GPM | Irpan Chumaedi

Download Data Hujan GPM IMERG dengan NASA Giovanni

Tue, 12 May 2026 00:00:00 +0000

Mengapa GPM IMERG?

Ketika data stasiun hujan BMKG tidak tersedia atau tidak mencukupi untuk area studi kamu, GPM IMERG adalah solusi terbaik yang tersedia secara gratis. GPM (Global Precipitation Measurement) adalah misi satelit bersama NASA dan JAXA yang menghasilkan estimasi curah hujan global setiap 30 menit dengan resolusi spasial 0.1° × 0.1° (~11 km di ekuator).

Keunggulan GPM IMERG:

✅ Cakupan global termasuk seluruh wilayah Indonesia
✅ Data historis tersedia sejak Juni 1998 (hampir 27 tahun)
✅ Gratis tanpa registrasi berbayar
✅ Tersedia dalam resolusi waktu 30 menit, harian, dan bulanan
✅ Produk Final Run sudah dikoreksi dengan data gauge (stasiun hujan)

Keterbatasan yang perlu diketahui:

❌ Bukan pengukuran langsung — tetap ada bias, terutama di area pegunungan
❌ Resolusi spasial ~11 km mungkin kurang detail untuk DAS kecil (<50 km²)
❌ Memerlukan validasi dengan data stasiun sebelum digunakan untuk desain

Mengenal Produk GPM IMERG

Sebelum download, penting memahami tiga varian produk IMERG:

Produk	Latensi	Koreksi Gauge	Rekomendasi Penggunaan
Early Run	~4 jam	❌ Tidak	Monitoring banjir real-time
Late Run	~12 jam	Sebagian	Operasional jangka pendek
Final Run	~3.5 bulan	✅ Ya	Studi hidrologi & AMDAL ✓

Untuk keperluan AMDAL, kajian hidrologi, dan HEC-HMS → selalu gunakan Final Run (V07B).

Platform Download: NASA Giovanni

NASA Giovanni (Geospatial Interactive Online Visualization ANd aNalysis) adalah antarmuka web resmi NASA untuk eksplorasi dan download data geosains termasuk GPM IMERG.

🔗 URL: https://giovanni.gsfc.nasa.gov/giovanni/

Giovanni memungkinkan kamu mengunduh data dalam format NetCDF atau ASCII langsung dari browser — tanpa perlu coding atau command line.

Langkah-Langkah Download GPM IMERG di Giovanni

Buka https://giovanni.gsfc.nasa.gov/giovanni/
Klik Sign In di pojok kanan atas
Gunakan akun NASA Earthdata (gratis). Jika belum punya, daftar di https://urs.earthdata.nasa.gov/

Tips: Pastikan kamu sudah mengaktifkan aplikasi Giovanni di profil Earthdata kamu. Masuk ke profil Earthdata → Applications → Authorized Apps → cari dan authorize Giovanni.

Langkah 2: Pilih Tipe Analisis

Di panel kiri atas, pilih tipe visualisasi/output yang diinginkan:

Time Series, Area Averaged → untuk mendapatkan satu nilai rata-rata area per waktu (paling umum untuk hidrologi)
Map, Averaged → untuk melihat distribusi spasial rata-rata
Time Averaged Map → peta rata-rata untuk periode tertentu

Untuk download data deret waktu (time series) curah hujan harian ke R atau Excel → pilih “Time Series, Area Averaged”.

Langkah 3: Pilih Variabel Data

Di kotak pencarian variabel, ketik: IMERG precipitation

Dari hasil pencarian, pilih:

GPM IMERG Final Precipitation L3 1 day 0.1 degree x 0.1 degree V07
Variable: precipitation

Nama lengkap: GPM_3IMERGDF_07/precipitation

Klik [+] atau Add untuk menambahkan variabel ke daftar aktif.

Catatan: Produk dengan label “F” (Final), “D” (Daily) adalah yang kita gunakan. Hindari produk Early (“E”) atau Late (“L”) untuk studi historis.

Langkah 4: Tentukan Rentang Waktu

Di panel Date Range, masukkan periode analisis:

Start Date: Sesuaikan kebutuhan (misal: 2000-01-01 atau 1998-06-01 untuk data paling awal)
End Date: Tanggal terakhir yang diinginkan

Untuk studi AMDAL: Minimal 10 tahun data. Disarankan mengambil 20 tahun untuk analisis frekuensi yang representatif.

