Analisis hidrologi dengan hidrokit¶

Buku (notebook) ini mendemonstrasikan analisis hidrologi menggunakan python dan paket hidrokit sebagai alternatif dari penggunaan spreadsheet (Excel). Dataset yang digunakan merupakan dataset sembarang dengan nama sembarang. Kunjungi notebook manual untuk referensi lebih lanjut mengenai fungsi yang digunakan. Buku ini hanya untuk memeragakan penggunaan modul pada paket hidrokit sehingga kekeliruan teori/konsep mohon diabaikan.

Buku ini memeragakan:

Mengambil dataset harian dari berkas excel yang menggunakan template hidrokit. (hk88)
Mengolah data dari berkas excel BMKG. (hk73)
Menghitung curah hujan rerata dengan metode poligon thiessen (berdasarkan luas area yang telah diketahui). (hk99)
Merekap data harian menjadi bulanan, 2 periode, dan 4 hari. (hk98)
Perhitungan evapotranspirasi dengan 3 rumus yaitu Blaney-Criddle, Radiasi, dan Penman. (hk106)
Pemodelan FJ Mock dan NRECA. (hk96, hk89)
Menghitung debit andal (kurva durasi). (hk87)
Mencari parameter model terbaik berdasarkan metrik NSE. (hk90)

Catatan¶

Buku ini harus menggunakan versi hidrokit >= 0.3.5. Kunjungi halaman rilis update 0.3.5 untuk lebih jelasnya.
Sitasi hidrokit dapat ditulis: Megariansyah, Taruma. hidrokit: analisis hidrologi dengan python. Zenodo. http://doi.org/10.5281/zenodo.3276220
Jika memiliki pertanyaan, ide, saran, atau kritik dapat memulai diskusinya dengan membuat isu di forum diskusi hidrokit, atau menghubungi saya di $hi@taruma.info$ .

TAHAP 0: PERSIAPAN DAN DATASET¶

Pengaturan Buku¶

In [ ]:

print(':: MEMERIKSA PAKET HIDROKIT')
try:
    import hidrokit
except ModuleNotFoundError:
    print(':: INSTALASI PAKET HIDROKIT')
    !pip install hidrokit -q
    import hidrokit

:: MEMERIKSA PAKET HIDROKIT
:: INSTALASI PAKET HIDROKIT

menggunakan paket HydroErr yang telah dikembangkan oleh BYU-Hydroinformatics (situs) untuk metrik evaluasi model hidrologi.

In [ ]:

print(':: MEMERIKSA PAKET HYDROERR')
try:
    import HydroErr
except ModuleNotFoundError:
    print(':: INSTALASI PAKET HYDROERR')
    !pip install HydroErr -q
    import HydroErr

:: MEMERIKSA PAKET HYDROERR
:: INSTALASI PAKET HYDROERR
  Building wheel for HydroErr (setup.py) ... done

In [ ]:

def _check_system(PACKAGE_LIST='numpy pandas matplotlib'):
    from pkg_resources import get_distribution
    from sys import version_info

    print(':: INFORMASI VERSI SISTEM')
    print(':: {:>12s} version: {:<10s}'.format(
            'python', 
            '{}.{}.{}'.format(*version_info[:3]))
        )
    for package in PACKAGE_LIST.split():
        print(':: {:>12s} version: {:<10s}'.format(
            package, 
            get_distribution(package).version)
        )

_check_system('numpy pandas matplotlib hydroerr hidrokit')

:: INFORMASI VERSI SISTEM
::       python version: 3.6.9     
::        numpy version: 1.17.5    
::       pandas version: 0.25.3    
::   matplotlib version: 3.1.3     
::     hydroerr version: 1.24      
::     hidrokit version: 0.3.5

In [ ]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

pd.options.display.float_format = '{:.5f}'.format

print(':: IMPORT LIBRARY (NUMPY, PANDAS, MATPLOTLIB)')

:: IMPORT LIBRARY (NUMPY, PANDAS, MATPLOTLIB)

Dataset¶

In [ ]:

URL_DEBIT = 'https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_debit.xlsx'
URL_HUJAN = 'https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_hujan.xlsx'
URL_KLIMATOLOGI = 'https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_klimatologi.xlsx'

print(':: ALAMAT DATASET')
print(f':: URL_HUJAN = {URL_HUJAN}')
print(f':: URL_DEBIT = {URL_DEBIT}')
print(f':: URL_KLIMATOLOGI = {URL_KLIMATOLOGI}')

:: ALAMAT DATASET
:: URL_HUJAN = https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_hujan.xlsx
:: URL_DEBIT = https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_debit.xlsx
:: URL_KLIMATOLOGI = https://taruma.github.io/assets/hidrokit_dataset/hidrokit_poc_demo_klimatologi.xlsx

Membaca informasi pada dataset hujan dan debit menggunakan hidrokit.contrib.taruma.hk79 (manual). Modul ini hanya digunakan untuk membaca berkas excel yang telah mengikuti format penulisan oleh hidrokit.

In [ ]:

from hidrokit.contrib.taruma import hk79

print(':: MEMBACA INFO DATASET HUJAN DAN DEBIT')
info_hujan = hk79._get_info(URL_HUJAN)
info_debit = hk79._get_info(URL_DEBIT)

:: MEMBACA INFO DATASET HUJAN DAN DEBIT

In [ ]:

def _read_info(INFO):
    for key, value in INFO.items():
        print(':: {}: {}'.format(key, value)) if key != 'key' else None
    print()

print(':: INFO DATASET HUJAN')
_read_info(info_hujan)
print(':: INFO DATASET DEBIT')
_read_info(info_debit)

:: INFO DATASET HUJAN
:: n_stations: 8
:: stations: CIRI, YENNEFER, TRISS, JASKIER, EMHYR, CRACH, ZOLTAN, ROACH
:: source: SKELLIGE

:: INFO DATASET DEBIT
:: n_stations: 1
:: stations: GERALT
:: source: Kaer Mohen

In [ ]:

def _parse_stations(stations):
    return stations.replace(' ', '').split(',')

print(':: MEMPEROLEH LIST STASIUN')
stations_hujan = _parse_stations(info_hujan['stations'])
stations_debit = _parse_stations(info_debit['stations'])
print(f':: stations_hujan = {stations_hujan}')
print(f':: stations_debit = {stations_debit}')

:: MEMPEROLEH LIST STASIUN
:: stations_hujan = ['CIRI', 'YENNEFER', 'TRISS', 'JASKIER', 'EMHYR', 'CRACH', 'ZOLTAN', 'ROACH']
:: stations_debit = ['GERALT']

TAHAP 1: AKUISISI DATASET¶

Pembacaan dataset hujan dan debit menggunakan hidrokit.contrib.taruma.hk88 (manual), dan dataset klimatologi menggunakan hidrokit.contrib.taruma.hk73 (manual).

Data Hujan¶

In [ ]:

from hidrokit.contrib.taruma import hk88

print(':: MEMBACA DATA HUJAN DARI [URL_HUJAN]')
dataset_hujan = hk88.read_workbook(URL_HUJAN, stations_hujan)
print(':: MENAMPILKAN LIMA BARIS PERTAMA [dataset_hujan]')
dataset_hujan.head()

:: MEMBACA DATA HUJAN DARI [URL_HUJAN]
:: MENAMPILKAN LIMA BARIS PERTAMA [dataset_hujan]

Out[ ]:

	CIRI	YENNEFER	TRISS	JASKIER	EMHYR	CRACH	ZOLTAN	ROACH
1998-01-01	-	-	-	-	-	-	-	NaN
1998-01-02	-	-	-	7	-	-	-	NaN
1998-01-03	64	5	-	-	5	-	-	-
1998-01-04	-	-	-	-	-	-	-	-
1998-01-05	-	-	-	-	-	-	-	-

In [ ]:

print(':: INFORMASI [dataset_hujan]')
dataset_hujan.info()

:: INFORMASI [dataset_hujan]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 4018 entries, 1998-01-01 to 2008-12-31
Freq: D
Data columns (total 8 columns):
CIRI        4016 non-null object
YENNEFER    4017 non-null object
TRISS       4018 non-null object
JASKIER     4018 non-null object
EMHYR       4018 non-null object
CRACH       4018 non-null object
ZOLTAN      4018 non-null object
ROACH       4016 non-null object
dtypes: object(8)
memory usage: 282.5+ KB

Data Debit¶

In [ ]:

print(':: MEMBACA DATA DEBIT DARI [URL_DEBIT]')
dataset_debit = hk88.read_workbook(URL_DEBIT, stations_debit)
print(':: MENAMPILKAN LIMA BARIS PERTAMA [dataset_debit]')
dataset_debit.head()

:: MEMBACA DATA DEBIT DARI [URL_DEBIT]
:: MENAMPILKAN LIMA BARIS PERTAMA [dataset_debit]

Out[ ]:

	GERALT
1998-01-01	0
1998-01-02	0
1998-01-03	0
1998-01-04	0
1998-01-05	0

In [ ]:

print(':: INFORMASI [dataset_debit]')
dataset_debit.info()

:: INFORMASI [dataset_debit]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 4018 entries, 1998-01-01 to 2008-12-31
Freq: D
Data columns (total 1 columns):
GERALT    4017 non-null object
dtypes: object(1)
memory usage: 62.8+ KB

Data Klimatologi¶

In [ ]:

from hidrokit.contrib.taruma import hk73

print(':: MEMBACA DATA KLIMATOLOGI DARI [URL_KLIMATOLOGI]')
dataset_klimatologi = hk73._read_bmkg(URL_KLIMATOLOGI)
print(':: MENAMPILKAN LIMA BARIS PERTAMA [dataset_klimatologi]')
dataset_klimatologi.head()

:: MEMBACA DATA KLIMATOLOGI DARI [URL_KLIMATOLOGI]
:: MENAMPILKAN LIMA BARIS PERTAMA [dataset_klimatologi]

Out[ ]:

	Tn	Tx	Tavg	RH_avg	RR	ss	ff_x	ddd_x	ff_avg	ddd_car
Tanggal
1998-01-01	23.00000	34.60000	27.50000	75	0.00000	5.80000	5	225	2	SW
1998-01-02	23.20000	34.20000	28.60000	69	0.00000	7.60000	4	270	1	NE
1998-01-03	24.00000	34.60000	27.70000	76	0.00000	5.60000	7	270	2	W
1998-01-04	23.80000	34.40000	28.40000	70	0.00000	8.00000	7	225	3	SW
1998-01-05	23.50000	33.40000	27.70000	74	1.00000	3.50000	6	270	2	W

In [ ]:

print(':: INFORMASI [dataset_klimatologi]')
dataset_klimatologi.info()

:: INFORMASI [dataset_klimatologi]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 4018 entries, 1998-01-01 to 2008-12-31
Data columns (total 10 columns):
Tn         4018 non-null float64
Tx         4018 non-null float64
Tavg       4018 non-null float64
RH_avg     4018 non-null int64
RR         4018 non-null float64
ss         4017 non-null float64
ff_x       4018 non-null int64
ddd_x      4018 non-null int64
ff_avg     4018 non-null int64
ddd_car    4018 non-null object
dtypes: float64(5), int64(4), object(1)
memory usage: 345.3+ KB

TAHAP 2: PRAPEMROSESAN DATA¶

Dalam tahap ini menggunakan hidrokit.contrib.taruma.hk43 (manual) yang digunakan untuk memeriksa nilai invalid pada dataset.

