Sumber: NASA Earth Observatory ( Heavy Rainfall Floods Indonesia ) — Citra Jesse Allen berdasarkan data tim TRMM; keterangan Steve Lang dan...
Kamis, 16 Juli 2026
Sumber: NASA Earth Observatory (Heavy Rainfall Floods Indonesia) — Citra Jesse Allen berdasarkan data tim TRMM; keterangan Steve Lang dan Rebecca Lindsey.
Mengapa Awan Mesoskala Penting?
Pada malam pergantian tahun 2020, Jakarta tenggelam. Setidaknya 74 kecamatan di Jakarta, Jawa Barat, dan Banten terendam banjir dalam waktu singkat. Sekitar 175.000 orang terpaksa mengungsi, dan lebih dari 60 nyawa melayang — bukan karena satu sel badai petir yang kebetulan melintas, melainkan karena sistem awan yang berorganisasi pada skala ratusan kilometer: sebuah mesoscale convective system atau MCS.
Peristiwa itu bukan anomali. BMKG mencatat bahwa lebih dari 90% bencana nasional Indonesia bersifat hidrometeorologis, dan data 16 tahun (2010–2025) menunjukkan tren kenaikan yang konsisten dalam kejadian banjir dan tanah longsor. Rata-rata suhu nasional Indonesia pada 2024 tercatat 27,52°C — tertinggi sejak pencatatan dimulai — yang berarti lebih banyak uap air di atmosfer, lebih banyak energi untuk konveksi dalam, dan potensi MCS yang lebih intens.
Pada Maret 2025, BMKG secara resmi mengaitkan banjir besar di Jabodetabek — dengan curah hujan 195–208 mm/hari di Gunung Mas dan Bekasi — dengan apa yang mereka sebut "perkumpulan awan konvektif berskala mesoskala": klaster awan raksasa seluas 50.000–100.000 km², hampir setara luas Pulau Jawa, dengan suhu puncak awan antara −32°C hingga −52°C.
Pemahaman tentang MCS bukan sekadar akademis. Ini adalah kunci untuk memahami mengapa sebagian banjir datang tiba-tiba dengan intensitas yang jauh melampaui prakiraan sel konvektif tunggal, dan mengapa sistem peringatan dini harus bisa mendeteksi pengorganisasian meso-skala sebelum terlambat.
Definisi dan Struktur MCS
Menurut National Weather Service NOAA, MCS adalah "a complex of thunderstorms which becomes organized on a scale larger than the individual thunderstorms, and normally persists for several hours or more." Sederhananya: MCS bukan satu badai petir, melainkan koloni badai petir yang berkoordinasi menjadi satu entitas dengan perilaku kolektif yang jauh lebih kuat dari jumlah bagian-bagiannya.
Secara struktural, sebuah MCS yang matang terdiri dari tiga zona utama. Pertama, zona konvektif: inti sistem dengan updraft kuat, awan cumulonimbus yang tinggi, dan hujan lebat — intensitas bisa melampaui 100 mm/jam di titik-titik lokal. Kedua, wilayah presipitasi stratiform: area hujan yang lebih ringan dan merata di belakang (atau mengelilingi) zona konvektif, dihasilkan oleh hidrometeor yang terbawa angin keluar dari updraft dan jatuh perlahan melalui lapisan yang sedikit sub-jenuh. Ketiga, cold pool: massa udara dingin dan padat yang terbentuk di lapisan permukaan ketika tetes hujan menguap di udara yang belum jenuh, mendinginkan udara sekitarnya secara tajam.
Cold pool inilah yang membuat MCS bersifat self-sustaining. Udara dingin yang lebih berat menyebar ke luar di permukaan. Tepi depan perluasan itu — yang disebut gust front — bertindak sebagai baji yang mendorong udara hangat dan lembap di sekitarnya ke atas. Pengangkatan oleh gust front ini memicu pembentukan sel konvektif baru di tepi sistem, sehingga MCS bisa mempertahankan dirinya dan berkembang selama berjam-jam tanpa pengangkatan eksternal.
Jenis-jenis Organisasi Awan Mesoskala
Tidak semua MCS terlihat sama di citra radar atau satelit. NOAA National Severe Storms Laboratory mendokumentasikan empat subtipe utama berdasarkan organisasi spasial.
Squall line adalah susunan linier sel-sel badai petir yang memanjang hingga ratusan kilometer, namun hanya selebar 16–32 km. Susunan ini umumnya tegak lurus terhadap vektor wind shear — posisi yang paling efisien secara aerodinamis. Sebuah squall line kuat bisa berlangsung 6–12 jam, meninggalkan jalur hujan lebat dan angin permukaan kencang sepanjang perjalanannya.