Langkah 5: Tentukan Area Studi (Bounding Box)

Di panel Bounding Box, masukkan koordinat area studi dalam format:

West | South | East | North

Contoh untuk beberapa kota di Indonesia:

Lokasi	West	South	East	North
Banjarmasin	114.0	-3.8	115.0	-3.0
Pulau Obi (Maluku Utara)	127.3	-1.8	128.1	-1.2
Kutai Barat (Kaltim)	114.5	-0.5	115.5	0.5
Bandung	107.3	-7.2	107.8	-6.7

Tips: Gunakan Google Maps atau QGIS untuk mendapatkan koordinat bounding box area DAS kamu secara akurat. Tambahkan buffer ~0.5° dari batas DAS untuk memastikan cakupan penuh.

Langkah 6: Jalankan Analisis

Klik tombol “Plot and Download” (tombol hijau di bawah panel kiri).

Giovanni akan memproses permintaan dan menampilkan:

Grafik time series interaktif di panel kanan
Informasi metadata variabel

Proses ini bisa memakan waktu beberapa menit tergantung panjang periode yang diminta.

Langkah 7: Download Data

Setelah grafik muncul:

Scroll ke bawah grafik, cari tombol “Download” atau ikon unduh
Pilih format file:
- NetCDF (.nc4) → untuk analisis lanjutan di R atau Python
- ASCII (.csv / .txt) → langsung bisa dibuka di Excel

Rekomendasi: Download dalam format ASCII jika hanya butuh time series untuk Excel atau R. Download NetCDF jika butuh data grid spasial untuk pemetaan di QGIS.

Alternatif: Download via NASA GES DISC (Data Lebih Lengkap)

Untuk download dalam jumlah besar atau format file-per-hari (granule), gunakan NASA GES DISC:

🔗 https://disc.gsfc.nasa.gov/datasets/GPM_3IMERGDF_07/summary

Metode download via GES DISC:

Cari dataset GPM_3IMERGDF_07
Klik “Online Archive”
Navigasi ke folder tahun/bulan yang diinginkan
Download file .HDF5 atau gunakan wget script yang disediakan

Struktur Data yang Diunduh (Format ASCII)

Data time series dari Giovanni akan terlihat seperti ini:

# Units: mm/day
# Variable: GPM IMERG Final Precipitation
# Bounding Box: W=114.0, S=-3.8, E=115.0, N=-3.0
# Start: 2000-01-01, End: 2024-12-31
time, precipitation
2000-01-01, 8.45
2000-01-02, 0.12
2000-01-03, 15.73
...

Kolom pertama adalah tanggal, kolom kedua adalah curah hujan dalam satuan mm/hari.

Langkah Selanjutnya

Setelah data berhasil diunduh, langkah berikutnya adalah:

Rekap & Visualisasi → Susun data ke Excel atau proses dengan R
Validasi → Bandingkan dengan data stasiun BMKG terdekat (jika tersedia)
Analisis Frekuensi → Hitung curah hujan rencana untuk berbagai kala ulang

Lihat tutorial selanjutnya: Visualisasi Data Hujan dengan R & ggplot2 untuk mengolah data GPM IMERG yang sudah diunduh.

Referensi

Huffman, G.J., et al. (2023). GPM IMERG Final Precipitation L3 1 day 0.1 degree x 0.1 degree V07. Goddard Earth Sciences Data and Information Services Center (GES DISC). https://doi.org/10.5067/GPM/IMERGDF/DAY/07
NASA Giovanni: https://giovanni.gsfc.nasa.gov/giovanni/
NASA GES DISC: https://disc.gsfc.nasa.gov/

Kalibrasi Data GPM dengan Data BMKG

Thu, 01 Feb 2024 00:00:00 +0000

Latar Belakang

Masalah Utama

GPM IMERG adalah produk curah hujan satelit presisi tinggi dari NASA dengan resolusi 0.1° × 0.1° dan temporal 30 menit. Namun dalam analisis hidrologi — khususnya untuk menentukan Hujan Harian Maksimum Tahunan (HHMT) sebagai input desain bangunan air — data mentah (raw) GPM sering menunjukkan bias sistematis negatif yang signifikan dibandingkan observasi BMKG di lapangan.

