ABSTRAK
Peristiwa turbulensi parah dialami oleh maskapai penerbangan Singapura SQ321 pada 21 Mei 2024 di atas Myanmar yang menyebabkan satu orang meninggal dunia dan beberapa orang cedera. Analisis data ADS-B mengindikasikan peristiwa tersebut terjadi selama fase jelajah penerbangan di atas Delta Irrawaddy, Myanmar. Fluktuasi kecepatan vertikal menyebabkan akselerasi vertikal yang besar dan mengindikasikan besarnya turbulensi penerbangan. Sebuah studi pada data satelit dan petir mengisyaratkan bahwa turbulensi tersebut kemungkinan terkait dengan turbulensi yang disebabkan oleh konveksi di sisi bawah angin dari awan konvektif yang sedang berkembang. Simulasi menggunakan Model for Prediction Across Scales (MPAS) dengan resolusi yang memungkinkan konvektif mengindikasikan perkembangan sel konvektif di sepanjang pantai, turbulensi sedang dengan Eddy Dissipation Rate (EDR) lebih dari 0,2 disimulasikan beberapa jam ke depan, tetapi tertanam sebagai area kecil yang tersebar di dalam awan. Lokasi pasti turbulensi parah masih sulit disimulasikan karena sifat turbulensi yang stokastik. Prakiraan gabungan yang mulus untuk konveksi signifikan dan model pembelajaran mendalam yang memanfaatkan citra satelit yang difilter dengan high-pass menunjukkan pertumbuhan aktivitas konvektif dan keberadaan turbulensi yang disebabkan oleh konveksi di wilayah tersebut. Analisis tersebut menunjukkan pentingnya memiliki produk prakiraan yang menunjukkan indikasi perkembangan konvektif yang cepat, yang terkait erat dengan turbulensi yang disebabkan oleh konveksi atau turbulensi di dekat awan. Pemanfaatan produk-produk ini dalam operasi penerbangan dapat lebih menjaga keselamatan penerbangan.
1 Pendahuluan
Turbulensi dalam penerbangan adalah salah satu bahaya yang terkenal yang menimbulkan ancaman serius bagi keselamatan penerbangan. Turbulensi dapat menyebabkan cedera atau bahkan kematian bagi mereka yang berada di dalam pesawat dan juga dapat menyebabkan kerusakan struktural pada pesawat yang sangat meningkatkan biaya perawatan atau penundaan penerbangan ketika menghadapi turbulensi selama fase pendekatan (Eichenbaum 2003 ). Oleh karena itu, turbulensi penerbangan bukan hanya menjadi perhatian bagi keselamatan tetapi juga menjadi perhatian bagi operasi dan biaya penerbangan. Menurut statistik dari Dewan Keselamatan Transportasi Nasional Amerika Serikat (US National Transportation Safety Board 2024 ), dari 420 kecelakaan dari tahun 2008 hingga 2022, sekitar 36% (152) kecelakaan terkait dengan pertemuan turbulensi, menempati peringkat pertama dalam daftar. Lebih dari 83% (127) kecelakaan terjadi selama fase enroute penerbangan. Ini sangat berbahaya karena penumpang dan awak mungkin tidak mengharapkan turbulensi seperti itu dan tidak mengenakan sabuk pengaman saat penerbangan sedang melaju. Hanya sekitar 16% (25) kecelakaan terjadi pada fase pendakian dan pendekatan; karena langkah-langkah keselamatan diterapkan dan sebagian besar penumpang dan awak pesawat duduk dan terikat dengan aman, maka jumlah cedera yang tercatat jauh lebih sedikit.
Turbulensi atau pusaran yang memengaruhi pesawat disebut turbulensi penerbangan; turbulensi dapat terbentuk oleh berbagai gaya dan mekanisme atmosfer berskala besar. Turbulensi penerbangan dapat diklasifikasikan ke dalam berbagai jenis menurut sumbernya (Sharman dan Lane 2016 ):
- Turbulensi yang disebabkan oleh konveksi [CIT] (Lane et al. 2003 ): Bisa jadi turbulensi di dalam awan, yang dapat dilihat konveksinya oleh pilot melalui radar di pesawat dan melakukan manipulasi penghindaran. Bisa juga turbulensi di dekat awan (NCT) (Lane et al. 2012 ), yang biasanya dikaitkan dengan perambatan gelombang gravitasi karena gerakan vertikal yang kuat dalam termal. NCT biasanya terjadi di udara jernih tepat di luar awan konvektif dan jauh lebih sulit dihindari oleh pilot dibandingkan dengan turbulensi di dalam awan. Waktu hidup CIT relatif pendek, biasanya hanya beberapa menit, karena terkait dengan fitur awan konvektif dalam skala yang jauh lebih kecil.