Mesoscale Convective Complex (MCC) adalah klaster MCS yang besar, berbentuk relatif melingkar, dan berumur panjang — diidentifikasi dari citra inframerah satelit berdasarkan luas tutupan awan dengan suhu puncak yang sangat rendah. MCC sering terbentuk pada malam hingga dini hari dan bisa mengguyur wilayah seluas satu provinsi dengan hujan intensitas sedang hingga lebat.
Mesoscale Convective Vortex (MCV) adalah sirkulasi bertekanan rendah berukuran meso-skala — sekitar 48–200 km lebar, 1,6–5 km dalam — yang berkembang di zona stratiform MCS akibat pelepasan panas laten. MCV bisa bertahan 12 jam atau lebih setelah sistem induknya runtuh, dan dalam kondisi yang tepat, sisa sirkulasi ini bisa memicu babak konveksi baru atau bahkan menjadi benih bagi siklon tropis.
Bow echo adalah tanda radar ketika garis konvektif "membengkok" ke depan, didorong oleh cold pool kuat yang melampaui wind shear lokal. Bagian tengah busur yang paling menonjol berkaitan dengan rear-inflow jet — aliran udara yang menyusup dari belakang sistem dan membawa angin permukaan yang sangat kencang dan berpotensi merusak.
Siklus hidup mesoscale convective system dari inisiasi sel tunggal hingga sisa MCV yang bisa memicu babak konveksi baru.
Keseimbangan Antara Wind Shear dan Cold Pool
Intensitas dan umur MCS tidak hanya bergantung pada ketersediaan uap air dan instabilitas atmosfer, tetapi pada keseimbangan antara dua kekuatan yang saling berlawanan: kekuatan cold pool (\(c\)) dan low-level vertical wind shear (\(\Delta u\)).
Teori Rotunno–Klemp–Weisman (RKW) menunjukkan bahwa ketika kedua besaran ini kira-kira setara — \(c \approx \Delta u\) — gust front mengangkat udara lingkungan paling efisien, menghasilkan updraft yang lebih tegak dan sistem yang lebih intens. Bayangkan cold pool sebagai buldoser yang mendorong udara lembap ke atas: jika cold pool dominan (shear lemah), sistem melebar ke depan tanpa tumbuh vertikal; jika shear dominan (cold pool lemah), updraft terdorong miring ke belakang dan melemah.
Keseimbangan antara keduanya inilah yang menentukan apakah sebuah squall line akan tumbuh menjadi MCS merusak yang bertahan selama berjam-jam, atau cepat terdisorganisasi menjadi hujan renyai biasa.
Peran MJO dan Gelombang Ekuatorial dalam Modulasi MCS
MCS tidak muncul dalam ruang hampa. Frekuensi dan intensitasnya dimodulasi oleh sistem-sistem skala besar yang beroperasi pada rentang waktu mingguan hingga musiman, dengan Madden-Julian Oscillation (MJO) sebagai faktor yang paling berpengaruh.
MJO adalah osilasi konvektif yang bergerak ke timur dengan periode 30–60 hari. NASA Earth Observatory menggambarkannya dengan tepat: "an armada of high-topped clouds rises over the Indian Ocean and then sails east, inundating Indonesia before invading the western Pacific." Ketika armada ini memasuki fase aktif di atas Indonesia, MJO menaikkan kelembapan lapisan rendah, memperkuat ketidakstabilan atmosfer, dan mendorong large-scale ascent — tiga kondisi yang secara bersamaan membuat pembentukan MCS jauh lebih mudah dan lebih intens.
Di samping MJO, gelombang ekuatorial — khususnya equatorial Rossby waves dan Kelvin waves — memberikan modulasi frekuensi lebih tinggi. Anomali OLR yang persisten negatif di atas Indonesia adalah sinyal satelit klasik bahwa beberapa sistem gelombang ini sedang aktif secara bersamaan, menciptakan kondisi ideal bagi MCS untuk berkembang. BMKG memantau OLR sebagai indikator prakiraan curah hujan mingguan.
Maritime Continent juga memiliki siklus diurnal yang sangat kuat. Pemanasan sinar matahari di atas daratan mendorong puncak konveksi pada sore hingga malam hari di atas pulau-pulau dan pegunungan. Namun dini hari, udara darat yang sudah mendingin mengalir ke laut dan berkonvergensi dengan udara lautan yang masih hangat — sehingga aktivitas konvektif berpindah ke perairan dangkal dan pantai.
