Sumber: NASA Goddard Space Flight Center, Atmospheric Chemistry & Dynamics Laboratory. Data: radiosonde Singapura dan MERRA-2. Setiap ...
Senin, 25 Mei 2026
Sumber: NASA Goddard Space Flight Center, Atmospheric Chemistry & Dynamics Laboratory. Data: radiosonde Singapura dan MERRA-2.
Setiap tahun, meteorolog di seluruh dunia menyoroti ENSO sebagai penyebab utama anomali curah hujan Indonesia. ENSO memang penting — El Niño yang kuat bisa memangkas curah hujan musim kemarau secara dramatis, sementara La Niña membasahi bulan-bulan yang semestinya kering. Tapi ada osilasi lain yang bekerja di lapisan stratosfer, jauh di atas awan-awan yang kita lihat setiap hari, dan pengaruhnya terhadap curah hujan Indonesia tidak kalah nyata: Quasi-Biennial Oscillation, atau QBO.
QBO adalah pergantian periodik angin baratan (westerly) dan timuran (easterly) di stratosfer tropis, pada rentang tekanan sekitar 10–100 hPa (ketinggian 16–32 km). Periode rata-ratanya sekitar 28 bulan — itulah asal kata "quasi-biennial" — meski siklus individu bervariasi antara 22 hingga 34 bulan. Tidak seperti ENSO yang merespons SST Samudra Pasifik atau MJO yang berosilasi setiap 30–90 hari, QBO adalah sinyal stratosfer intrinsik yang memiliki ritme sendiri, terlepas dari pemanasan permukaan laut.
Pertanyaannya: apa urusan angin di 20 km ketinggian dengan curah hujan di Kalimantan atau Papua Barat? Jawabannya ada pada cara QBO memodulasi kedalaman konveksi MJO, kekuatan Tropical Easterly Jet, dan intensitas Walker Circulation di atas Maritime Continent.
Mengenal QBO
QBO pertama kali terdeteksi pada awal 1960-an oleh Ebdon dan Reed secara independen, melalui pengamatan radiosonde yang menunjukkan pola angin stratosfer ekuatorial yang tidak sesuai prediksi saat itu. Penemuan itu mengejutkan: stratosfer tropis ternyata memiliki variabilitas internal yang kuat dan reguler, bukan kondisi diam yang diasumsikan sebelumnya.
Sejak itu, QBO dipantau terus-menerus menggunakan radiosonde dua kali sehari (00Z dan 12Z) dari Upper Air Observatory Singapura (stasiun 48698, koordinat 1,34°N, 103,89°E). Singapura dipilih karena letaknya sangat dekat ekuator, di mana sinyal QBO paling kuat. Data ini juga dilengkapi oleh reanalisis MERRA-2 dari NASA GSFC untuk periode yang lebih panjang dan resolusi vertikal yang lebih rapat.
Dalam konteks prakiraan musiman, QBO menduduki posisi yang unik. ENSO beroperasi pada skala waktu antartahunan (2–7 tahun), MJO bergerak pada skala submusiman (30–90 hari), sementara QBO mengisi celah di antara keduanya dengan periode ~28 bulan. Ketiganya berinteraksi — dan memahami fase QBO saat ini menjadi komponen penting dalam prakiraan musiman yang andal.
Pada awal 2026, QBO berada dalam fase timuran (easterly) yang kuat, dengan angin di level 30 hPa tercatat sekitar −24 m/s pada September 2025 berdasarkan data monitoring. Fase ini terus turun ke lapisan stratosfer bawah sepanjang akhir 2025 hingga awal 2026.
Mekanisme QBO dan Propagasi Ke Bawah
Ciri khas QBO yang paling mudah dikenali adalah propagasi ke bawah: pita angin baratan atau timuran terbentuk di stratosfer atas (~10 hPa) dan perlahan turun dengan kecepatan sekitar 1 km per bulan, hingga akhirnya melemah dan menghilang di dekat tropopause (~100 hPa). Pada grafik penampang waktu-ketinggian seperti yang diproduksi NASA GSFC dari data radiosonde Singapura, pola ini tampak seperti pita diagonal yang bergantian.
