Sumber: NASA Science, ilustrasi oleh NOAA/Climate.gov ( El Niño — NASA Science ) Apa itu Sirkulasi Walker? Bayangkan sebuah sabuk konveyo...
Rabu, 22 Juli 2026
Sumber: NASA Science, ilustrasi oleh NOAA/Climate.gov (El Niño — NASA Science)
Apa itu Sirkulasi Walker?
Bayangkan sebuah sabuk konveyor raksasa yang membentang di seluruh ekuator Pasifik — mengangkat udara lembap di atas kepulauan Indonesia, mengalirkannya ribuan kilometer ke timur di ketinggian troposfer atas, lalu menurunkannya kembali ke permukaan di atas perairan dingin Pasifik timur, sebelum akhirnya kembali ke barat sebagai angin permukaan. Itulah Sirkulasi Walker: sebuah sel overturning zonal yang menjadi pengendali utama pola konveksi dan distribusi curah hujan di seluruh kawasan tropika.
Dinamai dari ahli meteorologi Gilbert Walker yang pertama kali mengidentifikasinya pada awal abad ke-20 melalui pengamatan statistik tekanan permukaan laut, sirkulasi ini tidak berdiri sendiri. Ia adalah manifestasi atmosfer dari El Niño-Southern Oscillation (ENSO) — osilasi laut-atmosfer paling berpengaruh dalam sistem iklim Bumi. ENSO beroperasi melalui dua komponen yang saling mengunci: komponen lautan (anomali SST di Pasifik ekuatorial) dan komponen atmosfer (perubahan tekanan dan angin), dan Sirkulasi Walker adalah jembatan antara keduanya.
Ketika Sirkulasi Walker kuat, cabang naiknya terkonsentrasi di atas Benua Maritim (Maritime Continent) dan western Pacific Warm Pool, menghasilkan curah hujan berlimpah di Indonesia, Papua Nugini, dan Filipina. Ketika sirkulasi ini melemah — seperti yang terjadi selama fase El Niño — cabang subsidence justru mendominasi Indonesia, membawa anomali kering yang bisa berlangsung berbulan-bulan sekaligus memundurkan musim hujan secara signifikan.
Memahami Sirkulasi Walker bukan sekadar keperluan akademis. Bagi prakirawan di BMKG, petani di Jawa, hingga manajer bendungan di Kalimantan, perubahan intensitas sirkulasi ini adalah sinyal awal cuaca ekstrem yang paling bisa diandalkan dalam rentang waktu musiman. Di Juli 2026, konteks itu terasa sangat nyata: El Niño sedang aktif, dan Walker sedang dalam proses pelemahan yang konsisten.
Mekanisme Sirkulasi Walker dari Trade Winds ke Konveksi
Sirkulasi Walker bekerja dalam satu loop tertutup yang didorong oleh gradien SST (Sea Surface Temperature) di sepanjang ekuator Pasifik. Di permukaan, lautan bagian barat — mulai dari Samudra Hindia timur, perairan Indonesia, Papua, hingga Solomon — jauh lebih hangat dibanding Pasifik timur di dekat pantai Amerika Selatan. Perbedaan suhu ini, yang dalam kondisi normal berkisar 4–8°C, menciptakan kontras tekanan yang menjadi mesin penggerak seluruh sirkulasi.
Langkah pertama dalam loop ini adalah trade winds, angin pasat timur (easterly winds) yang berhembus dari Pasifik timur yang dingin dan bertekanan tinggi menuju barat yang hangat dan bertekanan rendah. Angin ini bukan sekadar gejala sirkulasi — ia sekaligus penyebabnya: trade winds mendorong massa air hangat permukaan menumpuk di Pasifik barat, memperdalam Western Pacific Warm Pool dan memperkuat gradien SST yang sudah ada. Di atas Warm Pool dan Benua Maritim inilah energi termal laut dilepaskan ke atmosfer. Massa udara lembap dan hangat terangkat oleh konveksi dalam (deep convection) yang sangat kuat, membentuk sistem awan kumulonimbus yang menjulang hingga 15 km lebih ke troposfer atas — inilah cabang ascending Sirkulasi Walker, sekaligus sumber utama curah hujan tropika di kawasan Indonesia.
