El Fenómeno El Niño y su influencia sobre las precipitaciones en Peru, nuevas perspectivas

El Fenómeno El Niño y su influencia sobre las precipitaciones en Peru, nuevas perspectivas Pedro Rau Universidad Nacional de Ingeniería UNI-FIC. IMEFEN., Lima, Peru.

RESUMEN El presente trabajo tiene el objetivo académico de difundir los resultados de dos investigaciones relacionadas a la influencia del Fenómeno El Niño (ENOS) sobre las precipitaciones en territorio peruano. Estos análisis se basan en el empleo de diversos índices capaces de interpretar la variabilidad de este fenómeno oceánico-atmosférico, incluyendo la perspectiva clásica, los nuevos enfoques relacionados al cambio climático y las metodologías recientes para el análisis de series no estacionarias. Se enfatizan los eventos de precipitación que acontecen en la Costa de Norte a Centro y se muestran los resultados para otras regiones del Peru. Se identifican las limitaciones que representa la complejidad del estudio del ENOS y se recomiendan los índices representativos para su aplicación en la diversidad de estudios multidisciplinarios y proyectos de ingeniería. 1. INTRODUCCION Con más de un centenario desde la primera observación documentada de la corriente costera “El Niño”, realizada por el Dr. Luis Carranza en 1892, la cual fue denominada: “Contracorriente marítima en Paita y Pacasmayo y su relación con las precipitaciones torrenciales de 1891” (Ref. 1, Ref. 2), continua el reto de poder comprender el comportamiento de este fenómeno en todos los niveles y actores de la sociedad, especialmente en las regiones del mundo como el Peru, donde sus consecuencias son experimentadas frecuentemente. Estas consecuencias son particularmente visibles cuando se trata de infraestructura mal prevista, muchas veces por errores en su configuración y diseño al no considerar esta variabilidad en las precipitaciones o simplemente por falta de planificación territorial. El Fenómeno El Niño o su denominación técnica ENOS (El Niño Oscilación del Sur o ENSO por sus siglas en inglés) forma parte de un complejo sistema de intercambio de calor entre la atmosfera y el océano, alterando incluso la temperatura media del planeta, generando eventos extremos (inundaciones o sequias) dentro del ciclo hidrológico en diversas partes del mundo (Ref. 3, Ref. 4). Esta afectación a nivel global, conlleva a los conceptos de teleconexion y variabilidad climática, bajo los cuales el ENOS cobra una importancia mundial y especialmente regional, asociándose con otros fenómenos o modos de variabilidad, capaces de influenciar en el régimen de precipitaciones del país. El término ENOS es capaz de integrar los conceptos tales como El Niño, La Niña (Ref. 5) y sus nuevas variaciones (Ej: El Niño Modoki, Ref. 6, Ref. 7). El ENOS es interpretado por las agencias climáticas a nivel mundial por medio de índices, empleados como técnicas de previsión, los cuales asignan el tipo y nivel de desarrollo del fenómeno y su localización. Definitivamente, las precipitaciones a nivel nacional están influenciadas no solo por el ENOS, sino por una diversidad de patrones climáticos, los cuales interfieren con la influencia o señal del ENOS en ciertas regiones. Se muestran los resultados de dos investigaciones representativas referidas a la influencia del ENOS sobre las precipitaciones en Peru: 1) Lagos (Ref. 8), emplea la técnica de correlación lineal entre índices ENOS clásicos y las precipitaciones en estaciones pluviométricas representativas en las 3 vertientes (Pacifico, Atlántico y Titicaca). 2) Rau (Ref. 9, Ref. 9*), estudia las precipitaciones en la Costa Norte y Centro y su relación con los índices ENOS clásicos y considerando nuevos enfoques, mediante el empleo de técnicas estadísticas especiales.

1

El análisis de series de precipitación y su relación con el ENOS requiere de técnicas de uso no muy frecuente en hidrología estadística, las cuales son mostradas brevemente, motivando su estudio y aplicación. 2. METODOLOGIA 2.1.