In [ ]:

def find_invalid(df):
    results = {}
    for col in df.columns:
        results[col] = hk43._check_invalid(df.loc[:, col].values)
    return results

Data Hujan¶

In [ ]:

from hidrokit.contrib.taruma import hk43

print(':: MEMBACA NILAI INVALID PADA [dataset_hujan]')
invalid_hujan = find_invalid(dataset_hujan)

print(':: MENAMPILKAN NILAI INVALID PADA [dataset_hujan] SETIAP STASIUNNYA')
pd.DataFrame(invalid_hujan).T

:: MEMBACA NILAI INVALID PADA [dataset_hujan]
:: MENAMPILKAN NILAI INVALID PADA [dataset_hujan] SETIAP STASIUNNYA

Out[ ]:

	-	NaN
CIRI	[0, 1, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13, 14, 15...	[211, 576]
YENNEFER	[0, 1, 3, 4, 5, 6, 8, 9, 11, 14, 16, 17, 19, 2...	[2558]
TRISS	[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14,...	NaN
JASKIER	[0, 2, 3, 4, 5, 7, 8, 10, 11, 12, 13, 15, 17, ...	NaN
EMHYR	[0, 1, 3, 4, 5, 8, 11, 12, 17, 19, 20, 22, 45,...	NaN
CRACH	[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, 16,...	NaN
ZOLTAN	[0, 1, 2, 3, 4, 5, 6, 7, 9, 10, 11, 14, 17, 18...	NaN
ROACH	[2, 3, 4, 5, 16, 17, 18, 19, 20, 21, 22, 24, 2...	[0, 1]

In [ ]:

print(':: MENGOREKSI NILAI INVALID')
print(':: MENGUBAH NILAI "-" MENJADI 0.')
dataset_hujan[dataset_hujan == '-'] = 0
print(':: MENYESUAIKAN OBJEK [dataset_hujan] MENJADI NUMERIK')
dataset_hujan = dataset_hujan.infer_objects()
print(':: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI')
dataset_hujan.interpolate(method='linear', inplace=True)
print(':: MENGISI NILAI KOSONG PADA BARIS PERTAMA DENGAN METODE BACKFILL')
dataset_hujan.bfill(inplace=True)

:: MENGOREKSI NILAI INVALID
:: MENGUBAH NILAI "-" MENJADI 0.
:: MENYESUAIKAN OBJEK [dataset_hujan] MENJADI NUMERIK
:: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI
:: MENGISI NILAI KOSONG PADA BARIS PERTAMA DENGAN METODE BACKFILL

In [ ]:

print(':: MENAMPILKAN INFORMASI [dataset_hujan]')
dataset_hujan.info()

:: MENAMPILKAN INFORMASI [dataset_hujan]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 4018 entries, 1998-01-01 to 2008-12-31
Freq: D
Data columns (total 8 columns):
CIRI        4018 non-null float64
YENNEFER    4018 non-null float64
TRISS       4018 non-null float64
JASKIER     4018 non-null float64
EMHYR       4018 non-null float64
CRACH       4018 non-null float64
ZOLTAN      4018 non-null float64
ROACH       4018 non-null float64
dtypes: float64(8)
memory usage: 282.5 KB

In [ ]:

print(':: GRAFIK [dataset_hujan]')
dataset_hujan.plot(subplots=True, sharex=True, figsize=(15, 25), title=dataset_hujan.columns.to_list(), legend=False);

:: GRAFIK [dataset_hujan]

Data Debit¶

In [ ]:

print(':: MEMBACA NILAI INVALID PADA [dataset_debit]')
invalid_debit = find_invalid(dataset_debit)

print(':: MENAMPILKAN NILAI INVALID PADA [dataset_debit]')
pd.DataFrame(invalid_debit).T

:: MEMBACA NILAI INVALID PADA [dataset_debit]
:: MENAMPILKAN NILAI INVALID PADA [dataset_debit]

Out[ ]:

	20.9.46	NaN	tad
GERALT	[309]	[789]	[2974]

In [ ]:

print(':: MENGOREKSI NILAI YANG KELIRU DARI "20.9.46" MENJADI "209.46"')
dataset_debit[dataset_debit == '20.9.46'] = 209.46
print(':: MENGUBAH NILAI "tad" MENJADI 0.')
dataset_debit[dataset_debit == 'tad'] = 0.
print(':: MENYESUAIKAN OBJEK [dataset_debit] MENJADI NUMERIK')
dataset_debit = dataset_debit.infer_objects()
print(':: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI')
dataset_debit.interpolate(method='linear', inplace=True)

:: MENGOREKSI NILAI YANG KELIRU DARI "20.9.46" MENJADI "209.46"
:: MENGUBAH NILAI "tad" MENJADI 0.
:: MENYESUAIKAN OBJEK [dataset_debit] MENJADI NUMERIK
:: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI

In [ ]:

print(':: MENAMPILKAN INFORMASI [dataset_debit]')
dataset_debit.info()

:: MENAMPILKAN INFORMASI [dataset_debit]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 4018 entries, 1998-01-01 to 2008-12-31
Freq: D
Data columns (total 1 columns):
GERALT    4018 non-null float64
dtypes: float64(1)
memory usage: 62.8 KB

In [ ]:

print(':: GRAFIK DEBIT [dataset_debit]')
ax = dataset_debit.plot(figsize=(20, 5))
ax.set_ylabel('Debit $m^3/s$');

:: GRAFIK DEBIT [dataset_debit]

melihat pada awal tahun terdapat nilai 0. secara berurutan setiap harinya, maka dataset dimulai dari Maret 1998.

Data Klimatologi¶

Pemrosesan data klimatologi menggunakan hidrokit.contrib.taruma.hk73 (manual)

In [ ]:

print(':: MEMILIH KOLOM KLIMATOLOGI YANG AKAN DIGUNAKAN')
_klim_col = ['Tavg', 'ss', 'RH_avg', 'ff_avg']
print(f':: KOLOM KLIMATOLOGI YANG DIGUNAKAN: {_klim_col}')
dataset_klimatologi = dataset_klimatologi[_klim_col].copy()
print(':: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI')
dataset_klimatologi.interpolate(method='linear', inplace=True)
print(':: MENGKONVERSI KOLOM "ss" DALAM SATUAN PERSEN')
dataset_klimatologi['ss'] = dataset_klimatologi['ss'] / 8 * 100
print(':: MENGUBAH NAMA KOLOM [dataset_klimatologi]')
dataset_klimatologi.columns = ['TEMP', 'SUN', 'HUMID', 'WIND']
print(':: MENAMPILKAN LIMA BARIS PERTAMA [dataset_klimatologi]')
dataset_klimatologi.head()

:: MEMILIH KOLOM KLIMATOLOGI YANG AKAN DIGUNAKAN
:: KOLOM KLIMATOLOGI YANG DIGUNAKAN: ['Tavg', 'ss', 'RH_avg', 'ff_avg']
:: MENGISI NILAI KOSONG DENGAN METODE INTERPOLASI
:: MENGKONVERSI KOLOM "ss" DALAM SATUAN PERSEN
:: MENGUBAH NAMA KOLOM [dataset_klimatologi]
:: MENAMPILKAN LIMA BARIS PERTAMA [dataset_klimatologi]

Out[ ]:

	TEMP	SUN	HUMID	WIND
Tanggal
1998-01-01	27.50000	72.50000	75	2
1998-01-02	28.60000	95.00000	69	1
1998-01-03	27.70000	70.00000	76	2
1998-01-04	28.40000	100.00000	70	3
1998-01-05	27.70000	43.75000	74	2

In [ ]:

print(':: MEMERIKSA APAKAH TERDAPAT DATA YANG HILANG (8888/9999)')
hk73._get_missing(dataset_klimatologi)

:: MEMERIKSA APAKAH TERDAPAT DATA YANG HILANG (8888/9999)

Out[ ]:

{'HUMID': array([], dtype=int64),
 'SUN': array([], dtype=int64),
 'TEMP': array([], dtype=int64),
 'WIND': array([], dtype=int64)}

diketahui bahwa dataset_klimatologi tidak memiliki data yang hilang (8888/9999).