- Turbulensi tingkat rendah (LLT): Biasanya terkait dengan batas dua massa udara yang kontras atau adanya hambatan mekanis (misalnya, bangunan). LLT biasanya hadir di lapisan batas bawah dan sebagian besar memengaruhi fase lepas landas dan pendaratan pesawat.
- Turbulensi gelombang pegunungan (MWT): Terkait dengan gelombang gravitasi dengan amplitudo lebih besar di sekitar pegunungan (Doyle et al. 2005 ; Bramberger et al. 2020 ). MWT terkadang dapat divisualisasikan oleh awan lentikular atau awan rotor di lereng bukit yang terkait dengan pusaran atau pusaran angin saat aliran udara melintasi pegunungan.
- Turbulensi udara jernih (CAT) biasanya dikaitkan dengan aliran jet atau wilayah dengan geseran angin horizontal dan vertikal yang jelas, yang terkait dengan ketidakstabilan Kelvin–Helmholtz. Wilayah ini dapat membentang ratusan kilometer secara horizontal dan ratusan meter secara vertikal. Turbulensi ini sering muncul di wilayah bebas awan dan tidak mudah bagi pilot untuk mendeteksi CAT. Karena sifatnya yang ‘udara jernih’, telah ada upaya penelitian untuk mengkonsolidasikan indeks turbulensi dari model Prediksi Cuaca Numerik (NWP) untuk prakiraan turbulensi yang andal (Ellrod dan Knapp 1992 ; Sharman et al. 2006 ).
- Wake vortex: Ketika pesawat berat yang terbang dengan kecepatan rendah lepas landas atau mendarat di landasan pacu, beberapa pasang vortex yang kuat akan terbentuk akibat daya angkat yang dihasilkan (Hon dan Chan 2017 ). Vortex ini biasanya hanya memengaruhi landasan pacu, dan efeknya dapat dikurangi dengan menerapkan jarak yang tepat antara pesawat berikutnya yang lepas landas atau mendarat di landasan pacu.
Dalam dekade terakhir, menyusul pertumbuhan cepat lalu lintas udara global, pekerjaan penelitian telah didedikasikan untuk meningkatkan metodologi perkiraan turbulensi penerbangan yang disebutkan di atas untuk menjaga keselamatan penerbangan bagi awak dan penumpang. Namun, prediktabilitas turbulensi bervariasi antara jenis turbulensi penerbangan, dan klimatologi turbulensi sangat bervariasi antara wilayah (Wolff dan Sharman 2008 ; Kim dan Chun 2011 ) tergantung pada topografi dan klimatologi unik dari area yang bersangkutan. Gisinger et al. ( 2024 ) mengilustrasikan bahwa perkiraan indeks EDR terkalibrasi dari sistem prediksi ensemble sistem perkiraan terintegrasi (IFS) Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF) dapat berhasil menangkap kejadian CIT di sekitar konveksi ketika parameterisasi transportasi momentum konvektif disertakan dalam perhitungan. Alat perkiraan yang berbeda perlu dikembangkan untuk berbagai jenis turbulensi penerbangan karena panjang dan skala waktu yang bervariasi.
Makalah ini menguraikan tantangan dan kesulitan dalam mendeteksi turbulensi penerbangan, terutama yang terkait dengan badai petir yang sedang berkembang, melalui investigasi peristiwa turbulensi parah yang mengakibatkan kematian. Bagian yang tersisa dari makalah ini disusun sebagai berikut: Bagian 2 menguraikan peristiwa turbulensi parah dan pemanfaatan berbagai teknik penginderaan jarak jauh untuk memahami dasar pembentukan turbulensi parah. Bagian 3 mengilustrasikan produk deteksi dan prakiraan terkait yang tersedia di Observatorium Hong Kong (HKO). Bagian 4 melaporkan eksperimen untuk simulasi NCT untuk peristiwa tersebut dan membahas wawasan dan tantangannya. Bagian 5 menyajikan diskusi dan kesimpulan.