⚠️ GPM Raw — Masalah

PBIAS = −31.9% artinya GPM Raw secara rata-rata meremehkan curah hujan sebesar hampir sepertiga dari nilai sesungguhnya. NSE = −1.06 menunjukkan model bahkan lebih buruk dari sekedar menggunakan nilai rata-rata — tidak layak digunakan langsung untuk desain hidrologi.

✅ GPM M4 — Solusi

Setelah kalibrasi dengan metode Year-Specific Scaling Factor (M4), PBIAS turun menjadi +3.5% — hampir tidak ada bias. NSE meningkat ke 0.77 dan KGE ke 0.88, keduanya masuk kategori Sangat Baik menurut SNI 2415:2016.

PBIAS

−31.9%

↓ 91%

+3.5%

Threshold: <10%

NSE

−1.062

↑ 172%

0.772

Threshold: ≥0.75

KGE

0.206

↑ 326%

0.879

Threshold: ≥0.75

RMSE

47.4 mm

↓ 67%

15.8 mm

Semakin kecil

🎯Kalibrasi dengan metode M4 berhasil mengubah data GPM yang tidak layak pakai menjadi data yang masuk kategori Sangat Baik (SB) untuk semua metrik validasi menurut Moriasi et al. (2007) dan SNI 2415:2016.

Data & Wilayah Studi

🛰️ Piksel GPM B4 — Titik Referensi

Analisis berfokus pada satu piksel GPM IMERG V07 yang merepresentasikan wilayah Kota Banjarmasin, yang selanjutnya disebut Piksel B4.

Koordinat Piksel B4

114.60°E, 3.30°S

Bounding Box: 114.487–114.687°E, 3.197–3.397°S

Produk GPM

GPM IMERG V07 Final Run (NASA Giovanni)
Resolusi: 0.1° × 0.1° · Temporal: Daily
Variabel: Presipitasi harian (mm)

🌧️ Stasiun Observasi BMKG (Ground Truth)

Stasiun SY — Syamsuddin Noor

Lokasi: Banjarmasin, Kalimantan Selatan
Piksel GPM-nya: 114.80°E, 3.40°S
Periode: 1998–2025 (28 tahun)
Catatan: Tahun 2010 data = 0 mm (tidak valid, hanya BMKG Kalsel yang digunakan)

Stasiun KS — BMKG Kalsel (Banjarbaru)

Lokasi: Banjarbaru, Kalimantan Selatan
Piksel GPM-nya: 114.85°E, 3.45°S
Periode: 1998–2025 (28 tahun)
Catatan: Digunakan sebagai data pembanding & pengisi ketika SY tidak tersedia

📊 Tabel Data Lengkap — HHMT 1998–2025

Tahun	GPM Raw (mm)	Fk M4	GPM M4 (mm)	Obs BMKG (mm)	Error Raw (mm)	Error M4 (mm)

ℹ️HHMT = Hujan Harian Maksimum Tahunan. Error = GPM − Obs BMKG. Nilai negatif berarti GPM meremehkan observasi. Tahun 2010: data BMKG SY = 0 mm (tidak valid), Fk dihitung dari stasiun KS saja.

Metode Koreksi Bias M4

Terdapat beberapa metode koreksi bias yang umum digunakan dalam hidrologi berbasis data satelit. Analisis ini membandingkan empat metode (M1–M4) dan memilih M4: Year-Specific Scaling Factor sebagai yang terbaik.

Perbandingan 4 Metode Koreksi Bias

Metode	Prinsip	Keunggulan	Keterbatasan	Status
M1 — CF Bulanan	GPM × faktor koreksi per bulan HHMT	Mempertimbangkan musim	CF dihitung hanya dari 1 stasiun	Cukup Baik
M2 — Direct Scaling	GPM × (rerata Obs / rerata GPM) global	Sangat sederhana	Satu faktor untuk semua tahun	Cukup Baik
M3 — Quantile Mapping	Rank-to-rank GPM vs Obs (CDF matching)	Koreksi distribusi penuh	Butuh data lebih banyak; asumsi stasioner	Baik
M4 — Year-Specific ✅	GPM × Fk per tahun dari semua stasiun tersedia	Fk unik tiap tahun, multi-stasiun	Butuh data BMKG per tahun	🏆 Terbaik