In [ ]:

print(':: GRAFIK [dataset_klimatologi]')
_klim_title = ['TEMP (Celcius)', 'SUN (%)', 'HUMID (%)', 'WIND (m/detik)']
dataset_klimatologi.plot(subplots=True, sharex=True, figsize=(15, 10), 
                         title=_klim_title, legend=False);

:: GRAFIK [dataset_klimatologi]

TAHAP 3: INPUT ANALISIS¶

Periode dataset¶

In [ ]:

print(':: PERIODE DIMULAI DARI 1 MARET 1998')
_period = slice('19980301', None)

hujan = dataset_hujan[_period]
print('\n:: MENAMPILKAN INFORMASI [hujan]')
hujan.info()
debit = dataset_debit[_period]
print('\n:: MENAMPILKAN INFORMASI [debit]')
debit.info()
klimatologi = dataset_klimatologi[_period]
print('\n:: MENAMPILKAN INFORMASI [kilimatologi]')
klimatologi.info()

:: PERIODE DIMULAI DARI 1 MARET 1998

:: MENAMPILKAN INFORMASI [hujan]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 3959 entries, 1998-03-01 to 2008-12-31
Freq: D
Data columns (total 8 columns):
CIRI        3959 non-null float64
YENNEFER    3959 non-null float64
TRISS       3959 non-null float64
JASKIER     3959 non-null float64
EMHYR       3959 non-null float64
CRACH       3959 non-null float64
ZOLTAN      3959 non-null float64
ROACH       3959 non-null float64
dtypes: float64(8)
memory usage: 278.4 KB

:: MENAMPILKAN INFORMASI [debit]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 3959 entries, 1998-03-01 to 2008-12-31
Freq: D
Data columns (total 1 columns):
GERALT    3959 non-null float64
dtypes: float64(1)
memory usage: 61.9 KB

:: MENAMPILKAN INFORMASI [kilimatologi]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 3959 entries, 1998-03-01 to 2008-12-31
Data columns (total 4 columns):
TEMP     3959 non-null float64
SUN      3959 non-null float64
HUMID    3959 non-null int64
WIND     3959 non-null int64
dtypes: float64(2), int64(2)
memory usage: 154.6 KB

Hujan rata-rata dengan Metode Thiessen¶

Menghitung hujan rerata dari 8 stasiun dengan metode poligon thiessen. Perhitungan menggunakan modul hidrokit.contrib.taruma.hk99 (manual)

In [ ]:

print(':: BESAR WILAYAH MASING-MASING STASIUN DISIMPAN SEBAGAI [AREA_BASIN]')
AREA_BASIN = {
    'CIRI': 18.638,
    'YENNEFER': 208.920,
    'TRISS': 147.520,
    'JASKIER': 499.413,
    'EMHYR': 205.003,
    'CRACH': 76.695,
    'ZOLTAN': 127.507,
    'ROACH': 166.899
}
print(':: [AREA_BASIN] (DALAM SATUAN LUAS)')
print(AREA_BASIN)

:: BESAR WILAYAH MASING-MASING STASIUN DISIMPAN SEBAGAI [AREA_BASIN]
:: [AREA_BASIN] (DALAM SATUAN LUAS)
{'CIRI': 18.638, 'YENNEFER': 208.92, 'TRISS': 147.52, 'JASKIER': 499.413, 'EMHYR': 205.003, 'CRACH': 76.695, 'ZOLTAN': 127.507, 'ROACH': 166.899}

In [ ]:

from hidrokit.contrib.taruma import hk99

print(':: MENGHITUNG HUJAN RERATA')
hujan_thiessen = hk99.apply_thiessen(hujan, AREA_BASIN)
print(':: MENAMPILKAN LIMA BARIS PERTAMA NILAI [hujan_thiessen]')
hujan_thiessen.head()

:: MENGHITUNG HUJAN RERATA
:: MENAMPILKAN LIMA BARIS PERTAMA NILAI [hujan_thiessen]

Out[ ]:

	thiessen
1998-03-01	1.22327
1998-03-02	13.29924
1998-03-03	6.95701
1998-03-04	12.76077
1998-03-05	11.10122

In [ ]:

print(':: GRAFIK [hujan_thiessen]')
hujan_thiessen.plot(figsize=(20, 5)).set_ylabel('Tinggi Hujan ($mm$)');

:: GRAFIK [hujan_thiessen]

Rekap data¶

Perekapan data menggunakan modul hidrokit.contrib.taruma.hk98 (manual)

Akan direkap per bulan, per 2 periode, per 4 hari. Untuk data klimatologi, direkap setelah dilakukan proses perhitungan evapotranspirasi.

In [ ]:

print(':: MEMBUAT FUNGSI UNTUK PEREKAPAN DATA HUJAN')
def n_rain(x):
    return (x > 0).sum()

hujan_func = [np.sum, n_rain, len]
hujan_func_col = ['precip', 'nrain', 'ndays']

:: MEMBUAT FUNGSI UNTUK PEREKAPAN DATA HUJAN

Bulanan¶

In [ ]:

from hidrokit.contrib.taruma import hk98

print(':: MEMBUAT REKAP BULANAN [hujan_thiessen] DAN [debit]')
hujan_bulanan = hk98.summary_station(
    hujan_thiessen, column='thiessen', ufunc=hujan_func, ufunc_col=hujan_func_col
    ).droplevel(0, axis=1)

debit_bulanan = hk98.summary_station(
    debit, column='GERALT', ufunc=np.mean, ufunc_col='debit'
    ).droplevel(0, axis=1)

print(':: MENGGABUNGKAN [hujan_bulanan] DAN [debit_bulanan] MENJADI [data_bulanan]')
data_bulanan = pd.concat([hujan_bulanan, debit_bulanan], axis=1)
print(':: MENAMPILKAN INFO [data_bulanan]')
data_bulanan.info()
print('\n:: MENAMPILKAN LIMA BARIS PERTAMA [data_bulanan]')
data_bulanan.head()

:: MEMBUAT REKAP BULANAN [hujan_thiessen] DAN [debit]
:: MENGGABUNGKAN [hujan_bulanan] DAN [debit_bulanan] MENJADI [data_bulanan]
:: MENAMPILKAN INFO [data_bulanan]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 130 entries, 1998-03-01 to 2008-12-01
Data columns (total 4 columns):
precip    130 non-null float64
nrain     130 non-null float64
ndays     130 non-null float64
debit     130 non-null float64
dtypes: float64(4)
memory usage: 5.1 KB

:: MENAMPILKAN LIMA BARIS PERTAMA [data_bulanan]

Out[ ]:

	precip	nrain	ndays	debit
1998-03-01	336.18655	30.00000	31.00000	129.03161
1998-04-01	331.19832	30.00000	30.00000	128.41067
1998-05-01	293.26513	29.00000	31.00000	114.43355
1998-06-01	166.98556	28.00000	30.00000	65.54133
1998-07-01	146.26108	28.00000	31.00000	52.90194

In [ ]:

print(':: GRAFIK HUJAN DAN DEBIT [data_bulanan]')
data_bulanan[['precip', 'debit']].plot(subplots=True, sharex=True, 
                                       title=['PRECIP ($mm/bulan$)',
                                              'DEBIT ($m^3/hari$)'],
                                       figsize=(20, 10));

:: GRAFIK HUJAN DAN DEBIT [data_bulanan]

2 Periode (per 16 hari)¶

Dipilih per 16 hari agar untuk bulan yang memiliki 31 hari, dibagi menjadi 16-15, jika digunakan nilai 15 hari akan menjadi 15-15-1 (3 bagian).

In [ ]:

_ndays = '16D'

print(':: MEMBUAT REKAP 2 PERIODE [hujan_thiessen] DAN [debit]')
hujan_2p = hk98.summary_station(
    hujan_thiessen, column='thiessen', 
    ufunc=hujan_func, ufunc_col=hujan_func_col,
    n_days=_ndays
    ).droplevel(0, axis=1)

debit_2p = hk98.summary_station(
    debit, column='GERALT', ufunc=np.mean, ufunc_col='debit', n_days=_ndays
    ).droplevel(0, axis=1)

print(':: MENGGABUNGKAN [hujan_2p] DAN [debit_2p] MENJADI [data_2p]')
data_2p = pd.concat([hujan_2p, debit_2p], axis=1)
print(':: MENAMPILKAN INFO [data_2p]')
data_2p.info()
print('\n:: MENAMPILKAN LIMA BARIS PERTAMA [data_2p]')
data_2p.head()

:: MEMBUAT REKAP 2 PERIODE [hujan_thiessen] DAN [debit]
:: MENGGABUNGKAN [hujan_2p] DAN [debit_2p] MENJADI [data_2p]
:: MENAMPILKAN INFO [data_2p]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 260 entries, 1998-03-01 to 2008-12-17
Data columns (total 4 columns):
precip    260 non-null float64
nrain     260 non-null float64
ndays     260 non-null float64
debit     260 non-null float64
dtypes: float64(4)
memory usage: 10.2 KB

:: MENAMPILKAN LIMA BARIS PERTAMA [data_2p]

Out[ ]:

	precip	nrain	ndays	debit
1998-03-01	148.04603	15.00000	16.00000	121.82375
1998-03-17	188.14052	15.00000	15.00000	136.72000
1998-04-01	155.98420	16.00000	16.00000	109.26625
1998-04-17	175.21412	14.00000	14.00000	150.29000
1998-05-01	204.95814	16.00000	16.00000	165.22125

In [ ]:

print(':: GRAFIK HUJAN DAN DEBIT [data_2p]')
data_2p[['precip', 'debit']].plot(subplots=True, sharex=True, 
                                       title=['PRECIP ($mm/periode$)',
                                              'DEBIT ($m^3/hari$)'],
                                       figsize=(20, 10));

:: GRAFIK HUJAN DAN DEBIT [data_2p]

4 hari¶

In [ ]:

_ndays = '4D'

print(':: MEMBUAT REKAP 4 HARI [hujan_thiessen] DAN [debit]')
hujan_4d = hk98.summary_station(
    hujan_thiessen, column='thiessen', 
    ufunc=hujan_func, ufunc_col=hujan_func_col,
    n_days=_ndays
    ).droplevel(0, axis=1)

debit_4d = hk98.summary_station(
    debit, column='GERALT', ufunc=np.mean, ufunc_col='debit', n_days=_ndays
    ).droplevel(0, axis=1)

print(':: MENGGABUNGKAN [hujan_4d] DAN [debit_4d] MENJADI [data_4d]')
data_4d = pd.concat([hujan_4d, debit_4d], axis=1)
print(':: MENAMPILKAN INFO [data_4d]')
data_4d.info()
print('\n:: MENAMPILKAN LIMA BARIS PERTAMA [data_4d]')
data_4d.head()