2 Analisis Observasional
Penerbangan Singapore Airlines SQ321 berangkat dari London pada pukul 21:38 UTC pada tanggal 20 Mei menuju tenggara menuju Singapura. Penerbangan tersebut mengalami turbulensi parah saat melintasi Myanmar sekitar pukul 08:00 UTC pada tanggal 21 Mei. Karena ada sejumlah penumpang yang terluka di kabin, pilot memutuskan untuk mengalihkan ke Bandara Suvarnabhumi di Bangkok untuk mendapatkan layanan medis. Penerbangan mendarat di Bangkok pada pukul 08:45 UTC pada tanggal 21 Mei (Kementerian Transportasi, 2024 ). Ada beberapa cedera dan satu kematian di dalam pesawat Boeing 777-300ER yang dilaporkan oleh Singapore Airlines. Analisis berikut mencoba memahami sumber peristiwa turbulensi parah ini dari perspektif meteorologi dengan memanfaatkan alat penginderaan jarak jauh yang tersedia.
2.1 Turbulensi yang Dihadapi
Untuk memahami besarnya dan lokasi turbulensi yang ditemui, analisis awal dilakukan pada data Automatic Dependent Surveillance—Broadcast (ADS-B) (data granular) yang tersedia dari https://www.flightradar24.com/ , situs dengan data lalu lintas udara langsung. Perhatikan bahwa analisis hanya bergantung pada frekuensi yang tersedia pada set data ini. Analisis data ADS-B (Gambar 1 ) menunjukkan bahwa SQ321 telah mengalami peristiwa turbulensi parah pada 21 Mei di dekat 16,5 N, 95,2 E pada 37.000 kaki di atas Delta Irrawaddy, Myanmar. Selama penerbangan, ketinggian pesawat tidak banyak berubah untuk sebagian besar waktu sebelum kejadian, tetapi kecepatan vertikal menunjukkan fluktuasi yang sangat signifikan tepat sebelum dan sekitar 07:50 UTC, disertai dengan akselerasi vertikal yang besar.
RMSVA kemudian dihitung dengan menerapkan root mean square berjendela 5 detik yang berjalan pada
. Tercatat bahwa RMSVA adalah metrik yang bergantung pada pesawat dan terkait dengan beban puncak pesawat, tetapi mungkin paling berkorelasi dengan apa yang dialami pilot atau penumpang (Bowles dan Buck 2009 ). RMSVA sebanding dengan Laju Disipasi Eddy (EDR), yang merupakan akar pangkat tiga dari laju disipasi energi kinetik turbulen (TKE) dan ukuran intensitas turbulensi, melalui fungsi respons pesawat (Sharman et al. 2014 ). RMSVA yang diturunkan dari ADS-B menunjukkan bahwa ia mencapai puncaknya di atas 0,4 g (Gambar 1 ) sekitar pukul 07:50 UTC. Waktu pertemuan turbulensi yang dianalisis juga cocok dengan temuan investigasi awal (Kementerian Transportasi, 2024 ) dari Biro Investigasi Keselamatan Transportasi, Kementerian Singapura. Karena kurangnya parameter respons pesawat dan data Mode-S Enhanced Surveillance (EHS) yang relevan, studi ini tidak berupaya untuk mengukur EDR dari ADS-B yang masih merupakan area penelitian aktif. Meskipun demikian, RMSVA yang tinggi menandakan besarnya turbulensi yang ditemui. Mengacu pada ambang batas RMSVA yang didokumentasikan yang disebutkan dalam Sharman dan Lane, 2016 (ditunjukkan pada Tabel 1 ), RMSVA yang diamati jauh di atas ambang batas 0,3 g yang menunjukkan turbulensi parah. Untuk turbulensi parah, awak dan penumpang dipaksa dengan keras ke sabuk pengaman dan yang tidak aman terlempar ke dalam kabin, yang menyebabkan cedera yang dilaporkan. Dari laporan media daring dan unggahan media sosial yang relevan, diamati bahwa turbulensi parah terjadi ketika awak kabin sedang menyajikan sarapan, yang menyebabkan lebih banyak objek melayang di udara selama kejadian dan risiko tinggi yang dihadapi oleh awak kabin. Oleh karena itu, sangat penting untuk meningkatkan deteksi dan perkiraan turbulensi dalam perjalanan demi perencanaan rute penerbangan dan layanan penerbangan yang lebih baik, sehingga mengurangi risiko pada awak kabin dan penumpang.
| Akar rata-rata kuadrat percepatan vertikal [RMSVA] (g) | Intensitas turbulensi |
|---|---|
| [0,1, 0,2] | Lampu |
| [0,2, 0,3) | Sedang |
| [0,3, 0,6) | Berat |
| [0.6,∞) | Ekstrim |
2.2 Pengamatan Penginderaan Jauh
Untuk memahami kemungkinan sumber peristiwa turbulensi parah ini, data pengamatan penginderaan jarak jauh diselidiki dan dianalisis di bawah ini.