Udara yang sudah naik ke troposfer atas kemudian mengalir ke timur mengikuti gradien tekanan di ketinggian, melintasi ribuan kilometer Pasifik tropika dalam arus yang cukup konsisten. Setibanya di Pasifik timur yang lebih dingin — di mana SST rendah membuat atmosfer di atasnya lebih stabil dan menghambat konveksi — udara tersebut turun (subsides) kembali ke permukaan, mempertegas kondisi kering dan cerah yang mendominasi kawasan seperti Peru dan Ekuador. Di permukaan, konvergensi angin menutup loop: udara kembali bergerak ke barat sebagai trade winds, melengkapi siklus overturning zonal.
Yang membuat loop ini sangat kuat dan kadang berubah cepat adalah mekanisme yang dikenal sebagai Bjerknes feedback. Ketika trade winds menguat, lebih banyak air hangat didorong ke barat, memperdalam Warm Pool, memperkuat gradien SST, yang pada gilirannya mengintensifkan trade winds lagi — umpan balik positif yang bisa memperburuk fase La Niña dengan cepat. Sebaliknya, ketika trade winds melemah karena gangguan apapun, Warm Pool menyusut ke arah timur, gradien SST berkurang, dan sirkulasi terus melemah hingga mendorong sistem menuju El Niño.
Sumber: NOAA Climate.gov (The Walker Circulation: ENSO's atmospheric buddy)
Skema berikut meringkas keempat langkah loop overturning ini secara konseptual:
Skema loop overturning zonal Sirkulasi Walker di sepanjang ekuator Pasifik.
Dampak Sirkulasi Walker pada Iklim Indonesia
Indonesia menempati posisi yang sangat strategis dalam sistem Sirkulasi Walker — tepat di bawah dan di sekitar cabang ascending paling kuat di planet ini. Konsekuensinya langsung dan terasa nyata setiap tahun: intensitas sirkulasi menentukan apakah musim hujan datang tepat waktu dan deras, atau terlambat dan mengecewakan petani.
Saat Sirkulasi Walker kuat — yang identik dengan fase La Niña atau kondisi netral yang aktif — cabang ascending terkonsentrasi kuat di atas Benua Maritim. Konveksi dalam yang intens menghasilkan curah hujan di atas rata-rata di sebagian besar wilayah Indonesia. Tekanan permukaan lebih rendah dari normal, aktivitas konvektif meningkat hampir sepanjang hari, dan anomali curah hujan bisa mencapai tingkat yang ekstrem. Pada episode La Niña kuat seperti 2010–2011, beberapa wilayah Jawa mencatat curah hujan lebih dari 150–200 mm per 10 hari, dengan puncak lokal yang melebihi 250 mm dalam periode singkat — termasuk dalam curah hujan tertinggi yang pernah terekam di pulau terpadat di dunia itu. Hasilnya tidak dapat dielakkan: banjir besar di Jakarta dan kota-kota besar Jawa, longsor di lereng-lereng Jawa tengah dan Sulawesi, serta gangguan distribusi pangan dalam skala nasional.
Saat Sirkulasi Walker melemah selama fase El Niño, pola berbalik secara dramatis. Cabang subsidence bergeser ke arah barat dan mulai mendominasi atmosfer di atas Indonesia. Konveksi yang biasanya kuat di atas Warm Pool berpindah ke Pasifik tengah dan timur — jauh dari kepulauan kita. Indonesia — terutama wilayah selatan ekuator seperti Jawa, Bali, Nusa Tenggara, dan Kalimantan selatan — mengalami defisit curah hujan signifikan, musim kemarau yang memanjang, kelembapan udara permukaan yang menurun, dan risiko kebakaran lahan yang meningkat tajam.
Sirkulasi Walker bukanlah satu-satunya pengendali hujan Indonesia, namun ia adalah yang paling dominan pada skala musiman. MJO (Madden-Julian Oscillation) bertindak sebagai modulator intraseasonal: fase aktif MJO yang melintas di atas Benua Maritim bisa memicu episode hujan intensif bahkan di tengah El Niño lemah, sementara fase supresif MJO memperparah defisit hujan saat El Niño sedang kuat. Kombinasi phase space ENSO–MJO inilah yang membuat prakiraan berbasis Sirkulasi Walker lebih bernuansa: tidak cukup hanya melihat indeks ENSO, kita perlu memantau fase MJO secara bersamaan untuk memperkirakan kapan dan di mana hujan akan turun.