Formula Inti — Metode M4

Langkah 1: Faktor Koreksi per Stasiun per Tahun Fk_SY = HHMT_Ground_SY / HHMT_GPM_B4

Langkah 2: Fk Akhir = Rata-rata dari semua stasiun tersedia Fk = mean(Fk_SY, Fk_KS) Jika hanya satu stasiun tersedia (mis. 2010): Fk = Fk dari stasiun yang ada

Langkah 3: GPM Terkoreksi GPM_M4 = GPM_Raw_B4 × Fk Hasil: HHMT tahunan yang sudah dikalibrasi terhadap observasi BMKG

Alur Kerja M4 Step-by-Step

Ekstrak HHMT GPM Raw dari Piksel B4

Download data harian GPM IMERG V07 dari NASA Giovanni untuk piksel 114.60°E, 3.30°S. Ekstrak nilai HHMT (nilai maksimum harian dalam setahun) untuk setiap tahun 1998–2025.

Ekstrak HHMT Ground Truth dari BMKG

Ambil data harian dari dua stasiun BMKG: Syamsuddin Noor (SY) dan BMKG Kalsel/Banjarbaru (KS). Hitung HHMT per tahun dari masing-masing stasiun.

Hitung Faktor Koreksi Fk per Tahun

Fk_SY = Gnd_SY / GPM_B4; Fk_KS = Gnd_KS / GPM_B4. Fk final = rata-rata dari stasiun yang tersedia. Jika data SY tidak valid (tahun 2010: Gnd_SY = 0 mm), gunakan Fk_KS saja.

Terapkan Fk ke GPM Raw

GPM_M4 = GPM_Raw × Fk. Setiap tahun mendapatkan faktor koreksi yang berbeda — ini yang membuat M4 lebih akurat dibandingkan M2 (satu faktor global).

Validasi dengan Metrik Goodness-of-Fit

Hitung R, NSE, KGE, PBIAS, RMSE, MAE untuk membandingkan GPM M4 vs Obs BMKG. Bandingkan dengan threshold SNI 2415:2016 kategori Sangat Baik (SB): NSE ≥ 0.75, KGE ≥ 0.75, |PBIAS| < 10%.

⚠️Metode M4 bersifat year-specific — artinya Fk dikalibrasi untuk periode historis yang sudah ada data BMKG-nya. Untuk proyeksi masa depan, perlu diasumsikan Fk konstan (nilai median atau rata-rata historis) karena tidak ada data ground truth masa depan.

Hasil Visualisasi

📈 Panel 1 — Time Series HHMT Tahunan

Time series HHMT tahunan: GPM Raw (merah solid) vs GPM M4 (navy solid) vs Observasi BMKG (oranye dashed). Label kotak menunjukkan nilai puncak tahun 2021 = 252.2 mm.

Interpretasi Time Series

GPM Raw secara konsisten berada di bawah observasi BMKG sepanjang 28 tahun — mencerminkan bias negatif yang sistematis. Setelah kalibrasi M4, GPM M4 (garis navy) mengikuti pola observasi BMKG dengan sangat baik, termasuk menangkap puncak ekstrem tahun 2021 (252.2 mm) yang berkorelasi dengan banjir besar Banjarmasin Januari 2021.

📊 Panel 2 — Bar Chart Perbandingan Tahunan

Bar chart dengan 3 seri per tahun: GPM Raw (merah), GPM M4 (navy), Obs BMKG (oranye). Terlihat GPM M4 jauh lebih mendekati bar oranye dibanding GPM Raw.

Residual Error per Tahun (GPM − Obs BMKG)

Zona hijau = ±10 mm (toleransi ideal) · GPM M4 hampir selalu di dalam zona hijau

Error GPM Raw

Error GPM M4

Zona ±10 mm

🔵 Panel 3 — Scatter Plot: GPM Raw vs GPM M4 terhadap Observasi BMKG

Kiri: Scatter GPM Raw vs Obs BMKG — titik tersebar jauh dari garis 1:1 (R=0.373). Kanan: Scatter GPM M4 vs Obs BMKG — titik mengikuti garis 1:1 dengan rapat (R=0.900).