Interaksi antara skala besar dan meso-skala ini menjadi sangat jelas saat peristiwa ekstrem. Pada Desember 2007–Januari 2008, La Niña menaikkan SST di sekitar Indonesia akibat penumpukan air hangat dari perdagangan angin yang lebih kuat di Pasifik barat, sementara fase aktif MJO secara bersamaan menghamparkan lapisan konveksi yang luas di atasnya. Hasilnya adalah episode MCS yang berlapis dan persisten selama berminggu-minggu. Pada Maret 2025, pola serupa terdeteksi — kombinasi SST tinggi, fase MJO aktif, dan forcing gelombang ekuatorial menghasilkan awan konvektif dengan suhu puncak serendah −52°C di Jabodetabek.
Tiga Contoh Banjir Ekstrem Tropis di Indonesia
Tiga peristiwa banjir berikut memberikan gambaran nyata tentang bagaimana MCS beroperasi di Indonesia — dari signature satelit hingga dampak di lapangan.
Desember 2007–Januari 2008. TRMM merekam akumulasi curah hujan melebihi 250 mm di zona terdampak terparah Indonesia selama 9 hari. Di Jawa saja, setidaknya 112 orang tewas akibat banjir dan tanah longsor. NASA menghubungkan kejadian ini langsung dengan kombinasi La Niña yang menaikkan SST dan fase MJO aktif yang memperpanjang dan memperkuat episode konvektif hingga melampaui kemampuan drainase kota dan kapasitas tanggul sungai.
Januari 2020. Banjir Jakarta terburuk dalam lebih dari satu dekade. Angin dari timur laut Jawa bertemu dengan aliran lembap dari Samudra Hindia di selatan, membentuk awan konvektif masif yang kemudian berorganisasi menjadi MCS skala regional. Badan antariksa Eropa (ESA) bersama NASA-JPL merekam luas genangan di Jakarta dan sekitarnya menggunakan SAR Sentinel-1 dalam waktu mendekati real-time.
Maret 2025. BMKG secara eksplisit menyebut "perkumpulan awan konvektif berskala mesoskala" sebagai penyebab utama — terminologi yang selaras dengan definisi MCS dalam literatur ilmiah internasional. Sistem ini mencakup area 50.000–100.000 km², setara antara sepertiga hingga tiga perempat luas Pulau Jawa. Curah hujan harian 195–208 mm di beberapa stasiun pengamatan mengkonfirmasi intensitas ekstrem yang tidak mungkin dihasilkan oleh sel konvektif individual.
Sumber: NASA Earth Observatory (Torrential Rains Flood Indonesia) — Lauren Dauphin; data Copernicus Sentinel-1 (2020) diproses ESA, dianalisis Earth Observatory of Singapore bersama NASA-JPL dan Caltech.
Ketiga peristiwa ini menegaskan pola yang konsisten: MCS paling merusak di Indonesia adalah produk interaksi antara dinamika lokal (orografi, land-sea breeze, cold pool feedback) dan modulator skala besar (MJO, SST, equatorial waves) — dan kita perlu memahami keduanya secara bersamaan sebagai kunci sistem peringatan dini yang efektif.
Eksplorasi artikel meteorologi lainnya di meteo.my.id — dari dinamika ENSO dan monsun Asia-Australia hingga teknik analisis data atmosfer dengan Python dan ERA5.
Referensi
- NOAA National Weather Service Glossary: MCS — Definisi resmi Mesoscale Convective System dari National Weather Service NOAA, mencakup sub-tipe utama termasuk squall line, MCC, dan sistem terkait.
- Severe Weather 101: Thunderstorm Types — NOAA NSSL — Penjelasan mendalam subtipe MCS meliputi squall line, MCC, MCV, dan bow echo, serta fisika cold pool, gust front, dan keseimbangan wind shear.
- Torrential Rains Flood Indonesia — NASA Earth Observatory — Analisis banjir Jakarta Januari 2020 menggunakan data SAR Sentinel-1, termasuk deskripsi mekanisme konvergensi mesoskala yang memicu peristiwa.
- Heavy Rainfall Floods Indonesia — NASA Earth Observatory — Analisis data TRMM untuk banjir Desember 2007–Januari 2008 dengan konteks modulasi MJO dan La Niña.