Sumber: NASA Earth Observatory (Heavy Rainfall Floods Indonesia)
Kondisi Sirkulasi Walker di Bawah El Niño Aktif Juli 2026
Per 9 Juli 2026, NOAA Climate Prediction Center (CPC) mengeluarkan El Niño Advisory resmi yang menyatakan El Niño sedang aktif dengan anomali Niño-3.4 sebesar \(+1{,}2\ \text{°C}\) di atas rata-rata normal. Model ensemble yang dikonsultasikan menempatkan probabilitas El Niño bertahan hingga awal 2027 di sekitar 97%, dengan peluang 81% bahwa El Niño akan menguat ke kategori kuat pada periode Oktober–Desember 2026. Penguatan ini sebagian dipicu oleh downwelling Kelvin wave yang saat ini merambat ke arah timur di sepanjang ekuator Pasifik, membawa energi panas ke bawah permukaan yang akan mendukung anomali SST positif dalam beberapa bulan ke depan.
Dari perspektif Sirkulasi Walker, tanda-tanda pelemahan sudah konsisten terlihat dalam data atmosfer terkini. Anomali westerly (angin barat anomali) di permukaan ekuatorial Pasifik barat menandai trade winds yang melemah — fondasi sirkulasi mulai goyah. Di troposfer atas, anomali easterly di atas Pasifik tengah mengonfirmasi bahwa sel overturning zonal telah bergeser dan melemah. Konveksi tropika, yang biasanya paling aktif di atas Benua Maritim, kini bergeser ke arah timur — aktif di Pasifik tengah dan timur, tertekan di atas Indonesia. Bagi kepulauan kita, ini berarti tutupan awan konvektif berkurang, nilai Outgoing Longwave Radiation (OLR) meningkat (indikator atmosfer kering), dan defisit curah hujan mulai terbentuk terutama di Jawa, Bali, Nusa Tenggara, dan sebagian Kalimantan selatan.
Menariknya, perbandingan dengan kondisi awal 2025 memperlihatkan efek lag laut-atmosfer yang penting untuk dipahami. Pada Mei 2025, indeks Niño-3.4 hanya sekitar 0,2°C di bawah normal — praktis ENSO-netral setelah La Niña lemah yang singkat berakhir. Namun konveksi di atas Indonesia kala itu masih di atas rata-rata, dan curah hujan di banyak wilayah tetap lebih tinggi dari normal. Ini menunjukkan bahwa respons curah hujan Indonesia terhadap perubahan Sirkulasi Walker tidak instan — ada inersia termal lautan dan atmosfer yang membuat sinyal hujan tetap aktif beberapa bulan setelah kondisi ENSO berubah. Sebaliknya, implikasi untuk saat ini adalah: defisit hujan yang sudah mulai terasa di Juli 2026 berpotensi berlanjut — dan bahkan menguat — memasuki trimester akhir 2026.
Pemantauan operasional yang paling informatif untuk kondisi Walker meliputi: indeks OLR tropika di atas Indonesia (dari NOAA), peta Velocity Potential 200 hPa (mengungkap pusat divergensi/konvergensi aloft), serta animasi loop Sirkulasi Walker yang dipublikasikan rutin oleh NOAA Climate.gov dan Copernicus Climate Change Service.
Eksplorasi artikel meteorologi lainnya di meteo.my.id — dari dinamika ENSO dan MJO hingga analisis data ERA5 dengan Python.
Referensi
- The Walker Circulation: ENSO's atmospheric buddy — Penjelasan mekanisme Sirkulasi Walker dan kaitannya dengan fase-fase ENSO oleh NOAA Climate.gov.
- A 'Hitchhiker's Guide' to the June 2025 ENSO update — Update status ENSO Juni 2025 termasuk konteks transisi dari La Niña lemah ke kondisi netral dan implikasinya bagi curah hujan regional.
- ENSO Diagnostic Discussion (NOAA CPC) — Diskusi diagnostik resmi bulanan NOAA CPC tentang kondisi atmosfer-laut dan prakiraan ENSO terkini.
- El Niño — NASA Science — Tinjauan komprehensif NASA tentang fenomena El Niño, mekanisme Sirkulasi Walker, dan dampaknya terhadap iklim global.
- Heavy Rainfall Floods Indonesia — Laporan NASA Earth Observatory tentang banjir ekstrem di Indonesia yang dipicu anomali curah hujan tinggi pada episode La Niña.