🎯Garis putus-putus abu-abu pada scatter plot adalah garis 1:1 (perfect fit). Semakin dekat titik ke garis ini, semakin baik kalibrasi. GPM M4 (kanan) menunjukkan sebaran yang sangat rapat di sekitar garis 1:1 dengan CI band yang sempit — bukti kalibrasi yang sangat berhasil.

Metrik Validasi Statistik

Perbandingan Metrik Goodness-of-Fit — GPM Raw vs GPM M4

Threshold Sangat Baik (SNI 2415:2016 / Moriasi et al. 2007) ditampilkan sebagai garis putus-putus

Metrik	GPM Raw (M0)	GPM M4	Threshold SB	Status M4
R (Korelasi Pearson)	0.373	0.900	≥ 0.75	✅ SB
R² (Koef. Determinasi)	0.139	0.811	≥ 0.75	✅ SB
NSE (Nash-Sutcliffe Eff.)	−1.062	0.772	≥ 0.75	✅ SB
KGE (Kling-Gupta Eff.)	0.206	0.879	≥ 0.75	✅ SB
PBIAS (%)	−31.9%	+3.5%	\|PBIAS\| < 10%	✅ SB
RMSE (mm)	47.44 mm	15.79 mm	Min (↓)	✅ −67%
MAE (mm)	38.72 mm	11.14 mm	Min (↓)	✅ −71%

Tentang NSE (Nash-Sutcliffe Efficiency)

NSE = 1 adalah sempurna. NSE = 0 berarti model sama akuratnya dengan rata-rata observasi. NSE < 0 berarti model lebih buruk dari rata-rata. GPM Raw dengan NSE = −1.06 sangat tidak layak. GPM M4 dengan NSE = 0.77 masuk kategori Sangat Baik.

Tentang KGE (Kling-Gupta Efficiency)

KGE menggabungkan korelasi, bias, dan variabilitas dalam satu metrik. KGE ≥ 0.75 = Sangat Baik. KGE GPM M4 = 0.879 menunjukkan keseimbangan yang baik antara tiga komponen tersebut — model tidak hanya berkorelasi tinggi, tapi juga reproduksi variabilitasnya bagus.

Distribusi Faktor Koreksi (Fk)

Faktor Koreksi Fk per Tahun (Year-Specific Scaling Factor)

Fk = mean(Gnd_SY/GPM_B4, Gnd_KS/GPM_B4) · Garis putus-putus = Median Fk · Garis titik-titik = Fk=1.0 (tidak ada koreksi)

Fk per tahun

Median Fk

Fk = 1.0

Median Fk

1.402

GPM secara rata-rata meremehkan observasi sebesar ~40%. Fk > 1 artinya observasi lebih tinggi dari GPM.

Rentang Fk

Min: 0.842 (2011) — tahun saat GPM justru lebih tinggi
Max: 2.466 (2014) — GPM sangat meremehkan
StDev: ±0.37 (variasi antar tahun tinggi)

Implikasi Fk Tinggi

Tahun dengan Fk > 2.0 (2014, 2020, 2021, 2022, 2023) adalah tahun-tahun dengan curah hujan ekstrem tinggi di Banjarmasin — satelit GPM secara struktural kesulitan menangkap puncak intensitas.

⚠️Variabilitas Fk yang tinggi antar tahun (0.84 – 2.47) menunjukkan bahwa metode koreksi bias tunggal (M2) tidak cukup — justru inilah alasan utama M4 unggul: setiap tahun mendapat koreksi yang sesuai kondisinya.

Kode R — Reproduksi Analisis

Seluruh analisis dikerjakan menggunakan R dengan package ggplot2, patchwork, readxl, dan dplyr. Kode di bawah dapat langsung dijalankan dengan file Excel yang disediakan.