SERIES DE PRECIPITACIÓN

Lagos (2008, Ref. 8) emplea las precipitaciones mensuales en el periodo de 1950 al 2002 y analiza las estaciones repartidas a nivel nacional con datos de la Corporación Peruana de Aviación Civil (CORPAC) y otras fuentes del Instituto Geofísico del Peru (IGP). Rau (2011, Ref. 9) emplea las precipitaciones mensuales en el periodo de 1964 hasta el 2007 y efectúa una regionalización a lo largo de la Costa Norte y Centro con datos del Servicio Nacional de Meteorología e Hidrología del Peru (SENAMHI). La regionalización fue realizada con el método del Vector Regional (Ref. 10) obtenido de un conjunto de series en una región determinada, se definieron zonas de cuenca baja, cuenca media y alta, diferenciando de esta forma la metodología en el tratamiento y completacion de datos inicial. Ambos grupos de datos fueron analizados en términos de índices, es decir con un análisis considerando variaciones frente a la media y/o desviación estándar. 2.2.

ÍNDICES ENOS CLÁSICOS

2.2.1. TEMPERATURA SUPERFICIAL DEL MAR (TSM) El primer grupo de índices ENOS clásicos, está representado por las temperaturas superficiales del mar (TSM) monitoreados por la NOAA (National Oceanic and Atmospheric Administration, USA) distribuidos en 4 sectores del Pacifico Tropical: Niño1+2, Niño3, Niño3.4, Niño 4 (Ver Figura 1). Algunos índices derivados son obtenidos mediante técnicas de suavización, tales como el índice regional ONI (Oceanic El Niño Index) para el sector Niño3.4 o el índice peruano ICEN (Índice Costero El Niño) para el sector Niño1+2.

Figura 1. Regiones El Niño y ubicación de puntos de medición representativos de presión atmosférica (Fuente: American Meteorological Society, 2000). 2.2.2. ÍNDICE DE OSCILACIÓN DEL SUR (IOS) y INDICE EL NIÑO MULTIVARIADO (MEI) Un segundo grupo, corresponde a los índices que sustentan las teorías y modelos tales como la teoría del Niño Canónico (Ref. 3), del cual se deriva el índice IOS (Southern Oscillation Index, SOI) y el empleo de variables océano-atmosféricas para la definición del índice MEI (Multivariate El Niño Index). Para el caso especial del IOS, éste mide la anomalía de la diferencia de presión media mensual entre Tahití (Polinesia Francesa) y Darwin (norte de Australia) los cuales se distinguen en la Figura 1, los cuales son datos del tipo estandarizados. Para el caso del MEI, éste procesa 6 variables entre las que destacan los niveles de presión en el mar, temperatura del mar, temperatura del aire y nubosidad bajo un filtro de tipo espacial con técnicas clúster. La observación de series de dichos índices clásicos conlleva a la interpretación de valores negativos y positivos y sus rangos de influencia para definir el nivel de intensidad del índice y su 2

relación con el ENOS. La Ref. 11, propone tres metodologías bien conocidas. Se describe la primera metodología para identificar eventos ENOS, en base a IOS, el cual debe ubicarse por encima o debajo del valor medio estandarizado de la serie durante un periodo mínimo de 5 meses consecutivos, los valores negativos por debajo de este valor están relacionados con temperaturas altas en el mar, denominándose eventos Niño y los valores positivos por encima de dicho valor están relacionados con eventos fríos, denominándose eventos Niña. Otras metodologías analizan la TSM con el mismo criterio de rangos en base a medias estandarizadas para regiones El Niño específicas con 3 o 4 meses consecutivos, en donde la interpretación es inversa (índices positivos se relacionan con eventos Niño e índice negativos se relacionan con índice Niña). Por efectos teleconectivos no se descarta que las cuatro regiones El Niño (Ver Figura 1) tengan influencia en todo el continente americano o en general a nivel mundial, pero por la cercanía de la Región Niño 1+2 a la Costa Norte de Peru, esta zona del país se convierte en un monitor para el pronóstico de la ocurrencia del ENOS en base a las series del Niño 1+2. Otras agencias internacionales han identificado a la Región Niño de su interés para el pronóstico del ENOS que no siempre coincide con el Niño 1+2, razón por cual sus alertas de pronostico ENOS no siempre serán validas para el Peru. Hasta la fecha, en el país, con fines de homogenizar los criterios y metodologías explicadas en los párrafos anteriores, se tienen identificados los años, periodos e intensidad de los eventos Niña y Niño, gracias al comité multisectorial encargado del Estudio Nacional del Fenómeno El Niño (ENFEN: IMARPE, SENAMHI, ANA, IGP, INDECI, DHN) en base al Índice Costero El Niño mencionado líneas arriba (Ver enlace Ref. 12) 2.3.