Minggu, 19 Juli 2026
Mengapa Frekuensi Brunt-Väisälä Penting di Tropis
Setiap kali pilot melaporkan turbulence di langit yang tampak bersih di atas Kalimantan, atau kita melihat awan lentikular mengambang di puncak gunung Jaya Wijaya, ada satu parameter fisika yang bekerja di baliknya: frekuensi Brunt-Väisälä, \(N\). Parameter ini mengukur seberapa kuat atmosfer "mengembalikan" parsel udara yang terusik ke posisi semula. Semakin besar \(N\), semakin stabil kolom udara dan semakin cepat parsel berosilasi sebelum berhenti.
Di Indonesia, static stability terasa sangat relevan. Maritime continent kita adalah salah satu pusat deep convection terkuat di Bumi — sebagian besar karena stabilitas statik troposfer yang lemah di atas lautan hangat, di mana \(N^2\) kerap mendekati nol. Sebaliknya, lapisan dengan \(N\) besar memungkinkan gravity wave merambat vertikal — kunci memahami gelombang orografis di Papua, dispersi polutan kota, maupun turbulence di jalur penerbangan.
Secara formal, frekuensi Brunt-Väisälä kuadrat untuk udara kering didefinisikan sebagai:
$$N^2 = \frac{g}{\theta} \cdot \frac{d\theta}{dz}$$
dengan \(g = 9{,}80665\ \text{m s}^{-2}\), \(\theta\) adalah potential temperature (K), dan \(z\) adalah ketinggian (m). Jika \(N^2 > 0\), atmosfer stabil dan parsel berosilasi; jika \(N^2 < 0\), parsel berakselerasi menjauhi ekuilibriumnya dan konveksi berkembang.
Dalam tutorial ini kita download data ERA5 pressure-level (temperature dan geopotential di 500 dan 850 hPa) untuk Indonesia tahun 2024, lalu menghitung \(N^2\) bulk lapisan 850–500 hPa langsung dari definisinya dengan Python dan xarray.
Mengunduh dan Memuat Data ERA5
ERA5 menyimpan geopotential (m² s⁻²) dan temperature (K) pada 37 level tekanan standar, resolusi ~31 km, dari 1940 hingga nyaris real-time. Untuk tutorial ini kita butuh dua variabel di 500 dan 850 hPa: temperature dan geopotential.
Sebelum mulai, daftar akun dan dapatkan API key di cds.climate.copernicus.eu, lalu pip install cdsapi xarray netCDF4. Snippet berikut men-download dua file NetCDF untuk Indonesia 2024 hanya satu kali — guard if not os.path.exists melewati download pada run berikutnya. Tergantung antrean CDS, tiap file selesai dalam 1–10 menit.
import os, cdsapi, xarray as xr, numpy as np
OUT_T = "era5_t_pl500-850_indonesia_2024_d.nc"
OUT_Z = "era5_z_pl500-850_indonesia_2024_d.nc"
if not os.path.exists(OUT_T):
c = cdsapi.Client(quiet=True)
c.retrieve(
"reanalysis-era5-pressure-levels",
{
"product_type": "reanalysis",
"variable": ["temperature"],
"pressure_level": ["500", "850"],
"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",
"area": [6, 95, -11, 141],
"format": "netcdf",
},
OUT_T,
)
if not os.path.exists(OUT_Z):
c = cdsapi.Client(quiet=True)
c.retrieve(
"reanalysis-era5-pressure-levels",
{
"product_type": "reanalysis",
"variable": ["geopotential"],
"pressure_level": ["500", "850"],
"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",
"area": [6, 95, -11, 141],
"format": "netcdf",
},
OUT_Z,
)
ds_t = xr.open_dataset(OUT_T)
ds_z = xr.open_dataset(OUT_Z)
print("=== Temperature dataset ===")
print(ds_t.sizes)
print("Data vars:", list(ds_t.data_vars))
print("Pressure levels:", ds_t["pressure_level"].values)
print("\n=== Geopotential dataset ===")
print(ds_z.sizes)
print("Data vars:", list(ds_z.data_vars))
print("Pressure levels:", ds_z["pressure_level"].values)
=== Temperature dataset ===
Frozen({'valid_time': 366, 'pressure_level': 2, 'latitude': 69, 'longitude': 185})
Data vars: ['t']
Pressure levels: [850. 500.]
=== Geopotential dataset ===
Frozen({'valid_time': 366, 'pressure_level': 2, 'latitude': 69, 'longitude': 185})
Data vars: ['z']
Pressure levels: [850. 500.]
