_iris menawarkan keseimbangan antara akurasi dan ketahanan terhadap kualitas data, sehingga cocok untuk aplikasi operasional.
Penelitian ini memberikan panduan penting bagi pengguna radar cuaca dalam memilih dan mengoptimalkan algoritma estimasi KDP sesuai kebutuhan aplikasi dan kondisi pengamatan, sekaligus membuka peluang pengembangan metode baru yang lebih adaptif dan robust.
Sumber Artikel:
Aldana, M., Pulkkinen, S., von Lerber, A., Kumjian, M. R., & Moisseev, D. (2025). Benchmarking KDP in rainfall: a quantitative assessment of estimation algorithms using C-band weather radar observations. Atmospheric Measurement Techniques, 18, 793–816.