Penjelasan fisik mekanisme ini baru datang pada 1970-an, ketika Lindzen dan Holton menunjukkan bahwa QBO dihasilkan oleh penyerapan momentum gelombang ekuatorial yang merambat ke atas dari troposfer tropis. Dua jenis gelombang utama yang terlibat adalah Kelvin waves — yang mendorong akselerasi westerly — dan mixed Rossby-gravity waves — yang mendorong akselerasi easterly. Gelombang-gelombang ini dipancarkan oleh konveksi tropis di bawahnya, merambat naik, dan momentum-nya diserap di lapisan stratosfer sesuai dengan kondisi aliran rata-rata di sana. Hasilnya adalah pergantian angin yang teratur dan berulang.
Sumber: NOAA Climate.gov, diadaptasi dari analisis Amy Butler (Desember 2024). Data ERA5, anomali relatif terhadap 1991–2020.
Ada asimetri penting yang perlu diperhatikan: fase easterly memiliki amplitudo sekitar dua kali lipat fase westerly dan propagasinya ke bawah lebih tidak teratur. Ini bukan kebetulan — perbedaan ini mencerminkan asimetri dalam sumber momentum gelombang yang mendorong masing-masing fase. Implikasinya langsung terasa di troposfer tropis: ketika QBO sedang easterly, perubahan yang ditimbulkan pada kestabilan di upper troposphere–lower stratosphere (UTLS) jauh lebih besar dibandingkan saat fase westerly.
Ketika QBO berada dalam fase westerly, gelombang atmosfer dari troposfer lintang tengah dapat terus merambat ke wilayah subtropis, memperkuat aliran stratosfer kutub. Sebaliknya, saat QBO easterly, gelombang tersebut lebih cenderung pecah di dekat kutub, melemahkan vorteks kutub dan meningkatkan kemungkinan terjadinya sudden stratospheric warming (SSW). Meskipun efek kutub ini relevan untuk cuaca musim dingin belahan bumi utara, dampak QBO pada troposfer tropis — khususnya melalui jalur MJO dan Walker Circulation — jauh lebih langsung bagi Indonesia.
Pengaruh QBO pada MJO dan Konveksi Maritim
Jalur pengaruh QBO yang paling langsung terhadap curah hujan Indonesia bekerja melalui MJO. Riset dari NASA GSFC yang dipublikasikan di Nature Communications (2023) menunjukkan bahwa selama musim dingin boreal (DJF) dengan fase easterly QBO (EQBO), anomali temperatur negatif di sekitar level 70 hPa melemahkan kestabilan statik di UTLS. Efek ini memungkinkan sistem konveksi dalam di dalam selubung MJO untuk menembus ketinggian lebih tinggi dibandingkan selama fase westerly QBO (WQBO).
Dampaknya terukur secara statistik di atas Maritime Continent, khususnya selama fase aktif MJO (fase 4–5, amplitudo moderat). Frekuensi kemunculan rezim awan konvektif tipe deep-core meningkat dari 12,2% (WQBO) menjadi 15,9% (EQBO), sementara frekuensi rezim awan tipe anvil naik dari 25,8% menjadi 31,0% — keduanya signifikan secara statistik dengan \(p < 0{,}005\).
Rantai mekanistik: QBO easterly melemahkan kestabilan UTLS, memperdalam konveksi MJO, memperkuat cloud-radiative feedback, dan akhirnya meningkatkan curah hujan di Maritime Continent bagian barat selama fase aktif MJO.
Awan yang lebih dalam selama EQBO lebih efektif memerangkap radiasi gelombang panjang (OLR berkurang), sehingga memperkuat feedback cloud-radiative dalam selubung MJO dan memfasilitasi propagasi MJO ke timur melewati Maritime Continent. Ini penting karena Maritime Continent barrier — kesulitan MJO melintas pulau-pulau besar Indonesia — adalah salah satu sumber utama kesalahan dalam model prakiraan musiman dan S2S (subseasonal-to-seasonal). Dengan EQBO, hambatan itu melemah.
Konsekuensi praktisnya: skill prakiraan MJO secara rata-rata 5–10 hari lebih tinggi selama musim dingin dengan EQBO dibandingkan WQBO, berdasarkan evaluasi terhadap database prakiraan S2S WMO. Ini berarti saat QBO sedang easterly, model prakiraan seminggu hingga dua minggu ke depan cenderung lebih dapat diandalkan untuk Indonesia.