Output di atas menampilkan dimensi kedua dataset: valid_time (366 langkah harian, 2024 tahun kabisat), pressure_level ([850.0, 500.0]), serta grid 69×185 titik. Temperature tersimpan sebagai t, geopotential sebagai z — keduanya jadi input semua snippet berikutnya.
Menghitung Suhu Potensial di Setiap Level
Potential temperature \(\theta\) adalah suhu yang akan dimiliki parsel jika diturunkan secara adiabatik ke level referensi 1000 hPa. Berbeda dari suhu aktual \(T\) yang turun terhadap ketinggian, \(\theta\) justru naik dengan ketinggian di atmosfer stabil — itulah mengapa gradient \(d\theta/dz > 0\) menjadi kriteria stabilitas statik.
Formulanya untuk udara kering:
$$\theta = T \cdot \left(\frac{1000}{p}\right)^{0{,}286}$$
dengan \(p\) dalam hPa dan \(T\) dalam K. Eksponen \(0{,}286 \approx R_a / c_p\) menggunakan \(R_a = 287\ \text{J kg}^{-1}\text{K}^{-1}\) dan \(c_p = 1005\ \text{J kg}^{-1}\text{K}^{-1}\) — nilai konvensi WMO yang dipakai secara luas.
Snippet berikut menghitung \(\theta\) di 500 dan 850 hPa menggunakan variabel t dari dataset, lalu mencetak domain-mean dan selisihnya.
import numpy as np
# Potential temperature: theta = T * (1000/p)^0.286
theta500 = ds_t["t"].sel(pressure_level=500) * (1000 / 500) ** 0.286
theta850 = ds_t["t"].sel(pressure_level=850) * (1000 / 850) ** 0.286
# Annual-mean domain-mean (average over latitude, longitude, dan valid_time)
t500_mean = float(theta500.mean(["latitude", "longitude", "valid_time"]))
t850_mean = float(theta850.mean(["latitude", "longitude", "valid_time"]))
print(f"Domain-mean θ @ 500 hPa : {t500_mean:.2f} K")
print(f"Domain-mean θ @ 850 hPa : {t850_mean:.2f} K")
print(f"Δθ (500 − 850 hPa) : {t500_mean - t850_mean:.2f} K")
Domain-mean θ @ 500 hPa : 327.87 K
Domain-mean θ @ 850 hPa : 305.38 K
Δθ (500 − 850 hPa) : 22.48 K
Output menampilkan dua nilai \(\theta\) dan selisihnya \(\Delta\theta\). Yang penting: \(\theta_{500}\) lebih tinggi dari \(\theta_{850}\), artinya potential temperature naik seiring ketinggian — tanda klasik stabilitas statik. Selisih \(\Delta\theta\) positif inilah pembilang dalam formula \(N^2\) berikutnya.
Frekuensi Brunt-Väisälä dan Periode Osilasi Buoyancy
Untuk menghitung \(N^2\) bulk antara 850 dan 500 hPa, kita gunakan aproksimasi finite-difference dari definisi kontinu \(N^2 = (g/\theta)(d\theta/dz)\):
$$N^2 = \frac{g}{\bar{\theta}} \cdot \frac{\Delta\theta}{\Delta H}$$
dengan \(\bar{\theta} = (\theta_{500} + \theta_{850})/2\) adalah rata-rata layer, \(\Delta\theta = \theta_{500} - \theta_{850}\) (K), dan \(\Delta H = H_{500} - H_{850}\) (m) adalah selisih geopotential height. ERA5 menyimpan geopotential \(\Phi\) dalam satuan m² s⁻², sehingga konversi ke ketinggian dilakukan dengan \(H = \Phi / g_0\), dengan \(g_0 = 9{,}80665\ \text{m s}^{-2}\).
