Mengapa Ketinggian Kondensasi Angkat Penting
Sumber: NASA Earth Observatory (link) — "Cloud Towers", citra Aqua MODIS di atas Flores, Indonesia (2 Desember 2013).
Bayangkan dua skenario. Seorang forecaster di Makassar ingin menilai apakah konveksi sore ini akan mengembang menjadi kumulonimbus yang matang, atau hanya cumulus dangkal yang tidak membawa hujan signifikan. Di saat bersamaan, seorang pilot merencanakan penerbangan VFR lintas Kalimantan dan butuh estimasi ceiling awan sebelum lepas landas. Kedua pertanyaan ini bermuara ke satu parameter termodinamik: di ketinggian berapa boundary layer lembap mulai terkondensasi?
Lifting Condensation Level (LCL) adalah ketinggian di mana sebuah parsel udara yang diangkat secara adiabatik kering akan mencapai saturasi. Di titik inilah uap air pertama kali berubah menjadi droplet awan, dan cloud base konvektif terbentuk. Berbeda dengan lifted index atau CAPE yang menggambarkan potensi total energi konvektif, LCL berbicara tentang satu hal spesifik: seberapa tinggi parsel harus naik sebelum awan bisa terbentuk.
Di Indonesian Maritime Continent, boundary layer yang hangat dan lembap sepanjang tahun membuat LCL khas berada hanya beberapa ratus meter di atas permukaan. Artinya awan cumulus terbentuk dengan cepat begitu ada mekanisme angkat — konvergensi angin darat-laut, topografi, atau radiasi matahari yang memanaskan permukaan. Memahami distribusi spasial LCL membantu forecaster mengidentifikasi zona mana yang paling rentan terhadap convective initiation pada hari tertentu.
Kabar baiknya, LCL bisa dihitung hanya dari dua variabel permukaan: suhu \(T\) dan dewpoint \(T_d\). Keduanya tersedia langsung di ERA5 sebagai field t2m dan d2m, sehingga kita bisa menghitung LCL untuk seluruh grid Indonesia dalam beberapa baris Python.
Data dan Rumus LCL dari ERA5
Field ERA5 yang Digunakan
Kita memanfaatkan tiga field ERA5 single-level untuk tutorial ini:
- 2 m temperature (
t2m) — suhu permukaan dalam Kelvin - 2 m dewpoint temperature (
d2m) — dewpoint permukaan dalam Kelvin - Mean sea-level pressure (
msl) — digunakan sebagai proxy tekanan permukaan dalam Pa
Penggunaan msl sebagai tekanan permukaan merupakan pendekatan yang valid untuk wilayah pesisir dan dataran rendah yang mendominasi domain Indonesia. Untuk topografi tinggi seperti Pegunungan Jayawijaya di Papua atau dataran tinggi Sulawesi, selisih antara tekanan permukaan aktual dan msl bisa mencapai beberapa hPa — koreksi elevasi diperlukan jika presisi tinggi dibutuhkan. Untuk gambaran spasial umum, pendekatan ini sudah cukup memadai.
Rantai Formula
Aturan Espy memberikan estimasi cepat LCL dari dewpoint depression:
$$z_{LCL} \approx 125\,(T - T_d)$$
dengan \(T\) dan \(T_d\) dalam °C, hasilnya dalam meter. Koefisien 125 m/K berasal dari perbedaan lapse rate adiabatik kering (\(\approx 9{,}8\ \text{K/km}\)) dengan lapse rate dewpoint (\(\approx 1{,}8\ \text{K/km}\)), menghasilkan konvergensi \(T - T_d\) sebesar \(\approx 8\ \text{K/km}\), sehingga invers-nya \(\approx 125\ \text{m/K}\).
Bolton (1980) memberikan formula empiris untuk suhu LCL \(T_{LCL}\) [K] dari \(T\) dan \(T_d\) dalam Kelvin:
$$T_{LCL} = 56 + \cfrac{1}{\cfrac{1}{T_d - 56} + \cfrac{\ln(T/T_d)}{800}}$$
Formula ini memiliki akurasi ±0,3% untuk rentang suhu −35 hingga 35°C dan menjadi standar yang diimplementasikan di ECMWF Metview dan NCAR NCL.