R · Setup & Import Data

library(ggplot2); library(readxl); library(patchwork)
library(scales); library(dplyr); library(tidyr)
library(ggrepel) # label titik scatter plot
# ── Baca data utama dari Excel ───────────────────────────────
xl <- "Input_Plot_GPM_NoWMO.xlsx"
df <- read_excel(xl, sheet = "DATA_UTAMA", skip = 3)
met <- read_excel(xl, sheet = "METRIK_VALIDASI", skip = 3)
# ── Bersihkan nama kolom & konversi tipe data ────────────────
df <- df |>
rename(raw = `GPM_Raw
(mm)`, m4 = `M4_Baru
(mm)`,
obs = `Obs_BMKG
(mm)`, fk = `Fk_Baru
(rata²)`) |>
filter(!is.na(Tahun)) |>
mutate(across(c(Tahun, raw, m4, obs, fk), as.numeric),
tahun = as.integer(Tahun),
err_raw = raw - obs,
err_m4 = m4 - obs)

R · Hitung Faktor Koreksi Fk & Terapkan ke GPM

# ── Data referensi: HHMT dari stasiun BMKG & piksel GPM ─────
# Asumsi: df sudah memiliki kolom gnd_sy, gnd_ks, gpm_b4
df <- df |>
mutate(
# Fk per stasiun = BMKG / GPM_B4 (untuk setiap tahun)
fk_sy = gnd_sy / gpm_b4,
fk_ks = gnd_ks / gpm_b4,
# Fk final = rata-rata stasiun yang tersedia
# Jika salah satu NA (mis. 2010: gnd_sy = 0), gunakan yang ada
fk_m4 = case_when(
is.na(fk_sy) | gnd_sy == 0 ~ fk_ks,
is.na(fk_ks) ~ fk_sy,
.default ~ mean(c(fk_sy, fk_ks))
),
# Terapkan Fk ke GPM Raw piksel B4
gpm_m4 = gpm_b4 * fk_m4
)
# ── Ringkasan statistik ──────────────────────────────────────
cat("Median Fk:", round(median(df$fk_m4, na.rm = TRUE), 3), "
")
cat("Rentang:", round(min(df$fk_m4), 3), "–",
round(max(df$fk_m4), 3), "
")

R · Hitung Metrik Validasi

# ── Fungsi hitung metrik validasi ───────────────────────────
hitung_metrik <- function(sim, obs) {
n <- length(sim)
bias <- sim - obs
R_val <- cor(obs, sim)
NSE <- 1 - sum(bias^2) / sum((obs - mean(obs))^2)
KGE <- 1 - sqrt((R_val-1)^2 +
(sd(sim)/sd(obs)-1)^2 +
(mean(sim)/mean(obs)-1)^2)
PBIAS <- sum(bias) / sum(obs) * 100
RMSE <- sqrt(mean(bias^2))
MAE <- mean(abs(bias))
data.frame(R=R_val, NSE=NSE, KGE=KGE, PBIAS=PBIAS, RMSE=RMSE, MAE=MAE)
}
# ── Bandingkan M0 (Raw) vs M4 ────────────────────────────────
metrik_raw <- hitung_metrik(df$raw, df$obs)
metrik_m4 <- hitung_metrik(df$m4, df$obs)
bind_rows(
mutate(metrik_raw, Metode = "GPM Raw"),
mutate(metrik_m4, Metode = "GPM M4")
) |> select(Metode, R, NSE, KGE, PBIAS, RMSE, MAE)

R · Time Series Plot (Panel 1)

