داده های اقلیمی همچون بارش و رواناب از اهمیت ویژه ای در مطالعه سیستم های آبی نظیر سدها ، خطوط انتقال آب و سیستم های ذخیره سازی آب برخوردار است . طراحی این سیستم ها نیازمند پژوهش بر روی مجموعه گسترده ای از داده هاست که از محل حوزه پیش بینی شده جهت استقرار طرح مذکور جمع آوری می شود به همین منظور ایستگاههای هواشناسی در مناطق و دشتهای گوناگون پیوسته در حال گستر ش هستند با این وجود در حال حاضر در بسیاری از ایستگاهها داده کافی در دسترس نیست . این امر محققان را بر آن داشته است که با بکارگیری روشهای ابداعی به توسعه داده هایشان بپردازند.

الگوهای مناسب و با دقت قابل قبول برای فرایند های اقلیمی همچون بارش یکی از ابزارهای مهم در بخش های مختلف مدیریت منابع آب مانند آبخیزداری ، مهار بحران کمبود آب و مدیریت سیلابها به شمار می رود. بنابراین انتخاب یک مدل مناسب که بتواند بر اساس عوامل تاثیرگذار ، میزان بارندگی را به طور قابل قبولی پیش بینی کند امری ضروری به نظر می رسد.

لازم به توضیح است که با وجود روابط غیر خطی، عدم قطعیت و عدم صراحت زیاد و ویژگی های متغیر زمانی و مکانی در سیستم گردش آبی ،هیچ  یک از مدلهای آماری و مفهومی پیشنهاد شده به منظور الگوسازی دقیق بارش نتوانسته اند به عنوان یک مدل برتر و توانا شناخته شوند. امروزه شبکه های غیر خطی به عنوان یکی از سیستم های هوشمند در پیش بینی پدیده های پیچیده مورد استفاده قرار می گیرند. یکی از روشهایی که در اسالهای اخیر در زمینه اقلیم شناسی مورد توجه قرار گرفته است استفاده از موجک به عنوان روشی نوین و بسیار موثر در زمینه آنالیز سیگنالها و سریهای  زمانی است.

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.

نرمال بودن و ایستایی دو شرط اولیه برای مدلسازی سری های زمانی هستند اغلب سریهای اقلیمی 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 اقلیمی 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 اقلیمی 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 عناصر اقلیمی را در قالب این تبدیلات مدلسازی نمود.