Automatic detection of volcanic ash from Himawari – 8 satellite using artificial neural network

Putra, Richard Mahendra; Saputro, Adhi Harmoko; Arazak, Laiza; Kharisma, Sulton

doi:10.1063/1.5141725

Cited by 2 publications

(1 citation statement)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Satelit geostationer dalam praktiknya memiliki kendala yang disebut efek Paralaks, di mana efek ini menyebabkan kesalahan dalam pembacaan data citra satelit oleh satelit geostationer di suatu wilayah yang berbeda dengan wilayah atau objek pengamatan yang sebenarnya dikarenakan terdapat sisi bidang miring antara satelit dengan wilayah atau objek pengamatan [6].…”

unclassified

Identifikasi Lokasi Terbaik Penggunaan Data Satelit Himawari-8 Dalam Estimasi Curah Hujan Berdasarkan Permasalahan Paralaks Dan Suhu Puncak Awan (Studi Kasus Di Wilayah Indonesia Bagian Barat)

Ghufron

2024

Prosiding Seminar Nasional Fisika (E-Journal) snf2016 Unj

View full text Add to dashboard Cite

Dampak yang diberikan oleh kondisi cuaca terutama hujan bisa dirasakan secara signifikan terhadap aktifitas manusia. Pencatatan data curah hujan dilakukan dengan Automatic Rain Gauge (ARG) untuk daerah tertentu, sedangkan untuk cakupan yang lebih luas menggunakan satelit cuaca geostasioner. Namun, satelit cuaca geostasioner dalam kasus ini Himawari-8 memiliki kendala efek Paralaks yang dapat mempengaruhi pembacaan data citra satelit. Penelitian ini menggunakan metode Korelasi Pearson dan Regresi Linier untuk membangun model estimasi curah hujan berdasarkan suhu puncak awan. Hasil menunjukkan bahwa suhu puncak awan yang memiliki korelasi terbaik dengan curah hujan terletak pada posisi 10-15 km arah barat laut dari daerah pengamatan (ARG) di wilayah Cot Girek, 5 -10 km arah barat dari daerah pengamatan (ARG) di wila yah Meranti, dan 5-10 km arah barat daya dari daerah pengamatan di wilayah Ciomas. Sementara untuk model regresi linier tidak akurat untuk data yang digunakan dengan nilai koefisien korelasi (R 2 ) sebesar 0,2003 dan Mean Absolute Percentage Error (MAPE) yang sangat tinggi. Oleh karena itu, metode machine learning Regresi Linier kurang dapat diaplikasikan untuk data yang digunakan.

show abstract

unclassified

Identifikasi Lokasi Terbaik Penggunaan Data Satelit Himawari-8 Dalam Estimasi Curah Hujan Berdasarkan Permasalahan Paralaks Dan Suhu Puncak Awan (Studi Kasus Di Wilayah Indonesia Bagian Barat)

Ghufron

2024

Prosiding Seminar Nasional Fisika (E-Journal) snf2016 Unj

View full text Add to dashboard Cite

show abstract

Cumulonimbus cloud prediction based on machine learning approach using radiosonde data in Surabaya, Indonesia

Putra

Fibriantika

Herawati

et al. 2021

IOP Conf. Ser.: Earth Environ. Sci.

View full text Add to dashboard Cite

Increase in frequency and strength of cumulonimbus is one of the impacts of climate change. The presence of cumulonimbus usuallyy causes extreme weather. Cumulonimbus can produce heavy rainfalls, tornadoes, turbulences, and other extreme weather events. Upper air conditions have a great effect on the process of cloud growth. Radiosonde observations can be used to predict the presence of cumulonimbus in the short-term period of weather forecast. This study aimed to predict the occurrence of cumulonimbus using radiosonde data based on the machine learning approach. In this study, indices data from upper-air observation were used. The model prediction of radiosonde data was trained using machine learning to predict the presence of cumulonimbus. Based on data processing results, the prediction of cumulonimbus events using radiosonde indices data is good enough when implemented in new test data. The influence of the Convective Available Potential Energy (CAPE) index in the predictor index predicts cumulonimbus. Machine learning model can predict cumulonimbus incidence by 80% in one month testing period when adding the CAPE index. Meanwhile, when not using CAPE, cumulonimbus events’ predicted results only reach 72% of events. The false alarm rate when adding CAPE was 17% and without CAPE was 21%. Based on these results, it can be concluded that the prediction of cumulonimbus cloud events using radiosonde data based on the machine learning approach is sufficiently reliable to be used.

show abstract

Automatic detection of volcanic ash from Himawari – 8 satellite using artificial neural network

Cited by 2 publications

References 13 publications

Identifikasi Lokasi Terbaik Penggunaan Data Satelit Himawari-8 Dalam Estimasi Curah Hujan Berdasarkan Permasalahan Paralaks Dan Suhu Puncak Awan (Studi Kasus Di Wilayah Indonesia Bagian Barat)

Identifikasi Lokasi Terbaik Penggunaan Data Satelit Himawari-8 Dalam Estimasi Curah Hujan Berdasarkan Permasalahan Paralaks Dan Suhu Puncak Awan (Studi Kasus Di Wilayah Indonesia Bagian Barat)

Cumulonimbus cloud prediction based on machine learning approach using radiosonde data in Surabaya, Indonesia

Contact Info

Product

Resources

About