QBO, Tropical Easterly Jet, dan Curah Hujan Indonesia
Di luar jalur MJO, QBO juga memengaruhi curah hujan Indonesia melalui modulasi Tropical Easterly Jet (TEJ). Studi Li et al. (2022) di Geophysical Research Letters menunjukkan bahwa sejak dekade 1980-an, TEJ di atas Maritime Continent secara konsisten lebih lemah selama fase easterly QBO dibandingkan fase westerly. Besaran kontribusi QBO terhadap perbedaan intensitas TEJ antar kedua fase mencapai sekitar 17% dari total variabilitas klimatologis.
Modulasi TEJ ini menghasilkan pola curah hujan yang asimetris di seluruh kepulauan Indonesia:
- Selama EQBO: konveksi di sisi barat Maritime Continent (Indonesia bagian barat) menguat, sementara sisi timur melemah. Efek ini terjadi karena sisi barat secara klimatologis memiliki gerak naik yang lebih kuat, sehingga lebih responsif terhadap penurunan kestabilan di tropopause yang disebabkan oleh EQBO.
- Selama WQBO pada musim panas boreal (JJA): Walker Circulation Pasifik menguat, menghasilkan curah hujan yang meningkat secara menyeluruh di Maritime Continent sekaligus mengurangi curah hujan di Pasifik Barat.
Interaksi dengan ENSO menambah lapisan kompleksitas. Ketika QBO westerly bertemu dengan episode El Niño, efek WQBO yang menekan konveksi Pasifik Barat bisa memperkuat pelemahan Walker Circulation yang sudah disebabkan El Niño — sebuah interaksi yang memperburuk kekeringan di Indonesia bagian timur. Sebaliknya, QBO easterly yang berbarengan dengan La Niña dapat memperkuat curah hujan di Indonesia bagian barat secara signifikan.
Bagi pengelola sumber daya air, petani, dan forecaster BMKG, perbedaan barat-timur ini bukan sekadar detail akademis. Bendungan di Kalimantan Barat dan wilayah pertanian di Pulau Jawa bereaksi berbeda terhadap sinyal curah hujan yang juga berbeda, dan fase QBO adalah salah satu faktor yang menentukan distribusi anomali tersebut.
Status QBO Terkini dan Gangguan Historis
Memasuki 2026, QBO berada dalam fase timuran (easterly) yang kuat. Data monitoring dari NASA GSFC dan KIT ATMO Hub — yang diperbarui dari radiosonde Singapura dan reanalisis MERRA-2 — mengonfirmasi fase easterly ini terus descend melalui stratosfer bawah sejak akhir 2025. Indeks angin zonal di 30 hPa tercatat sekitar −24 m/s pada September 2025, yang tergolong easterly kuat berdasarkan statistik historis.
Implikasi konkretnya untuk 2026: selama musim hujan boreal spring–summer yang berlanjut (MAM–JJA 2026), konveksi MJO yang melintas Maritime Continent diperkirakan lebih dalam dan lebih intens dibandingkan kondisi netral. Wilayah Indonesia bagian barat berpotensi menerima curah hujan anomali positif selama fase aktif MJO, sementara wilayah timur mungkin lebih kering — pola yang konsisten dengan dinamika EQBO yang sudah dibahas.
Untuk status terkini QBO, pantau di halaman monitoring NASA GSFC yang menyediakan grafik time-height interaktif dan diagram fase yang diperbarui harian.
Sebelum menutup, ada satu episode historis yang patut disebut: gangguan QBO 2015–2016. Untuk pertama kalinya sejak pencatatan sistematis dimulai pada 1953, siklus turun QBO terganggu. Pada awal 2016, angin timuran anomali muncul di sekitar 40 hPa (~23 km), membelah pita angin baratan menjadi dua cabang. Penyebabnya adalah kombinasi El Niño kuat 2015 dan intrusi gelombang planet dari belahan bumi utara yang tidak biasa.
Gangguan ini menunjukkan bahwa QBO, meski teratur, tetap rentan terhadap modulasi dari bawah (konveksi tropis yang diintensifkan ENSO) dan dari lintang menengah. Bagi model S2S yang mengasumsikan QBO "normal", episode seperti ini bisa menghasilkan prakiraan yang menyimpang.
