Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Beberapa jenis instrumen curah hujan yang banyak dipakai seperti rain gauge, citra satelit, dan radar cuaca masih memiliki kekurangan terutama pada resolusi spasial. Instrumen curah hujan alternatif yang banyak dikembangkan adalah dengan menggunakan model Deep Learning dengan masukan citra tangkapan kamera pengawas. Beberapa studi telah berhasil membangun model untuk mendapatkan nilai curah hujan dengan berbagai performa. Namun salah satu kendala yang ditemui dalam pembangunan sistem estimasi curah hujan adalah latar belakang rintik hujan pada citra kamera pengawas. Objek latar belakang yang lebih mengisi citra dibandingkan rintik hujan membuat model dengan banyak bentuk latar belakang tidak dapat mencapai performa yang diinginkan. Penelitian ini menganalisa pengaruh bentuk latar belakang citra kamera pengawas terhadap performa dari sistem estimasi curah hujan. Sistem estimasi curah hujan dibuat dengan model berarsitektur RFCNN (Rainfall Convolutional Neural Network). Objek latar belakang citra yang dipilih pada penelitian ini terdiri dari gedung, jalan beraspal, atap, dan kombinasi antara keduanya. Data curah hujan referensi didapat dari perangkat tipping bucket dengan resolusi 0,2 mm/menit. Hasil eksperimen menunjukan bahwa gedung menjadi bentuk objek latar belakang yang menghasilkan performa yang terbaik dengan nilai MAE sebesar 0.0823 dan MSE sebesar 0.0164, dengan catatan citra yang digunakan adalah citra grayscale. Hasil dari pengujian model menunjukan performa dipengaruhi oleh eksistensi benda bergerak pada latar belakang rintik hujan. ......Several types of rainfall measurement instrumens, such as Rain Gauge, satellite imagery, and weather radar, still have limitations, especially in spatial resolution. An alternative rainfall measurement instrumen that has been widely developed is using Deep Learning models with input from surveillance camera images. Some studies have successfully built models to estimate rainfall values with various performances. However, one of the challenges encountered in the development of rainfall estimation systems is the background of surveillance camera images. Objects in the background that occupy a significant portion of the image compared to raindrops make models with certain background shapes unable to achieve the desired performance.This research analyzes the influence of background image shapes from surveillance camera images on the performance of a rainfall estimation system. The estimation system is built using the RFCNN (Rainfall Convolutional Neural Network) architecture. The selected background objects in this study include buildings, paved roads, roofs, and combinations of both. The reference of rainfall data are obtained from a Tipping Bucket device with a resolution of 0.2 mm/minute. The experimental results show that buildings are the background object shape that yields the best performance, with an MAE (Mean Absolute Error) value of 0.0823 and an MSE (Mean Squared Error) value of 0.0164, given that grayscale images are used. The model testing results indicate that performance is influenced by the presence of moving objects in the raindrop background.

Abstrak :
Aplikasi penginderaan jauh dalam bidang meteorologi dan klimatologi sangat membantu terutama dalam memperoleh informasi perkiraan curah hujan pada suatu wilayah, karena cakupan wilayahnya yang luas. Penelitian ini mengkaji mengenai pola curah hujan yang terjadi di Pulau Jawa selama periode normal, El Nino dan La Nina pada bulan Desember, Januari dan Februari menggunakan data curah hujan dari citra satelit MTSAT dengan menginterpretasi dari suhu puncak awan. Hasil penelitian menunjukkan bahwa pola curah hujan yang terjadi menunjukkan pola yang berbeda dimana pada periode normal curah hujan yang tinggi tersebar pada ketinggian 100 ? 1000 m, pada periode El Nino curah hujan yang tinggi tersebar pada ketinggian 100 hingga diatas 1000 m dan pada periode La Nina curah hujan yang tinggi tersebar pada ketinggian 0 ? 500 m. Namun, pola curah hujan tersebut menunjukkan lebih terkonsentrasi di bagian utara Jawa terutama Jawa bagian tengah.

---

Remote sensing application in study of meteorology and climatology is very helpful, particularly in acquisition of rainfall information in an area, because of its wide coverage area. This research is about rainfall pattern in Java Island on the normal, El Nino and La Nina periods for Desember, January and February using rainfall data from MTSAT-1R satellite that interpreted from cloud top temperature. The result showed that rainfall patterns that happened had different pattern where on the period of normal the highest of rainfall can be found at elevation of 100 ?1000 m; on the periode of El Nino, the highest of rainfall can be found at elevation of 100 until > 1000 m; and on the period of La Nina, the highest of rainfall can be found at elevation of 0 ? 500 m. However, the rainfall patterns showed that the highest of rainfalls can be found in the northern of Java, especially in the northern of central Java.