- Cuaca Ekstrem Dampak Nyata Perubahan Iklim — BMKG — Laporan BMKG 2026 tentang tren meningkatnya kejadian cuaca ekstrem hidrometeorologis di Indonesia, termasuk atribusi peristiwa Maret 2025 Jabodetabek pada mesoscale convective cloud clustering.
Rabu, 15 Juli 2026
Pengenalan Dew Point Depression
Ketika cuaca buruk mengancam di jalur pelayaran atau seorang pilot harus memutuskan apakah aman untuk mendarat, dua angka kecil di METAR bisa menjadi penentu: suhu udara (\(T\)) dan suhu titik embun (\(T_d\)). Selisih keduanya — dew point depression (DPD) — adalah indikator kelembaban paling langsung dan stabil yang tersedia di observasi permukaan.
NOAA/NWS mendefinisikan dew point depression secara formal sebagai perbedaan dalam derajat antara suhu udara dan suhu titik embun:
$$\text{DPD} = T - T_d$$
Ketika \(\text{DPD} = 0\), udara telah mencapai saturasi penuh — kelembaban relatif 100% — dan kondensasi berupa kabut atau hujan hampir pasti terjadi. Sebaliknya, DPD yang besar (di atas \(10\ \text{°C}\)) menandakan udara kering.
Mengapa DPD lebih disukai dibanding kelembaban relatif (RH) oleh operator maritim dan pilot? Tidak seperti RH yang naik otomatis saat suhu turun meski kadar uap air tidak berubah, DPD tetap konstan selama kandungan uap tidak berubah. Ini membuatnya jauh lebih andal sebagai indikator risiko fog: saat DPD mendekati \(2\text{–}3\ \text{°C}\), operator bisa langsung mengantisipasi kabut tanpa perlu mengkonversi ke RH terlebih dahulu.
Tutorial ini menunjukkan cara menghitung DPD dari data reanalisis ERA5 tahun 2024 untuk seluruh domain Indonesia, lalu menerapkan dua formula operasional: formula visibilitas maritim NOAA dan aturan LCL Espy untuk estimasi tinggi basis awan dalam konteks penerbangan.
Mengunduh Data ERA5 untuk Indonesia
Data yang kita gunakan adalah ERA5 reanalisis dari Copernicus Climate Data Store (CDS): variabel 2-meter temperature (t2m) dan 2-meter dewpoint temperature (d2m) untuk domain Indonesia (\(6°\text{N}\), \(95°\text{E}\)–\(11°\text{S}\), \(141°\text{E}\)), sepanjang tahun 2024 dengan interval 6 jam. File total sekitar 100–130 MB, sehingga cukup diunduh sekali dan disimpan lokal.
Snippet di bawah ini menunjukkan cara mengunduh kedua file via cdsapi — jalankan sekali jika belum ada file lokal, lalu snippet-snippet berikutnya langsung membaca dari disk. Diperlukan akun di cds.climate.copernicus.eu dan file ~/.cdsapirc yang berisi API key.
# Jalankan sekali untuk mengunduh file ERA5 ke working directory.
# Diperlukan: akun CDS dan file ~/.cdsapirc berisi URL + key.
import os, cdsapi
# ── 2-meter temperature ──────────────────────────────────────────────────
OUT_T = "era5_t2m_indonesia_2024_6h.nc"
if not os.path.exists(OUT_T):
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 — Indonesia
"format": "netcdf",
},
OUT_T,
)
# ── 2-meter dewpoint temperature ─────────────────────────────────────────
OUT_D = "era5_d2m_indonesia_2024_6h.nc"
if not os.path.exists(OUT_D):
c = cdsapi.Client(quiet=True)
c.retrieve(
"reanalysis-era5-single-levels",
{
"product_type": "reanalysis",
"variable": ["2m_dewpoint_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],
"format": "netcdf",
},
OUT_D,
)
print("Kedua file ERA5 siap di working directory.")
Setelah kedua file tersimpan (era5_t2m_indonesia_2024_6h.nc dan era5_d2m_indonesia_2024_6h.nc), semua snippet selanjutnya membaca dari disk — tidak perlu koneksi internet lagi.
Menghitung DPD dan Saturasi Udara
ERA5 menyimpan suhu (t2m) dan suhu titik embun (d2m) dalam satuan Kelvin. Karena DPD adalah selisih, satuan K saling menghapus — \(1\ \text{K}\) beda = \(1\ \text{°C}\) beda — sehingga hasilnya langsung dalam derajat Celsius tanpa konversi tambahan. Sifat ini menyederhanakan komputasi secara signifikan.