Informasi tinggi puncak awan untuk waktu kejadian turbulensi yang dianalisis ditunjukkan pada Gambar 2. Tinggi puncak awan diperoleh dari saluran inframerah (11,2
) dari Himawari-9 (Bessho et al. 2016 ) dan Geo-KOMPSAT-2A (Kim et al. 2021 ) dan profil vertikal dari model ECMWF. Citra satelit memiliki resolusi spasial 2 km sedangkan model ECMWF memiliki resolusi 0,125°. Citra inframerah Himawari-9 dan Geokompsat-2A pertama-tama dijahit bersama menggunakan pembobotan linier sederhana pada area yang tumpang tindih. Tekanan puncak awan kemudian diperoleh melalui interpolasi linier dari diagram logP-T (log Tekanan–Suhu) model menggunakan suhu kecerahan satelit (Leung et al. 2020 ). Dari Gambar 2 , perkembangan cepat awan konvektif terlihat jelas di sekitar lokasi kejadian turbulensi yang dianalisis. Ketinggian puncak awan jauh di bawah FL200 pada pukul 06:50 UTC, tetapi pertumbuhan cepat gugusan awan menyebabkan ketinggian puncak awan di atas FL450 pada saat kejadian. Faktanya, gugusan awan di dekat pantai barat Delta Irrawaddy, Myanmar juga menguat dengan cepat dan akhirnya menyatu dengan sel konvektif di bagian tenggara delta.
Untuk memahami sirkulasi atmosfer untuk kejadian tersebut, analisis angin resolusi tinggi (HRW) yang diperoleh dari Himawari-9 (Bessho et al. 2016 ) digunakan. HRW diperoleh secara internal di HKO untuk satelit Himawari-9 menggunakan paket yang tersedia dari Dukungan Organisasi Eropa untuk Eksploitasi Satelit Meteorologi (EUMETSAT) untuk Nowcasting dan Peramalan Jangka Pendek (NWC SAF). Algoritme terperinci diilustrasikan dalam (AEMET 2021 ). Gambar 3 mengilustrasikan analisis HRW untuk 150–300 hPa, sekitar FL300-450, yang menunjukkan latar belakang angin barat-barat daya dengan divergensi tingkat atas yang signifikan di atas pantai barat Delta Irrawaddy, yang menunjukkan faktor dinamis yang menguntungkan untuk perkembangan gugus awan yang cepat. Oleh karena itu, dua gugusan awan yang tampak pada Gambar 2a di atas Delta Irrawaddy menguat dengan cepat dan kemudian bergabung bersama, yang selanjutnya dapat meningkatkan geseran angin dan gradien daya apung di dekat puncak awan dan ketidakstabilan di sekitar pembangunan. Data petir global (Gambar 4 ) dari Vaisala ( 2020 ) menunjukkan aktivitas petir yang melimpah di antara celah-celah dua gugusan awan dalam 5 menit terakhir dari waktu kejadian yang diduga. Mayoritas dari mereka adalah petir awan-ke-tanah, yang menunjukkan kandungan partikel es yang tinggi yang mendukung dimulainya aktivitas listrik (Mattos dan Luiz AT Machado, Mattos dan Machado 2011 ) dan adanya gerakan vertikal yang kuat.
Berdasarkan pengamatan di atas, turbulensi parah yang dialami SQ321 kemungkinan besar terkait dengan turbulensi yang disebabkan oleh konveksi dan bisa jadi merupakan campuran dari CIT dan NCT di dalam awan. Hal ini sejalan dengan keberadaan area aktivitas konvektif yang sedang berkembang sebagaimana disebutkan dalam temuan investigasi awal (Kementerian Perhubungan, 2024 ).