Relasi Poisson (adiabat kering) mengubah \(T_{LCL}\) menjadi tekanan LCL:
$$p_{LCL} = p_{sfc}\left(\frac{T_{LCL}}{T}\right)^{c_p/R_d}$$
dengan \(c_p/R_d = 3{,}5\) untuk udara kering diatomik ideal.
Persamaan hypsometric mengonversi selisih tekanan menjadi ketinggian di atas permukaan [m]:
$$\Delta z = \frac{R_d}{g}\,\overline{T}\,\ln\!\left(\frac{p_{sfc}}{p_{LCL}}\right)$$
di mana \(R_d = 287{,}05\ \text{J kg}^{-1}\text{K}^{-1}\), \(g = 9{,}81\ \text{m s}^{-2}\), dan \(\overline{T} = (T + T_{LCL})/2\) adalah suhu rata-rata lapisan.
Diagram berikut merangkum alur komputasi lengkap, termasuk jalur paralel Espy sebagai cross-check:
Alur perhitungan LCL dari field ERA5 permukaan: dua jalur paralel (Bolton lengkap dan Espy cepat) bertemu di perbandingan akhir.
Sebelum menjalankan snippet, daftar akun di cds.climate.copernicus.eu dan konfigurasikan ~/.cdsapirc dengan API key yang diberikan setelah registrasi. Snippet berikut mengunduh ketiga variabel untuk seluruh tahun 2024 — guard os.path.exists memastikan proses download hanya terjadi sekali, lalu file dibuka dengan xarray:
import os, cdsapi, xarray as xr
# Unduh sekali dari CDS; guard os.path.exists memastikan tidak mengunduh ulang.
FILES = {
"2m_temperature": "era5_t2m_indonesia_2024_6h.nc",
"2m_dewpoint_temperature": "era5_d2m_indonesia_2024_6h.nc",
"mean_sea_level_pressure": "era5_msl_indonesia_2024_6h.nc",
}
for var, out in FILES.items():
if not os.path.exists(out):
c = cdsapi.Client(quiet=True)
c.retrieve("reanalysis-era5-single-levels", {
"product_type": "reanalysis",
"variable": [var],
"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)
t2m = xr.open_dataset(FILES["2m_temperature"])["t2m"]
d2m = xr.open_dataset(FILES["2m_dewpoint_temperature"])["d2m"]
msl = xr.open_dataset(FILES["mean_sea_level_pressure"])["msl"]
print("Dimensi t2m:", dict(t2m.sizes))
print("Rentang waktu:", str(t2m['valid_time'].min().values)[:10],
"s/d", str(t2m['valid_time'].max().values)[:10])
print("Satuan: t2m [%s], d2m [%s], msl [%s]" % (t2m.units, d2m.units, msl.units))
Dimensi t2m: {'valid_time': 1464, 'latitude': 69, 'longitude': 185}
Rentang waktu: 2024-01-01 s/d 2024-12-31
Satuan: t2m [K], d2m [K], msl [Pa]
Output mengonfirmasi 1464 timestep (366 hari × 4 per hari, karena 2024 adalah tahun kabisat), grid 69×185 titik yang mencakup bounding box Indonesia, dan unit Kelvin untuk suhu. Unit Kelvin ini penting: formula Bolton menerima input dalam Kelvin sehingga tidak ada konversi yang diperlukan.
Menghitung Ketinggian Kondensasi Angkat
Kita pilih satu timestep representatif: 15 Februari 2024 pukul 06:00 UTC, yang setara dengan sore hari (13–14 WIB). Ini adalah jam puncak pemanasan permukaan dan aktivitas konvektif di Indonesia selama musim hujan — dewpoint depression meningkat dibanding pagi hari karena suhu naik sementara dewpoint relatif stabil, menghasilkan variasi LCL yang menarik di seluruh domain.
