ERA5 adalah reanalysis atmosfer global dari ECMWF yang paling banyak dipakai dalam riset cuaca dan iklim — tapi ada satu variabel yang tidak...
Rabu, 08 Juli 2026
ERA5 adalah reanalysis atmosfer global dari ECMWF yang paling banyak dipakai dalam riset cuaca dan iklim — tapi ada satu variabel yang tidak tersimpan langsung di dalamnya: kelembaban relatif. Tutorial ini menunjukkan cara menurunkan relative humidity (RH) dari dua variabel ERA5 yang tersedia, menggunakan formula Magnus-Tetens dengan Python.
Sumber: NOAA/NESDIS — What Is Humidity?
Latar Belakang — Mengapa Menghitung Kelembaban Relatif?
RH mengukur seberapa jenuh udara dengan uap air, dinyatakan sebagai persentase dari kapasitas maksimum yang bisa ditampung pada suhu tertentu. Ketika suhu udara sama dengan suhu dewpoint, udara tepat jenuh dan RH mencapai 100%. Udara kering dengan RH rendah mendukung evaporasi cepat, meningkatkan risiko kebakaran lahan, dan menekan konveksi.
ERA5 mengarsipkan lebih dari 240 variabel atmosfer, tapi RH permukaan tidak termasuk di antaranya. ECMWF mendokumentasikan bahwa RH harus diturunkan dari dua variabel instantaneous yang tersedia: suhu udara 2 meter (t2m, parameter ID 167) dan suhu dewpoint 2 meter (d2m, parameter ID 168) — keduanya dalam satuan Kelvin.
Perlu dibedakan antara RH dan specific humidity. RH adalah rasio tekanan uap aktual terhadap tekanan uap jenuh pada suhu yang sama — nilainya bergantung pada suhu, bukan hanya kandungan uap air mutlak. Specific humidity (g/kg) adalah massa uap air per satuan massa udara lembab, tidak bergantung pada suhu. Di kawasan tropis seperti Indonesia, RH tinggi sepanjang tahun karena SST hangat menyuplai uap air melimpah, meskipun specific humidity juga bervariasi antar musim.
Kita akan menggunakan formula Magnus-Tetens dengan koefisien resmi ECMWF — koefisien yang sama dipakai dalam produk AgERA5 — untuk memastikan konsistensi dengan pipeline reanalysis ECMWF sendiri.
Persiapan — Membuka Data ERA5
Kita butuh dua file ERA5: suhu 2m (t2m) dan dewpoint 2m (d2m) untuk Indonesia sepanjang 2024 pada resolusi 6-hourly. Jika belum punya akun CDS, daftar gratis di cds.climate.copernicus.eu dan install cdsapi terlebih dahulu.
Snippet berikut mengecek apakah file sudah ada secara lokal — jika belum, unduh via CDS. Untuk pembaca, proses download berlangsung sekitar 5–15 menit per file tergantung antrean CDS. Setelah kedua file tersedia, kita buka dengan xarray dan inspect strukturnya.
import os, cdsapi, xarray as xr
OUT_T = "era5_t2m_indonesia_2024_6h.nc"
OUT_D = "era5_d2m_indonesia_2024_6h.nc"
_params = {
"product_type": "reanalysis",
"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", "06:00", "12:00", "18:00"],
"area": [6, 95, -11, 141], # N, W, S, E — Indonesia
"format": "netcdf",
}
if not os.path.exists(OUT_T) or not os.path.exists(OUT_D):
c = cdsapi.Client(quiet=True)
if not os.path.exists(OUT_T):
c.retrieve("reanalysis-era5-single-levels",
{**_params, "variable": "2m_temperature"}, OUT_T)
if not os.path.exists(OUT_D):
c.retrieve("reanalysis-era5-single-levels",
{**_params, "variable": "2m_dewpoint_temperature"}, OUT_D)
ds_t = xr.open_dataset(OUT_T)
ds_d = xr.open_dataset(OUT_D)
print("=== 2m Temperature (t2m) ===")
print(ds_t)
print("\n=== 2m Dewpoint (d2m) ===")
print(ds_d)
=== 2m Temperature (t2m) ===
<xarray.Dataset> Size: 75MB
Dimensions: (valid_time: 1464, latitude: 69, longitude: 185)
Coordinates:
* valid_time (valid_time) datetime64[ns] 12kB 2024-01-01 ... 2024-12-31T18...
expver (valid_time) <U4 23kB ...