Snippet berikut membuka kedua file, menghitung DPD sebagai DataArray xarray, lalu mencetak statistik persentil domain dan fraksi grid yang berada di bawah ambang risiko kabut. Kita juga mengestimasi kelembaban relatif rata-rata lewat aproksimasi Magnus untuk memperlihatkan hubungan terbalik antara DPD dan RH.
import xarray as xr
import numpy as np
# Buka kedua file ERA5
ds_t = xr.open_dataset("era5_t2m_indonesia_2024_6h.nc")
ds_d = xr.open_dataset("era5_d2m_indonesia_2024_6h.nc")
# Deteksi nama dimensi waktu (ERA5 kadang 'valid_time', kadang 'time')
time_dim = "valid_time" if "valid_time" in ds_t.dims else "time"
print(f"Dimensi waktu : {time_dim}")
print(f"Jumlah timestep: {ds_t.dims[time_dim]}")
# Ekstrak variabel (Kelvin)
t2m = ds_t["t2m"]
d2m = ds_d["d2m"]
print(f"t2m shape : {t2m.shape}")
print(f"d2m shape : {d2m.shape}")
# DPD = T − Td (K − K = K ≡ °C, tidak perlu konversi)
dpd = t2m - d2m
print(f"DPD shape : {dpd.shape}")
# Statistik persentil domain Indonesia 2024
vals = dpd.values.flatten()
vals = vals[~np.isnan(vals)]
perc = np.percentile(vals, [0, 25, 50, 75, 100])
labels = [" Min (P0)", " P25 ", " Median (P50)", " P75 ", " Max (P100)"]
print("\n=== Statistik DPD Domain Indonesia 2024 ===")
for lbl, val in zip(labels, perc):
print(f"{lbl}: {val:.2f} °C")
# Fraksi timestep-gridcell dengan DPD < 3°C (risiko kabut)
fog_pct = (vals < 3.0).mean() * 100
print(f"\nFraksi grid DPD < 3 °C (risiko kabut) : {fog_pct:.1f}%")
# Estimasi RH rata-rata via aproksimasi Magnus
# RH ≈ 100 × exp(17.625·Td/(243.04+Td)) / exp(17.625·T/(243.04+T)) [T, Td dalam °C]
T_C = t2m - 273.15
Td_C = d2m - 273.15
e_Td = np.exp(17.625 * Td_C / (243.04 + Td_C))
e_T = np.exp(17.625 * T_C / (243.04 + T_C))
rh = 100.0 * (e_Td / e_T)
print(f"RH rata-rata domain 2024 : {float(rh.mean()):.1f}%")
print("(DPD → 0 ⟹ RH → 100%)")
Dimensi waktu : valid_time
Jumlah timestep: 1464
t2m shape : (1464, 69, 185)
d2m shape : (1464, 69, 185)
DPD shape : (1464, 69, 185)
=== Statistik DPD Domain Indonesia 2024 ===
Min (P0): -0.00 °C
P25 : 2.41 °C
Median (P50): 3.35 °C
P75 : 4.26 °C
Max (P100): 27.78 °C
Fraksi grid DPD < 3 °C (risiko kabut) : 40.1%
RH rata-rata domain 2024 : 82.0%
(DPD → 0 ⟹ RH → 100%)
Statistik persentil menggambarkan distribusi kelembaban atmosfer di atas Indonesia sepanjang 2024. Nilai median DPD yang relatif rendah mencerminkan kelembaban tinggi khas iklim tropis maritim — udara di atas kepulauan Indonesia hampir selalu lembab karena penguapan intens dari laut di sekelilingnya. Fraksi grid dengan \(\text{DPD} < 3\ \text{°C}\) menunjukkan proporsi ruang-waktu yang secara klimatologis berada dalam kondisi rawan kabut.
Untuk melihat distribusi spasial DPD secara lebih intuitif, snippet berikut menggambar peta rata-rata DPD sepanjang 2024. Kontur \(3\ \text{°C}\) dan \(6\ \text{°C}\) ditandai khusus karena keduanya adalah ambang batas operasional yang akan kita diskusikan di bagian berikutnya.