:: MEMBUAT REKAP 4 HARI [hujan_thiessen] DAN [debit]
:: MENGGABUNGKAN [hujan_4d] DAN [debit_4d] MENJADI [data_4d]
:: MENAMPILKAN INFO [data_4d]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 1033 entries, 1998-03-01 to 2008-12-29
Data columns (total 4 columns):
precip    1033 non-null float64
nrain     1033 non-null float64
ndays     1033 non-null float64
debit     1033 non-null float64
dtypes: float64(4)
memory usage: 40.4 KB

:: MENAMPILKAN LIMA BARIS PERTAMA [data_4d]

Out[ ]:

	precip	nrain	ndays	debit
1998-03-01	34.24029	4.00000	4.00000	91.80500
1998-03-05	39.90152	3.00000	4.00000	195.93500
1998-03-09	14.69375	4.00000	4.00000	85.15500
1998-03-13	59.21048	4.00000	4.00000	114.40000
1998-03-17	46.60314	4.00000	4.00000	93.14000

In [ ]:

print(':: GRAFIK HUJAN DAN DEBIT [data_4d]')
data_4d[['precip', 'debit']].plot(subplots=True, sharex=True, 
                                       title=['PRECIP ($mm/(4 hari)$)',
                                              'DEBIT ($m^3/hari$)'],
                                       figsize=(20, 10));

:: GRAFIK HUJAN DAN DEBIT [data_4d]

TAHAP 4: ANALISIS HIDROLOGI¶

Analisis hidrologi yang akan dilakukan adalah perhitungan evapotranspirasi dan pemodelan NRECA dan F.J. Mock.

Evapotranspirasi¶

Perhitungan evapotranspirasi menggunakan data klimatologi yang masih berupa data harian (bukan rekapan). Hasil perhitungan akan direkap per bulan, per 2 periode, per 4 hari.

Perhitungan evapotranspirasi menggunakan modul hidrokit.contrib.taruma.hk106 (manual).

In [ ]:

print(':: MENENTUKAN GARIS LINTANG LOKASI')
LATITUDE = '6.25 LS'
print(f':: LATITUDE = {LATITUDE}')

:: MENENTUKAN GARIS LINTANG LOKASI
:: LATITUDE = 6.25 LS

Perhitungan¶

Rumus Blaney-Craddle¶

In [ ]:

from hidrokit.contrib.taruma import hk106

print(':: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS BLANEY-CRADDLE')
eto_bc = hk106.ETo_BlaneyCriddle(
    klimatologi, temp_col='TEMP', lat=LATITUDE)
print(':: GRAFIK [eto_bc]')
eto_bc.plot(figsize=(20, 5)).set_ylabel('Evapotranspirasi ($mm/hari$)');

:: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS BLANEY-CRADDLE
:: GRAFIK [eto_bc]

Rumus Radiasi¶

In [ ]:

print(':: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS RADIASI')
eto_rad = hk106.ETo_Radiation(
    klimatologi, temp_col='TEMP', sun_col='SUN',
    lat=LATITUDE
)
print(':: GRAFIK [eto_rad]')
eto_rad.plot(figsize=(20, 5)).set_ylabel('Evapotranspirasi ($mm/hari$)');

:: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS RADIASI
:: GRAFIK [eto_rad]

Rumus Penman¶

In [ ]:

print(':: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS PENMAN')
eto_penman = hk106.ETo_Penman(
    klimatologi,
    'TEMP', 'HUMID', 'WIND', 'SUN',
    lat=LATITUDE
)
print(':: GRAFIK [eto_penman]')
eto_penman.plot(figsize=(20, 5)).set_ylabel('Evapotranspirasi ($mm/hari$)');

:: MENGHITUNG EVAPOTRANSPIRASI MENGGUNAKAN RUMUS PENMAN
:: GRAFIK [eto_penman]

Rekap Evapotranspirasi¶

Fungsi yang digunakan pada rekap evapotranspirasi untuk setiap durasi rekap yaitu penjumlahan dan rerata. Penjumlahan digunakan untuk model NRECA (mm/periode), sedangkan nilai rerata digunakan untuk model FJMOCK (mm/hari).

Bulanan¶

In [ ]:

print(':: REKAP BULANAN [eto_penman]')
eto_bulanan = hk98.summary_station(
    eto_penman, column='ETo', 
    ufunc=[np.sum, np.mean], ufunc_col=['eto', 'eto_mean']
    ).droplevel(0, axis=1)

print(':: GRAFIK [eto_bulanan]')
eto_bulanan.plot(subplots=True, layout=(1,2), figsize=(20, 5), 
                 title=['Evapotranspirasi (mm/bulan)', 
                        'Evapotranspirasi (mm/hari)']
                 );

:: REKAP BULANAN [eto_penman]
:: GRAFIK [eto_bulanan]

2 Periode¶

In [ ]:

print(':: REKAP 2 PERIODE [eto_penman]')
eto_2p = hk98.summary_station(
    eto_penman, column='ETo', 
    ufunc=[np.sum, np.mean], ufunc_col=['eto', 'eto_mean'],
    n_days='16D'
    ).droplevel(0, axis=1)
print(':: GRAFIK [eto_2p]')
eto_2p.plot(subplots=True, layout=(1,2), 
            figsize=(20, 5), title=['Evapotranspirasi (mm/bulan)', 
                                    'Evapotranspirasi (mm/hari)']
            );

:: REKAP 2 PERIODE [eto_penman]
:: GRAFIK [eto_2p]

4 hari¶

In [ ]:

print(':: REKAP 4 HARI [eto_penman]')
eto_4d = hk98.summary_station(
    eto_penman, column='ETo', 
    ufunc=[np.sum, np.mean], ufunc_col=['eto', 'eto_mean'],
    n_days='4D'
    ).droplevel(0, axis=1)

print(':: GRAFIK [eto_4d]')
eto_4d.plot(subplots=True, layout=(1,2), figsize=(20, 5), 
            title=['Evapotranspirasi (mm/bulan)', 
                   'Evapotranspirasi (mm/hari)']
            );

:: REKAP 4 HARI [eto_penman]
:: GRAFIK [eto_4d]

Input model NRECA dan FJMOCK¶

In [ ]:

input_bulanan = pd.concat([data_bulanan, eto_bulanan], axis=1)
print(':: MENAMPILKAN INFO [input_bulanan]')
input_bulanan.info()

:: MENAMPILKAN INFO [input_bulanan]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 130 entries, 1998-03-01 to 2008-12-01
Data columns (total 6 columns):
precip      130 non-null float64
nrain       130 non-null float64
ndays       130 non-null float64
debit       130 non-null float64
eto         130 non-null float64
eto_mean    130 non-null float64
dtypes: float64(6)
memory usage: 7.1 KB

In [ ]:

input_2p = pd.concat([data_2p, eto_2p], axis=1)
print(':: MENAMPILKAN INFO [input_2p]')
input_2p.info()

:: MENAMPILKAN INFO [input_2p]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 260 entries, 1998-03-01 to 2008-12-17
Data columns (total 6 columns):
precip      260 non-null float64
nrain       260 non-null float64
ndays       260 non-null float64
debit       260 non-null float64
eto         260 non-null float64
eto_mean    260 non-null float64
dtypes: float64(6)
memory usage: 14.2 KB

In [ ]:

input_4d = pd.concat([data_4d, eto_4d], axis=1)
print(':: MENAMPILKAN INFO [input_4d]')
input_4d.info()

:: MENAMPILKAN INFO [input_4d]
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 1033 entries, 1998-03-01 to 2008-12-29
Data columns (total 6 columns):
precip      1033 non-null float64
nrain       1033 non-null float64
ndays       1033 non-null float64
debit       1033 non-null float64
eto         1033 non-null float64
eto_mean    1033 non-null float64
dtypes: float64(6)
memory usage: 56.5 KB

NRECA¶

Perhitungan menggunakan hidrokit.contrib.taruma.hk89 (manual). Terdapat modifikasi terhadap fungsi .model_NRECA agar dapat memroses input yang memiliki periode sembarang (tidak bulanan).

In [ ]:

print(':: PARAMETER PADA FUNGSI .model_NRECA')
nreca_parameter = {
    'MSTOR': 1000,
    'GSTOR': 100,
    'PSUB': 0.4,
    'GWF': 0.2, 
    'CF': 0.6,
    'C': 0.25,
    'AREA': 1450.6e6,
}
print(nreca_parameter)

:: PARAMETER PADA FUNGSI .model_NRECA
{'MSTOR': 1000, 'GSTOR': 100, 'PSUB': 0.4, 'GWF': 0.2, 'CF': 0.6, 'C': 0.25, 'AREA': 1450600000.0}

In [ ]:

print(':: MEMODIFIKASI FUNGSI .model_NRECA')

def model_NRECA_custom(df, precip_col, pet_col, ndays_col,
                MSTOR, GSTOR, PSUB, GWF, CF, C, AREA,
                as_df=True):

    nreca = hk89.model_NRECA(
        df=df, precip_col=precip_col, pet_col=pet_col,
        MSTOR=MSTOR, GSTOR=GSTOR, PSUB=PSUB, GWF=GWF, CF=CF, C=C, AREA=AREA,
                as_df=True, report='flow'
    )

    nreca['DISCHARGE'] = (nreca['FLOW']/1000) * AREA / (df[ndays_col] * 24 * 60 * 60)
    nreca.drop(['FLOW'], axis=1, inplace=True)
    if as_df is True:
        return nreca
    else:
        return nreca['DISCHARGE'].values

def nreca_plot(nreca, input_df):
    ax = nreca.plot(figsize=(20, 5))
    input_df['debit'].plot(ax=ax, style='--')
    ax.legend(['SIMULATION', 'OBSERVED'])
    ax.set_xlabel('WAKTU')
    ax.set_ylabel('DEBIT $(m^3/detik)$')
    ax.set_title('GRAFIK PERBANDINGAN HASIL MODEL DAN OBSERVASI')
    return ax