Eksplorasi artikel meteorologi lainnya di meteo.my.id (meteo.my.id).
Referensi
- NOAA Climate.gov — Predicting the chances of a polar vortex disruption this winter — Penjelasan NOAA tentang bagaimana fase QBO memengaruhi kekuatan vorteks kutub dan probabilitas sudden stratospheric warming.
- NASA GSFC — The Quasi-biennial Oscillation (QBO) monitoring page — Halaman monitoring NASA dengan data radiosonde Singapura harian, grafik time-height, dan diagram fase QBO yang diperbarui secara kontinu.
- Nature Communications (2023) — QBO deepens MJO convection — Studi peer-reviewed yang mengkuantifikasi peningkatan frekuensi awan konvektif dalam dan anvil selama EQBO di atas Maritime Continent.
- Geophysical Research Letters (2022) — The Influence of the QBO on the Tropical Easterly Jet — Li et al. menunjukkan kontribusi ~17% QBO terhadap variabilitas TEJ dan dampak asimetrisnya pada curah hujan Indonesia barat vs. timur.
- Weather and Climate Dynamics (2022) — The tropical route of QBO teleconnections — Studi pemodelan yang menelusuri jalur tropis telekoneksi QBO melalui Walker Circulation dan divergensi troposfer atas.
Minggu, 24 Mei 2026
Mengapa Tinggi Geopotensial Penting di Peta Sinoptik
Peta 500 hPa adalah satu-satunya peta yang paling sering dibuka oleh meteorolog operasional. Bukan tanpa alasan — di ketinggian inilah geopotential height membagi massa atmosfer kira-kira menjadi dua bagian setara, sehingga 500 hPa menjadi representasi terbaik dari "jantung" dinamika troposfer.
Pola ridge dan trough pada peta Z500 berfungsi sebagai steering level bagi sistem cuaca di permukaan. Ridge (kontur tinggi yang melengkung ke arah kutub) mengindikasikan udara hangat, tekanan tinggi, dan cuaca cerah. Trough (kontur rendah yang melengkung ke arah ekuator) mengindikasikan udara dingin, tekanan rendah, dan cuaca buruk. Di kawasan tropis seperti Indonesia, variasi Z500 yang tampaknya kecil — puluhan gpm — tetap relevan untuk melacak anomali konveksi dan posisi ITCZ.
ERA5, reanalysis global dari ECMWF dengan resolusi 0,25°, menyediakan geopotential pada 37 pressure level sejak 1940 hingga mendekati hari ini. Dalam tutorial ini kita unduh data geopotensial ERA5 untuk 500 dan 850 hPa, konversi ke geopotential height dalam gpm, petakan pola tahunannya atas Indonesia, lalu hitung ketebalan 500–850 hPa sebagai proksi temperatur mid-troposfer.
Geopotential versus Geopotential Height
ERA5 menyimpan geopotential (simbol \(\Phi\)) dalam satuan m²/s² — bukan dalam metre atau gpm. Geopotential adalah kerja per satuan massa yang diperlukan untuk mengangkat parsel udara dari permukaan laut ke ketinggian tertentu melawan gravitasi. Secara matematis:
$$\Phi = \int_0^z g(z)\, dz$$
Untuk keperluan praktis, kita konversi ke geopotential height \(Z\) dalam satuan geopotential metres (gpm) menggunakan standar gravitasi \(g_0 = 9{,}80665\ \text{m/s}^2\):
$$Z = \frac{\Phi}{g_0} = \frac{\Phi}{9{,}80665}$$
Secara numerik, satu gpm hampir identik dengan satu metre geometrik di ketinggian rendah. Perbedaannya baru signifikan di atas 20 km.
Kesalahan paling umum: mengabaikan pembagian ini dan langsung memplot nilai \(\Phi\) mentah dari ERA5 sebagai ketinggian. Hasilnya akan tampak seperti Z500 di angka ~57.000 alih-alih ~5.800 gpm — sekitar 10 kali lebih besar dari nilai meteorologis yang benar. ECMWF sendiri secara eksplisit menegaskan: "Simply divide the geopotential by the Earth's gravitational acceleration, which has a fixed value of 9.80665 m/s² in the IFS."
Dalam xarray, konversinya satu baris: Z_gpm = ds["z"] / 9.80665.