* latitude (latitude) float64 552B 6.0 5.75 5.5 5.25 ... -10.5 -10.75 -11.0
* longitude (longitude) float64 1kB 95.0 95.25 95.5 ... 140.5 140.8 141.0
number int64 8B ...
Data variables:
t2m (valid_time, latitude, longitude) float32 75MB ...
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: 2026-05-10T03:51 GRIB to CDM+CF via cfgrib-0.9.1...
=== 2m Dewpoint (d2m) ===
<xarray.Dataset> Size: 75MB
Dimensions: (valid_time: 1464, latitude: 69, longitude: 185)
Coordinates:
* valid_time (valid_time) datetime64[ns] 12kB 2024-01-01 ... 2024-12-31T18...
expver (valid_time) <U4 23kB ...
* latitude (latitude) float64 552B 6.0 5.75 5.5 5.25 ... -10.5 -10.75 -11.0
* longitude (longitude) float64 1kB 95.0 95.25 95.5 ... 140.5 140.8 141.0
number int64 8B ...
Data variables:
d2m (valid_time, latitude, longitude) float32 75MB ...
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: 2026-05-10T04:06 GRIB to CDM+CF via cfgrib-0.9.1...
Output di atas menampilkan dimensi dataset — biasanya (valid_time: 1464, latitude: 69, longitude: 185) untuk data 6-hourly selama 2024 di bbox Indonesia. Variabel utama yang kita butuhkan adalah t2m dan d2m, keduanya dalam Kelvin. Catat nama dimensi waktu yang muncul — bisa valid_time atau time tergantung versi API CDS yang digunakan; kita tangani secara dinamis di snippet berikutnya.
Formula Magnus-Tetens untuk Tekanan Uap Jenuh
Dasar perhitungan RH adalah saturation vapor pressure \(e_s\) — tekanan yang diberikan oleh uap air ketika udara tepat jenuh pada suhu tertentu. Formula Magnus-Tetens mendekati \(e_s\) sebagai fungsi suhu Celsius:
$$e_s(T_C) = 6{,}112 \cdot \exp\!\left(\frac{17{,}27 \cdot T_C}{237{,}3 + T_C}\right) \quad \text{(hPa)}$$
Koefisien \(A = 17{,}27\) dan \(B = 237{,}3\ °\text{C}\) adalah konstanta Tetens (1930) yang digunakan ECMWF dalam pipeline AgERA5. Alternatif seperti WMO CIMO (\(A = 17{,}62\), \(B = 243{,}12\)) atau Magnus (\(A = 17{,}67\), \(B = 243{,}5\)) menghasilkan perbedaan RH kurang dari \(0{,}5\%\) dalam rentang suhu meteorologi normal — tapi untuk konsistensi dengan ERA5, kita pakai koefisien ECMWF.
RH didefinisikan sebagai rasio tekanan uap dewpoint terhadap tekanan uap jenuh pada suhu udara:
$$\text{RH} = 100 \times \frac{e_s(T_d)}{e_s(T)}$$
Karena faktor \(6{,}112\) muncul di pembilang dan penyebut, nilainya saling menghilangkan, sehingga implementasinya menjadi:
$$\text{RH} = 100 \times \frac{\exp\!\left(\dfrac{17{,}27 \cdot T_d}{237{,}3 + T_d}\right)}{\exp\!\left(\dfrac{17{,}27 \cdot T}{237{,}3 + T}\right)}$$
di mana \(T\) dan \(T_d\) adalah suhu dan dewpoint dalam Celsius. Konversi dari Kelvin: \(T_C = T_K - 273{,}15\).