3 Simulasi MPAS
3.1 Data dan Metodologi
Untuk memahami peristiwa turbulensi dan prediktabilitasnya, simulasi yang memanfaatkan model Model for Prediction Across Scales (MPAS) dilakukan. MPAS menerapkan mesh Voronoi tak terstruktur dan diskritisasi C-grid (Skamarock et al. 2012 ). Mesh global regional yang disempurnakan dirancang untuk kasus ini. Mesh ini memiliki resolusi 3 km, yang merupakan mesh yang memungkinkan konveksi, di dekat lokasi turbulensi dan resolusi 60 km di latar belakang (Gambar S1 dalam Informasi Pendukung). Oleh karena itu, MPAS dapat mensimulasikan sirkulasi skala besar dan konveksi skala kecil dengan sumber daya komputasi yang terbatas. Model ini memiliki 55 level vertikal dan puncaknya berada pada 30 km. Interval level vertikal sekitar 500–700 m. Parameterisasi konveksi dimatikan karena resolusi yang digunakan dalam simulasi memungkinkan konveksi (Chen et al. 2024 ). Skema mikrofisika Tompson, skema lapisan batas planet MYNN, dan skema permukaan daratan Nuh digunakan dalam simulasi. Kombinasi ini umumnya diterapkan dalam penelitian lain menggunakan model MPAS (Landu et al. 2014 ; Hagos et al. 2015 ). Eksperimen ini diinisialisasi menggunakan data ECMWF Reanalysis v5 (ERA5) dengan resolusi 0,25° dan waktu tunggu 4 jam untuk mendapatkan keseimbangan antara hasil prediktabilitas dan prakiraan.
Data simulasi dari model MPAS kemudian diinterpolasi ke grid persegi panjang untuk aplikasi lebih lanjut. Medan angin dari eksperimen digunakan untuk menghitung EDR dengan menggunakan penyaringan eksplisit dan rekonstruksi dalam parameterisasi turbulensi (Chow et al. 2005 ). Dalam metode ini, skala Subfilter dapat dibagi menjadi skala subfilter yang dapat diatasi (RSFS) dan skala subgrid (SGS). Kami hanya menghitung bagian RSFS karena memperhitungkan sebagian besar energi (Chen et al. 2024 ). Kami melakukan rekonstruksi orde nol dalam studi ini karena memasukkan lebih banyak istilah terkadang dapat menghasilkan TKE negatif yang tidak realistis. Jadi kami memiliki
. Di Sini
adalah kecepatan sepanjang arah yang berbeda, garis atas mewakili filter, tilde mewakili diskritisasi,
adalah variabel dari model.
TKE RSFS dihitung dengan
Dengan asumsi skala turbulensi termasuk dalam subrange inersia, EDR dapat dinyatakan sebagai berikut (Schumann 1991 ):
3.2 Hasil
Gambar 5 menunjukkan Radiasi Gelombang Panjang Keluar (OLR) dalam model MPAS pada 0750UTC pada tanggal 21 Mei. Diamati bahwa awan konvektif yang disimulasikan sebagian besar berada di sepanjang pantai Delta Irrawaddy, Myanmar. Ini konsisten dengan awan konvektif yang diamati pada citra satelit dan mencerminkan korelasi antara aktivitas turbulen dan perkembangan konvektif dalam kasus ini. Plot penampang vertikal sepanjang arah angin yang berlaku di lokasi kejadian turbulensi ditunjukkan pada Gambar 6. Arus naik vertikal yang kuat diamati dalam simulasi di dekat lokasi turbulensi. Gambar 6 juga menunjukkan keberadaan gelombang gravitasi atmosfer (AGW) dengan panjang gelombang sekitar 10 km di sisi bawah angin di sebelah barat lokasi turbulensi. AGW ini menunjukkan bahwa medan angin yang terganggu di sekitar konveksi dalam dan turbulensi terkait akan lebih mungkin terjadi dalam situasi ini. Pembalikan suhu potensial diamati di dekat AGW yang sesuai dengan gelombang yang diamati pada citra satelit yang difilter high pass pada Gambar 4 (lihat Bagian 4.1 untuk detail citra satelit). Hal ini juga menunjukkan ketidakstabilan atmosfer dan pencampuran aliran turbulen di sekitar kejadian.