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
# Rata-rata DPD temporal sepanjang 2024
dpd_mean = dpd.mean(dim=time_dim)
fig, ax = plt.subplots(
figsize=(12, 7),
subplot_kw={"projection": ccrs.PlateCarree()},
)
ax.set_extent([94, 142, -12, 7], crs=ccrs.PlateCarree())
mesh = ax.pcolormesh(
dpd_mean.longitude, dpd_mean.latitude, dpd_mean.values,
cmap="YlOrRd", vmin=0, vmax=14,
shading="auto", transform=ccrs.PlateCarree(),
)
# Kontur ambang batas operasional
cs = ax.contour(
dpd_mean.longitude, dpd_mean.latitude, dpd_mean.values,
levels=[3.0, 6.0, 10.0],
colors=["navy", "black", "dimgray"],
linewidths=[1.8, 1.2, 0.8],
linestyles=["--", "-", ":"],
transform=ccrs.PlateCarree(),
)
ax.clabel(cs, fmt="%g°C", fontsize=9, inline=True)
ax.add_feature(cfeature.COASTLINE.with_scale("50m"), linewidth=0.7, edgecolor="#333")
ax.add_feature(cfeature.BORDERS.with_scale("50m"), linewidth=0.4, edgecolor="#666", linestyle=":")
gl = ax.gridlines(draw_labels=True, linewidth=0.3, color="gray", alpha=0.4)
gl.top_labels = False
gl.right_labels = False
plt.colorbar(mesh, ax=ax, orientation="horizontal", pad=0.07,
shrink=0.75, label="DPD Rata-rata 2024 (°C)")
ax.set_title(
"Dew Point Depression Rata-rata 2024 — Indonesia (ERA5)",
fontsize=13, weight="bold", pad=10,
)
plt.savefig("dpd_map.png", dpi=150, bbox_inches="tight")
print("Peta DPD tersimpan.")
Peta di atas memperlihatkan gradien kelembaban yang konsisten dengan geografi kepulauan Indonesia: area di dekat ekuator dan perairan tertutup cenderung memiliki DPD lebih rendah, sementara wilayah pesisir yang terpapar angin monsun kering menunjukkan DPD lebih tinggi. Area dengan DPD rata-rata di bawah kontur \(3\ \text{°C}\) (garis biru putus-putus) adalah kawasan yang secara klimatologis paling rawan kabut sepanjang tahun.
Fog dan Visibilitas Maritim
Kabut laut (sea fog atau advection fog) terbentuk ketika udara hangat dan lembab bergerak di atas permukaan laut yang lebih dingin, mendingin hingga suhu titik embunnya — artinya DPD mendekati nol di lapisan permukaan. Secara operasional, kabut tebal hampir selalu ditemukan ketika RH melebihi 90%, yang setara dengan DPD di bawah sekitar \(3\ \text{°C}\). Saat \(\text{DPD} > 3\ \text{°C}\), risiko kabut umumnya rendah.
S. A. Hsu dari NOAA mempublikasikan formula empiris yang menghubungkan DPD langsung dengan visibilitas di atas air, berdasarkan observasi platform lepas pantai di Teluk Meksiko:
$$V_{\text{miles}} = 1{,}13 \times \text{DPD}_{\text{°C}} - 1{,}15$$
dengan koefisien determinasi \(R^2 = 0{,}76\). Artinya, sekitar 76% variasi visibilitas maritim dapat dijelaskan oleh DPD saja. Formula ini berlaku untuk visibilitas antara 0 dan sekitar 10 mil laut. Hubungan linear ini divisualisasikan dalam scatter plot dari publikasi NOAA tersebut:
Sumber: S. A. Hsu / NOAA Mariners Weather Log Vol. 59 No. 1, April 2015; NOAA Voluntary Observing Ships Program (vos.noaa.gov)
Hubungan ini memudahkan operator maritim: setiap kenaikan DPD \(1\ \text{°C}\) berarti peningkatan visibilitas sekitar \(1{,}1\) mil laut. Ketika DPD kurang dari sekitar \(1\ \text{°C}\), formula memperkirakan visibilitas mendekati nol — kondisi kabut tebal di mana kapal harus melambat dan membunyikan sinyal kabut.
Faktor tambahan yang penting untuk perairan Indonesia adalah perbedaan antara SST dan suhu titik embun udara: jika SST jatuh di bawah suhu titik embun, advection fog hampir pasti terbentuk di atas permukaan laut tersebut. Ini terutama relevan saat monsun barat laut (November–Maret) ketika massa udara dari Laut Cina Selatan membawa kelembaban tinggi ke perairan Natuna, Selat Karimata, dan Laut Jawa.
