Alur Pemrosesan Data
Langkah 1
Radar C-Band
Radar BMKG Mlati mengirimkan pulsa radio dan menangkap pantulan dari partikel air hujan setiap 6 menit.
Langkah 2
Pemrosesan Data
Data mentah radar (reflectivity, dBZ) diproses menjadi format terstandar menggunakan algoritma quality control.
Langkah 3
Model Machine Learning
Algoritma Machine Learning mengubah data radar (dBZ, ZDR, KDP) menjadi estimasi curah hujan kuantitatif (QPE) dengan akurasi tinggi.
Langkah 4
Analisis Risiko
QPE dikombinasikan dengan data kemiringan lereng, jenis tanah, dan elevasi untuk menghasilkan skor risiko longsor per wilayah.
Langkah 5
Peringatan
Jika skor risiko melebihi threshold, sistem menghasilkan peringatan yang dikonfirmasi oleh petugas BMKG sebelum dipublish.
Langkah 6
Dashboard Publik
Data dan peringatan ditampilkan real-time di website SIPORA, dapat diakses oleh seluruh masyarakat DIY.
Spesifikasi Teknis
| Parameter | Nilai |
|---|---|
| Radar | C-Band (5 GHz), BMKG Stasiun Geofisika Mlati |
| Cakupan | ~100 km radius dari radar |
| Resolusi Spasial | 500 m × 500 m |
| Resolusi Temporal | 10 menit |
| Model QPE | LightGBM (Gradient Boosted Decision Trees) |
| Variabel Input | Zh (dBZ), ZDR, KDP, RhoHV |
| Update Data | Setiap 10 menit (otomatis) |
| Data Historis Publik | 30 hari terakhir |
| Format Output | PNG raster, GeoJSON, CSV |
Keterbatasan Data
- Estimasi QPE bergantung pada kualitas sinyal radar — gangguan atmosfer, beam blockage, atau clutter dapat mengurangi akurasi.
- Model LightGBM dilatih menggunakan data pos hujan manual yang jumlahnya terbatas di DIY, sehingga akurasi di area yang jauh dari pos hujan bisa berkurang.
- Zona risiko longsor bersifat indikatif berdasarkan model statistik. Asesmen geologi dan geoteknik lapangan tetap diperlukan untuk keputusan perencanaan.
- Data publik dibatasi 30 hari terakhir. Data historis lebih panjang tersedia untuk staf BMKG dan mitra penelitian resmi.