Dari \(N^2\), kita dapatkan \(N = \sqrt{N^2}\) (s⁻¹) dan periode osilasi buoyancy:
$$T_{BV} = \frac{2\pi}{N}\ \text{(detik)}$$
Nilai referensi troposfer bebas yang umum dikutip adalah \(N \approx 0{,}01\ \text{s}^{-1}\), \(N^2 \approx 1\times10^{-4}\ \text{s}^{-2}\), dan \(T_{BV} \approx 10\ \text{menit}\). Di stratosfer yang lebih stabil, \(N\) bisa mencapai \(\approx 0{,}02\ \text{s}^{-1}\) dengan \(T_{BV} \approx 5\ \text{menit}\).
import numpy as np
g = 9.80665 # m/s²
# Convert geopotential Phi (m² s⁻²) to geopotential height H (m)
H500 = ds_z["z"].sel(pressure_level=500) / g
H850 = ds_z["z"].sel(pressure_level=850) / g
# Potential temperature di setiap level
theta500 = ds_t["t"].sel(pressure_level=500) * (1000 / 500) ** 0.286
theta850 = ds_t["t"].sel(pressure_level=850) * (1000 / 850) ** 0.286
# Bulk layer quantities
dtheta = theta500 - theta850 # K — positif → stabil
dH = H500 - H850 # m — positif (500 hPa lebih tinggi)
theta_mean = (theta500 + theta850) / 2 # K
# N² = (g / theta_mean) * (dtheta / dH)
N2 = (g / theta_mean) * (dtheta / dH)
# Domain-mean dan annual-mean
N2_dmean = float(N2.mean(["latitude", "longitude", "valid_time"]))
N_dmean = float(np.sqrt(max(N2_dmean, 0.0)))
T_BV_min = (2 * np.pi / N_dmean) / 60 # detik → menit
print(f"Domain-mean N² : {N2_dmean:.3e} s⁻²")
print(f"Domain-mean N : {N_dmean:.5f} s⁻¹")
print(f"Buoyancy period : {T_BV_min:.1f} menit")
Domain-mean N² : 1.593e-04 s⁻²
Domain-mean N : 0.01262 s⁻¹
Buoyancy period : 8.3 menit
Output di atas menampilkan \(N^2 \approx 1{,}6\times10^{-4}\ \text{s}^{-2}\), \(N \approx 0{,}013\ \text{s}^{-1}\), dan \(T_{BV} \approx 8\ \text{menit}\) untuk lapisan 850–500 hPa Indonesia. Nilai ini sedikit di atas referensi troposfer bebas (\(N^2 \approx 1\times10^{-4}\ \text{s}^{-2}\), \(T_{BV} \approx 10\ \text{menit}\)) — wajar, karena rata-rata bulk 850–500 hPa turut memuat mid-troposfer yang lebih stabil. Periode buoyancy sekitar 8 menit berarti parsel yang terusik berosilasi naik-turun kira-kira sekali tiap 8 menit sebelum teredam.
Ketiga rezim yang ditentukan oleh tanda \(N^2\) dapat dirangkum sebagai berikut:
Diagram 1. Tiga rezim stabilitas atmosfer berdasarkan tanda N². Nilai positif memungkinkan gravity waves dan awan lentikular; nilai negatif memicu deep convection.
Visualisasi N² di Seluruh Indonesia
Angka skalar domain-mean memberi gambaran rata-rata, tetapi pola spasial dan variasi temporal \(N^2\) jauh lebih informatif. Kita buat dua visualisasi yang saling melengkapi: peta annual-mean di seluruh Indonesia dan time series harian sepanjang 2024.
Snippet berikut menghasilkan peta \(N^2\) dengan cartopy. Pola spasialnya memperlihatkan di mana stabilitas troposfer paling kuat — biasanya di atas perairan ber-SST lebih rendah atau wilayah yang dipengaruhi aliran udara benua yang kering.
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
g = 9.80665
theta500 = ds_t["t"].sel(pressure_level=500) * (1000 / 500) ** 0.286
theta850 = ds_t["t"].sel(pressure_level=850) * (1000 / 850) ** 0.286
H500 = ds_z["z"].sel(pressure_level=500) / g
H850 = ds_z["z"].sel(pressure_level=850) / g
dtheta = theta500 - theta850
dH = H500 - H850
theta_mean = (theta500 + theta850) / 2
N2 = (g / theta_mean) * (dtheta / dH)
# Annual-mean spatial field
N2_annual = N2.mean("valid_time")
fig, ax = plt.subplots(
1, 1, figsize=(11, 6),
subplot_kw={"projection": ccrs.PlateCarree()}
)
ax.set_extent([95, 141, -11, 6], crs=ccrs.PlateCarree())
pcm = ax.pcolormesh(
N2_annual["longitude"].values,
N2_annual["latitude"].values,
N2_annual.values,
transform=ccrs.PlateCarree(),
cmap="viridis",
)
ax.add_feature(cfeature.COASTLINE.with_scale("50m"), linewidth=0.8, color="white")
gl = ax.gridlines(draw_labels=True, linewidth=0.5, color="gray", alpha=0.5)
gl.top_labels = False
gl.right_labels = False
cbar = fig.colorbar(pcm, ax=ax, orientation="horizontal", pad=0.08, shrink=0.8)
cbar.set_label("N² (s⁻²)", fontsize=12)
ax.set_title(
"Frekuensi Brunt-Väisälä² — Rata-rata Tahunan 850–500 hPa (ERA5 2024)",
fontsize=12
)
plt.savefig("bv_map.png", dpi=150, bbox_inches="tight")
print("Saved bv_map.png")
Peta di atas menampilkan variasi spasial \(N^2\) tahunan di atas Indonesia. Warna lebih terang menandai stabilitas troposfer lebih kuat; warna gelap menandai lapisan lebih netral yang cenderung konduktif untuk deep convection.