NUEVOS ENFOQUES

Actualmente se pueden mencionar dos criterios que dan un nuevo alcance al estudio del ENOS, el primero corresponde a las anomalías en la temperatura de la superficie del mar que se presentan en las ultimas décadas en el Pacifico Tropical Central, así como las ya conocidas anomalías en el Pacifico Tropical Este (ENOS clásico), este recalentamiento en el Pacifico Central lleva el nombre de Niño Modoki (muy probable debido al cambio climático), el cual es estudiado por la Ref. 6 y Ref. 7. La Figura 2 muestra esta variabilidad de las anomalías, las cuales físicamente puede reinterpretarse en un análisis de ortogonalidad o eigenvectores (Ref. 7) dando paso a dos índices descriptores de estos dos fenómenos: El índice E (Eastern Pacific) y el índice C (Central Pacific), el cual ofrece un mejor panorama para el análisis de una señal más clara frente a nuestras costas.

a)

b)

Figura 2. a) Anomalías de las TSM para el El Niño Clásico y b) Anomalías de la TSM para El Niño Modoki. (Fuente: JAMSTEC). Un segundo criterio correspondería al análisis de señales o componentes dentro del ENOS. Los vientos y corrientes oceánicas corresponden a procesos naturales cíclicos, interpretados por la teoría atmosférica y oceanográfica tales como las ondas Kelvin y la oscilación de Madden Julian entre otras, que harían variar la intensidad u ocurrencia de un evento ENOS. Por otro lado lo descrito hasta aquí corresponde a la influencia océano atmosférico frente a nuestras costas o niveles superiores de cotas, no se incluye la influencia de la Amazonia y la variabilidad climática del continente Sudamericano que también tienen su efecto en el comportamiento de las precipitaciones en el territorio peruano. 3

2.4.

TÉCNICAS EN HIDROLOGÍA ESTADÍSTICA

Actualmente la hidrología estadística hace énfasis en el análisis de series de tiempo no estacionarias, los cuales se aproximan al comportamiento real de cualquier proceso hidrológico. Por definición ostentan una complejidad temporal al presentar una tendencia y/o variabilidad cambiante en el tiempo, los cambios en la media determinan una tendencia positiva o negativa a largo plazo, por lo que la serie no oscila alrededor de un valor constante. 2.4.1

TRANFORMADA DE ONDELETAS

Una de las formas de identificar comportamientos locales en este tipo de series de tiempo, es mediante el empleo de la Transformada de Ondeletas (Ref. 13, Ref. 14) como complemento del análisis de Fourier y Transformada de Fourier generalmente aplicado a series estacionarias. A través de un filtro consecutivo en el dominio del tiempo, es posible obtener secuencias de resultados que relacionan las variaciones de la serie a diferentes escalas (frecuencias). La forma continua de la transformada de ondeletas posee la siguiente forma:

T ( a, b ) =

1 a

∞

∫ x(t )ψ

*

(

−∞

t −b ) dt a

(Ecuación 1)

Donde: x(t): señal en el tiempo; ψ (

t −b ) : ondeleta que controla la traslación y la escala; a

a y b: Variables encargadas de controlar el ancho de la función (a) y dar la ubicación en el dominio del tiempo (b) de la función ψ. La expresión ψ* corresponde a la conjugada compleja. Se define el espectro de ondeleta W x(a,b) de una señal continua x(t) equivalente al modulo de sus coeficiente de ondeleta T (Ref. 15, Ref. 16). *

Wx ( a , b) = Tx ( a , b )Tx ( a , b ) = Tx (a , b )

2

(Ecuación 2)

El filtrado de una señal adquiere importancia debido a que el contenido de bajas o altas frecuencias permite caracterizar a la señal. Debido a esta propiedad, el análisis con la transformada de ondeleta abarca muchas aplicaciones especialmente en hidrología (Ref. 16, Ref.17), dinámica de fluidos, geofísica, entre otros, resultante de la teoría de señales numéricas en los campos de la electrónica, telecomunicaciones e informática. 2.4.2

ONDELETA DE COHERENCIA

Primero se define, el análisis espectral de ondeleta cruzada, el cual permite determinar la relación entre dos series de tiempo en función de la frecuencia, es decir permite revelar las áreas con alta energía en común entre dos series de tiempo. Dadas dos series de tiempo X e Y, con las transformadas de ondeleta Wnx(S) y Wny(S), el espectro de ondeleta cruzado estará definido como: Wnxy(S)= Wnx(S)Wny*(S). Posterior a este análisis, se define la ondeleta de coherencia, el cual mide la correlación cruzada entre dos series de tiempo y una función de frecuencia. La ondeleta de coherencia para dos series de tiempo está definida como S −1Wn ( S ) XY

R 2 n (S ) = −1

X

S Wn ( S )

2

−1

2

(Ecuación 3) Y

S Wn ( S )

2

La coherencia es un valor que se ubica entre cero y uno; si las dos series de tiempo no tienen la misma relación de fase, la coherencia disminuirá y viceversa, el factor S-1 es usado para convertir a una densidad de energía o energía acumulada.

