DOI: https://doi.org/10.14710/jil.21.4.980-986

Analisis Potensi Kejadian Curah Hujan Ekstrem di Masa Mendatang Sebagai Dampak dari Perubahan Iklim di Pulau Jawa Berbasis Model Iklim Regional CCAM

1Pusat Riset Iklim dan Atmosfer, Badan Riset dan Inovasi Nasional, Indonesia

2Pusat Riset Iklim dan Atmosfer, Badan Riset dan Inovasi Nasional, Jl. Sangkuriang Cisitu, Bandung, Jawa, Indonesia

3Barat, Indonesia

4 Stasiun Meteorologi Iskandar Kotawaringin Barat, Badan Meteorologi, Klimatologi, dan Geofisika, Jl., Indonesia

5 Iskandar, Kotawaringin Barat, Kalimantan Tengah, Indonesia

View all affiliations
Received: 12 Feb 2023; Revised: 24 May 2023; Accepted: 13 Aug 2023; Available online: 17 Sep 2023; Published: 21 Sep 2023.
Editor(s): Budi Warsito

Citation Format:
Abstract
Perubahan iklim adalah peristiwa berubahnya komponen atau variabel iklim akibat pemanasan global. Perubahan iklim dapat berakibat timbulnya cuaca ekstrem. Oleh karena itu, diperlukan upaya mitigasi dan adaptasi dampak dari cuaca ekstrem akibat perubahan iklim salah satunya adalah dengan pemodelan dan proyeksi iklim. Penelitian ini bertujuan untuk menganalisis potensi kejadian curah hujan ekstrem di masa mendatang sebagai dampak dari perubahan iklim di Pulau Jawa dengan menggunakan model iklim regional CCAM (Conformal Cubic Atmospheric Model). CCAM digunakan untuk downscaling data GCM ACCESS 1-3 hingga resolusinya mencapai 25 km. Skenario yang digunakan adalah RCP 4.5 dengan resolusi temporal data harian. Sebelum digunakan, data CCAM dikoreksi menggunakan metode linear scaling. Hasilnya, data CCAM yang telah dikoreksi terbukti cukup mampu menggambarkan kondisi sebenarnya curah hujan di Pulau Jawa. Pulau Jawa diproyeksikan akan mengalami peningkatan curah hujan bulanan pada tahun 2021-2050 dibandingkan tahun 1991-2020. Hampir keseluruhan daerah di Jawa mengalami kenaikan curah hujan bulanan meskipun nilainya tidak signifikan dan hanya sekitar 1,7-5,3 mm. Peningkatan paling tinggi terjadi di daratan Jawa Timur dengan nilai mencapai 15,1-22,4 mm. Beberapa daerah diproyeksikan akan mengalami penurunan nilai RX1day (nilai curah hujan maksimum harian dalam satu tahun). Penurunan paling tinggi terjadi di selatan perbatasan Jawa Tengah dan Jawa Timur dengan nilai mencapai 6,2-15,4 %. Sementara DKI Jakarta diproyeksikan akan mengalami peningkatan nilai RX1day pada periode 2021-2050 senilai 0,1-6,6%. Peningkatan nilai R50mm (jumlah hari dalam satu tahun dengan curah hujan diatas 50 mm) terjadi di hampir seluruh wilayah di Jawa pada periode 2021-2050 dibandingkan dengan periode 1991-2020 dengan presentase sekitar 15,9-52,7%.
Fulltext View|Download
Keywords: Perubahan iklim; Cuaca ekstrem; Proyeksi iklim; RX1day; R50mm

Article Metrics:

Article Info
Section: Research Article
Language : ID
Recent articles
Hubungan Evapotranspirasi, Hujan dan Elevasi Muka Air Tanah pada Lahan Gambut Tropis Sebagai Awal Penentuan Kondisi Lahan Basah Efisiensi Pengolahan Limbah Pewarna Sumifix Blue Menggunakan Lumpur Aktif dengan Penambahan Enterococcus faecalis pada Kondisi Anaerob-Aerob Proses Gabungan Koagulasi-Adsorpsi Menggunakan Material Lokal Tanah Lempung Gambut dan Adsorben Gambut untuk Menyisihkan Warna dan Organik pada Limbah Cair Sasirangan More recent articles
Most cited articles
KEBIJAKAN PENGELOLAAN LINGKUNGAN DI KAWASAN KENDENG UTARA PROVINSI JAWA TENGAH PENGARUH FAKTOR-FAKTOR SOSIAL-EKONOMI TERHADAP PERILAKU PENGELOLAAN SAMPAH DOMESTIK DI NUSA TENGGARA TIMUR PERBAIKAN KUALITAS AIR LIMBAH DOMESTIK DENGAN FITOREMEDIASI MENGGUNAKAN KOMBINASI BEBERAPA GULMA AIR: STUDI KASUS KOLAM RETENSI TALANG AMAN KOTA PALEMBANG RANCANG BANGUN DAN UJI ALAT PROSES PENINGKATAN MINYAK CENGKEH PADA KLASTER MINYAK ATSIRI KABUPATEN BATANG Menakar Kapasitas Adaptasi Perubahan Iklim Petani Padi Sawah (Kasus Kabupaten Pasuruan Jawa Timur) More cited articles
  1. Ackerley, D. dan Dommenget, D. (2016). Atmosphere-only GCM (ACCESS1.0) simulations with prescribed land surface temperatures. Geosci. Model Dev., 9, 2077–2098, 2016. doi: 10.5194/gmd-9-2077-2016
  2. Aldrian E and Susanto RD. (2003). Identification of Three Dominant Rainfall Regions within Indonesia and Their Relationship to Sea Surface Temperature. International Journal of Climatology 23 (12): 1435–52. https://doi.org/https://doi.org/10.1002/joc.950
  3. Barnston, A. G. (1992). “Correspondence among the Correlation, RMSE, and Heidke Forecast Verification Measures; Refinement of the Heidke Score.” Weather and Forecasting 7 (4): 699–709. https://doi.org/10.1175/1520- 0434(1992)007<0699:CATCRA>2.0.CO;2
  4. Carter, T.R., M. Hulme, and M. Lal. 1999. Guidelines on the Use of Scenario Data for Climate Impact and Adaptation Assessment. Task Group on Scenarios for Climate Impact Assessment of the Intergovernmental Panel on Climate Change
  5. Donat, M.G., Alexander, L.V., Yang, H., et al., 2013a. Updated analyses of temperature and precipitationextreme indices since the beginning of the twentieth century: the HadEX2 dataset. J. Geophys. Res.: Atmosphere 118, 2098e2118. https://doi.org/10.1002/jgrd.50150
  6. Gariano, S.L. and Guzzetti, F. (2016). Landslides in a Changing Climate. Earth Science Reviews, 162, 227-252. https://doi.org/10.1016/j.earscirev.2016.08.011
  7. https://www.bmkg.go.id/cuaca/probabilistik-curah-hujan.bmkg#:~:text=100%20%E2%80%93%20150%20mm%2Fhari%20(,hari%20(ungu)%20%3A%20Hujan%20ekstrem diakses tanggal 11 Februari 2023
  8. Kirch, W. (2008). Pearson’s Correlation Coefficient. In: Kirch, W. (eds) Encyclopedia of Public Health. Springer, Dordrecht. https://doi.org/10.1007/978-1-4020-5614-7_2569
  9. McGregor, J. L. (2005). CCAM: Geometric Aspects and Dynamical Formulation, CSIRO Atmospheric Research Technical Paper No.70, CSIRO, Australia
  10. Mcgregor, John L., and Martin R. Dix. (2001). “The CSIRO Conformal-Cubic Atmospheric GCM.” In , 197–202. https://doi.org/10.1007/978-94-010-0792-4_25
  11. Measey, M. (2010). Indonesia: A Vulnerable Country in the Face of Climate Change. Global Majority E-Journal, 31-45
  12. Riahi K, Rao S, Krey V, Cho C, Chirkov V, Fischer G, Kindermann G, Nakicenovic N, Rafaj P. (2011). RCP 8.5 – A Scenario of Comparatively High Greenhouse Gas Emissons. Climatic Change 109, 33(2011). https://doi.org/10.1007/s10584-011-0149-y
  13. Rockel, B., Will, A., Hense, A. (2008). The Regional Climate Model COSMO-CLM (CCLM). Meteorologische Zeitschrift Vol. 17 No. 4 (2008), p. 347 – 348. https://doi.org/ 10.1127/0941-2948/2008/0309
  14. Van den Besselaar EJM, Schrier G, Cornes RC, Iqbal AS, and Tank AMGK. (2017). SA-OBS: A Daily Gridded Surface Temperature and Precipitation Dataset for Southeast Asia. Journal of Climate 30 (14): 5151–65
  15. Van Vuuren DP, Edmonds J, Kainuma M, Riahi K, Thomson A, Hibbard K, Hurtt GC. (2011b). The Representative Concentration Pathways: An Overview. Climatic Change 109 (1): 5. https://doi.org/10.1007/s10584-011-0148-z

Last update:

  1. Model of Surface Water Management Based on the Potency of Water Balance

    Wisang Adhitya Yogo Purnomo, Lily Montarcih Limantara, M. Bisri Bisri, Moh. Sholichin Sholichin. Journal of Law and Sustainable Development, 12 (1), 2024. doi: 10.55908/sdgs.v12i1.2562

  2. Spatial Durbin Model with Expansion Using Casetti’s Approach: A Case Study for Rainfall Prediction in Java Island, Indonesia

    Yudhie Andriyana, Annisa Nur Falah, Budi Nurani Ruchjana, Albertus Sulaiman, Eddy Hermawan, Teguh Harjana, Daisy Lou Lim-Polestico. Mathematics, 12 (15), 2024. doi: 10.3390/math12152304

Last update: 2024-11-05 00:47:14

No citation recorded.