Sebuah metode baru untuk memperkirakan aktivitas badai musiman yang dikembangkan oleh peneliti North Carolina State University adalah 15 persen lebih akurat daripada teknik sebelumnya.
Sebuah metode baru untuk memperkirakan aktivitas badai musiman yang dikembangkan oleh peneliti North Carolina State University adalah 15 persen lebih akurat daripada teknik sebelumnya.
“Pendekatan ini harus memberi pembuat kebijakan informasi yang lebih andal daripada metode terkini,” kata Dr. Nagiza Samatova, seorang profesor ilmu komputer di NC State dan rekan penulis makalah yang menggambarkan karya tersebut. "Ini mudah-mudahan akan memberi mereka lebih percaya diri dalam merencanakan musim badai."
Gambar yang terlihat dari Tropical Storm Leslie dan Hurricane Michael ini diambil oleh instrumen MODIS di atas satelit NASA Aqua dan Terra. Kredit Gambar: NASA Goddard / MODIS Rapid Response Team.
Model konvensional yang digunakan untuk memprediksi aktivitas badai musiman bergantung pada metode statistik klasik menggunakan data historis. Prediksi badai sangat menantang, sebagian, karena ada sejumlah besar variabel dalam permainan - seperti suhu dan kelembaban - yang perlu dimasukkan ke tempat yang berbeda dan waktu yang berbeda. Ini berarti ada ratusan ribu faktor yang harus dipertimbangkan.
Kuncinya adalah dalam menentukan variabel mana pada waktu di mana tempat paling signifikan. Tantangan ini diperburuk oleh fakta bahwa kami hanya memiliki sekitar 60 tahun data historis untuk dimasukkan ke dalam model.
Para peneliti, termasuk Dr. Fredrick Semazzi (foto), berharap dapat menggunakan metode baru mereka untuk meningkatkan pemahaman kita tentang perilaku badai. Kredit Gambar: Roger Winstead.
Tetapi sekarang para peneliti telah mengembangkan "model berbasis motif jaringan" yang mengevaluasi data historis untuk semua variabel di semua tempat di semua waktu untuk mengidentifikasi kombinasi faktor-faktor yang paling diprediksi aktivitas badai topan musiman. Misalnya, beberapa kombinasi faktor hanya berkorelasi dengan aktivitas rendah, sementara yang lain hanya berkorelasi dengan aktivitas tinggi.
Kelompok-kelompok faktor penting yang diidentifikasi oleh model berbasis motif jaringan kemudian dicolokkan ke dalam program untuk membuat ansambel model statistik yang menyajikan aktivitas badai untuk musim yang akan datang pada skala probabilitas. Misalnya, bisa dikatakan ada kemungkinan 80 persen aktivitas tinggi, probabilitas aktivitas normal 15 persen, dan probabilitas aktivitas rendah 5 persen.
Definisi tingkat kegiatan ini bervariasi dari satu daerah ke daerah lain. Di Atlantik Utara, yang meliputi pantai timur Amerika Serikat, aktivitas tinggi didefinisikan sebagai delapan atau lebih badai selama musim badai, sementara aktivitas normal didefinisikan sebagai lima hingga tujuh badai, dan aktivitas rendah adalah empat atau kurang.
Menggunakan validasi silang - memasukkan data historis parsial dan membandingkan hasil metode baru dengan peristiwa historis berikutnya - para peneliti menemukan metode baru memiliki tingkat akurasi 80 persen dalam memprediksi tingkat aktivitas badai. Ini sebanding dengan tingkat akurasi 65 persen untuk metode prediksi tradisional.
Selain itu, dengan menggunakan model jaringan, para peneliti tidak hanya mengkonfirmasi kelompok faktor prediktif yang diidentifikasi sebelumnya, tetapi mengidentifikasi sejumlah kelompok prediktif baru.
Para peneliti berencana untuk menggunakan kelompok faktor-faktor relevan yang baru diidentifikasi untuk memajukan pemahaman kita tentang mekanisme yang memengaruhi variabilitas dan perilaku badai. Ini pada akhirnya dapat meningkatkan kemampuan kita untuk memprediksi jejak badai, tingkat keparahannya dan bagaimana perubahan iklim global dapat memengaruhi aktivitas badai hingga ke masa depan.
Melalui Universitas Negeri North Carolina