4

3. RESULTADOS 3.1 RELACION DEL NIÑO Y LAS PRECIPITACIONES EN PERU Los resultados de la Ref. 8, abarcan todo el territorio peruano y es el punto de referencia para los estudios relacionados al ENOS y el pronóstico de precipitaciones. La Tabla 1 muestra el resumen de las estaciones empleadas y algunos valores representativos. Para la región Costa la estación más lluviosa es Tumbes con 466 mm anuales, mientras que en la Sierra, se tienen varias estaciones que sobrepasan los 400 mm, destacando Frías (Piura) con 1120 mm. Para la región Selva, destacan Iquitos y Tingo María con 2732 mm y 3237 mm respectivamente. En general la zona Norte del territorio peruano acumula la mayor cantidad de precipitación. Tabla 1. Lista de estaciones meteorológicas (Fuente: Lagos et al 2008, Ref. 8)

Station: Estación / Annual precip.: Precipitación anual / Coast: Costa / Highlands: Sierra / Forest: Selva

El análisis de correlación entre los índices basados en la TSM y las precipitaciones, son alentadores, en el sentido de obtener al menos un comportamiento de las lluvias en Peru en algunos meses. La Figura 3 muestra tres mapas con las correlaciones entre la precipitación y el índice TSM 1+2, TSM 3.4 y TSM 4.

a)

b)

c)

Figura 3. a) Correlación entre precipitaciones de febrero y TSM1+2; b) Ídem para el mes de noviembre y TSM3.4; c) Ídem para TSM 4. (Fuente: Lagos et al 2008, Ref. 8).

5

De estos resultados, se puede identificar que existen tres regiones donde el ENOS tiene una marcada influencia sobre las precipitaciones, estos son la zona Norte, Centro y Sur del país. Las precipitaciones extremas en la Costa Norte son muy correlacionadas con la TSM 1+2. Las precipitaciones extremas en la Sierra Sur están moderadamente correlacionadas con la TSM 4 (correlaciones positivas en Noviembre y correlaciones negativas en Febrero y Marzo). Para el resto de regiones en la Sierra es posible el pronóstico con la TSM 3.4 en algunos meses. Ciertos meses en la costa Norte y ante ciertos eventos, es posible relacionar la precipitación con la TSM 3.4. 3.2 HACIENDO UN ENFASIS EN LA COSTA NORTE Y CENTRO Los resultados de la Ref. 9 abarcan la Costa Norte y Centro. Ante la cantidad estaciones empleadas se realizo una regionalización que se resume en la Tabla 2 con algunos valores representativos en el sentido de disminución de las precipitaciones al incremento de la latitud y el aumento de precipitaciones para regiones ubicadas a mayor cota. Tabla 2. Lista de regiones analizadas (Fuente: Rau, 2011, Ref. 9)

Côte: Cota / Bassins versants: Cuencas hidrográficas / P annuelle avec (sans) ENSO: Precipitación anual con (sin) ENOS

35

1000 900 800 700 600 500 400 300 200 100 0

TSM 1+2 (°C)

30 25 20 15

Region1

01/10/07

01/07/06

01/04/05

01/01/04

01/10/02

01/07/01

01/04/00

01/01/99

01/10/97

01/07/96

01/04/95

01/01/94

01/10/92

01/07/91

01/04/90

01/01/89

01/10/87

01/07/86

01/04/85

01/01/84

01/10/82

01/07/81

01/04/80

01/01/79

01/10/77

01/07/76

01/04/75

01/01/74

01/10/72

01/07/71

01/04/70

01/01/69

01/10/67

01/07/66

01/04/65

01/01/64

10

Precipitation (mm)

La comparación entre la serie natural de precipitaciones y la TSM 1+2 para la Región 1 (R1), se muestra en la Figura 4a, en donde es posible distinguir el incremento de la TSM (picos en °C para 1982 y 1998) y el incremento de la precipitación. Realizando la conversión en índices, el índice de precipitación y TSM 1+2 es posible visualizar con mayor claridad dicho comportamiento, de esta forma se demuestra la utilidad del trabajo con índices.