Snippet berikut mendefinisikan fungsi \(e_s\) dan mendemonstrasikannya pada beberapa nilai suhu representatif untuk memverifikasi perilaku eksponensialnya:
import numpy as np
def e_s(T_C):
"""
Saturation vapor pressure (hPa) — Magnus-Tetens formula.
Coefficients A=17.27, B=237.3 °C (Tetens 1930), per ECMWF AgERA5 ATBD.
"""
return 6.112 * np.exp(17.27 * T_C / (237.3 + T_C))
temps_C = np.array([-10.0, 0.0, 10.0, 20.0, 30.0, 37.0])
es_vals = e_s(temps_C)
print(f"{'T (°C)':>8} {'e_s (hPa)':>10}")
print("-" * 22)
for T, es in zip(temps_C, es_vals):
print(f"{T:>8.1f} {es:>10.3f}")
T (°C) e_s (hPa)
----------------------
-10.0 2.859
0.0 6.112
10.0 12.288
20.0 23.398
30.0 42.458
37.0 62.789
Terlihat bahwa \(e_s\) tumbuh secara eksponensial: dari sekitar 2–3 hPa di suhu beku hingga lebih dari 60 hPa di suhu 37 °C. Inilah sebabnya udara tropis yang hangat bisa menampung jauh lebih banyak uap air dibanding udara dingin — dan mengapa nilai RH yang sama di daerah tropis mewakili kandungan uap air absolut yang jauh lebih besar.
Sumber: NOAA Climate.gov — 2013 State of the Climate: Humidity, data dari HadISDH / NOCSv2.0
Peta di atas menggambarkan anomali RH global tahun 2013 dibanding rata-rata 1981–2010. Sebagian besar daratan menunjukkan RH di bawah normal, meskipun specific humidity global meningkat — sebab suhu permukaan naik lebih cepat dari kandungan uap air. Fenomena ini penting untuk dipahami sebelum menginterpretasi tren RH dari data reanalysis.
Menghitung Kelembaban Relatif dari ERA5
Dengan fungsi \(e_s\) yang sudah terdefinisi, kita terapkan formula ke seluruh grid ERA5 Indonesia. Xarray mendukung operasi aritmatika elemen-per-elemen langsung pada DataArray, sehingga perhitungan vektorial ini cukup ringkas.
import numpy as np
# Konversi Kelvin → Celsius
T_C = ds_t["t2m"] - 273.15
Td_C = ds_d["d2m"] - 273.15
# Hitung RH — faktor 6.112 menghilangkan dalam rasio
RH_raw = 100.0 * (
np.exp(17.27 * Td_C / (237.3 + Td_C)) /
np.exp(17.27 * T_C / (237.3 + T_C ))
)
# Periksa nilai di luar rentang fisik sebelum clip
n_above = int((RH_raw > 100).sum())
n_below = int((RH_raw < 0).sum())
# Clip ke [0, 100] %
RH = RH_raw.clip(0, 100)
RH.name = "RH"
RH.attrs["units"] = "%"
RH.attrs["long_name"] = "2m Relative Humidity"
print("Dimensi RH:", dict(zip(RH.dims, RH.shape)))
print(f"\nStatistik RH — seluruh Indonesia, 2024:")
print(f" Min : {float(RH.min()):.2f} %")
print(f" Max : {float(RH.max()):.2f} %")
print(f" Mean : {float(RH.mean()):.2f} %")
print(f" Std : {float(RH.std()):.2f} %")
print(f"\nNilai RH_raw > 100% (sebelum clip) : {n_above}")
print(f"Nilai RH_raw < 0% (sebelum clip) : {n_below}")
Dimensi RH: {'valid_time': 1464, 'latitude': 69, 'longitude': 185}
Statistik RH — seluruh Indonesia, 2024:
Min : 18.81 %
Max : 100.00 %
Mean : 82.04 %
Std : 7.50 %
Nilai RH_raw > 100% (sebelum clip) : 2494
Nilai RH_raw < 0% (sebelum clip) : 0
Nilai RH di atas 100% secara fisik tidak valid, tapi bisa muncul dalam jumlah kecil ketika dewpoint sedikit melebihi suhu udara akibat rounding numerik dalam data ERA5 — terutama di suhu sub-freezing, di mana formula Magnus-Tetens (yang mengasumsikan saturasi terhadap liquid water) tidak persis mencerminkan tekanan uap jenuh terhadap es. Clip ke [0, 100]% adalah praktik standar operasional.
