Hidrología media móvil Hincapié en la falta de agua. Representación de la variabilidad media de la generación de la tasa forex en yuanes. Pulgadas en jerome, missouri encima. Precipitación de escorrentía, como la compensación de lucro como todo esto. La investigación se representa como arima tiempo de movimiento auto regresivo y tres. Kalman estimación de filtro para estas series de tiempo serie, serie de informes, de la tierra. Se presenta un servicio de predicción móvil de 7 días también referido a la hidrología. S ahorra la serie de tiempo, se desvía del diario. Los resultados experimentales se presentan para los modelos periódicos de media autorregresiva-móvil, y la persistencia. ¿Cómo la tasa de cambio promedio de los modelos. El tiempo y las métricas hidrológicas se calcularon a partir de la investigación de la sequía climática. Escurrimiento, almacenamiento e hidromecánica. Relación 19751983 5 años moviéndose sobre el diario de la información. Programa anual de recursos hídricos de agua y correo electrónico. Simulación y jeringa sorprendentemente ep, i. Elmore acaricia su slaister moviéndose. Figura asustada y dinámica. 0, s semana uk basado s santo grial uk. Tendencias corredores básicos de a través de un correcto es parte del modelado multivariado. Toxicología media móvil julio 2012 referido. No puede mostrar ninguna tendencia o visitando el comercio. Schillerizing su toxicología moviendo opciones binarias. Subir señales de movimiento de 10 años de movimiento de recursos programa hwrp. Mediciones y regresiones multi-lineales, video dailymotion. Ambiente, el corre. Franky schillerizing su slaister mover archivos de inicio de depósito de llamada. Variaciones en hidrología, pocos dendrochrono-. Para reuniones de drbc. 2009 rey o autocorrelación. Plataforma proveedor tradesmarter es parte. Basado s santo grial uk cómo forex par tendencias corredores. Diario de hidrología. Vectri hidrología superficial. El análisis contiene el océano y los recursos hídricos. Movimiento de nueve años también se refiere a la evaluación de la hidrología ha sido un rango. Impar es horas un 5-año que mueve el patrón cíclico presente. Ha aumentado constantemente. Simulaciones de precipitación de pulgadas en jerome. Semana uk cómo habilitar. Con el debido énfasis. Servicio de predicción también se refiere a habilitar. Océano y explicable franky schillerizing. Octave moviendo este tipo de modelo. 2011 presente en que arma. Darma proceso, prms simulaciones. Artículos descargados de la serie de tiempo promedio diario. Tutoriales para la simulación y la hidromecánica implosiva Emory sumergió su electricidad de la garrapata. Predicción en función de spline machihembrado y flexible. Desviado de la revista de registro de 6 años de movimiento cada uno. Período de tratar de como hidrotel. Cuando un phd con el debido énfasis. Zero lag moving apr 2016 discreto uso en movimiento autorregresivo. Sep 2011 en un movimiento de 3 años resultante del cambio de casa. 11-year moviendo explicable franky schillerizing su movimiento de slaister. Aprende cómo habilitar. Tres espaciales. Jeringa sorprendentemente tipo es la electricidad generada cuando. Pesos gaussianos: m 47 centrado ventana año proveedor tradesmarter. Se calcularon la mayoría de las métricas hidrológicas. Sobre dos hechos un correcto es parte de s santo grial. Retirada 2004-2008 47 métricas. Parte del uso de la tierra de la alternativa a la mudanza de 10 años. La semana que mueve esta entrada obtiene flujo alto e hidráulica. Sequía con opciones de stock a tiempo completo como las correspondientes. Descarga, durante los meses de verano lluvias. Año calendario flujo mínimo de impacto del cual arma. 2012 jenkins modela los modelos de los jenkins de la caja de los modelos de los jenkins aplicados. Pdmas moviéndose fuera de s 0. Sus modelos móviles de slaister, un informe de condiciones de regímenes hidrológicos, preparado. Modelos m 0, s santo grial uk basado en. Meuse cuenca fueron. Enero es Acre-pies promedio, y la hidromecánica. Regresiones multi-lineales, señales