TSM 1+2

Figura 4a. Comparación entre la precipitación en la Región 1 y la temperatura superficial del mar (TSM) en la región 1+2. (Fuente: Rau, 2011, Ref. 9)

6

800

2

600

1

400

0

200

-1 -2

0

-3

-200

Indice Precipitation

1000

4 3

01/01/64 01/01/65 01/01/66 01/01/67 01/01/68 01/01/69 01/01/70 01/01/71 01/01/72 01/01/73 01/01/74 01/01/75 01/01/76 01/01/77 01/01/78 01/01/79 01/01/80 01/01/81 01/01/82 01/01/83 01/01/84 01/01/85 01/01/86 01/01/87 01/01/88 01/01/89 01/01/90 01/01/91 01/01/92 01/01/93 01/01/94 01/01/95 01/01/96 01/01/97 01/01/98 01/01/99 01/01/00 01/01/01 01/01/02 01/01/03 01/01/04 01/01/05 01/01/06 01/01/07

Indice TSM 1+2

5

Region1

TSM 1+2

Figura 4b. Comparación entre los índices de precipitación en la Región 1 y la TSM 1+2. Apréciese el ligero desfase para 1997/1998. (Fuente: Rau, 2011, Ref. 9). Las regiones analizadas podrían denominarse regiones climáticamente homogéneas en función de la precipitación, como resultado de la regionalización efectuada. Cada región muestra un comportamiento peculiar, en el norte R1 hasta R4 se ven influenciados por el ENOS en base a los TSM 1+2 y va perdiendo influencia en sentido Sur hasta llegar a la región 9, los eventos ENOS fuertes (1982/83 y1997/98) pierden notoriedad a partir de la Región 6. A partir de aquí, se presenta una introducción en los nuevos avances para el estudio del ENOS, donde es posible aplicar el criterio de la influencia de señales como componentes del ENOS, la aplicación de nuevos índices como el E y C y el análisis independiente para procesos frecuentes tales como la Onda de Kelvin en el océano, la oscilación Madden Julian en la atmosfera, entre otros. Relacionar el ENOS directamente con la TSM representa el primer paso para poder interpretar este fenómeno complejo, sumado a la no estacionariedad de las series de precipitación, los cuales están a su vez influenciados por otros fenómenos, conforman un verdadero reto. De estos análisis, lo más resaltante es que se obtuvieron una sucesión de eventos Niña más frecuentes en las últimas décadas, las cuales estarían relacionadas a la sucesión de eventos Modoki o de enfriamiento más frecuente de nuestras costas o calentamiento anómalo mas frecuente del Pacifico Tropical Central. El empleo de nuevos índices como el índice E, asociado a una ortogonalizacion de la TSM ofrecerían un nuevo panorama en el estudio del ENOS. Se muestra la Figura 5, la cual representa las ondeletas de coherencia obtenidas con la intersección de la serie de precipitación de R1 y la TSM 1+2 en la Figura 5a y con el índice E en la Figura 5b, apreciándose una mayor coherencia entre este ultimo índice y las precipitaciones de R1 (el mismo comportamiento se obtiene para las series sin considerar los años ENOS fuertes 1982/1983 y 1997/1998), con lo cual queda descrito el comportamiento no estacionario de la precipitación con frecuencia cuadrienal y decenal de eventos relacionados al ENOS (Niño y Niña) especialmente en la Costa Norte.

a)

b)

Figura 5. Coherencia de ondeleta entre las precipitaciones en R1 y el índice TSM 1+2 (a) y el índice E (b). (Fuente: Rau, 2011, Ref. 9). Para la Costa Centro, se obtuvieron desfases como el obtenido en la Figura 4b para R1, mayores a un mes, pero con correlaciones más acentuadas con el índice C, incluso capaces de demostrar 7

los eventos de precipitación extremas ocurridos en 1997/1998 en R9, es decir en la cuenca del rio Ica. 4.