Mengunduh Data Geopotensial dari ERA5
Geopotential pada pressure level diakses lewat dataset CDS reanalysis-era5-pressure-levels. Kita request dua level — 500 dan 850 hPa — untuk seluruh 2024 dengan bounding box Indonesia. Snippet berikut menyertakan guard if not os.path.exists(OUT) sehingga kita hanya download sekali; iterasi berikutnya membaca dari file lokal.
import os
import cdsapi
import xarray as xr
OUT = "era5_z_pl500-850_indonesia_2024_d.nc"
if not os.path.exists(OUT):
c = cdsapi.Client(quiet=True)
c.retrieve(
"reanalysis-era5-pressure-levels",
{
"product_type": "reanalysis",
"variable": ["geopotential"],
"pressure_level": ["500", "850"],
"year": "2024",
"month": [f"{m:02d}" for m in range(1, 13)],
"day": [f"{d:02d}" for d in range(1, 32)],
"time": ["00:00"],
"area": [6, 95, -11, 141], # N, W, S, E — Indonesia
"format": "netcdf",
},
OUT,
)
ds = xr.open_dataset(OUT)
print(ds)
<xarray.Dataset> Size: 37MB
Dimensions: (valid_time: 366, pressure_level: 2, latitude: 69,
longitude: 185)
Coordinates:
* valid_time (valid_time) datetime64[ns] 3kB 2024-01-01 ... 2024-12-31
expver (valid_time) <U4 6kB ...
* pressure_level (pressure_level) float64 16B 850.0 500.0
* latitude (latitude) float64 552B 6.0 5.75 5.5 ... -10.5 -10.75 -11.0
* longitude (longitude) float64 1kB 95.0 95.25 95.5 ... 140.8 141.0
number int64 8B ...
Data variables:
z (valid_time, pressure_level, latitude, longitude) float32 37MB ...
Attributes:
GRIB_centre: ecmf
GRIB_centreDescription: European Centre for Medium-Range Weather Forecasts
GRIB_subCentre: 0
Conventions: CF-1.7
institution: European Centre for Medium-Range Weather Forecasts
history: 2026-05-10T04:08 GRIB to CDM+CF via cfgrib-0.9.1...
Output di atas memperlihatkan struktur dataset: dimensi (time, pressure_level, latitude, longitude), koordinat waktu dalam UTC, dan variabel z dengan satuan m²/s². Perhatikan bahwa nilai mentah di kisaran 50.000-an — itu normal untuk m²/s², bukan gpm.
Mengonversi ke Geopotential Height dan Validasi
Setelah dataset terbuka, kita bagi variabel z dengan \(g_0\) untuk mendapatkan geopotential height dalam gpm. Lalu kita cetak statistik dasar per level sebagai sanity check — nilai yang realistis untuk tropis Indonesia adalah sekitar 5.840–5.900 gpm di 500 hPa dan sekitar 1.460–1.510 gpm di 850 hPa.
import numpy as np
G0 = 9.80665 # m/s², standar IFS ECMWF
# Konversi geopotential (m²/s²) → geopotential height (gpm)
Z_gpm = ds["z"] / G0
print(f"Variabel asal : z | units : {ds['z'].attrs.get('units', 'tidak ada di attrs')}")
print(f"Setelah dibagi g0 : units menjadi gpm (geopotential metres)")
print()
for lev in [500, 850]:
Z_lev = Z_gpm.sel(pressure_level=lev)
print(f"--- {lev} hPa ---")
print(f" Mean : {float(Z_lev.mean()):8.1f} gpm")
print(f" Min : {float(Z_lev.min()):8.1f} gpm")
print(f" Max : {float(Z_lev.max()):8.1f} gpm")
print()
Variabel asal : z | units : m**2 s**-2
Setelah dibagi g0 : units menjadi gpm (geopotential metres)
--- 500 hPa ---
Mean : 5886.6 gpm
Min : 5814.6 gpm
Max : 5937.4 gpm
--- 850 hPa ---
Mean : 1514.5 gpm
Min : 1417.3 gpm
Max : 1574.6 gpm
Output di atas mengonfirmasi bahwa nilai Z500 berada di kisaran wajar untuk kawasan tropis. Jika angka mean muncul di kisaran 57.000-an, berarti pembagian belum dilakukan — itu nilai \(\Phi\) mentah, bukan gpm.