Satu hal yang perlu diperhatikan: ERA5 menyimpan t2m dan d2m dalam Kelvin. Selisih \(T - T_d\) dalam Kelvin numeriknya sama persis dengan selisih dalam °C, sehingga aturan Espy bisa diterapkan langsung pada nilai Kelvin tanpa konversi dan hasilnya tetap benar dalam meter. Formula Bolton juga menerima input Kelvin secara langsung.
import numpy as np
DATE = "2024-02-15T06:00" # sore hari (13-15 WIB), puncak konveksi musim hujan
T = t2m.sel(valid_time=DATE, method="nearest").squeeze().values
Td = d2m.sel(valid_time=DATE, method="nearest").squeeze().values
p = msl.sel(valid_time=DATE, method="nearest").squeeze().values
lat = t2m["latitude"].values
lon = t2m["longitude"].values
# Bolton (1980): suhu LCL [K]
T_lcl = 56.0 + 1.0 / (1.0/(Td - 56.0) + np.log(T/Td)/800.0)
# Poisson (adiabat kering): tekanan LCL [Pa]
p_lcl = p * (T_lcl / T) ** 3.5
# Hypsometric: tinggi LCL di atas permukaan [m]
Rd, g = 287.05, 9.81
z_lcl = (Rd/g) * ((T + T_lcl)/2.0) * np.log(p / p_lcl)
# Cross-check aturan Espy [m]; (T - Td) dalam K setara selisih dalam °C
z_espy = 125.0 * (T - Td)
print("Titik embun depresi (T-Td): %.2f s/d %.2f K" % ((T-Td).min(), (T-Td).max()))
print("z_LCL Bolton : min=%.0f rata2=%.0f maks=%.0f m" % (z_lcl.min(), z_lcl.mean(), z_lcl.max()))
print("z_LCL Espy : min=%.0f rata2=%.0f maks=%.0f m" % (z_espy.min(), z_espy.mean(), z_espy.max()))
print("Selisih rata-rata Bolton-Espy: %.0f m" % np.abs(z_lcl - z_espy).mean())
Titik embun depresi (T-Td): 0.61 s/d 16.09 K
z_LCL Bolton : min=77 rata2=543 maks=2028 m
z_LCL Espy : min=76 rata2=533 maks=2012 m
Selisih rata-rata Bolton-Espy: 9 m
Hasilnya konsisten dengan karakter atmosfer tropis maritim. Rata-rata LCL ~543 m menunjukkan boundary layer yang sangat lembap — dibandingkan wilayah mid-latitude kering yang bisa memiliki LCL 1500–2500 m, Indonesia memiliki cloud base yang sangat dekat dengan permukaan. Dewpoint depression terkecil (0,61 K) berasal dari piksel di atas perairan hangat yang hampir jenuh, sementara nilai terbesar (16,09 K) kemungkinan mencerminkan wilayah pesisir yang terpapar udara kering dari arah daratan atau subsidensi lokal.
Yang paling menarik adalah kesepakatan antara Bolton dan Espy: selisih rata-rata hanya 9 m, kurang dari 2% dari rata-rata LCL. Ini mengonfirmasi bahwa untuk iklim tropis basah dengan rentang dewpoint depression yang moderat, aturan Espy sudah sangat akurat untuk estimasi cepat tanpa perlu menghitung pressure-level. Bolton tetap direkomendasikan sebagai metode utama karena secara termodinamik lebih ketat, dengan Espy sebagai sanity check yang mudah dihitung di kepala.
Pemetaan LCL dan Interpretasi Spasial
Numerik domain-mean sudah informatif, tetapi peta spasial mengungkap pola yang jauh lebih kaya. Snippet berikut merender distribusi LCL Bolton untuk seluruh domain Indonesia pada timestep yang sama menggunakan matplotlib:
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(9, 5))
pcm = ax.pcolormesh(lon, lat, z_lcl, cmap="viridis", shading="auto",
vmin=0, vmax=1500)
ax.set_xlabel("Bujur (°E)")
ax.set_ylabel("Lintang (°)")
ax.set_title("Ketinggian LCL (Bolton) — %s" % DATE)
cb = fig.colorbar(pcm, ax=ax, shrink=0.85)
cb.set_label("z_LCL (m)")
fig.savefig("lcl_indonesia.png", dpi=120, bbox_inches="tight")
print("Peta LCL tersimpan.")
