Sumber: NASA/Goddard Space Flight Center Scientific Visualization Studio — Visualisasi jet stream polar Hemisfer Utara (data MERRA, Juni–Ju...
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.
Senin, 06 Juli 2026
Mengapa Dask untuk Data ERA5?
ERA5 adalah reanalisis generasi kelima ECMWF yang menyediakan data atmosfer per jam sejak tahun 1940 hingga kini, mencakup grid global 0,25°×0,25° dengan 137 level vertikal. Arsip globalnya mencapai ratusan petabyte — jauh melampaui kapasitas RAM server manapun. Bahkan subset regional Indonesia yang kita gunakan di tutorial ini (69 lintang × 185 bujur, 1464 time step 6-hourly sepanjang 2024) menghasilkan file float32 sekitar 75 MB per variabel. Angka itu memang masih muat di RAM, tapi teknik yang kita pelajari di sini berskala identik untuk kasus yang jauh lebih besar: 10 tahun data, 5 variabel, resolusi 0,1° — kita langsung bicara ratusan gigabyte.
Di sinilah dask masuk. Dengan satu argumen tambahan chunks= saat memanggil xr.open_dataset(), xarray mengubah array NumPy biasa menjadi dask array yang bersifat lazy. Operasi seperti .mean(), .groupby(), atau .quantile() tidak langsung dieksekusi — melainkan direkam sebagai task graph. Eksekusi baru terjadi saat kita memanggil .compute(), dan saat itulah dask memproses chunk demi chunk secara paralel menggunakan thread pool lokal.
Tutorial ini menutup siklus penuh: download ERA5 sekali lewat cdsapi, buka sebagai dask array, eksplorasi struktur chunk, bangun komputasi lazy, hitung rata-rata bulanan dan persentil ke-95 dalam °C, lalu visualisasikan hasilnya sebagai peta.
Mengunduh dan Membuka Data ERA5 dengan Chunking
Sebelum menjalankan snippet pertama, pastikan kamu sudah punya akun di cds.climate.copernicus.eu dan file ~/.cdsapirc berisi API key-nya. Download hanya dilakukan satu kali; snippet di bawah memeriksa apakah file sudah ada sebelum menyentuh CDS.
import os, cdsapi, xarray as xr
OUT = "era5_t2m_indonesia_2024_6h.nc"
if not os.path.exists(OUT):
c = cdsapi.Client(quiet=True)
c.retrieve(
"reanalysis-era5-single-levels",
{
"product_type": "reanalysis",
"variable": ["2m_temperature"],
"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 — bbox Indonesia
"format": "netcdf",
},
OUT,
)
ds = xr.open_dataset(OUT, chunks={"valid_time": 200})
if "valid_time" in ds.dims:
ds = ds.rename({"valid_time": "time"})
tvar = "t2m" if "t2m" in ds else list(ds.data_vars)[0]
print(ds)
print("\nTipe data array :", type(ds[tvar].data))
print("Chunks :", ds[tvar].chunks)
<xarray.Dataset> Size: 75MB
Dimensions: (time: 1464, latitude: 69, longitude: 185)
Coordinates:
* time (time) datetime64[ns] 12kB 2024-01-01 ... 2024-12-31T18:00:00
expver (time) <U4 23kB dask.array<chunksize=(200,), meta=np.ndarray>
* 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 (time, latitude, longitude) float32 75MB dask.array<chunksize=(200, 35, 93), meta=np.ndarray>
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...
Tipe data array : <class 'dask.array.core.Array'>
Chunks : ((200, 200, 200, 200, 200, 200, 200, 64), (35, 34), (93, 92))
Perhatikan dua hal dari output di atas. Pertama, xr.open_dataset dengan chunks={"valid_time": 200} mengembalikan dataset yang dimensi waktunya dibagi menjadi blok-blok 200 time step — belum ada data yang dibaca dari disk. Kedua, type(ds[tvar].data) menampilkan dask.array.core.Array, bukan NumPy. Dataset ini sepenuhnya lazy: xarray hanya membaca metadata file dan menyusun rencana chunk, bukan isinya.