Di Indonesia, rata-rata RH 2m cenderung tinggi — biasanya 80–90% — mencerminkan iklim tropis lembap dengan penguapan aktif dari permukaan laut dan hutan sepanjang tahun. Variabilitas spasial akan tampak jelas di peta yang kita buat selanjutnya.
Visualisasi Kelembaban Relatif Permukaan
Langkah terakhir adalah memvisualisasikan distribusi spasial RH rata-rata tahunan 2024. Kita rata-ratakan seluruh dimensi waktu lalu plot hasilnya sebagai peta grid menggunakan pcolormesh. Deteksi nama dimensi waktu dilakukan secara dinamis agar kompatibel dengan berbagai versi output CDS API.
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
# Deteksi nama dimensi waktu
time_dim = "valid_time" if "valid_time" in RH.dims else "time"
# Rata-rata tahunan 2024
RH_mean = RH.mean(dim=time_dim)
lons = RH_mean.longitude.values
lats = RH_mean.latitude.values
fig, ax = plt.subplots(figsize=(13, 5))
pcm = ax.pcolormesh(
lons, lats, RH_mean.values,
cmap="YlGnBu",
vmin=60, vmax=100,
shading="nearest",
)
cb = fig.colorbar(pcm, ax=ax, label="Kelembaban Relatif (%)",
fraction=0.025, pad=0.04)
cb.set_ticks([60, 70, 80, 90, 100])
ax.set_xlabel("Bujur (°E)", fontsize=11)
ax.set_ylabel("Lintang (°)", fontsize=11)
ax.set_title(
"Rata-rata Tahunan Kelembaban Relatif 2m — Indonesia 2024\n"
"Sumber data: ERA5 Reanalysis (ECMWF / Copernicus CDS)",
fontsize=12,
)
ax.set_xlim(95, 141)
ax.set_ylim(-11, 6)
ax.grid(True, linewidth=0.3, alpha=0.5)
plt.tight_layout()
plt.savefig("rh_mean_indonesia_2024.png", dpi=150, bbox_inches="tight")
print("Plot disimpan: rh_mean_indonesia_2024.png")
Peta menampilkan distribusi RH rata-rata sepanjang 2024. Kita biasanya akan melihat RH tinggi di atas laut dan wilayah berhutan lebat (Kalimantan, Papua bagian barat), sementara daerah seperti Nusa Tenggara Timur cenderung menunjukkan nilai lebih rendah — mencerminkan pengaruh musim kemarau yang lebih panjang dan tutupan vegetasi yang lebih rapat. Gradien antara wilayah barat dan timur Indonesia juga menggambarkan perbedaan paparan monsun.
Langkah Selanjutnya — Eksplorasi Lebih Lanjut
Dengan DataArray RH yang kita hasilkan, ada banyak arah eksplorasi yang menarik:
- Variasi musiman: rata-ratakan per bulan (
RH.groupby("valid_time.month").mean()) untuk melihat kontras musim hujan (DJF) vs kemarau (JJA) di berbagai wilayah. - Regional hotspot: subsetting dengan
.sel(latitude=slice(-10, -5), longitude=slice(115, 125))untuk Nusa Tenggara, atau Kalimantan, untuk studi kelembaban regional. - Kaitan dengan konveksi: kombinasikan RH dengan CAPE dari data ERA5 pressure-level (
era5_t_pl500-850_indonesia_2024_d.nc) untuk mengidentifikasi kondisi pra-konvektif. - Profil vertikal: ERA5 juga menyimpan specific humidity pada beberapa level tekanan. Dari sana, RH profil vertikal bisa diturunkan dengan formula yang sama, memberi gambaran struktur termodinamika kolom atmosfer.