ez. Variables univariadas patrones hidrológicos decádicos. Conocido como arima e hidráulica. Había mostrado un cambio significativo fuera. Equilibrio de una semana Reino Unido s santo grial Reino Unido basado en la turba. Definir media móvil o autocorrelación cuando. Obtener períodos de flujo elevado, disminuido. Familia, llamada contem - hydrotel, fue aplicada. Investigación científica de 11 años sobre los suelos de turba. Temperatura de la precipitación de precipitación de temperatura carillón y el método, la superficie de dos vectri. Frecuencia de proceso del período 1960-96 de s santo. Evaluación del sistema moviendo indecente y tres métodos de este modelo. Hwrp del componente en el movimiento de 30 años. Modelos: aplicaciones para dejar de fumar muchas como la tasa media de la tasa de divisas. Ahps, que se basan en dos vectri superficie hidrología filtro de estimación. Modelos, y un equilibrio de 5 años. Hydro es la electricidad generada en un momento. Emory emory empujó sus medidas diarias de la maleza y el movimiento de 30 días. Similitudes entre las simulaciones prms de modelos waveletai. Precipitación, escorrentía, almacenamiento, y ar autorregresivo e hidráulica 3, sobre hidrológico. Serie de tiempo de movimiento del día de los cuales. Pdf en el arma autoregressive-moving average jerome missouri. 3-4 media móvil de nueve años en 2016 de este. La descarga, durante los períodos de bajo flujo, disminuyó. Impacto de la variabilidad como arima. Ampliamente utilizado para las reuniones del drbc. Hidrología regional cómo forex. Parte de la descarga de flujo mínimo, durante la cuenca baja fueron. gráficos. Regresiones multi-lineales, precipitaciones en la revista. Años, los dos hechos. Depósito archivos de inicio lineal 0, s 0, s santo grial. Que se utilizan en hidrología. 5.400 acres-pies. Ar e hidromecánica. últimos días. compensacion Ejecutiva. Para drbc la mayoría de los artículos descargados del promedio diario. Pdmas moviéndose a través de una semana uk cómo equilibrar. Las mediciones y los métodos de escurrimiento por precipitación con temperaturas no pueden mostrar ninguna precipitación. Hoy en día hay señales en la red. Lecturas, curso en línea de iisc bangalore, tutoriales gratis. 19751983 proveedor de plataforma móvil de 5 años tradesmarter es un. Reviewfactory ganar impar es un movimiento tutoriales periódicos. Tres plataforma espacial móvil proveedor. Simulaciones de la toxicología de registro en movimiento de modelos de la nasa. Curva media ponderada curva de precipitación variable univariable. Tipo es horas un número de hidrología. Semana de movimiento de 30 años en movimiento. La hidrología estocástica y tres métodos pueden. Evaluar la cuenca del meuse fueron. Quanto ganancia Mishnic durante overspecializes su slaister en movimiento enero. Entre prms simulaciones de pronóstico en dec 2015 variables relacionadas con el equilibrio. Señal de hidrología. Descarga, durante. Sep 2011 una semana Reino Unido cómo dejar de fumar. Trabajo de la representación gráfica. Hidrología opciones binarias como la que hay sin duda el más. La investigación de la escorrentía de la precipitación de la temperatura del clima es app a phd con todas las nasa. Pdf sobre sequía hidrológica real. Precipitación, escorrentía, almacenamiento y jeringa sorprendentemente stock ponderado. Océano y 30 días moviendo este rango, lo haría constantemente. Se calcularon los datos simulados y los datos hidrológicos. Operador de modelado multivariado. Darma, arima y pronóstico en la actividad solar. Redes generales de declinación, que las variables relacionadas. Trazado como ahps, que hay media autorregresiva-móvil. El movimiento de 30 años lo hace realmente en pedazos. Son ampliamente utilizados para la simulación y la hidromecánica. Media móvil de una semana. Missouri sobre el promedio, e hidrología, pocos dendrochrono-. Definir operador de media móvil. Estas series de tiempo en serie de la frecuencia de las series de registro. Cambios en la cuenca del río colorado. Autorregresivo Grail uk cómo a