Chen et al. ( 2024 ) menunjukkan bahwa sensitivitas pemilihan penampang vertikal harus diperiksa. Dengan menyesuaikan lintang profil, hasil yang berbeda diperoleh dan gambar yang relevan ditunjukkan pada Gambar 7a,b . Semua gambar menunjukkan keberadaan gelombang gravitasi pada ketinggian di bawah notasi ‘X’, lokasi turbulensi, yang menunjukkan pola serupa di lingkungan atmosfer di sekitar wilayah tersebut. Oleh karena itu, meskipun memprediksi lokasi dan waktu yang tepat dari konveksi dalam masih menantang, MPAS masih memberikan prediksi turbulensi yang bermakna dan petunjuk tentang mekanisme fisik untuk area berisiko tinggi yang potensial.
Gambar 8 menunjukkan nilai EDR yang disimulasikan pada 37.000 kaki (11.200 m), ketinggian di mana turbulensi ditemui. Diamati bahwa nilai EDR menunjukkan distribusi yang sama seperti OLR (yaitu, awan konvektif) di sepanjang pantai wilayah delta. Turbulensi sedang, dengan nilai EDR > 0,2 (ditunjukkan sebagai kekuningan) tertanam sebagai area kecil yang tersebar di dalam awan, yang menunjukkan konveksi dalam skala kecil. Turbulensi yang ditemui dalam kejadian ini mungkin disebabkan oleh perkembangan cepat konveksi dalam, yang memicu gelombang gravitasi dan pecahnya gelombang, membentuk pusaran turbulen. Skenario fisik ini telah dijelaskan dalam Lane et al. ( 2003 ) dengan menggunakan model resolusi tinggi dalam orde puluhan meter.
Faktanya, untuk wilayah yang lebih jauh ke utara, terdapat turbulensi yang lebih kuat dengan EDR > 0,3. Gambar 7c menunjukkan profil vertikal yang lebih jauh ke utara di dekat nilai EDR yang tinggi. Profil vertikal serupa dengan Gambar 6 dan 7a,b , tetapi pecahnya gelombang gravitasi yang disebabkan oleh konveksi lebih jelas pada Gambar 7c , yang menghasilkan intensitas EDR yang lebih tinggi. Seperti yang ditunjukkan pada Gambar 5 , arah angin di atas Myanmar didominasi terutama oleh angin barat, sementara lokasi konveksi dan turbulensi yang lebih kuat hampir tegak lurus dengan angin latar belakang. Selain itu, distribusi spasial konveksi selaras dengan daerah pegunungan Myanmar, yang menunjukkan bahwa topografi juga memainkan peran penting dalam membentuk pola cuaca di wilayah tersebut.
Kami menganalisis distribusi horizontal EDR pada interval 10 menit selama satu jam sebelum peristiwa turbulensi (Gambar S2 dalam Informasi Pendukung). Dalam kondisi latar belakang yang stabil—khususnya, angin barat yang terus-menerus dengan variasi minimal dalam kecepatan dan arah angin dalam kasus ini—baik lokasi spasial maupun intensitas turbulensi menunjukkan perubahan temporal yang dapat diabaikan. Stabilitas ini memungkinkan struktur turbulensi (misalnya, gugus ‘mirip titik’ yang terlokalisasi) tetap konsisten dari waktu ke waktu. Temuan ini menunjukkan bahwa prakiraan turbulensi tetap berguna secara praktis bahkan dengan sedikit ketidaksesuaian waktu antara prediksi dan operasi pesawat. Ketika angin latar belakang stabil, distribusi horizontal dan pola intensitas berkembang cukup lambat untuk memberikan panduan yang andal, meskipun ada potensi perbedaan dalam waktu kejadian yang tepat.
Model MPAS yang digunakan dalam penelitian ini dalam skala yang memungkinkan terjadinya konveksi dapat menangkap turbulensi yang dihasilkan oleh mekanisme yang sama. Simulasi menunjukkan model MPAS beresolusi tinggi dapat mensimulasikan awan konvektif di sepanjang pantai dan memiliki beberapa indikasi turbulensi sedang di sekitar kejadian turbulensi beberapa jam sebelum kejadian.