:: MEMODIFIKASI FUNGSI .model_NRECA

Bulanan¶

In [ ]:

from hidrokit.contrib.taruma import hk89

print(':: PERHITUNGAN MODEL NRECA (BULANAN)')
nreca_bulanan = hk89.model_NRECA(df=input_bulanan,
                 precip_col='precip', pet_col='eto',
                 **nreca_parameter)
print(':: GRAFIK [nreca_bulanan]')
nreca_plot(nreca_bulanan, input_bulanan);

:: PERHITUNGAN MODEL NRECA (BULANAN)
:: GRAFIK [nreca_bulanan]

2 Periode¶

In [ ]:

print(':: PERHITUNGAN MODEL NRECA (2 PERIODE)')
nreca_2p = model_NRECA_custom(df=input_2p,
                 precip_col='precip', pet_col='eto', ndays_col='ndays',
                 **nreca_parameter)
print(':: GRAFIK [nreca_2p]')
nreca_plot(nreca_2p, input_2p);

:: PERHITUNGAN MODEL NRECA (2 PERIODE)
:: GRAFIK [nreca_2p]

4 Hari¶

In [ ]:

print(':: PERHITUNGAN MODEL NRECA (4 HARI)')
nreca_4d = model_NRECA_custom(df=input_4d,
                 precip_col='precip', pet_col='eto', ndays_col='ndays',
                 **nreca_parameter)
print(':: GRAFIK [nreca_4d]')
nreca_plot(nreca_4d, input_4d);

:: PERHITUNGAN MODEL NRECA (4 HARI)
:: GRAFIK [nreca_4d]

FJ Mock¶

Perhitungan menggunakan hidrokit.contrib.taruma.hk96 (manual).

In [ ]:

print(':: PARAMETER FJMOCK')
fjmock_parameter = {
    'EXSURF': 30,
    'IF': 0.5,
    'K': 0.2, 
    'PF': 0.5, 
    'ISMC': 300,
    'GSOM': 300,
    'AREA': 1450.6e6
}
print(fjmock_parameter)

print('\n:: DATASET PARAMETER FJMOCK')
dataset_params = {
    'precip_col': 'precip',
    'ep_col': 'eto_mean',
    'nrain_col': 'nrain',
    'ndays_col': 'ndays'
}
print(dataset_params)

:: PARAMETER FJMOCK
{'EXSURF': 30, 'IF': 0.5, 'K': 0.2, 'PF': 0.5, 'ISMC': 300, 'GSOM': 300, 'AREA': 1450600000.0}

:: DATASET PARAMETER FJMOCK
{'precip_col': 'precip', 'ep_col': 'eto_mean', 'nrain_col': 'nrain', 'ndays_col': 'ndays'}

In [ ]:

def fjmock_plot(fjmock, input_df):
    ax = fjmock.plot(figsize=(20, 5))
    input_df['debit'].plot(ax=ax, style='--')
    ax.legend(['SIMULATION', 'OBSERVED'])
    ax.set_xlabel('WAKTU')
    ax.set_ylabel('DEBIT $(m^3/s)$')
    ax.set_title('GRAFIK PERBANDINGAN HASIL MODEL DAN OBSERVASI')
    return ax

Bulanan¶

In [ ]:

from hidrokit.contrib.taruma import hk96

print(':: PERHITUNGAN MODEL FJMOCK (BULANAN)')
fjmock_bulanan = hk96.model_FJMOCK(input_bulanan, **dataset_params,
                                   **fjmock_parameter)
print(':: GRAFIK [fjmock_bulanan]')
fjmock_plot(fjmock_bulanan, input_bulanan);

:: PERHITUNGAN MODEL FJMOCK (BULANAN)
:: GRAFIK [fjmock_bulanan]

2 Periode¶

In [ ]:

print(':: PERHITUNGAN MODEl FJMOCK (2 PERIODE)')
fjmock_2p = hk96.model_FJMOCK(input_2p, **dataset_params,
                                   **fjmock_parameter)
print(':: GRAFIK [fjmock_2p]')
fjmock_plot(fjmock_2p, input_2p);

:: PERHITUNGAN MODEl FJMOCK (2 PERIODE)
:: GRAFIK [fjmock_2p]

Per 4 Hari¶

In [ ]:

print(':: PERHITUNGAN FJMOCK (4 HARI)')
fjmock_4d = hk96.model_FJMOCK(input_4d, **dataset_params,
                                   **fjmock_parameter)
print(':: GRAFIK [fjmock_4d]')
fjmock_plot(fjmock_4d, input_4d);

:: PERHITUNGAN FJMOCK (4 HARI)
:: GRAFIK [fjmock_4d]

Debit Andal¶

Perhitungan debit andal menggunakan modul hidrokit.contrib.taruma.hk87 (manual).

In [ ]:

from hidrokit.contrib.taruma import hk87

def plot_kurva_debit(input_df, nreca_df, fjmock_df):
    input_bulanan, input_2p, input_4d = input_df
    nreca_bulanan, nreca_2p, nreca_4d = nreca_df
    fjmock_bulanan, fjmock_2p, fjmock_4d = fjmock_df

    obs_andal_bulanan = hk87.debit_andal(input_bulanan, 'debit')
    obs_andal_2p = hk87.debit_andal(input_2p, 'debit')
    obs_andal_4d = hk87.debit_andal(input_4d, 'debit')

    fjmock_andal_bulanan = hk87.debit_andal(fjmock_bulanan, 'FLOW')
    fjmock_andal_2p = hk87.debit_andal(fjmock_2p, 'FLOW')
    fjmock_andal_4d = hk87.debit_andal(fjmock_4d, 'FLOW')

    nreca_andal_bulanan = hk87.debit_andal(nreca_bulanan, 'DISCHARGE')
    nreca_andal_2p = hk87.debit_andal(nreca_2p, 'DISCHARGE')
    nreca_andal_4d = hk87.debit_andal(nreca_4d, 'DISCHARGE')

    fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(20, 5),
                        sharex=True, sharey=False)
    nreca_andal_bulanan.plot(x='prob', y='data', ax=ax[0], title='BULANAN')
    nreca_andal_2p.plot(x='prob', y='data', ax=ax[1], title='KURVA DURASI\n2 PERIODE')
    nreca_andal_4d.plot(x='prob', y='data', ax=ax[2], title='4 HARI')
    fjmock_andal_bulanan.plot(x='prob', y='data', ax=ax[0], style='r--')
    fjmock_andal_2p.plot(x='prob', y='data', ax=ax[1], style='r--')
    fjmock_andal_4d.plot(x='prob', y='data', ax=ax[2], style='r--')
    obs_andal_bulanan.plot(x='prob', y='data', ax=ax[0], style='g:')
    obs_andal_2p.plot(x='prob', y='data', ax=ax[1], style='g:')
    obs_andal_4d.plot(x='prob', y='data', ax=ax[2], style='g:')

    ax[0].set_ylabel('Debit $m^3/s$')
    ax[0].legend(['NRECA', 'FJ MOCK', 'OBSERVED'])
    ax[1].legend(['NRECA', 'FJ MOCK', 'OBSERVED'])
    ax[2].legend(['NRECA', 'FJ MOCK', 'OBSERVED'])

print(':: GRAFIK KURVA DURASI')
plot_kurva_debit([input_bulanan, input_2p, input_4d],
                 [nreca_bulanan, nreca_2p, nreca_4d],
                 [fjmock_bulanan, fjmock_2p, fjmock_4d])

:: GRAFIK KURVA DURASI

In [ ]:

def debit_andal(input_df, nreca_df, fjmock_df):
    input_bulanan, input_2p, input_4d = input_df
    nreca_bulanan, nreca_2p, nreca_4d = nreca_df
    fjmock_bulanan, fjmock_2p, fjmock_4d = fjmock_df

    print(':: DEBIT ANDAL BULANAN')
    print('NRECA:', hk87.debit_andal(nreca_bulanan, 'DISCHARGE', kind='prob'))
    print('FJMOCK:', hk87.debit_andal(fjmock_bulanan, 'FLOW', kind='prob'))
    print('OBSERVED:', hk87.debit_andal(input_bulanan, 'debit', kind='prob'))
    
    print(':: DEBIT ANDAL 2 PERIODE')
    print('NRECA:', hk87.debit_andal(nreca_2p, 'DISCHARGE', kind='prob'))
    print('FJMOCK:', hk87.debit_andal(fjmock_2p, 'FLOW', kind='prob'))
    print('OBSERVED:', hk87.debit_andal(input_2p, 'debit', kind='prob'))

    print(':: DEBIT ANDAL 4 HARI')
    print('NRECA:', hk87.debit_andal(nreca_4d, 'DISCHARGE', kind='prob'))
    print('FJMOCK:', hk87.debit_andal(fjmock_4d, 'FLOW', kind='prob'))
    print('OBSERVED:', hk87.debit_andal(input_4d, 'debit', kind='prob'))

print(':: NILAI DEBIT ANDAL')
debit_andal([input_bulanan, input_2p, input_4d],
            [nreca_bulanan, nreca_2p, nreca_4d],
            [fjmock_bulanan, fjmock_2p, fjmock_4d])

:: NILAI DEBIT ANDAL
:: DEBIT ANDAL BULANAN
NRECA: {80: 27.074238664520262, 90: 16.83447364976881, 95: 12.572521488039039}
FJMOCK: {80: 26.219763305735324, 90: 13.580058048808572, 95: 4.896675772517941}
OBSERVED: {80: 29.44870967741936, 90: 19.844599999999996, 95: 8.880540322580645}
:: DEBIT ANDAL 2 PERIODE
NRECA: {80: 22.98213768010558, 90: 11.771190119073518, 95: 8.291178749294176}
FJMOCK: {80: 30.466330533118406, 90: 14.335412248219853, 95: 5.9557591976358655}
OBSERVED: {80: 25.21499047619047, 90: 12.777500000000005, 95: 7.975470833333335}
:: DEBIT ANDAL 4 HARI
NRECA: {80: 11.420719926160634, 90: 4.496449856941252, 95: 1.6417791808744535}
FJMOCK: {80: 22.170356480795952, 90: 8.007986453904744, 95: 1.8379227489892294}
OBSERVED: {80: 17.352, 90: 10.868, 95: 6.511999999999998}

TAHAP 5: KALIBRASI¶

In [ ]:

def _slice_in_index(df, date_start, date_end):
    dfc = df.copy()
    dfc['index'] = np.arange(0, dfc.shape[0])
    sub = dfc[slice(date_start, date_end)]
    return slice(sub['index'].iloc[0], sub['index'].iloc[-1] + 1)

Metrik¶

Metrik yang digunakan untuk evaluasi model atau kalibrasi menggunakan paket HydroErr berupa rmse, r_squared, nse. Ditambah evaluasi NSE untuk tahun 2006-2008 saja nse_x_0608.