Tinggi Basis Awan dan Spread METAR
Lifting Condensation Level (LCL) adalah ketinggian di mana udara yang naik secara adiabatik mendingin hingga titik embunnya dan awan cumulus mulai terbentuk. Aturan empiris Espy memberikan estimasi cepat dari permukaan:
$$\text{LCL}_{\text{ft}} = \text{DPD}_{\text{°C}} \times 400 \qquad \text{atau} \qquad \text{LCL}_{\text{m}} \approx \text{DPD}_{\text{°C}} \times 125$$
Untuk \(\text{DPD} = 5\ \text{°C}\), aturan ini memperkirakan basis awan sekitar \(2{.}000\ \text{ft}\) AGL (\(625\ \text{m}\)) — nilai yang sudah mulai relevan untuk prosedur pendekatan visual. Aturan ini adalah aproksimasi yang valid untuk awan konvektif berbasis permukaan dalam kondisi atmosfer standar; untuk kondisi temperature inversion atau massa udara non-standar, hasilnya bisa menyimpang cukup signifikan.
Dalam METAR, spread antara suhu dan dew point dilaporkan langsung dalam format TT/TdTd (misalnya, 28/26 berarti \(T = 28\ \text{°C}\), \(T_d = 26\ \text{°C}\), \(\text{DPD} = 2\ \text{°C}\)). Spread \(\leq 5°\text{F}\) (sekitar \(2\text{–}3\ \text{°C}\)) adalah sinyal fog atau ceiling rendah yang sudah dipahami semua pilot dan dispatcher. Di bawah spread ini, prosedur IFR menjadi prioritas dan go/no-go decision harus mempertimbangkan alternate lebih jauh.
Sumber: NASA Earth Observatory — Jesse Allen & Robert Simmon, data EO-1 ALI. Another Foggy Day in San Francisco (domain publik, NASA)
Snippet berikut mengambil DPD ERA5 rata-rata untuk beberapa lokasi bandara di Indonesia dan menghitung perkiraan LCL, plus contoh interpretasi spread METAR secara operasional.
import numpy as np
# Lokasi bandara perwakilan Indonesia
airports = [
("WIII — Jakarta Cengkareng", -6.1, 106.7),
("WAMM — Manado Sam Ratulangi", 1.5, 124.9),
("WADD — Denpasar Ngurah Rai", -8.7, 115.2),
("WIMM — Medan Kualanamu", 3.6, 98.9),
("WABB — Ambon Pattimura", -3.7, 128.1),
("WBGG — Pontianak Supadio", 0.1, 109.4),
]
print("=== Estimasi LCL dari DPD ERA5 Rata-rata 2024 ===")
header = f"{'Bandara':<40} {'DPD (°C)':<11} {'LCL (m)':<10} {'LCL (ft)'}"
print(header)
print("─" * 75)
for name, lat, lon in airports:
dpd_loc = float(dpd.sel(latitude=lat, longitude=lon, method="nearest").mean())
lcl_m = dpd_loc * 125
lcl_ft = dpd_loc * 400
print(f"{name:<40} {dpd_loc:<11.2f} {lcl_m:<10.0f} {lcl_ft:.0f}")
# ── Interpretasi spread METAR (contoh fiktif representatif) ────────
print("\n=== Contoh Spread METAR dan Implikasinya ===")
metar_cases = [
("WIII Dini hari musim hujan", 24, 23),
("WADD Siang musim kemarau", 32, 22),
("WIMM Pagi dengan kabut pantai",26, 24),
("WAMM Malam setelah hujan", 27, 25),
("WABB Siang hari normal", 30, 21),
]
hdr2 = f"{'Kondisi':<38} {'T':<6} {'Td':<6} {'DPD(°C)':<10} {'LCL ft':<9} Status"
print(hdr2)
print("─" * 80)
for cond, t, td in metar_cases:
dv = t - td
lcl = dv * 400
if dv <= 3:
status = "⚠ FOG / IFR"
elif dv <= 5:
status = "Ceiling rendah"
else:
status = "OK — VFR"
print(f"{cond:<38} {t:<6} {td:<6} {dv:<10} {lcl:<9.0f} {status}")
=== Estimasi LCL dari DPD ERA5 Rata-rata 2024 ===
Bandara DPD (°C) LCL (m) LCL (ft)
───────────────────────────────────────────────────────────────────────────
WIII — Jakarta Cengkareng 3.91 489 1564
WAMM — Manado Sam Ratulangi 2.65 331 1061
WADD — Denpasar Ngurah Rai 3.10 387 1240
WIMM — Medan Kualanamu 2.55 319 1022
WABB — Ambon Pattimura 3.04 380 1215
WBGG — Pontianak Supadio 2.21 277 885
=== Contoh Spread METAR dan Implikasinya ===
Kondisi T Td DPD(°C) LCL ft Status
────────────────────────────────────────────────────────────────────────────────
WIII Dini hari musim hujan 24 23 1 400 ⚠ FOG / IFR
WADD Siang musim kemarau 32 22 10 4000 OK — VFR
WIMM Pagi dengan kabut pantai 26 24 2 800 ⚠ FOG / IFR
WAMM Malam setelah hujan 27 25 2 800 ⚠ FOG / IFR
WABB Siang hari normal 30 21 9 3600 OK — VFR
Tabel LCL di atas memberikan gambaran klimatologis baseline: bandara dengan DPD rata-rata rendah perlu prosedur IFR yang lebih ketat dan alternate yang lebih bervariasi. Contoh METAR fiktif memperlihatkan dengan jelas bahwa kondisi dini hari dan pasca-hujan — ketika T dan Td berdekatan — adalah periode paling kritis bagi keselamatan penerbangan.
