Oleh: Niall McCarrol
Sebagai Insinyur Perangkat Lunak Riset, pekerjaan saya melibatkan pengembangan, pengujian, dan pemeliharaan perangkat lunak yang dapat digunakan para ilmuwan untuk menganalisis pengamatan bumi dan data iklim. Baru-baru ini saya telah mengembangkan beberapa perangkat lunak yang dapat digunakan untuk memvisualisasikan data iklim. A Self-Organising Map adalah algoritma jaringan syaraf tiruan yang ditemukan pada 1980-an oleh ilmuwan Finlandia Teuvo Kohonen. Jaringan saraf tiruan adalah program komputer yang mencoba mereplikasi interkoneksi neuron di otak untuk belajar mengenali pola dalam data input. Algoritma Self-Organising Map membantu kita membandingkan item yang dijelaskan oleh daftar banyak nilai data, dengan memplotnya di peta dua dimensi sehingga item yang memiliki daftar nilai data serupa tampak lebih berdekatan di peta. Dengan melakukan itu, kami mengelompokkan item serupa bersama-sama.
Untuk membantu saya menguji perangkat lunak, saya memilih contoh tugas sederhana untuk diselesaikan, dalam domain yang dapat saya pahami dengan mudah. Misalkan kita ingin membandingkan iklim dari banyak kota yang berbeda. Data lokasi kota diperoleh dari https://simplemaps.com/data/world-cities. Kita dapat memperoleh data iklim dari kumpulan data meteorologi global ERA5 yang dirilis oleh European Center for Medium Range Weather Forecasts (ECMWF). ERA5 mencakup perkiraan bulanan rata-rata suhu udara di atas daratan (Muñoz Sabater, J., 2019). Dari sini kita dapat menghitung suhu rata-rata bulanan dari area seluas 20 km persegi yang berisi setiap kota yang ingin kita bandingkan, untuk tahun 2000 hingga 2021. Saya menyiapkan dataset dari 120 kota besar dengan rangkaian 12 suhu rata-rata bulanan pada suhu mereka. lokasi dari data ERA5.
Kami dapat dengan mudah mendasarkan perbandingan iklim kami pada nilai data tunggal, misalnya suhu tahunan rata-rata di sekitar setiap kota, tetapi itu akan melewatkan beberapa perbedaan penting. Misalnya, Belo Horizonte (Brasil) dan Houston (AS) memiliki suhu rata-rata tahunan yang sangat mirip menurut kumpulan data ini, tetapi variasi musiman yang sangat berbeda dalam suhunya – kami tidak dapat mengatakan bahwa mereka menikmati iklim yang sama.
Sebagai gantinya, kita dapat menggunakan algoritme Self-Organising Map pada data ini untuk memplot setiap kota ke dalam “peta iklim” (Gambar 1) di mana kota-kota yang memiliki pola suhu rata-rata bulanan yang serupa harus dikelompokkan lebih dekat di peta iklim. Lokasi asli kota pada peta dunia konvensional diabaikan. Anda akan melihat bahwa peta iklim dibagi menjadi sel-sel heksagonal yang kota-kotanya dialokasikan oleh algoritme. Saya telah mewarnai setiap sel sesuai dengan suhu rata-rata tahunan kota-kota yang ditempatkan oleh algoritme ke dalam sel itu. Sel kosong kebetulan tidak memiliki kota dari set data uji yang dialokasikan – tetapi tidak dapat dianggap mewakili area seperti lautan atau tudung es pada peta konvensional di mana kota tidak bisa ada.Untuk menguji perangkat lunak, kami perlu mempertimbangkan apakah algoritme telah melakukan upaya yang masuk akal untuk menempatkan kota-kota dari kumpulan data kami ke dalam kluster di peta iklim kami. Untuk kota-kota yang saya kenal, peta tersebut tampaknya telah mengelompokkan kota-kota dengan pola suhu yang sama. Warna peta menunjukkan bahwa kita melihat wilayah yang lebih besar yang terdiri dari beberapa sel yang umumnya berisi iklim yang lebih hangat atau lebih dingin. Dalam sebagian besar tetapi tidak semua kasus, kota-kota dari wilayah asli yang sama muncul di dekatnya di peta baru – secara intuitif kami mengharapkan ini.
Kita dapat memplot pola suhu untuk kota-kota yang berkerumun berdekatan di peta baru dan memeriksa apakah polanya serupa. Ini memberi kami keyakinan bahwa perangkat lunak dapat berfungsi seperti yang diharapkan. Gambar 2 menunjukkan plot dari dua kota, Minneapolis (AS) dan Ürümqi (China) yang terletak di sel yang sama (disorot pada Gambar 1) di peta pengaturan mandiri kami. Anda dapat melihat bahwa variasi Dalam suhu rata-rata bulanan serupa.
Kumpulan data sederhana ini berguna untuk menguji penerapan algoritma Self-Organising Map saya. Untuk perbandingan iklim yang lebih realistis seperti yang kita alami, kita perlu memperluas kumpulan data kita untuk mempertimbangkan variabel lain seperti curah hujan, hujan salju, angin, kelembapan, dan mempertimbangkan perbedaan suhu antara siang dan malam. Saya harap posting ini membantu menjelaskan apa kegunaan Self-Organising Maps, dalam konteks memahami data iklim.
Terima kasih
Muñoz Sabater, J., (2019) diunduh dari Penyimpanan Data Iklim Layanan Perubahan Iklim Copernicus (C3S).
Hasilnya berisi informasi Layanan Perubahan Iklim Copernicus yang dimodifikasi 2023. Baik Komisi Eropa maupun ECMWF tidak bertanggung jawab atas segala penggunaan informasi Copernicus atau data yang dikandungnya.
Referensi:
Muñoz Sabater, J., 2019: Data rata-rata bulanan ERA5-Land dari tahun 1981 hingga sekarang. Layanan Perubahan Iklim Copernicus (C3S) Climate Data Store (CDS), diakses 06 Januari 2023, https://doi.org/10.24381/cds.68d2bb30
Sumber :