Memetakan Tinggi 500 hPa atas Indonesia
Rata-rata tahunan Z500 atas Indonesia menunjukkan sebaran spasial yang relatif homogen karena kita berada di tropis — variasi hanya beberapa puluh gpm dari barat ke timur. Namun pola inilah yang menjadi baseline untuk mendeteksi anomali ketika ENSO atau MJO aktif. Snippet berikut merender peta contour Z500 rata-rata tahunan lengkap dengan label, coastline, dan colorbar.
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
G0 = 9.80665
# Rata-rata tahunan Z500
Z_gpm = ds["z"] / G0
Z500_ann = Z_gpm.sel(pressure_level=500).mean(dim="valid_time")
lat = Z500_ann.latitude.values
lon = Z500_ann.longitude.values
data = Z500_ann.values
fig = plt.figure(figsize=(12, 6))
ax = plt.axes(projection=ccrs.PlateCarree())
ax.set_extent([95, 141, -11, 6], crs=ccrs.PlateCarree())
# Filled contour
levels = np.arange(int(data.min()) - 10, int(data.max()) + 20, 10)
cf = ax.contourf(lon, lat, data, levels=levels, cmap="RdYlBu_r",
transform=ccrs.PlateCarree(), extend="both")
# Contour lines + labels
cs = ax.contour(lon, lat, data, levels=levels[::2], colors="k",
linewidths=0.6, transform=ccrs.PlateCarree())
ax.clabel(cs, fmt="%d", fontsize=7, inline=True)
# Fitur kartografis
ax.add_feature(cfeature.COASTLINE.with_scale("50m"), linewidth=0.7, edgecolor="#222")
ax.add_feature(cfeature.BORDERS.with_scale("50m"), linewidth=0.4, edgecolor="#444", linestyle=":")
# Gridlines
gl = ax.gridlines(draw_labels=True, linewidth=0.3, color="gray", alpha=0.5)
gl.xformatter = LONGITUDE_FORMATTER
gl.yformatter = LATITUDE_FORMATTER
gl.top_labels = False
gl.right_labels = False
plt.colorbar(cf, ax=ax, orientation="horizontal", pad=0.08,
shrink=0.75, label="Geopotential Height 500 hPa (gpm)")
ax.set_title("Rata-rata Tahunan Z500 atas Indonesia — ERA5 2024",
fontsize=12, weight="bold", pad=10)
plt.tight_layout()
plt.savefig("z500_indonesia.png", dpi=150, bbox_inches="tight")
plt.show()
Peta di atas memperlihatkan distribusi Z500 rata-rata tahunan atas Indonesia. Kontur yang rapat menandakan gradien geopotential yang besar — region tempat vorticity dan wind shear cenderung kuat. Di tropis dekat ekuator, kontur biasanya lebih renggang dan pola ridge/trough lebih halus dibanding lintang menengah.
Menghitung Ketebalan 500-850 hPa sebagai Proksi Temperatur
Thickness (ketebalan) adalah selisih geopotential height antara dua pressure level:
$$\Delta Z = Z_{500} - Z_{850}$$
Lewat hypsometric equation, ketebalan proporsional terhadap temperatur rata-rata lapisan tersebut:
$$\Delta Z = \frac{R_d\, \bar{T}_v}{g_0} \ln\!\left(\frac{p_1}{p_2}\right)$$
di mana \(R_d = 287\ \text{J kg}^{-1}\text{K}^{-1}\) adalah konstanta gas udara kering, \(\bar{T}_v\) adalah mean virtual temperature lapisan, dan \(p_1/p_2 = 850/500\). Lapisan yang lebih tebal berarti udara lebih hangat; lapisan yang lebih tipis berarti udara lebih dingin. Ini membuat thickness menjadi proxy temperatur yang sangat berguna di mid-troposfer.