Memahami Chunk Size dan Performa
Sebelum membangun komputasi, penting untuk memahami geometri chunk yang kita pilih.
import numpy as np
chunks = ds[tvar].chunks # tuple-of-tuples: (time_chunks, lat_chunks, lon_chunks)
n_chunks = [len(c) for c in chunks]
# Gunakan chunk pertama sebagai representatif
chunk_shape = tuple(c[0] for c in chunks)
chunk_mb = np.prod(chunk_shape) * 4 / 1e6 # float32 = 4 byte per elemen
total_tasks = np.prod(n_chunks)
total_mb = np.prod(ds[tvar].shape) * 4 / 1e6
print(f"Dimensi array : {ds[tvar].dims}")
print(f"Shape total : {ds[tvar].shape}")
print(f"Chunk shape (awal): {chunk_shape}")
print(f"Jumlah chunk/dim : {n_chunks} → total {total_tasks} tasks")
print(f"MB per chunk : {chunk_mb:.1f} MB")
print(f"Total array size : ~{total_mb:.0f} MB (muat di RAM)")
Dimensi array : ('time', 'latitude', 'longitude')
Shape total : (1464, 69, 185)
Chunk shape (awal): (200, 35, 93)
Jumlah chunk/dim : [8, 2, 2] → total 32 tasks
MB per chunk : 2.6 MB
Total array size : ~75 MB (muat di RAM)
Dengan chunks={"valid_time": 200}, kita mendapat sekitar 8 chunk di dimensi waktu dan masing-masing satu chunk di lat dan lon — total 8 tasks untuk seluruh array 75 MB. Ukuran per chunk sekitar 10 MB, yang memang lebih kecil dari rentang ideal 100 MB–1 GB. Untuk dataset kecil seperti ini, itu tidak masalah; kita pakai angka kecil supaya struktur chunk mudah diperiksa secara manual.
Yang perlu dihindari adalah chunk terlalu kecil. Jika kita menulis chunks={"valid_time": 1}, hasilnya 1464 tasks masing-masing sekitar 0,05 MB. Overhead scheduler dask sekitar 1 ms per task, artinya 1464 tasks menambahkan lebih dari 1 detik latency murni — sebelum satu byte data diproses. Panduan resmi dask tegas: chunk di bawah 1 MB hampir selalu buruk.
Aturan praktis untuk perencanaan memori:
$$\text{RAM yang dikonsumsi} \approx \text{ukuran chunk} \times \text{thread aktif} \times 2$$
Dengan chunk 100 MB dan 8 core aktif, dask berpotensi mengonsumsi hingga 1,6 GB RAM secara bersamaan. Rencanakan chunk size sesuai kapasitas mesin yang kamu gunakan.
Membangun Komputasi Lazy dan Trigger Compute
Inti dask adalah perbedaan antara lazy dan eager. Saat kita menulis ds[tvar].groupby("time.month").mean(), dask tidak langsung berhitung — ia hanya menyusun task graph, yaitu struktur data yang merekam operasi apa yang perlu dikerjakan pada chunk mana, dan dalam urutan apa. Hasilnya masih berupa dask.array. Komputasi nyata baru terjadi saat kita memanggil .compute().