In [ ]:

import HydroErr as he

slice_bulanan0608 = _slice_in_index(input_bulanan, '2006', '2008')
slice_2p0608 = _slice_in_index(input_2p, '2006', '2008')
slice_4d0608 = _slice_in_index(input_4d, '2006', '2008') 

def nse_bulanan_0608(simulasi, observasi):
    sim = simulasi[slice_bulanan0608]
    obs = observasi[slice_bulanan0608]
    return he.nse(sim, obs)

def nse_2p_0608(simulasi, observasi):
    sim = simulasi[slice_2p0608]
    obs = observasi[slice_2p0608]
    return he.nse(sim, obs)

def nse_4d_0608(simulasi, observasi):
    sim = simulasi[slice_4d0608]
    obs = observasi[slice_4d0608]
    return he.nse(sim, obs)


metrics_bulanan = [he.rmse, he.r_squared, he.nse, nse_bulanan_0608]
metrics_2p = [he.rmse, he.r_squared, he.nse, nse_2p_0608]
metrics_4d = [he.rmse, he.r_squared, he.nse, nse_4d_0608]

metrics_parameter = {
    'met_names': ['RMSE', 'R2', 'NSE', 'NSE0608'],
    'met_sort': 'NSE',
    'met_min': False
}

Kalibrasi NRECA¶

Kalibrasi model menggunakan modul hidrokit.contrib.taruma.hk90 (manual).

Pada model NRECA yang akan dicari parameter terbaiknya adalah PSUB dan GWF dengan batasan $\{[0.2, 0.8) \in \mathbb{R}\}$ dengan nilai step sebesar $0.01$ .

In [ ]:

def obs_val(obs_df):
    return obs_df.loc[:, 'debit'].values

In [ ]:

print(':: PARAMETER YANG AKAN DIKALIBRASI')
calib_nreca_params = {
    'MSTOR': [1000],
    'GSTOR': [100],
    'PSUB': np.arange(0.2, 0.8, 0.01),
    'GWF': np.arange(0.2, 0.8, 0.01), 
}
print(f'Kombinasi Parameter [calib_nreca_params]: \n{calib_nreca_params}')

:: PARAMETER YANG AKAN DIKALIBRASI
Kombinasi Parameter [calib_nreca_params]: 
{'MSTOR': [1000], 'GSTOR': [100], 'PSUB': array([0.2 , 0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29, 0.3 ,
       0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39, 0.4 , 0.41,
       0.42, 0.43, 0.44, 0.45, 0.46, 0.47, 0.48, 0.49, 0.5 , 0.51, 0.52,
       0.53, 0.54, 0.55, 0.56, 0.57, 0.58, 0.59, 0.6 , 0.61, 0.62, 0.63,
       0.64, 0.65, 0.66, 0.67, 0.68, 0.69, 0.7 , 0.71, 0.72, 0.73, 0.74,
       0.75, 0.76, 0.77, 0.78, 0.79, 0.8 ]), 'GWF': array([0.2 , 0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29, 0.3 ,
       0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39, 0.4 , 0.41,
       0.42, 0.43, 0.44, 0.45, 0.46, 0.47, 0.48, 0.49, 0.5 , 0.51, 0.52,
       0.53, 0.54, 0.55, 0.56, 0.57, 0.58, 0.59, 0.6 , 0.61, 0.62, 0.63,
       0.64, 0.65, 0.66, 0.67, 0.68, 0.69, 0.7 , 0.71, 0.72, 0.73, 0.74,
       0.75, 0.76, 0.77, 0.78, 0.79, 0.8 ])}

In [ ]:

print(':: ARGUMEN FUNGSI NRECA')
func_nreca_params = {
    'CF': 0.6,
    'C': 0.25,
    'AREA': 1450.6e6,

    'ndays_col': 'ndays',
    'precip_col': 'precip',
    'pet_col':'eto',
    'as_df': False,
}
print(f'[func_nreca_params] = {func_nreca_params}')

:: ARGUMEN FUNGSI NRECA
[func_nreca_params] = {'CF': 0.6, 'C': 0.25, 'AREA': 1450600000.0, 'ndays_col': 'ndays', 'precip_col': 'precip', 'pet_col': 'eto', 'as_df': False}

Bulanan¶

In [ ]:

from hidrokit.contrib.taruma import hk90

func_nreca_params['df'] = input_bulanan

print(':: KALIBRASI PARAMETER NRECA (BULANAN)')
results_bulanan = hk90.calibration(
    observed=input_bulanan, observed_func=obs_val,
    func=model_NRECA_custom, calibration_parameter=calib_nreca_params,
    func_parameter=func_nreca_params,
    metrics=metrics_bulanan,
    **metrics_parameter
)

:: KALIBRASI PARAMETER NRECA (BULANAN)
N = 3721
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_bulanan]')
results_bulanan.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_bulanan]

Out[ ]:

	MSTOR	GSTOR	PSUB	GWF	RMSE	R2	NSE	NSE0608
0	1000	100	0.37000	0.20000	36.54280	0.53967	0.51048	0.59667
1	1000	100	0.38000	0.20000	36.54339	0.53756	0.51046	0.59287
2	1000	100	0.36000	0.20000	36.54947	0.54171	0.51030	0.60036
3	1000	100	0.39000	0.20000	36.55123	0.53537	0.51025	0.58896
4	1000	100	0.35000	0.20000	36.56340	0.54368	0.50992	0.60395

2 Periode¶

In [ ]:

func_nreca_params['df'] = input_2p

print(':: KALIBRASI PARAMETER NRECA (2 PERIODE)')
results_2p = hk90.calibration(
    observed=input_2p, observed_func=obs_val,
    func=model_NRECA_custom, calibration_parameter=calib_nreca_params,
    func_parameter=func_nreca_params,
    metrics=metrics_2p,
    **metrics_parameter
)

:: KALIBRASI PARAMETER NRECA (2 PERIODE)
N = 3721
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_2p]')
results_bulanan.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_2p]

Out[ ]:

	MSTOR	GSTOR	PSUB	GWF	RMSE	R2	NSE	NSE0608
0	1000	100	0.37000	0.20000	36.54280	0.53967	0.51048	0.59667
1	1000	100	0.38000	0.20000	36.54339	0.53756	0.51046	0.59287
2	1000	100	0.36000	0.20000	36.54947	0.54171	0.51030	0.60036
3	1000	100	0.39000	0.20000	36.55123	0.53537	0.51025	0.58896
4	1000	100	0.35000	0.20000	36.56340	0.54368	0.50992	0.60395

4 Hari¶

In [ ]:

func_nreca_params['df'] = input_4d

print(':: KALIBRASI PARAMETER NRECA (4 HARI)')
results_4d = hk90.calibration(
    observed=input_4d, observed_func=obs_val,
    func=model_NRECA_custom, calibration_parameter=calib_nreca_params,
    func_parameter=func_nreca_params,
    metrics=metrics_4d,
    **metrics_parameter
)

:: KALIBRASI PARAMETER NRECA (4 HARI)
N = 3721
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_4d]')
results_4d.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_4d]

Out[ ]:

	MSTOR	GSTOR	PSUB	GWF	RMSE	R2	NSE	NSE0608
0	1000	100	0.72000	0.39000	61.56053	0.46569	0.40799	0.50410
1	1000	100	0.73000	0.40000	61.56175	0.46668	0.40797	0.50548
2	1000	100	0.71000	0.38000	61.56177	0.46468	0.40797	0.50282
3	1000	100	0.71000	0.39000	61.56200	0.46647	0.40797	0.50680
4	1000	100	0.70000	0.38000	61.56273	0.46549	0.40795	0.50558

Perbandingan Kalibrasi NRECA setiap periode¶

In [ ]:

def plot_calib_res(_x):
    fig, ax = plt.subplots(nrows=2, ncols=3, figsize=(20, 10), 
                        sharex=False, sharey=True)
    ax0, ax1 = ax

    print(':: GRAFIK PARAMETER PSUB DAN GWF TERHADAP NILAI ' + _x)
    results_bulanan.plot.scatter(x=_x, y='PSUB', title='BULANAN\nParameter PSUB', 
                                ax=ax0[0])
    results_4d.plot.scatter(x=_x, y='PSUB', title='2 PERIODE\nParameter PSUB', 
                            ax=ax0[1])
    results_2p.plot.scatter(x=_x, y='PSUB', title='4 HARI\nParameter PSUB', 
                            ax=ax0[2])

    results_bulanan.plot.scatter(x=_x, y='GWF', title='Parameter GWF', ax=ax1[0])
    results_4d.plot.scatter(x=_x, y='GWF', title='Parameter GWF', ax=ax1[1])
    results_2p.plot.scatter(x=_x, y='GWF', title='Parameter GWF', ax=ax1[2])
    plt.tight_layout()

In [ ]:

plot_calib_res('NSE')

:: GRAFIK PARAMETER PSUB DAN GWF TERHADAP NILAI NSE

In [ ]:

plot_calib_res('RMSE')

:: GRAFIK PARAMETER PSUB DAN GWF TERHADAP NILAI RMSE

In [ ]:

plot_calib_res('R2')