G0 = 9.80665
Z_gpm = ds["z"] / G0
Z500 = Z_gpm.sel(pressure_level=500)
Z850 = Z_gpm.sel(pressure_level=850)
thickness = Z500 - Z850
# Rata-rata atas seluruh domain dan waktu
thk_mean = float(thickness.mean())
thk_min = float(thickness.min())
thk_max = float(thickness.max())
print(f"Thickness 500–850 hPa atas Indonesia (ERA5 2024)")
print(f" Mean : {thk_mean:.1f} gpm")
print(f" Min : {thk_min:.1f} gpm")
print(f" Max : {thk_max:.1f} gpm")
print()
# Estimasi kasar T mean dari hypsometric equation
import math
Rd = 287.05
ln_ratio = math.log(850 / 500)
T_est = thk_mean * G0 / (Rd * ln_ratio)
print(f"Estimasi mean virtual temperature lapisan (dari hypsometric eq.):")
print(f" T̄v ≈ {T_est:.1f} K ({T_est - 273.15:.1f} °C)")
print()
print("Interpretasi: lapisan lebih tebal → udara lebih hangat di mid-troposfer.")
Thickness 500–850 hPa atas Indonesia (ERA5 2024)
Mean : 4372.2 gpm
Min : 4321.5 gpm
Max : 4416.6 gpm
Estimasi mean virtual temperature lapisan (dari hypsometric eq.):
T̄v ≈ 281.5 K (8.3 °C)
Interpretasi: lapisan lebih tebal → udara lebih hangat di mid-troposfer.
Output di atas memperlihatkan rata-rata thickness 500–850 hPa dan estimasi kasar temperatur rata-rata lapisan tersebut. Nilai thickness yang kita lihat di tropis Indonesia secara tipikal lebih besar dibanding lintang tinggi, mencerminkan udara yang lebih hangat di antara kedua level tekanan ini. Variabilitas thickness dari bulan ke bulan pada tahun 2024 bisa dikaitkan dengan anomali SST dan fase ENSO yang aktif sepanjang tahun tersebut.
Langkah Selanjutnya
Dalam tutorial ini kita telah menyelesaikan alur kerja penuh: download geopotensial ERA5 lewat cdsapi, konversi ke gpm dengan pembagian \(g_0\), validasi melalui statistik per level, visualisasi Z500 dengan Cartopy, dan kalkulasi thickness 500–850 hPa sebagai proksi temperatur.
Dari sini ada beberapa arah yang menarik untuk dieksplorasi. Pertama, anomaly map — kurangi nilai Z500 tahunan dengan klimatologi multi-tahun untuk mengidentifikasi bulan-bulan dengan ridge atau trough yang abnormal kuat. Kedua, thickness 1000–500 hPa yang merupakan lapisan standar operasional NOAA untuk threshold hujan/salju (540 dam); membangun ulang threshold ini untuk lapisan tropis melatih pemahaman tentang hypsometric equation lebih mendalam. Ketiga, identifikasi jet stream menggunakan wind shear antara 200 dan 850 hPa — yang membutuhkan data u dan v wind pada pressure level, keduanya tersedia di CDS.
Untuk memahami cara membaca peta 500 hPa secara operasional — shortwave trough, longwave ridge, vorticity maxima — NOAA JetStream adalah referensi yang sangat baik.
Eksplorasi artikel meteorologi lainnya di meteo.my.id
Referensi
- ERA5: data documentation — Copernicus Knowledge Base, ECMWF — dokumentasi resmi ERA5 yang menjelaskan bahwa geopotential pada pressure level diarsipkan dalam satuan m²/s² di bawah nama variabel
z, tersedia di 37 level dari 1–1000 hPa. - ERA5: compute pressure and geopotential on model levels, geopotential height and geometric height — ECMWF Confluence — referensi teknis ECMWF yang mengonfirmasi konversi \(Z = \Phi / g_0\) dengan \(g_0 = 9{,}80665\ \text{m/s}^2\) sebagai nilai tetap yang digunakan dalam IFS.
- Constant Pressure Charts: 500 mb — NOAA JetStream — sumber edukatif NOAA tentang signifikansi sinoptik peta 500 hPa, termasuk kisaran ketinggian tipikal (4.980–6.000 m), pola ridge/trough, dan cara membaca nilai yang diplot.
- Constant Pressure Charts: Thickness — NOAA JetStream — penjelasan NOAA tentang thickness, hypsometric equation, dan penggunaan operasional thickness sebagai proksi temperatur rata-rata lapisan atmosfer.
Mengapa Tinggi Geopotensial Penting di Peta Sinoptik Peta 500 hPa adalah satu-satunya peta yang paling sering dibuka oleh meteorolog opera...