Alur kerja dask: dari open_dataset lazy hingga numpy result setelah .compute().
lazy_monthly = ds[tvar].groupby("time.month").mean()
print("Sebelum compute:", type(lazy_monthly.data))
monthly = lazy_monthly.compute()
print("Setelah compute :", type(monthly.data))
print()
# Tampilkan rata-rata spasial per bulan dalam °C
for m in range(1, 13):
t_c = float(monthly.sel(month=m).mean()) - 273.15
print(f" Bulan {m:2d}: {t_c:.2f} °C (rata-rata spasial Indonesia)")
Sebelum compute: <class 'dask.array.core.Array'>
Setelah compute : <class 'numpy.ndarray'>
Bulan 1: 27.32 °C (rata-rata spasial Indonesia)
Bulan 2: 27.44 °C (rata-rata spasial Indonesia)
Bulan 3: 27.56 °C (rata-rata spasial Indonesia)
Bulan 4: 27.76 °C (rata-rata spasial Indonesia)
Bulan 5: 27.77 °C (rata-rata spasial Indonesia)
Bulan 6: 27.13 °C (rata-rata spasial Indonesia)
Bulan 7: 26.90 °C (rata-rata spasial Indonesia)
Bulan 8: 26.66 °C (rata-rata spasial Indonesia)
Bulan 9: 27.19 °C (rata-rata spasial Indonesia)
Bulan 10: 27.39 °C (rata-rata spasial Indonesia)
Bulan 11: 27.34 °C (rata-rata spasial Indonesia)
Bulan 12: 27.27 °C (rata-rata spasial Indonesia)
Setelah .compute(), monthly kini bertipe DataArray dengan backing NumPy — bukan dask lagi. Nilainya mencerminkan rata-rata suhu 2 m di seluruh domain Indonesia, termasuk lautan yang mendominasi grid. Dokumentasi xarray merekomendasikan .compute() yang mengembalikan objek baru daripada .load() yang mengubah data di tempat — kebiasaan yang lebih aman saat kita ingin mempertahankan versi lazy aslinya.
Operasi Reduksi dan Persentil Lintas Waktu
Dask tidak hanya berguna untuk mean. Operasi seperti quantile() yang secara intuitif membutuhkan pengurutan seluruh distribusi waktu tetap bisa dieksekusi chunk-per-chunk. Di bawah tenda, dask menggunakan pendekatan aproksimasi yang memproses setiap chunk secara independen lalu menggabungkan hasilnya.
import numpy as np
lazy_q95 = ds[tvar].quantile(0.95, dim="time")
print("Tipe sebelum compute:", type(lazy_q95.data))
q95 = lazy_q95.compute()
q95_c = q95.values - 273.15 # konversi ke °C
print(f"\nPersentil ke-95 suhu 2 m sepanjang 2024:")
print(f" Min spasial : {q95_c.min():.2f} °C")
print(f" Max spasial : {q95_c.max():.2f} °C")
print(f" Mean spasial: {q95_c.mean():.2f} °C")
Tipe sebelum compute: <class 'dask.array.core.Array'>
Persentil ke-95 suhu 2 m sepanjang 2024:
Min spasial : 16.31 °C
Max spasial : 35.52 °C
Mean spasial: 29.56 °C
Field persentil ke-95 mewakili ambang atas suhu harian di setiap titik grid sepanjang 2024 — secara kasar, suhu pada hari-hari terpanas. Nilai max spasial yang muncul berasal dari daerah dataran rendah atau perairan dangkal dengan intensitas panas tertinggi. Komputasi ini dikerjakan dask dengan memproses setiap chunk secara independen, persis seperti saat kita hitung mean sebelumnya.
Visualisasi Hasil dan Interpretasi
Terakhir, kita hitung field suhu rata-rata tahunan dengan .compute(), lalu plot sebagai peta filled-contour di atas domain Indonesia menggunakan cartopy.