:: GRAFIK PARAMETER PSUB DAN GWF TERHADAP NILAI R2

In [ ]:

plot_calib_res('NSE0608')

:: GRAFIK PARAMETER PSUB DAN GWF TERHADAP NILAI NSE0608

Parameter Terbaik NRECA¶

In [ ]:

nreca_bulanan_best = hk90._best_parameter(results_bulanan, calib_nreca_params)
nreca_2p_best = hk90._best_parameter(results_2p, calib_nreca_params)
nreca_4d_best = hk90._best_parameter(results_4d, calib_nreca_params)
func_nreca_params['as_df'] = True

Bulanan¶

In [ ]:

print(':: PARAMETER TERBAIK BULANAN')
print(f'{nreca_bulanan_best}')

func_nreca_params['df'] = input_bulanan
print(':: GRAFIK DENGAN PARAMETER TERBAIK BULANAN')
nreca_plot(model_NRECA_custom(**func_nreca_params, **nreca_bulanan_best), 
           input_bulanan);

:: PARAMETER TERBAIK BULANAN
{'MSTOR': 1000.0, 'GSTOR': 100.0, 'PSUB': 0.37000000000000016, 'GWF': 0.2}
:: GRAFIK DENGAN PARAMETER TERBAIK BULANAN

2 Periode¶

In [ ]:

print(':: PARAMETER TERBAIK 2 PERIODE')
print(f'{nreca_2p_best}')

func_nreca_params['df'] = input_2p
print(':: GRAFIK DENGAN PARAMETER TERBAIK')
nreca_plot(model_NRECA_custom(**func_nreca_params, **nreca_bulanan_best), 
           input_2p);

:: PARAMETER TERBAIK 2 PERIODE
{'MSTOR': 1000.0, 'GSTOR': 100.0, 'PSUB': 0.4100000000000002, 'GWF': 0.2}
:: GRAFIK DENGAN PARAMETER TERBAIK

4 Hari¶

In [ ]:

print(':: PARAMETER TERBAIK 4 HARI')
print(f'{nreca_4d_best}')

func_nreca_params['df'] = input_4d
print(':: GRAFIK DENGAN PARAMETER TERBAIK')
nreca_plot(model_NRECA_custom(**func_nreca_params, **nreca_bulanan_best), 
           input_4d);

:: PARAMETER TERBAIK 4 HARI
{'MSTOR': 1000.0, 'GSTOR': 100.0, 'PSUB': 0.7200000000000004, 'GWF': 0.3900000000000002}
:: GRAFIK DENGAN PARAMETER TERBAIK

Kalibrasi F.J. Mock¶

Kalibrasi model menggunakan modul hidrokit.contrib.taruma.hk90 (manual).

Pada model FJMOCK yang akan dicari parameter terbaiknya adalah IF, K, dan PF dengan batasan beserta step $\{[0.5, 0.9) \in \mathbb{R}, 0.03\}$ , $\{[0.1, 0.5) \in \mathbb{R}, 0.03\}$ , $\{[0.01, 0.6) \in \mathbb{R}, 0.05\}$

In [ ]:

print(':: PARAMETER YANG DIKALIBRASI')
calib_fjmock_params = {
    'EXSURF': [30],
    'IF':  np.arange(0.5, 0.9, 0.03),
    'K': np.arange(0.1, 0.5, 0.03), 
    'PF': np.arange(0.01, 0.6, 0.05), 
    'ISMC': [300],
    'GSOM': [300],    
}
print(f'Kombinasi Parameter [calib_fjmock_params] = {calib_fjmock_params}')

:: PARAMETER YANG DIKALIBRASI
Kombinasi Parameter [calib_fjmock_params] = {'EXSURF': [30], 'IF': array([0.5 , 0.53, 0.56, 0.59, 0.62, 0.65, 0.68, 0.71, 0.74, 0.77, 0.8 ,
       0.83, 0.86, 0.89]), 'K': array([0.1 , 0.13, 0.16, 0.19, 0.22, 0.25, 0.28, 0.31, 0.34, 0.37, 0.4 ,
       0.43, 0.46, 0.49]), 'PF': array([0.01, 0.06, 0.11, 0.16, 0.21, 0.26, 0.31, 0.36, 0.41, 0.46, 0.51,
       0.56]), 'ISMC': [300], 'GSOM': [300]}

In [ ]:

print(':: ARGUMEN FUNGSI FJMOCK')
func_fjmock_params = {
    'precip_col': 'precip',
    'ep_col': 'eto_mean',
    'nrain_col': 'nrain',
    'ndays_col': 'ndays',
    'AREA': 1450.6e6,

    'as_df': False,
}
print(f'{func_fjmock_params}')

:: ARGUMEN FUNGSI FJMOCK
{'precip_col': 'precip', 'ep_col': 'eto_mean', 'nrain_col': 'nrain', 'ndays_col': 'ndays', 'AREA': 1450600000.0, 'as_df': False}

Bulanan¶

In [ ]:

func_fjmock_params['df'] = input_bulanan

print(':: KALIBRASI PARAMETER FJMOCK (BULANAN)')
results_bulanan = hk90.calibration(
    observed=input_bulanan, observed_func=obs_val,
    func=hk96.model_FJMOCK, calibration_parameter=calib_fjmock_params,
    func_parameter=func_fjmock_params,
    metrics=metrics_bulanan,
    **metrics_parameter
)

:: KALIBRASI PARAMETER FJMOCK (BULANAN)
N = 2352
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_bulanan]')
results_bulanan.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_bulanan]

Out[ ]:

	EXSURF	IF	K	PF	ISMC	GSOM	RMSE	R2	NSE	NSE0608
0	30	0.50000	0.19000	0.51000	300	300	42.56464	0.43788	0.33585	0.05643
1	30	0.50000	0.16000	0.51000	300	300	42.56860	0.43974	0.33572	0.05860
2	30	0.50000	0.22000	0.51000	300	300	42.57958	0.43557	0.33538	0.05383
3	30	0.50000	0.19000	0.46000	300	300	42.58760	0.45217	0.33513	0.05372
4	30	0.50000	0.13000	0.51000	300	300	42.59072	0.44118	0.33503	0.06038

2 Periode¶

In [ ]:

func_fjmock_params['df'] = input_2p

print(':: KALIBRASI PARAMETER FJMOCK (2 PERIODE)')
results_2p = hk90.calibration(
    observed=input_2p, observed_func=obs_val,
    func=hk96.model_FJMOCK, calibration_parameter=calib_fjmock_params,
    func_parameter=func_fjmock_params,
    metrics=metrics_2p,
    **metrics_parameter
)

:: KALIBRASI PARAMETER FJMOCK (2 PERIODE)
N = 2352
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_2p]')
results_2p.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_2p]

Out[ ]:

	EXSURF	IF	K	PF	ISMC	GSOM	RMSE	R2	NSE	NSE0608
0	30	0.50000	0.49000	0.11000	300	300	47.07007	0.50765	0.42953	0.50966
1	30	0.53000	0.49000	0.11000	300	300	47.19349	0.50176	0.42653	0.50343
2	30	0.50000	0.49000	0.16000	300	300	47.20777	0.50414	0.42619	0.55280
3	30	0.50000	0.46000	0.11000	300	300	47.21262	0.50891	0.42607	0.51147
4	30	0.53000	0.46000	0.11000	300	300	47.32573	0.50331	0.42332	0.50549

4 Hari¶

In [ ]:

func_fjmock_params['df'] = input_4d

print(':: KALIBRASI PARAMETER FJMOCK (4 HARI)')
results_4d = hk90.calibration(
    observed=input_4d, observed_func=obs_val,
    func=hk96.model_FJMOCK, calibration_parameter=calib_fjmock_params,
    func_parameter=func_fjmock_params,
    metrics=metrics_4d,
    **metrics_parameter
)

:: KALIBRASI PARAMETER FJMOCK (4 HARI)
N = 2352
PROGRESS 0 [-x--xx--x-] 100
---------> [==========] DONE

In [ ]:

print(':: MENAMPILKAN LIMA BARIS PERTAMA [results_4d]')
results_4d.head()

:: MENAMPILKAN LIMA BARIS PERTAMA [results_4d]

Out[ ]:

	EXSURF	IF	K	PF	ISMC	GSOM	RMSE	R2	NSE	NSE0608
0	30	0.62000	0.49000	0.01000	300	300	66.88210	0.44594	0.30122	0.47806
1	30	0.65000	0.49000	0.01000	300	300	66.90186	0.44258	0.30081	0.46638
2	30	0.59000	0.49000	0.01000	300	300	66.94662	0.44859	0.29987	0.48835
3	30	0.68000	0.49000	0.01000	300	300	67.00583	0.43851	0.29863	0.45332
4	30	0.56000	0.49000	0.01000	300	300	67.09518	0.45056	0.29676	0.49726

Perbandingan Kalibrasi FJMOCK setiap periode¶

In [ ]:

def plot_calib_res(_x):
    fig, ax = plt.subplots(nrows=3, ncols=3, figsize=(20, 10), 
                        sharex=False, sharey=False)
    ax0, ax1, ax2 = ax

    print(':: GRAFIK PARAMETER IF, K, PF TERHADAP NILAI ' + _x)
    results_bulanan.plot.scatter(x=_x, y='IF', title='BULANAN\nParameter IF', 
                                ax=ax0[0])
    results_4d.plot.scatter(x=_x, y='IF', title='2 PERIODE\nParameter IF', 
                            ax=ax0[1])
    results_2p.plot.scatter(x=_x, y='IF', title='4 HARI\nParameter IF', 
                            ax=ax0[2])

    results_bulanan.plot.scatter(x=_x, y='K', title='Parameter K', ax=ax1[0])
    results_4d.plot.scatter(x=_x, y='K', title='Parameter K', ax=ax1[1])
    results_2p.plot.scatter(x=_x, y='K', title='Parameter K', ax=ax1[2])
    
    results_bulanan.plot.scatter(x=_x, y='PF', title='Parameter PF', ax=ax2[0])
    results_4d.plot.scatter(x=_x, y='PF', title='Parameter PF', ax=ax2[1])
    results_2p.plot.scatter(x=_x, y='PF', title='Parameter PF', ax=ax2[2])
    
    plt.tight_layout()