Snippet kedua memperlihatkan bagaimana \(N^2\) domain-mean berfluktuasi dari hari ke hari sepanjang 2024 — sinyal musiman maupun variabilitas synoptik tercermin di dalamnya.
import matplotlib.pyplot as plt
import numpy as np
g = 9.80665
theta500 = ds_t["t"].sel(pressure_level=500) * (1000 / 500) ** 0.286
theta850 = ds_t["t"].sel(pressure_level=850) * (1000 / 850) ** 0.286
H500 = ds_z["z"].sel(pressure_level=500) / g
H850 = ds_z["z"].sel(pressure_level=850) / g
dtheta = theta500 - theta850
dH = H500 - H850
theta_mean = (theta500 + theta850) / 2
N2 = (g / theta_mean) * (dtheta / dH)
# Daily domain-mean (rata-rata spasial atas latitude dan longitude)
N2_ts = N2.mean(["latitude", "longitude"])
fig, ax = plt.subplots(figsize=(11, 4))
ax.plot(
N2_ts["valid_time"].values,
N2_ts.values,
color="#1E5A8A",
linewidth=0.9,
label="N² domain-mean harian"
)
ax.axhline(
1e-4,
color="orange",
linestyle="--",
linewidth=1.2,
label="Referensi troposfer bebas N² = 1×10⁻⁴ s⁻²"
)
ax.set_xlabel("Tanggal (2024)", fontsize=11)
ax.set_ylabel("N² (s⁻²)", fontsize=11)
ax.set_title("Domain-mean N² Harian — Indonesia 850–500 hPa (ERA5 2024)", fontsize=12)
ax.legend(fontsize=10)
ax.grid(alpha=0.3)
plt.tight_layout()
plt.savefig("bv_timeseries.png", dpi=150, bbox_inches="tight")
print("Saved bv_timeseries.png")
Time series di atas memperlihatkan fluktuasi stabilitas troposfer Indonesia sepanjang tahun — perhatikan sinyal musiman antara musim hujan (Oktober–April) dan kemarau (Mei–September) maupun variasi synoptik berperiode pendek. Garis referensi oranye di \(N^2 = 1\times10^{-4}\ \text{s}^{-2}\) mempermudah perbandingan dengan troposfer ekstratropis.
Interpretasi dalam Konteks Meteorologi Tropis
Angka \(N^2\) ini perlu dibaca dalam konteks troposfer tropis. Di ekstratropis, static stability umumnya lebih tinggi karena lapse rate teramati jauh di bawah dry adiabatic lapse rate (\(\Gamma_d \approx 9{,}8\ \text{K/km}\)), sehingga \(d\theta/dz\) besar. Di atas Indonesia — terutama di lapisan bawah dekat permukaan — lapse rate jauh lebih dekat ke moist adiabatic (~6–7 K/km), sehingga \(d\theta/dz\) mengecil dan \(N^2\) turun, kadang mendekati nol saat konveksi aktif.
Inilah fondasi termodinamika mengapa deep convection begitu umum di atas Sumatera, Kalimantan, dan Papua: dengan troposfer yang hampir netral, parsel panas-lembap dari laut hangat (SST > 28°C) hanya perlu sedikit dorongan untuk melampaui level kondensasi dan terus naik tanpa hambatan buoyancy berarti. Di atas warm pool Samudra Pasifik barat, \(N^2\) kerap mendekati nol atau sesaat negatif — pemicu awal badai konvektif skala meso.