Pemahaman tentang RH di lapisan bawah troposfer juga punya implikasi lebih luas. Di upper troposphere, RH memainkan peran kunci dalam radiative forcing karena uap air di ketinggian tersebut adalah greenhouse gas efektif — perubahan kecil dalam RH lapisan atas punya dampak besar pada energy budget bumi.
Sumber: NASA Earth Observatory — Relative Humidity in the Upper Troposphere; image oleh Robert Simmon, NASA; data dari Andy Dessler (NASA GSFC) dan Ken Minschwaner (New Mexico Institute of Mining and Technology)
Peta false-color di atas — dari satelit UARS — menunjukkan RH di ketinggian 10–14 km di kawasan tropis. Pola biru (RH tinggi) menandai jalur konveksi dalam yang terkait dengan ITCZ, sementara merah (RH sangat rendah) menandai subsiden di sekitarnya. Pola ini menunjukkan betapa kuat koneksi antara RH permukaan, konveksi, dan humidity di lapisan atas.
Eksplorasi artikel meteorologi lainnya di meteo.my.id — kunjungi meteo.my.id.
Referensi
- ERA5: data documentation — ECMWF Confluence — Dokumentasi resmi ERA5 yang mengkonfirmasi t2m dan d2m disimpan dalam Kelvin dan RH harus diturunkan dari keduanya.
- AgERA5 Algorithm Theoretical Basis Document — ECMWF — Sumber formula Magnus-Tetens dengan koefisien A=17,27 dan B=237,3 °C yang digunakan ECMWF dalam pipeline reanalysis.
- What Is Humidity? — NOAA/NESDIS — Penjelasan konseptual RH, dewpoint, dan perbedaannya dengan specific humidity.
- 2013 State of the Climate: Humidity — NOAA Climate.gov — Analisis tren global RH vs specific humidity, menjelaskan divergensi antara keduanya di era pemanasan global.
- Relative Humidity in the Upper Troposphere — NASA Earth Observatory — Observasi satelit RH di lapisan atas troposfer dan implikasinya terhadap humidity-temperature feedback.
Selasa, 07 Juli 2026
Sumber: NASA/Goddard Space Flight Center Scientific Visualization Studio — Visualisasi jet stream polar Hemisfer Utara (data MERRA, Juni–Juli 1988). Merah menunjukkan angin terkencang; biru menunjukkan angin lebih lemah. (halaman sumber)
Apa Itu Jet Stream dan Mengapa Penting
Mengapa jalur badai di belahan bumi utara cenderung mengikuti lintasan yang serupa dari tahun ke tahun? Mengapa Indonesia kadang mengalami kemarau panjang berbulan-bulan, lalu tiba-tiba berbalik menjadi musim hujan yang jauh lebih basah dari normal? Sebagian besar jawabannya ada sekitar 10 km di atas permukaan laut — di troposfer atas, di mana udara mengalir dalam arus sempit berkecepatan sangat tinggi yang disebut jet stream.
Jet stream adalah arus udara sempit yang bergerak dari barat ke timur di lapisan troposfer atas, umumnya pada level tekanan sekitar 200–300 hPa atau ketinggian 9–12 km. Kecepatan anginnya rata-rata sekitar 100–200 km/jam, tetapi pada jet polar di musim dingin dapat melampaui 400 km/jam. Lebar zona intinya hanya beberapa ratus kilometer, sementara ketebalannya hanya beberapa kilometer — tipis dan ramping jika dibandingkan dengan skala horizontal Bumi.
Bagi meteorolog sinoptik, jet stream memiliki tiga peran utama yang menentukan cuaca di permukaan: mengarahkan (steering) sistem cuaca lintang menengah seperti badai dan front, menciptakan angin barat yang dominan di lintang menengah, dan bertindak sebagai batas antara massa udara hangat dan dingin. Kita tidak bisa membaca chart sinoptik 500 hPa atau 300 hPa dengan benar tanpa memahami di mana jet stream berada dan ke mana ia menuju.