# ── Reshape ke long format untuk ggplot ──────────────────────
df_long <- df |>
select(tahun, raw, m4, obs) |>
pivot_longer(c(raw, m4, obs), names_to = "seri", values_to = "hhmt") |>
mutate(seri = factor(seri,
levels = c("obs", "m4", "raw"),
labels = c("Obs BMKG", "GPM M4 (Koreksi)", "GPM Raw")))
p1 <- ggplot(df_long, aes(x = tahun, y = hhmt,
color = seri, linetype = seri, linewidth = seri)) +
geom_line(na.rm = TRUE) +
geom_point(data = . |> filter(seri == "Obs BMKG"),
size = 1.8, shape = 21) +
geom_label(data = df |> filter(m4 > 200),
aes(x = tahun, y = m4 + 8,
label = paste0(tahun, "
", m4, "mm")),
inherit.aes = FALSE, size = 2.8, color = "#1A5276") +
scale_color_manual(
values = c("Obs BMKG"="#B45309", "GPM M4 (Koreksi)"="#1A5276",
"GPM Raw"="#B91C1C"), name = NULL) +
scale_linetype_manual(
values = c("Obs BMKG"="dashed", "GPM M4 (Koreksi)"="solid",
"GPM Raw"="solid"), name = NULL) +
scale_y_continuous(
limits = c(0, 280),
labels = function(x) paste0(x, " mm")) +
labs(
title = "Time Series HHMT Tahunan",
subtitle = "GPM Raw vs GPM M4 vs Observasi BMKG | 1998–2025",
x = NULL, y = "HHMT (mm)",
caption = "Sumber: GPM IMERG V07 (NASA) | BMKG Syamsuddin Noor + BMKG Kalsel"
) +
theme_minimal(base_size = 11) +
theme(plot.title = element_text(face = "bold"))
# ── Scatter Plot: M4 vs Obs ───────────────────────────────────
p_scatter <- ggplot(df, aes(x = obs, y = m4)) +
geom_abline(slope = 1, intercept = 0,
linetype = "dashed", color = "#94A3B8") +
geom_point(color = "#1A5276", size = 3, shape = 21) +
ggrepel::geom_text_repel(aes(label = tahun),
size = 2.5, color = "#475569") +
geom_smooth(method = "lm", se = TRUE,
color = "#1A5276", fill = "#1A527622") +
coord_equal() +
labs(title = "Scatter: GPM M4 vs Obs BMKG",
x = "Observasi BMKG (mm)", y = "GPM M4 (mm)")
# ── Gabung & simpan ──────────────────────────────────────────
fig_final <- p1 / p_scatter +
plot_annotation(
title = "Koreksi Bias GPM IMERG V07 — WPG Banjarmasin",
caption = "SNI 2415:2016 | Teutschbein & Seibert (2012)")
ggsave("hasil_kalibrasi_gpm.png", fig_final,
width = 36, height = 30, units = "cm", dpi = 300)

Kesimpulan

Ringkasan Hasil

✓

GPM Raw tidak layak digunakan langsung

PBIAS = −31.9% dan NSE = −1.06 mengonfirmasi bahwa data mentah GPM IMERG secara sistematis meremehkan HHMT di wilayah Banjarmasin sebesar ~32% — tidak memenuhi threshold SNI 2415:2016 untuk analisis hidrologi desain.

✓

Metode M4 (Year-Specific Scaling) adalah yang terbaik

Dibandingkan M1 (CF bulanan), M2 (direct scaling), dan M3 (quantile mapping), metode M4 menghasilkan metrik terbaik karena Fk dikalibrasi unik per tahun dari rata-rata dua stasiun BMKG — menangkap variabilitas antar tahun yang signifikan.

✓

Semua metrik validasi masuk kategori Sangat Baik

Setelah kalibrasi M4: R=0.900, NSE=0.772, KGE=0.879, PBIAS=+3.5%, RMSE=15.8 mm. Semua nilai melampaui threshold Sangat Baik (SB) menurut Moriasi et al. (2007) dan SNI 2415:2016.

✓

Aplikasi praktis: data GPM M4 layak untuk analisis frekuensi

Dengan kualitas data yang sudah masuk SB, GPM M4 dapat digunakan sebagai data curah hujan dalam analisis frekuensi (menghitung return period 25, 50, 100 tahun) untuk desain bangunan air di wilayah yang tidak memiliki stasiun observasi.

Referensi Utama

📚 Moriasi et al. (2007) — Model Evaluation Guidelines
📚 Teutschbein & Seibert (2012) — Bias Correction Methods
📚 Knoben et al. (2019) — KGE Commentary
📚 SNI 2415:2016 — Tata Cara Perhitungan Debit Banjir Rencana
🛰️ NASA GPM IMERG V07 Final Run
🌧️ BMKG Stasiun Syamsuddin Noor & BMKG Kalsel

Keterbatasan & Pengembangan

⚠️ Fk bersifat historis — proyeksi masa depan asumsi Fk = median
⚠️ Hanya 2 stasiun BMKG — wilayah DAS besar butuh lebih banyak
⚠️ Koreksi bias pada level HHMT — bukan distribusi harian penuh
🔭 Pengembangan: uji pada stasiun lain & periode lebih panjang
🔭 Kombinasikan M4 dengan M3 (Quantile Mapping) untuk distribusi

Ada pertanyaan tentang kalibrasi data GPM?

Diskusi metodologi, data, atau implementasi di proyekmu

Hubungi saya →