Peta LCL menampilkan tiga zona karakter yang berbeda. Di atas perairan — Laut Jawa, Selat Makassar, dan Samudra Hindia barat Sumatera — warna gelap (LCL 100–400 m) mencerminkan udara permukaan yang hampir jenuh, konsisten dengan SST hangat yang menjaga dewpoint tinggi. Di sini, awan cumulus terbentuk hampir seketika begitu ada sedikit mekanisme angkat, misalnya konvergensi angin darat-laut di sore hari. Area pedalaman Kalimantan dan bagian Sulawesi yang lebih kering menunjukkan LCL 600–1000 m, sementara titik-titik dengan LCL di atas 1500 m kemungkinan mencerminkan wilayah dengan subsidensi lokal atau pengaruh topografi yang mengubah adveksi kelembapan.
Satu catatan penting dari riset operasional NOAA SPC: LCL berbasis single-level surface (SBLCL) seperti yang kita hitung cenderung lebih rendah dari cloud base yang teramati, dibandingkan mean-layer LCL (MLLCL) yang menggunakan rata-rata T dan \(T_d\) di lapisan 100 hPa terendah atmosfer. Studi Craven et al. (2002) terhadap sekitar 400 observasi cloud base ASOS menunjukkan bias sistematis ini. Artinya, peta kita harus dibaca sebagai batas bawah spasial estimasi cloud base, bukan nilai absolut. Untuk aplikasi yang lebih presisi — misalnya aviation briefing atau convective nowcasting — langkah berikutnya adalah menghitung MLLCL menggunakan data pressure-level ERA5 di lapisan 850–1000 hPa.
Beberapa arah pengembangan yang bisa kita eksplorasi dari sini: pertama, menghitung LCL bulanan untuk seluruh 2024 guna melihat siklus musiman cloud base Indonesia (LCL umumnya lebih rendah di musim hujan ketika kelembapan tinggi); kedua, mengoverlay LCL dengan curah hujan ERA5 (total_precipitation) untuk menguji apakah zona LCL rendah berkorelasi dengan intensitas hujan konvektif; ketiga, membandingkan LCL pagi hari (00 UTC, ~07 WIB) versus sore hari (06 UTC, ~13 WIB) untuk memetakan siklus diurnal boundary layer secara eksplisit.
Eksplorasi artikel meteorologi lainnya di meteo.my.id. Kunjungi halaman utama untuk arsip lengkapnya.
Referensi
- AMS Glossary of Meteorology — Lifting Condensation Level — definisi resmi LCL dari American Meteorological Society, termasuk hubungannya dengan isentropic condensation level dan termodinamika diagram Skew-T.
- Bolton (1980), Monthly Weather Review 108:1046–1053 — sumber utama formula empiris suhu LCL (Persamaan 15) yang digunakan dalam tutorial ini; akurasi ±0,3% untuk rentang tropis.
- ECMWF Metview — lifted_condensation_level — dokumentasi implementasi ECMWF yang menggunakan rantai Bolton → Poisson → hypsometric identik dengan tutorial ini, sebagai referensi silang.
- NOAA SPC — Craven et al. 2002, LCL vs Observed Cloud Base — studi perbandingan SBLCL vs MLLCL terhadap ~400 observasi cloud base ASOS; basis untuk catatan bias LCL berbasis surface di tutorial ini.
- NASA Earth Observatory — Cloud Towers over Flores, Indonesia — citra MODIS Aqua yang menunjukkan kolom kumulonimbus di atas Flores, contoh nyata parsel udara mencapai LCL dan membentuk awan konvektif di atas Kepulauan Indonesia.
Tidak ada komentar:
Posting Komentar