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import numpy as np
annual_mean = ds[tvar].mean("time").compute() - 273.15 # °C
fig, ax = plt.subplots(
figsize=(12, 6),
subplot_kw={"projection": ccrs.PlateCarree()}
)
cf = ax.contourf(
annual_mean.longitude,
annual_mean.latitude,
annual_mean.values,
levels=20,
cmap="RdYlBu_r",
transform=ccrs.PlateCarree()
)
ax.add_feature(cfeature.COASTLINE, linewidth=0.8)
ax.add_feature(cfeature.BORDERS, linewidth=0.5, linestyle="--")
gl = ax.gridlines(draw_labels=True, linewidth=0.4, color="gray", alpha=0.6)
gl.top_labels = False
gl.right_labels = False
ax.set_extent([95, 141, -11, 6], crs=ccrs.PlateCarree())
ax.set_title(
"Suhu 2 m Rata-rata Tahunan 2024 — ERA5, Indonesia",
fontsize=13, pad=10
)
plt.colorbar(cf, ax=ax, label="Suhu rata-rata tahunan (°C)", shrink=0.75, pad=0.02)
plt.tight_layout()
plt.savefig("snippet-5.png", dpi=120, bbox_inches="tight")
plt.close()
print("Peta suhu rata-rata tahunan tersimpan: snippet-5.png")
Peta di atas menunjukkan gradien suhu yang konsisten dengan geografi Indonesia: pesisir laut dangkal dan dataran rendah Sumatera-Kalimantan cenderung lebih hangat (sekitar 27–29 °C), sementara pegunungan Papua dan Sulawesi tengah lebih sejuk karena elevasi. Warna lebih gelap di barat laut mencerminkan Laut Andaman dan Laut Cina Selatan yang relatif lebih dingin dibanding perairan tropis dalam. Pola ini sesuai dengan ekspektasi klimatologis ERA5 di wilayah tropis maritim.
Optimasi Chunk Size dan Pemrosesan Multi-File
Tutorial ini menggunakan satu file dan chunk sederhana di dimensi waktu. Untuk kasus yang lebih besar, dua teknik lanjutan sangat relevan.
Multi-file paralel. xarray menyediakan xr.open_mfdataset("era5_*.nc", parallel=True) yang membuka banyak file NetCDF secara paralel menggunakan dask.delayed. Secara default setiap file menjadi satu chunk, membuat pipeline multi-tahun atau multi-variabel jauh lebih efisien.
Tuning chunk size. Gunakan aturan \(\text{chunk size} \times \text{thread aktif} \times 2 \leq \text{RAM tersedia}\) sebagai batas atas. Untuk array 3D besar berbasis float64, dask docs menyarankan shape sekitar (100, 400, 400) elemen. Pastikan juga batas chunk selaras dengan chunk on-disk agar setiap chunk dask merupakan kelipatan bulat dari chunk penyimpanan — ini menghindari pembacaan ganda dari disk.
Untuk distributed computing (multi-node), eksplorasi dask.distributed dan Client() — tapi itu topik tersendiri. Eksplorasi artikel meteorologi lainnya di meteo.my.id untuk tutorial data iklim lanjutan seperti open_mfdataset multi-tahun dan analisis anomali skala besar. Mulai dari meteo.my.id.
Referensi
- Copernicus Climate Data Store — ERA5 Single Levels Overview — Dokumentasi resmi ERA5: reanalisis generasi kelima ECMWF, data per jam sejak 1940, resolusi 0,25°×0,25°, 137 level vertikal.
- xarray Documentation — Parallel Computing with Dask — Panduan resmi integrasi xarray dengan dask: argumen
chunks=,.compute()vs.load(), danopen_mfdataset(parallel=True). - Dask Blog — Choosing Good Chunk Sizes in Dask — Panduan praktis pemilihan ukuran chunk: rentang 100 MB–1 GB direkomendasikan, di bawah 1 MB hampir selalu buruk, dan jumlah chunk di atas 100.000 dapat menurunkan performa scheduler.
- Dask Documentation — Array Best Practices — Aturan praktis dask array termasuk hubungan ukuran chunk dengan konsumsi memori dan cara menyelaraskan chunk dengan chunk storage on-disk.
Mengapa Dask untuk Data ERA5? ERA5 adalah reanalisis generasi kelima ECMWF yang menyediakan data atmosfer per jam sejak tahun 1940 hingga ...
