نرمال بودن و ایستایی دو شرط اولیه برای مدلسازی سری های زمانی هستند اغلب سریهای هیدرواقلیمی به خاطر پیچیدگی عوامل فیزیکی و حساسیت فرایندهای کنترل کننده به طور یکسان در فضا و زمان پراکنده نشده اند و به همین دلیل اغلب سریهای هیدرواقلیمی معمولا ایستا نیستند. با توجه به قابلیت منحصر بفرد موجک ها در پردازش سیگنالها، می توان از این تبدیلات برای دستیابی به مدل های پیش بینی دراز مدت دقیق تر بارندگی و سایر عناصر هیدرواقلیمی بهره جست. تبدیلات موجک قابلیت تجزیه سری زمانی به چند زیرسری با مقیاس مختلف را دارند که با بهره گیری از این قابلیت ها و با تحلیل زیرسریهای زمانی ، می توان بارندگی و سایر عناصرهیدرو اقلیمی را در قالب این تبدیلات مدلسازی نمود.
تبدیلات موجک یا ویولت (Wavelet) از جمله ابزارهایی هستند که کاربردهای فراوانی در شاخه های مختلف علمی و مهندسی، به ویژه هوش مصنوعی، یادگیری ماشینی، پیش بینی سری زمانی، و بازشناسی الگو دارد. تئوری موجک ها در واقع تعمیمی بر تئوری تبدیلات و سری های فوریه است و ضعف های آنالیز فوریه در عملکرد موضعی و مدل سازی رفتارهای کوتاه مدت را، جبران می نماید.یکی از کاربردهای مهم و اساسی تبدیلات موجک، آماده سازی داده های سری های زمانی، و جداسازی اطلاعات در لایه های مختلف زمانی است.
دوستانی که علاقمند به یادگیری تبدیل موجک برای انجام کارهای پژوهشی در اقلیم شناسی هستند می توانند از این لینک [1]وارد شده و گام به گام آموزش لازم را ببینند.