Skenario kontras berlaku di area dengan static stability lebih tinggi. Saat aliran udara stabil dipaksa naik oleh orografi — misalnya melintasi pegunungan Jaya Wijaya (>4.000 m) — nilai \(N\) yang signifikan melahirkan gravity wave yang efisien. Gelombang ini merambat ke atas dan di permukaan tampak sebagai awan lentikular di sisi lee gunung atau gelombang orografis pada citra satellite inframerah.
Ada hubungan mendasar di sini: tidak ada internal gravity wave yang berosilasi lebih cepat dari \(N\) lokal. Lapisan dengan \(N\) besar memuat rentang periode gravity wave yang luas, sedangkan lapisan mendekati netral hanya meloloskan gelombang berperiode sangat panjang. Memetakan distribusi \(N^2\) dari ERA5 karena itu menjadi langkah pertama menilai di mana gravity wave dapat berkembang di atas Indonesia.
Langkah Selanjutnya
Tutorial ini menghitung \(N^2\) sebagai aproksimasi bulk dua level (850–500 hPa). Ada beberapa arah eksplorasi yang natural dari sini:
- Profil vertikal \(N^2\): gunakan semua 37 level tekanan ERA5 untuk mendapatkan \(N^2(p)\) sebagai fungsi ketinggian — dari boundary layer hingga lower stratosphere — dan lihat lapisan tropopause menonjol sebagai lompatan stabilitas tajam.
- Perbandingan troposfer vs stratosfer: tambahkan level 50–200 hPa dan konfirmasi \(N^2\) stratosfer jauh lebih tinggi daripada troposfer.
- Scorer parameter dan wave trapping: kombinasikan \(N\) dengan profil shear angin untuk menghitung Scorer parameter \(l^2 = N^2/U^2 - (d^2U/dz^2)/U\) dan nilai kondisi propagasi vs trapping untuk gravity wave.
- Validasi dengan radiosonde: bandingkan \(N^2\) ERA5 dengan data radiosonde BMKG (misalnya Koto Tabang atau Biak) untuk mengukur seberapa akurat reanalysis mereproduksi stabilitas troposfer aktual.
Frekuensi Brunt-Väisälä adalah parameter fundamental dinamika atmosfer. Begitu bisa menghitungnya dari ERA5, analisis gravity wave, parametrisasi konveksi, dan kajian turbulence pun terbuka lebar.
Eksplorasi artikel meteorologi lainnya di meteo.my.id — kunjungi https://meteo.my.id untuk artikel lain seputar cuaca dan data atmosfer.
Referensi
- ERA5: data documentation – Copernicus Knowledge Base, ECMWF — Dokumentasi resmi ERA5 yang mencakup resolusi temporal dan spasial (~31 km), 37 level tekanan standar, serta definisi variabel pressure-level termasuk geopotential (m² s⁻²) dan temperature (K).
- ERA5: compute geopotential height and geometric height – ECMWF Confluence Wiki — Halaman teknis ECMWF yang mengkonfirmasi konversi geopotential ke geopotential height menggunakan konstanta gravitasi standar \(g_0 = 9{,}80665\ \text{m s}^{-2}\).
- The Brunt-Väisälä Frequency – Gravity Waves (EUMETRAIN / COMET Program) — Sumber pelatihan EUMETSAT yang mendefinisikan \(N^2\) dalam konteks atmosferik dan menghubungkannya dengan mountain wave, gravity wave, serta awan lentikular sebagai manifestasi fisik stabilitas.
- Brunt–Väisälä frequency – Wikipedia — Artikel ensiklopedia yang merangkum formulasi \(N^2\) dalam potential temperature maupun suhu aktual, beserta interpretasi tiga rezim stabilitas (\(N^2 > 0\), \(= 0\), \(< 0\)) dan hubungannya dengan internal gravity wave.
- Buoyancy (gravity) waves in the atmosphere – University of Western Ontario, Dr. W. Hocking — Catatan kuliah yang memberikan formula \(T_{BV} = 2\pi/N\) dengan nilai tipikal troposfer (~10 menit, \(N \approx 0{,}01\ \text{s}^{-1}\)) dan stratosfer (~5 menit, \(N \approx 0{,}02\ \text{s}^{-1}\)).
Mengapa Frekuensi Brunt-Väisälä Penting di Tropis Setiap kali pilot melaporkan turbulence di langit yang tampak bersih di atas Kalimantan,...