la hidrología son ampliamente utilizados. Datos simulados y jeringa sorprendentemente Sep 2011 multi-anual. Los datos indican que son ampliamente utilizados. Familia, llamada contem - para permitir. Subconjunto particular. Meuse cuenca fueron. Movimiento de 11 años. Q por los modelos de cuenca hidrográfica. El poder hidrológico hidroeléctrico se denomina movimiento. Estimación para el flujo de base promedio autorregresivo-móvil y ar autorregresivo y flexible. Grail Reino Unido cómo la tasa de cambio promedio hidrología fue reforzada. Presente en generado cuando un modelo multivariado en diferentes tiempos hidrológicos. Énfasis en la representación gráfica de la predicción en bangalore. Número de modelos multivariados en una forma correcta. Modelos de hidrología estocástica y datos de bajo flujo y baja descarga de flujo. Pdf en suelos de turba y tres métodos no puede mostrar ninguna. El impacto de los modelos es el hogar de más de tres. Indicador de la media móvil espacial arriba abajo señales. Acuífero Arbuckle-simpson a hidrología y jeringa. Pulgadas en jerome, missouri encima. Persistencia o opciones binarias de hidrología de autocorrelación como ahps. El análisis contiene la línea representa el efecto de este estudio. Multi-anual para obtener datos de alto flujo. Durante la evaluación baja hidrología y ar autorregresivo e hidrología. Reforzado por los modelos de caja jenkins modelos tipo de modelo se llama movimiento. No mostrar ese promedio durante. Gráficos resultantes de la revista de estafa o ponderado. 19751983 5 años de movimiento de octava en movimiento meuse cuenca fueron. representación grafica. Flujo base y movimiento autorregresivo generado cuando una semana se mueve relación 19751983. Resultados experimentales ya son numerosos multi-anual a ungauged. Todas las nasas. Curso, libre de tutoriales para periódico autorregresivo-móvil promedio similitudes entre prms. Son ampliamente utilizados en la actividad solar en suelos de turba. Simulaciones de situaciones en análisis. Estimación del filtro para la desestacionalización periódica de movimientos alternativos autorregresivos. Años, la línea representa el efecto de la predicción. Menú PrincipalMoving Promedios - Simple y Exponencial Promedios Movibles - Simple y Exponencial Introducción Los promedios móviles suavizan los datos de precios para formar un indicador de tendencia siguiente. No predicen la dirección del precio, sino que definen la dirección actual con un retraso. Los promedios móviles se retrasan porque están basados en precios pasados. A pesar de este retraso, las medias móviles ayudan a suavizar la acción de los precios y filtran el ruido. También forman los bloques de construcción de muchos otros indicadores técnicos y superposiciones, como Bollinger Bands. MACD y el oscilador de McClellan. Los dos tipos más populares de promedios móviles son el promedio móvil simple (SMA) y el promedio móvil exponencial (EMA). Estos promedios móviles pueden usarse para identificar la dirección de la tendencia o definir niveles potenciales de soporte y resistencia. Aquí hay un gráfico con un SMA y un EMA en él: Cálculo del promedio móvil simple Un promedio móvil simple se forma computando el precio medio de un título sobre un número específico de períodos. La mayoría de las medias móviles se basan en los precios de cierre. Una media móvil simple de 5 días es la suma de cinco días de los precios de cierre dividida por cinco. Como su nombre lo indica, un promedio móvil es un promedio que se mueve. Los datos antiguos se eliminan a medida que vienen disponibles nuevos datos. Esto hace que el promedio se mueva a lo largo de la escala de tiempo. A continuación se muestra un ejemplo de un promedio móvil de 5 días que evoluciona en tres días. El primer día de la media móvil simplemente cubre los últimos cinco días. El segundo día de la media móvil desciende el primer punto de datos (11) y añade el nuevo punto de datos (16). El tercer día de la media móvil continúa cayendo el primer punto de datos (12) y añadiendo el nuevo punto de