CONCLUSIONES

Las precipitaciones en algunas regiones de nuestro territorio están influenciadas por diversos factores océano atmosféricos que alteran a su vez, directamente la señal del ENOS. Este comportamiento se aproxima a una serie no estacionaria, la cual es analizada con la metodología de la transformada de ondeletas. De acuerdo a los resultados de ambas investigaciones, se plantean los indices necesarios para la elaboracion de estudios y proyectos, los cuales puede sustentarse en el empleo del indice ICEN y la TSM 1+2 para la zona de la Costa Norte y la alternancia de la TSM 3.4, TSM 4 u ONI para el resto del pais. Se identificaron los indices que mas repercuten en la variabilidad de las precipitaciones, se plantean nuevos indices tales como el E y C y el estudio de indices oceanograficos y atmosfericos propiamente para la mejor comprension del desencadenamiento del ENOS. Los indices clasicos y nuevos se complementan y de esta forma es posible aproximarse al comportamiento de esta señal y la relacion entre ENOS y precipitaciones. AGRADECIMIENTOS Al reconocido trabajo del Dr. Pablo Lagos, uno de los investigadores peruanos más influyentes en el área de la meteorología nacional. Asimismo un agradecimiento especial al Instituto Francés de Investigación para el Desarrollo (IRD) y al Observatorio de Investigación Ambiental (ORE HYBAM), al laboratorio de Geociencias GET y LEGOS en Toulouse-Francia y al SENAMHI.

8

REFERENCIAS 1. Carranza L. Contra-corriente marítima en Paita y Pacasmayo. Boletín Sociedad Geográfica de Lima, 1, 9, 344-345. Peru, 1892. 2. Pezet F. The counter-current El Niño, on the coast of Northern Peru. 6th International Geography Congress, 603-606. London. United Kingdom, 1896. 3. Rasmusson E., Carpenter T. Variations in tropical sea surface temperatures and wind fields associated with the Southern Oscillation/El Nino. Monthly Weather Review, 110, 354-384, 1992. 4. Trenberth K.E. The definition of El Niño. Bulletin American Metorological Society, 78, 27712777. 1997. 5. Aceituno P. El Niño, the Southern Oscillation and ENSO. Bulletin American Metorological Society. 1992 6 Ashok K., Behera S.K. et al. El Niño Modoki and its possible teleconnection. Journal of Geophysical Research. 2007. 7. Takahashi, K., Montecinos, A., Goubanova K., Dewitte B. ENSO regimes: Reinterpreting the canonical and Modoki Niño, Geophysical Research Letters, 38. 2011 8. Lagos P., Silva Y., Nickl E., Mosquera K. El Niño-related precipitation variability in Peru. Advances in Geosciences 14, 231–237, 2008. 9. Rau P. Etude de la corrélation entre les différents indices du phénomène ENSO et les indices de pluviométrie du Nord au Centre de la côte Pacifique Péruvienne. INP Toulouse/Université Toulouse III. France. 2011. 9*. Bourrel L., Labat D., Rau P., Alvarado A., Pombosa R., Lavado W., Ronchail J., Guyot J.L. Relation between the ENSO phenomenon (El Niño-La Niña) and the rains on the Pacific coast from the Center of the Ecuadorian coast to the Center of the Peruvian coast. IV Scientific Meeting Congress ORE-HYBAM. Lima, Peru. 2011. 10. Vauchel P. Hydraccess: Logiciel hydrometeorologiques,version 2.1.4. 2005.

de

gestion

et

traitement

de

donnees

11. Kiem A., Franks S. On the identification of ENSO-induced rainfall and runoff variability: a comparison of methods and indices. Hydrological Sciences, 46(5): 715-727. 2001. 12. http://www.imarpe.pe/imarpe/archivos/informes/imarpe_comenf_not_tecni_enfen_09abr12.pdf 13. Grosmann A., Morlet J. Decomposition of Hardy functions into square integrable wavelets of constant shape, SIAM J. Mathematical Analysis, 723– 736. 1984. 14. Mallat S. A Wavelet Tour of Signal Processing. Academic, San Diego, 2nd edition. 1999. 15. Liu P. C. Wavelet spectrum analysis and ocean wind waves, in Wavelets in Geophysics. Academic Press, New York, 151–166. 1994. 16. Labat D., Ababou R., Mangin A. Rainfall-runoff relations for karstic springs. Part. II: Continuous wavelet and discrete. ortoghonal multiresolution analyses. Journal of Hydrology 238(3-4), 149-178. 2000. 17. Kumar P., Foufoula-Georgiou E. A multicomponent decomposition of spatial rainfall fields: 1. Segregation of large-and small-scale features using wavelet transform. Water Resources Research, 29(8), 2515-2532. 1993.

9