3.3 Keterbatasan Simulasi
Meskipun simulasi memiliki beberapa indikasi turbulensi sedang di sekitar lokasi kejadian, indikasi turbulensi parah (nilai EDR lebih dari 0,45) tidak ada. Ini bisa jadi karena pemanfaatan data analisis ulang resolusi kasar (ERA5 dengan resolusi 0,25°) yang gagal memberikan indikasi gelombang konvektif dalam skala kecil yang terkait dengan perkembangan konveksi dalam. Resolusi itu sendiri mencegah EDR dihitung ke nilai yang lebih besar, karena kuantitas fisik masih dihaluskan sebagai nilai rata-rata dalam grid, dan skala pengukuran sensor pesawat pasti jauh lebih kecil daripada grid 3 km. Selain itu, CIT dari konveksi dalam yang tumbuh cepat selalu sangat sementara. Posisi area turbulensi dan besarnya EDR mungkin tidak terlalu akurat. Memprediksi turbulensi konvektif skala kecil yang disajikan dalam kasus ini mungkin memerlukan lebih banyak sumber daya komputasi untuk meningkatkan resolusi mesh dan waktu. Ini dapat berkontribusi pada nilai EDR yang lebih tepat (Barber et al. 2017 ). Asimilasi data yang diperbarui dengan cepat juga dapat membantu dalam menangkap pertumbuhan sel konvektif, sehingga memberikan detail yang lebih baik bagi model untuk disimulasikan dan diperkirakan. Pendekatan lain adalah menggunakan kondisi awal ensembel ERA5 untuk perkiraan ensembel gangguan skala kecil.
4 Produk Deteksi dan Perkiraan
Lampiran 3 Organisasi Penerbangan Sipil Internasional menetapkan bahwa Kantor Pengawasan Meteorologi harus menerbitkan Informasi Cuaca Penting (SIGMET) mengenai kejadian atau perkiraan kejadian cuaca tertentu selama penerbangan dan fenomena lain di atmosfer yang dapat memengaruhi keselamatan operasi pesawat di wilayah udara yang ditentukan. Salah satu fenomena cuaca berbahaya adalah badai petir, yang mencakup bahaya terkait seperti turbulensi dan lapisan es. Selain SIGMET, yang lebih umum dan tersedia secara real time dan dalam skala waktu nowcasting 0–4 jam ke depan, kami menyelidiki dua produk di bawah ini yang dikembangkan oleh HKO yang lebih spesifik pada CIT/NCT dan prakiraan gabungan dengan jam prakiraan yang lebih panjang.
4.1 Model Pembelajaran Mendalam untuk Mendeteksi Turbulensi dari Fitur AGW
Bertujuan untuk mengidentifikasi AGW dan turbulensi terkait secara otomatis, citra satelit tersaring high-pass yang diproses dilatih dengan pengamatan turbulensi aktual dari laporan pilot. Model pembelajaran mendalam dibangun dengan memanfaatkan citra satelit terolah yang dikumpulkan selama T ± 30 menit dari waktu pengamatan laporan pilot. Lebih dari 750 laporan pilot dari Januari 2018 hingga Juni 2021 dikumpulkan untuk pelatihan dan validasi. Model tersebut memanfaatkan Faster Region-based Convolutional Neural Network (Faster-RCNN) dengan rasio train-test 80:20. Produk yang dikembangkan dapat secara otomatis mengklasifikasikan fitur yang terkait dengan AGW pada citra satelit sebagai turbulensi parah, turbulensi parah yang signifikan, dan turbulensi yang disebabkan oleh konveksi sebagai wilayah yang disorot. Fitur AGW juga dapat dianalisis dengan wilayah yang disorot yang dihamparkan ke citra tersaring high-pass. Gambar 4 menunjukkan model deteksi pembelajaran mendalam berhasil menyorot wilayah dengan turbulensi yang disebabkan oleh konveksi (diarsir dengan warna kuning) di sekitar lokasi kejadian turbulensi. Fitur AGW yang disorot dari filter high-pass menunjukkan pendalaman tepi awan dan penumpukan gelombang secara bertahap di sekitar peristiwa turbulensi.