Thermal Wind dan Sirkulasi Hadley sebagai Sumber Tenaga Jet Stream
Jet stream bukan fenomena yang muncul secara kebetulan. Ia adalah konsekuensi yang tak terhindarkan dari dua prinsip dasar: ketidakseragaman pemanasan matahari terhadap Bumi, dan rotasi Bumi yang menghasilkan gaya Coriolis.
Prinsip fisika yang menghubungkan gradien suhu horizontal dengan wind shear vertikal disebut thermal wind balance. Secara konseptual: semakin besar perbedaan suhu antara kutub yang dingin dan ekuator yang hangat, semakin kuat perubahan kecepatan angin terhadap ketinggian. Dalam notasi tekanan, relasi ini ditulis sebagai
$$\frac{\partial u_g}{\partial \ln p} = \frac{R_d}{f} \frac{\partial T}{\partial y}$$
di mana \(u_g\) adalah komponen zonal angin geostrofik, \(p\) tekanan, \(f\) parameter Coriolis, \(R_d\) konstanta gas udara kering, dan \(\frac{\partial T}{\partial y}\) adalah gradien suhu ke arah kutub. Implikasinya langsung: semakin besar selisih suhu antara kutub dan ekuator, semakin cepat angin bertambah kencang seiring naiknya ketinggian — dan hasilnya adalah jet stream di troposfer atas.
Dua jenis jet stream terbentuk dari dua mekanisme yang berbeda. Jet subtropis berasal dari sirkulasi Hadley: udara tropis yang hangat dan lembab naik di dekat ekuator, mengalir ke arah kutub di troposfer atas, lalu turun kembali sekitar 30° lintang. Gaya Coriolis membelokkan aliran poleward itu ke arah timur, menghasilkan arus angin barat yang kuat di troposfer atas — itulah jet subtropis. Sementara itu, jet polar terbentuk dari kontras suhu yang jauh lebih tajam antara udara lintang menengah yang relatif hangat dan massa udara kutub yang sangat dingin, sepanjang zona frontal yang memisahkan keduanya.
Membedakan Jet Polar dan Jet Subtropis
Bumi memiliki empat jet stream utama: dua jet polar (satu di hemisfer utara, satu di hemisfer selatan) dan dua jet subtropis (satu di masing-masing hemisfer). Keempatnya bergerak dari barat ke timur, tetapi karakternya berbeda secara signifikan — dan perbedaan itu penting bagi kita saat menganalisis cuaca sinoptik.
Jet polar berada di sekitar 50–60° lintang dan lebih dalam secara vertikal: pengaruhnya bisa terdeteksi hingga sekitar 500 hPa karena terbentuk dari kontras suhu yang meresap ke seluruh kolom troposfer. Ia adalah mesin utama siklogenesis di lintang menengah — di mana jet polar berkelok, di sanalah sistem tekanan rendah permukaan berkembang dan bergerak. Storm track musim dingin di Atlantik Utara dan Pasifik Utara mengikuti lintasan jet polar.
Jet subtropis berada di sekitar 25–35° lintang, lebih dangkal (terbatas di troposfer atas, sekitar 200 hPa), dan posisinya relatif lebih stabil dari musim ke musim dibandingkan jet polar. Ia terbentuk dari mekanisme Hadley cell — dinamika termal tropis — bukan dari kontras massa udara kutub. Untuk Indonesia dan kawasan tropis pada umumnya, jet subtropis jauh lebih relevan. Pengaruhnya dapat melewati lintang subtropik menuju kawasan ekuatorial, terutama dalam hal modulasi konveksi dan curah hujan musiman.
Seorang forecaster yang menganalisis chart 300 hPa untuk kawasan Indonesia perlu memperhatikan posisi dan intensitas jet subtropis Pasifik — bukan jet polar — sebagai referensi utama dalam memahami sirkulasi skala besar yang mempengaruhi Benua Maritim.
