انتظار می رود که خشکسالی از نوعی به نوع دیگر به صورت (خشک سالی ناشی از پدیده های) هواشناسی به کشاورزی و به حالت هیدرولوژیک ی و حالت اقتصادی اجتماعی تسری یابد. با این حال، آنها دارای وابستگی زمانی مشخص و کلی نیستند. همچنین ارزیابی یک نوع خشکسالی (بعدی) نسبت به دیگری (قبلی) به عنوان یک مسئله پیچیده محسوب می شود که بستگی به خصوصیات اقلیمی و فیزیوگرافی حوضه مانند گستره مکانی، توپوگرافی، کاربری زمین ، پوشش زمین و اقلیم دارد. در این مقاله، یک روش تجزیه موجک جهت مدل سازی وابستگی زمانی میان انواع مختلف خشکسالی پیشنهاد می شود. ایده این رویکرد، جدا سازی سریع و حرکت آرام عناصر شاخص های خشکسالی است. نشان داده می شود که وابستگی زمانی عامل پیشین (مانند خشکسالی هواشناسی) بر روی عامل بعدی (مانند خشکسالی هیدرولوژیکی) در سطح عناصر تشکیل دهنده آن به شکل بهتری ثبت می شود. این عناصر از طریق تجزیه موجک با حفظ تطابق زمانی به دست می آیند. بنابراین در روش پیشنهادی، شاخص خشکسالی پیش بینی شده با استفاده از مولفه های تجزیه شده خشکسالی پیشین برآورد می شود. چندین مدل جایگزین به منظور رسیدن به بهترین ساختار مدل احتمالی جهت پیش بینی انواع مختلف خشکسالی مورد بررسی قرار می گیرند. روش پیشنهادی دارای کاربرد بسیار زیاد جهت پیش بینی خشکسالی های کشاورزی یا هیدرولوژیکی با شناخت وضعیت خشکسالی هواشناسی و ارائه یک دورنما برای مدیریت بهتر پیامد های ناشی از خشکسالی است. چارچوب ریاضی روش پیشنهادی دارای ماهیت کلی بوده و می توان آن را در حوضه های مختلف اعمال کرد. با این حال محدودیت آن، نیاز به انجام کالیبراسیون خاص حوضه آبریز/ ناحیه برخی از پارامتر ها پیش از استفاده از مدل پیشنهادی است که البته موضوعی چندان دشوار و نا شناخته نیست.

Droughts are expected to propagate from one type to another – meteorological to agricultural to hydrological to socio-economic. However, they do not possess a universal, straightforward temporal dependence. Rather, assessment of one type of drought (successor) from another (predecessor) is a complex problem depending on the basin’s physiographic and climatic characteristics, such as, spatial extent, topography, land use, land cover and climate regime. In this paper, a wavelet decomposition based approach is proposed to model the temporal dependence between different types of droughts. The idea behind is to separate the rapidly and slowly moving components of drought indices. It is shown that the temporal dependence of predecessor (say meteorological drought) on the successor (say hydrological drought) can be better captured at its constituting components level. Such components are obtained through wavelet decomposition retaining its temporal correspondence. Thus, in the proposed approach, predictand drought index is predicted using the decomposed components of predecessor drought. Several alternative models are investigated to arrive at the best possible model structure for predicting different types of drought. The proposed approach is found to be very useful for foreseeing the agricultural or hydrological droughts knowing the meteorological drought status, offering the scope for better management of drought consequences. The mathematical framework of the proposed approach is general in nature and can be applied to different basins. However, the limitation is the requirement of region/catchment specific calibration of some parameters before using the proposed model, which is not very difficult and uncommon though.