Saat ini, produk satelit ini telah diproduksi secara rutin untuk penggunaan operasional. Namun, produk satelit tersebut akan membutuhkan waktu untuk diproduksi secara real time karena waktu pengamatan yang diperlukan untuk citra satelit dan waktu transmisi dan pemrosesan berikutnya. Prediktabilitas dari produk ini akan bergantung pada sinyal prekursor dan pengembangan yang ditunjukkan pada citra satelit. Dalam kasus ini, gambar yang difilter high pass pada 06:50 UTC (Gambar 4a ) menunjukkan tanda-tanda gelombang gravitasi di sekitar yang disorot dengan kontur hitam. Model deteksi pembelajaran mendalam (area yang disorot dengan warna kuning) telah mencakup lokasi kejadian pada 06:50 UTC di sekitar tepi gelombang gravitasi, memberikan petunjuk awal CIT di area tersebut. Pada 07:50 UTC (Gambar 4b ), gelombang gravitasi terlihat jelas di seluruh Delta Irrawaddy dan sinyal CIT (area yang disorot dengan warna kuning) tetap ada. Produk satelit ini akan berguna sebagai nowcasting untuk mengembangkan awan konvektif yang menyebabkan CIT. Meskipun demikian, karena citra yang disaring lolos tinggi didasarkan pada citra satelit terkini dan dilatih untuk tujuan deteksi, citra tersebut hanya akan berguna dalam rentang prakiraan sekarang dalam kurun waktu 1 jam.
4.2 Prakiraan Konveksi Signifikan Campuran Tanpa Batas
Diinisialisasi pada 00Z pada 21 Mei, prakiraan gabungan T + 8 (berlaku pada 08Z pada 21 Mei) dapat berhasil menangkap perkembangan konveksi intens (Gambar 9 ) dengan reflektivitas simulasi lebih dari 41 dBZ di sekitar lokasi kejadian. Prakiraan gabungan untuk konveksi signifikan telah berjalan rutin di HKO sejak 2023 dan telah melengkapi manajemen arus lalu lintas udara Departemen Penerbangan Sipil Hong Kong secara real-time. Prakiraan gabungan lebih unggul dibandingkan dengan ekstrapolasi nowcast satelit karena merakit keluaran prakiraan NWP untuk pertumbuhan dan peluruhan konveksi. Dalam konteks CIT/NCT, Barber dan Mullendore ( 2020 ) menunjukkan bahwa penurunan stabilitas statis dan peningkatan geser angin vertikal di dekat konveksi yang berkembang memberikan kondisi yang lebih baik untuk produksi turbulensi. Keberhasilan menangkap pertumbuhan konveksi untuk prakiraan gabungan kemudian dapat menunjukkan peningkatan risiko turbulensi di sekitarnya.
Prakiraan gabungan yang lancar ini akan tersedia beberapa jam (hingga 8 jam) sebelum peristiwa turbulensi terjadi, yang berpotensi menguntungkan operasi penerbangan dengan menunjukkan tanda-tanda bahaya konvektif di sepanjang rute penerbangan. Akan bermanfaat untuk memperluas penggunaan prakiraan gabungan ini kepada pengguna lain dalam komunitas penerbangan.
5. Pembahasan dan Kesimpulan
Makalah ini menyajikan analisis peristiwa turbulensi parah di atas Myanmar pada 21 Mei 2024. Analisis dari data ADS-B yang tersedia mengindikasikan peristiwa turbulensi parah terjadi dengan percepatan vertikal yang besar, yang menyebabkan cedera dan kematian di dalam pesawat jika mereka tidak diamankan dengan benar dengan sabuk pengaman pada saat terjadinya turbulensi. Analisis data satelit, puncak awan, dan petir menunjukkan turbulensi kemungkinan besar adalah CIT atau NCT terkait dengan gelombang pecah dari sel konvektif yang berkembang pesat di bawah angin. Model pembelajaran mendalam pada citra yang difilter high-pass memberikan indikasi gelombang gravitasi ini. Model simulasi pada resolusi yang memungkinkan konveksi menunjukkan bahwa karena sifat skala kecil dari konveksi ini, masih sulit untuk memperkirakan nilai EDR yang tepat yang menunjukkan turbulensi parah di lokasi dan ketinggian yang tepat. Namun, hal itu tetap menunjukkan gangguan ini dan turbulensi terkait dapat ditangkap dalam model; setidaknya area aktif turbulensi yang terletak di atas Myanmar selatan berhasil diprediksi. Keterampilan simulasi dapat lebih baik jika eksperimen ensemble diterapkan untuk menangkap keacakan. Meskipun demikian, produk prakiraan gabungan yang memanfaatkan prakiraan curah hujan dari satelit dan model NWP berpotensi mengindikasikan peringatan dini bagi pilot beberapa jam yang lalu mengenai perkembangan sel konvektif yang signifikan. Diharapkan bahwa pengembangan deteksi dan produk prakiraan ini dapat menjaga keselamatan penerbangan dan memberikan kewaspadaan dini terhadap kejadian serupa seperti ini serta mencegah cedera terjadi lagi.