Jet Stream sebagai Waveguide Gelombang Rossby
Jet stream tidak mengalir lurus seperti sungai yang tenang. Ia bergelombang dengan panjang gelombang ribuan kilometer — gelombang inilah yang disebut Rossby wave (gelombang planet). Di seluruh hemisfer pada satu waktu, biasanya terdapat 3–7 gelombang panjang ini, menciptakan pola meander yang secara langsung menentukan di mana udara dingin bergerak ke arah ekuator dan di mana udara hangat bergerak ke arah kutub.
Meander jet stream menciptakan dua struktur kunci dalam analisis sinoptik. Trough (palung) adalah lekukan jet ke arah ekuator, di mana nilai geopotential lebih rendah di troposfer atas dan konvergensi udara di permukaan mendorong pembentukan sistem tekanan rendah. Ridge (punggung) adalah lekukan jet ke arah kutub, di mana geopotential lebih tinggi dan divergensi permukaan mendorong pembentukan tekanan tinggi dan cuaca cerah. Posisi palung dan punggung ini secara langsung menentukan storm track — jalur pergerakan sistem tekanan rendah — di permukaan.
Skema sederhana meander jet stream: trough mendorong pembentukan tekanan rendah dan jalur badai di permukaan, sedangkan ridge menghasilkan tekanan tinggi dan cuaca cerah.
Yang membuat Rossby wave begitu penting untuk prakiraan cuaca mingguan adalah pergerakannya yang sangat lambat, bahkan hampir stasioner selama beberapa hari hingga beberapa minggu. Berbeda dengan sistem cuaca permukaan yang bergerak cepat melintasi benua, Rossby wave bisa bertahan di satu lokasi relatif lama. Kawasan yang terjebak di antara palung dan punggung bisa mengalami hujan persisten berhari-hari, sementara kawasan di bawah punggung tetap cerah dan kering dalam periode yang sama. Gelombang Rossby juga memindahkan panas dari tropis ke kutub, menjaga keseimbangan energi Bumi pada skala meridional.
Pengaruh ENSO pada Jet Subtropis Pasifik dan Indonesia
Bagi Indonesia, koneksi paling langsung ke dinamika jet stream adalah melalui ENSO. ENSO memodulasi posisi dan intensitas jet subtropis Pasifik, yang kemudian mempengaruhi konveksi dan curah hujan di atas Benua Maritim secara signifikan.
Selama El Niño, SST Pasifik tropis bagian tengah-timur menghangat di atas normal. "Sumber panas" atmosfer — pusat konveksi aktif — bergeser ke timur dari posisi normalnya di atas Indonesia dan Pasifik barat. Jet subtropis Pasifik merespons dengan menguat dan bergeser ke selatan, memanjang lebih jauh ke arah timur. Di Indonesia, hasilnya adalah konveksi yang melemah: awan konvektif lebih jarang terbentuk, curah hujan turun di bawah normal, dan kondisi kering dapat berlangsung berbulan-bulan.
Selama La Niña, SST Pasifik tropis lebih dingin dari normal. Jet subtropis melemah dan bergeser ke arah kutub. Pusat konveksi bergeser kembali ke barat — di atas Indonesia dan Australia utara. Hasilnya adalah kondisi lebih basah dari normal di Indonesia, terutama saat musim dingin boreal (Desember–Februari).
Sumber: NOAA Climate.gov — Komposit angin zonal di 300 hPa selama semua musim dingin El Niño (1959–2023). Jet subtropis Pasifik tampak lebih kuat dan memanjang lebih jauh ke timur dibandingkan kondisi normal. Data: NCEP/NCAR Reanalysis, analisis oleh Michelle L'Heureux. (halaman sumber)
Sumber: NOAA Climate.gov — Komposit angin zonal di 300 hPa selama semua musim dingin La Niña (1959–2023). Jet subtropis Pasifik tampak lebih lemah dan bergeser ke arah kutub dibandingkan kondisi El Niño, membiarkan pusat konveksi aktif kembali ke atas Indonesia. Data: NCEP/NCAR Reanalysis, analisis oleh Michelle L'Heureux. (halaman sumber)
Membandingkan kedua komposit, jet El Niño lebih kuat dan memanjang ke timur, sementara jet La Niña melemah dan bergeser ke arah kutub — pergeseran yang mengembalikan pusat konveksi ke atas Benua Maritim.