In [ ]:

plot_calib_res('NSE')

:: GRAFIK PARAMETER IF, K, PF TERHADAP NILAI NSE

In [ ]:

plot_calib_res('RMSE')

:: GRAFIK PARAMETER IF, K, PF TERHADAP NILAI RMSE

In [ ]:

plot_calib_res('R2')

:: GRAFIK PARAMETER IF, K, PF TERHADAP NILAI R2

In [ ]:

plot_calib_res('NSE0608')

:: GRAFIK PARAMETER IF, K, PF TERHADAP NILAI NSE0608

Parameter Terbaik FJMOCK¶

In [ ]:

fjmock_bulanan_best = hk90._best_parameter(results_bulanan, calib_fjmock_params)
fjmock_2p_best = hk90._best_parameter(results_2p, calib_fjmock_params)
fjmock_4d_best = hk90._best_parameter(results_4d, calib_fjmock_params)
func_fjmock_params['as_df'] = True

Bulanan¶

In [ ]:

print(':: PARAMETER TERBAIK BULANAN')
print(f'{fjmock_bulanan_best}')

func_fjmock_params['df'] = input_bulanan
print(':: GRAFIK DENGAN PARAMETER TERBAIK BULANAN')
fjmock_plot(hk96.model_FJMOCK(**func_fjmock_params, **fjmock_bulanan_best), 
           input_bulanan);

:: PARAMETER TERBAIK BULANAN
{'EXSURF': 30.0, 'IF': 0.5, 'K': 0.19, 'PF': 0.51, 'ISMC': 300.0, 'GSOM': 300.0}
:: GRAFIK DENGAN PARAMETER TERBAIK BULANAN

2 Periode¶

In [ ]:

print(':: PARAMETER TERBAIK 2 PERIODE')
print(f'{fjmock_2p_best}')

func_fjmock_params['df'] = input_2p
print(':: GRAFIK DENGAN PARAMETER TERBAIK 2p')
fjmock_plot(hk96.model_FJMOCK(**func_fjmock_params, **fjmock_2p_best), 
           input_2p);

:: PARAMETER TERBAIK 2 PERIODE
{'EXSURF': 30.0, 'IF': 0.5, 'K': 0.49, 'PF': 0.11, 'ISMC': 300.0, 'GSOM': 300.0}
:: GRAFIK DENGAN PARAMETER TERBAIK 2p

4 Hari¶

In [ ]:

print(':: PARAMETER TERBAIK 4 HARI')
print(f'{fjmock_4d_best}')

func_fjmock_params['df'] = input_4d
print(':: GRAFIK DENGAN PARAMETER TERBAIK 4d')
fjmock_plot(hk96.model_FJMOCK(**func_fjmock_params, **fjmock_4d_best), 
           input_4d);

:: PARAMETER TERBAIK 4 HARI
{'EXSURF': 30.0, 'IF': 0.6200000000000001, 'K': 0.49, 'PF': 0.01, 'ISMC': 300.0, 'GSOM': 300.0}
:: GRAFIK DENGAN PARAMETER TERBAIK 4d

Perbandingan NRECA dan FJMOCK¶

In [ ]:

def nse_diff(nreca, fjmock, input_df):
    print(':: PERBANDINGAN NILAI NSE')
    obs = obs_val(input_df)
    print(f'NRECA = {he.nse(nreca.iloc[:, 0], obs)}')
    print(f'FJMOCK = {he.nse(fjmock.iloc[:, 0], obs)}')

def plot_diff(nreca, fjmock, input_df):
    print(':: GRAFIK PERBANDINGAN')
    ax = nreca['DISCHARGE'].plot(figsize=(20, 5))
    fjmock['FLOW'].plot(ax=ax, style='r--')
    input_df['debit'].plot(ax=ax, style='y:')
    ax.legend(['NRECA', 'FJMOCK', 'OBSERVED'])
    ax.set_xlabel('WAKTU')
    ax.set_ylabel('DEBIT $(m^3/detik)$')
    ax.set_title('GRAFIK PERBANDINGAN HASIL SIMULASI DAN OBSERVASI')

Bulanan¶

In [ ]:

func_nreca_params['df'] = input_bulanan
nreca_bulanan = model_NRECA_custom(**func_nreca_params, **nreca_bulanan_best)

func_fjmock_params['df'] = input_bulanan
fjmock_bulanan = hk96.model_FJMOCK(**func_fjmock_params, **fjmock_bulanan_best)

nse_diff(nreca_bulanan, fjmock_bulanan, input_bulanan)
plot_diff(nreca_bulanan, fjmock_bulanan, input_bulanan)

:: PERBANDINGAN NILAI NSE
NRECA = 0.510475590648618
FJMOCK = 0.33584634163377713
:: GRAFIK PERBANDINGAN

2 Periode¶

In [ ]:

func_nreca_params['df'] = input_2p
nreca_2p = model_NRECA_custom(**func_nreca_params, **nreca_2p_best)

func_fjmock_params['df'] = input_2p
fjmock_2p = hk96.model_FJMOCK(**func_fjmock_params, **fjmock_2p_best)

nse_diff(nreca_2p, fjmock_2p, input_2p)
plot_diff(nreca_2p, fjmock_2p, input_2p)

:: PERBANDINGAN NILAI NSE
NRECA = 0.48343371186614803
FJMOCK = 0.42952998182759805
:: GRAFIK PERBANDINGAN

4 Hari¶

In [ ]:

func_nreca_params['df'] = input_4d
nreca_4d = model_NRECA_custom(**func_nreca_params, **nreca_4d_best)

func_fjmock_params['df'] = input_4d
fjmock_4d = hk96.model_FJMOCK(**func_fjmock_params, **fjmock_4d_best)

nse_diff(nreca_4d, fjmock_4d, input_4d)
plot_diff(nreca_4d, fjmock_4d, input_4d)

:: PERBANDINGAN NILAI NSE
NRECA = 0.4079933316452993
FJMOCK = 0.3012180465312787
:: GRAFIK PERBANDINGAN

Debit Andal (Kurva Durasi)¶

In [ ]:

plot_kurva_debit([input_bulanan, input_2p, input_4d],
                 [nreca_bulanan, nreca_2p, nreca_4d],
                 [fjmock_bulanan, fjmock_2p, fjmock_4d])

In [ ]:

print(':: NILAI DEBIT ANDAL')
debit_andal([input_bulanan, input_2p, input_4d],
            [nreca_bulanan, nreca_2p, nreca_4d],
            [fjmock_bulanan, fjmock_2p, fjmock_4d])

:: NILAI DEBIT ANDAL
:: DEBIT ANDAL BULANAN
NRECA: {80: 25.27775606990272, 90: 15.57189346891495, 95: 11.902671940081682}
FJMOCK: {80: 26.642111533243124, 90: 13.744880492498613, 95: 4.941980193453894}
OBSERVED: {80: 29.44870967741936, 90: 19.844599999999996, 95: 8.880540322580645}
:: DEBIT ANDAL 2 PERIODE
NRECA: {80: 23.41310223037494, 90: 11.965927319431563, 95: 8.498458218025636}
FJMOCK: {80: 10.39243508345192, 90: 5.324493687223216, 95: 2.572249940988722}
OBSERVED: {80: 25.21499047619047, 90: 12.777500000000005, 95: 7.975470833333335}
:: DEBIT ANDAL 4 HARI
NRECA: {80: 11.375311429172092, 90: 3.0067207533605407, 95: 0.17525378472814995}
FJMOCK: {80: 6.368452310275181, 90: 0.9359099900638773, 95: 0.15804365139389917}
OBSERVED: {80: 17.352, 90: 10.868, 95: 6.511999999999998}

Changelog¶

- 20200116 - 1.0.0 - Initial

Source code in this notebook is licensed under a MIT License. Data in this notebook is licensed under a Creative Common Attribution 4.0 International.

Analisis hidrologi dengan hidrokit¶

Catatan¶

TAHAP 0: PERSIAPAN DAN DATASET¶

Pengaturan Buku¶

Dataset¶

TAHAP 1: AKUISISI DATASET¶

Data Hujan¶

Data Debit¶

Data Klimatologi¶

TAHAP 2: PRAPEMROSESAN DATA¶

Data Hujan¶

Data Debit¶

Data Klimatologi¶

TAHAP 3: INPUT ANALISIS¶

Periode dataset¶

Hujan rata-rata dengan Metode Thiessen¶

Rekap data¶

Bulanan¶

2 Periode (per 16 hari)¶

4 hari¶

TAHAP 4: ANALISIS HIDROLOGI¶

Evapotranspirasi¶

Perhitungan¶

Rumus Blaney-Craddle¶

Rumus Radiasi¶

Rumus Penman¶

Rekap Evapotranspirasi¶

Bulanan¶

2 Periode¶

4 hari¶

Input model NRECA dan FJMOCK¶

NRECA¶

Bulanan¶

2 Periode¶

4 Hari¶

FJ Mock¶

Bulanan¶

2 Periode¶

Per 4 Hari¶

Debit Andal¶

TAHAP 5: KALIBRASI¶

Metrik¶

Kalibrasi NRECA¶

Bulanan¶

2 Periode¶

4 Hari¶

Perbandingan Kalibrasi NRECA setiap periode¶

Parameter Terbaik NRECA¶

Bulanan¶

2 Periode¶

4 Hari¶

Kalibrasi F.J. Mock¶

Bulanan¶

2 Periode¶

4 Hari¶

Perbandingan Kalibrasi FJMOCK setiap periode¶

Parameter Terbaik FJMOCK¶

Bulanan¶

2 Periode¶

4 Hari¶

Perbandingan NRECA dan FJMOCK¶

Bulanan¶

2 Periode¶

4 Hari¶

Debit Andal (Kurva Durasi)¶

Changelog¶

Copyright © 2020 Taruma Sakti Megariansyah¶

Copyright © 2020 Taruma Sakti Megariansyah ¶