Aplikasi untuk Perairan dan Penerbangan Indonesia
Dua formula yang kita terapkan — \(V_{\text{miles}} = 1{,}13 \times \text{DPD} - 1{,}15\) untuk maritim dan \(\text{LCL}_{\text{ft}} = \text{DPD} \times 400\) untuk aviasi — adalah alat yang sederhana namun berdampak nyata dalam konteks operasional Indonesia.
Di sisi maritim, jalur pelayaran dari Selat Malaka hingga Selat Lombok melewati perairan dengan variabilitas SST dan kelembaban yang signifikan antar musim. Monsun barat laut (November–Maret) membawa massa udara lembab dari Laut Cina Selatan; DPD yang rendah pada periode ini meningkatkan risiko advection fog di Selat Karimata dan perairan Natuna. Sebaliknya, saat monsun tenggara (Mei–September), massa udara lebih kering dari Australia mendorong DPD lebih tinggi dan visibilitas maritim membaik di sebagian besar jalur pelayaran.
Di sisi aviasi, bandara pesisir seperti Hang Nadim Batam, Juanda Surabaya, dan Sam Ratulangi Manado paling rentan terhadap fog berbasis laut. Informasi DPD real-time dari METAR, dikombinasikan dengan peta klimatologis seperti yang kita hasilkan dari ERA5 2024, memungkinkan dispatcher untuk mengidentifikasi periode berisiko tinggi bahkan sebelum jam keberangkatan.
Langkah lanjutan yang menarik untuk dikerjakan: (1) gabungkan DPD dengan data SST ERA5 untuk memetakan area potensi advection fog secara lebih presisi, (2) analisis variabilitas musiman DPD saat fase aktif MJO yang diketahui meningkatkan kelembaban dan curah hujan di Indonesia, dan (3) gunakan ensemble forecast NWP untuk menghasilkan probabilitas fog alih-alih estimasi deterministik dari DPD tunggal.
Eksplorasi artikel meteorologi lainnya di meteo.my.id (https://meteo.my.id) — termasuk tutorial analisis data ERA5 lanjutan, interpretasi indeks MJO, dan visualisasi angin permukaan dengan cartopy.
Referensi
- NOAA National Weather Service Glossary – Dew Point Depression — Definisi kanonik DPD dari NOAA/NWS: "the difference in degrees between the air temperature and the dew point."
- Dew Point vs. Humidity – NWS La Crosse — Penjelasan mengapa dew point lebih stabil dibanding kelembaban relatif sebagai indikator kondensasi dan risiko kabut.
- Relating Overwater Visibility to Dew Point Depression – NOAA Mariners Weather Log Vol. 59 No. 1 (April 2015) — Sumber empiris formula visibilitas maritim \(V = 1{,}13 \times \text{DPD} - 1{,}15\) (\(R^2 = 0{,}76\)), diturunkan dari observasi platform Teluk Meksiko saat Badai Isaac (2012).
- Weather: Fog Talk – AOPA Flight Training Magazine (March/April 2021) — Panduan aviasi untuk pilot tentang spread METAR, aturan LCL Espy (\(\text{LCL}_{\text{ft}} \approx \text{DPD} \times 400\)), dan tipe-tipe kabut yang mempengaruhi keselamatan penerbangan.
- Another Foggy Day in San Francisco – NASA Earth Observatory — Citra satelit EO-1 ALI dan penjelasan mekanisme advection fog di atas permukaan laut dingin, mengilustrasikan kondisi DPD \(\to\) 0 yang memicu marine layer.
Pengenalan Dew Point Depression Ketika cuaca buruk mengancam di jalur pelayaran atau seorang pilot harus memutuskan apakah aman untuk mend...