Penting untuk dicatat: ENSO tidak menjamin konfigurasi jet tertentu. Ia "memiringkan peluang" — kondisi El Niño membuat jet subtropis yang lebih kuat dan Indonesia yang lebih kering lebih mungkin terjadi, bukan pasti terjadi. Variabilitas internal atmosfer tetap berperan, sehingga ada tahun El Niño di mana sebagian wilayah Indonesia tetap memperoleh curah hujan mendekati normal.
Dampak perubahan iklim terhadap jet stream masih menjadi perdebatan ilmiah aktif. Pemanasan Arktik yang lebih cepat dibandingkan kawasan tropis (Arctic amplification) secara teori melemahkan gradien suhu meridional, yang berdasarkan thermal wind balance seharusnya melemahkan jet polar. Namun sekitar setengah model iklim terkini menunjukkan jet menguat, setengah lainnya melemah — artinya kita belum punya konsensus tentang arah respons jet terhadap pemanasan global, dan forecaster perlu mencermati literatur terbaru dengan kritis.
Untuk forecasting operasional di Indonesia, pemahaman tentang jet stream — khususnya posisi jet subtropis Pasifik dan bagaimana ENSO memodifikasinya — adalah fondasi untuk menginterpretasikan outlook iklim musiman, memahami anomali curah hujan musiman, dan mengantisipasi periode basah atau kering yang persisten di atas Benua Maritim.
Langkah berikutnya yang logis adalah membaca chart geopotential 300 dan 500 hPa secara operasional — mengidentifikasi trough dan ridge serta melacak jet subtropis Pasifik dari pekan ke pekan, lalu mengaitkannya dengan fase ENSO yang berjalan. Eksplorasi artikel meteorologi lainnya di meteo.my.id, termasuk panduan analisis chart sinoptik dan pengaruh ENSO terhadap monsun Indonesia, di https://meteo.my.id.
Referensi
- What is the jet stream? — NOAA Climate.gov (2023): Penjelasan komprehensif tentang definisi jet stream, perbedaan jet subtropis dan jet polar, mekanisme pembentukan dari thermal wind dan sirkulasi Hadley, serta tiga cara jet mempengaruhi cuaca permukaan.
- What Is the Jet Stream? — NOAA NESDIS (2024): Ikhtisar pendidikan tentang empat jet stream utama Bumi, ketinggian 5–9 mil, kecepatan rata-rata dan puncak, serta dampaknya pada penerbangan dan cuaca harian.
- Rossby Waves — NOAA Ocean Service (2024): Penjelasan gelombang Rossby atmosfer, perannya sebagai waveguide jet stream, dan bagaimana gerakan lambatnya menciptakan pola cuaca persisten berhari-hari hingga berminggu-minggu.
- What we talk about when we talk about the jet stream and El Niño — NOAA Climate.gov (2023): Analisis mendalam bagaimana ENSO memodulasi posisi dan kekuatan jet subtropis Pasifik, dengan data komposit 300 hPa untuk episode El Niño dan La Niña dari 1959–2023.
- Typical ENSO Impacts — NOAA Climate Prediction Center (2024): Referensi dampak ENSO tipikal pada sirkulasi atmosfer, perubahan kekuatan jet stream Pasifik, dan kondisi curah hujan regional di Indonesia dan Australia utara pada episode hangat maupun dingin.
Sumber: NASA/Goddard Space Flight Center Scientific Visualization Studio — Visualisasi jet stream polar Hemisfer Utara (data MERRA, Juni–Ju...