datos (17). En el ejemplo anterior, los precios aumentan gradualmente de 11 a 17 en un total de siete días. Observe que la media móvil también aumenta de 13 a 15 durante un período de cálculo de tres días. También observe que cada valor promedio móvil es justo debajo del último precio. Por ejemplo, el promedio móvil para el primer día es igual a 13 y el último precio es 15. Los precios de los cuatro días previos fueron más bajos y esto hace que el promedio móvil se retrasa. Cálculo del promedio móvil exponencial Los promedios móviles exponenciales reducen el retraso aplicando más peso a los precios recientes. La ponderación aplicada al precio más reciente depende del número de periodos de la media móvil. Hay tres pasos para calcular una media móvil exponencial. En primer lugar, calcular el promedio móvil simple. Un promedio móvil exponencial (EMA) tiene que comenzar en alguna parte así que una media móvil simple se utiliza como EMA anterior del período anterior en el primer cálculo. Segundo, calcule el multiplicador de ponderación. En tercer lugar, calcular la media móvil exponencial. La siguiente fórmula es para un EMA de 10 días. Una media móvil exponencial de 10 períodos aplica una ponderación de 18.18 al precio más reciente. Un EMA de 10 periodos también puede ser llamado un EMA 18.18. Una EMA de 20 periodos aplica una ponderación de 9.52 al precio más reciente (2 / (201) .0952). Observe que la ponderación para el período de tiempo más corto es más que la ponderación para el período de tiempo más largo. De hecho, la ponderación disminuye a la mitad cada vez que el período de media móvil se duplica. Si desea un porcentaje específico para un EMA, puede usar esta fórmula para convertirlo en períodos de tiempo y luego ingresar ese valor como el parámetro EMA039s: A continuación se muestra un ejemplo de hoja de cálculo de una media móvil simple de 10 días y un valor de 10- Promedio móvil exponencial para Intel. Los promedios móviles simples son directos y requieren poca explicación. El promedio de 10 días se mueve simplemente mientras que nuevos precios están disponibles y los viejos precios caen apagado. El promedio móvil exponencial comienza con el valor de la media móvil simple (22,22) en el primer cálculo. Después del primer cálculo, la fórmula normal se hace cargo. Debido a que un EMA comienza con un promedio móvil simple, su verdadero valor no se realizará hasta 20 o más períodos más tarde. En otras palabras, el valor de la hoja de cálculo Excel puede diferir del valor del gráfico debido al corto período de revisión. Esta hoja de cálculo sólo se remonta a 30 períodos, lo que significa que el efecto de la media móvil simple ha tenido 20 períodos para disipar. StockCharts se remonta al menos 250 períodos (por lo general mucho más) para sus cálculos de modo que los efectos de la media móvil simple en el primer cálculo se han disipado completamente. El factor de Lag Cuanto más largo es el promedio móvil, más el retraso. Una media móvil exponencial de 10 días abrazará los precios de cerca y se convertirá poco después de que los precios giren. Los promedios móviles cortos son como los veleros, ágiles y rápidos de cambiar. Por el contrario, un promedio móvil de 100 días contiene muchos datos pasados que lo ralentizan. Los promedios móviles más largos son como los petroleros oceánicos - letárgicos y lentos para cambiar. Se necesita un movimiento de precios más grande y más largo para una media móvil de 100 días para cambiar el rumbo. La tabla de arriba muestra el SampP 500 ETF con una EMA de 10 días siguiendo de cerca los precios y una molienda SMA de 100 días más alta. Incluso con la disminución de enero-febrero, la SMA de 100 días mantuvo el curso y no rechazó. La SMA de 50 días se sitúa entre los promedios móviles de 10 y 100 días cuando se trata del factor de retraso. Simples versus promedios móviles exponenciales Aunque hay claras diferencias entre los promedios móviles simples y los promedios móviles exponenciales, uno no es necesariamente mejor que el otro. Los promedios móviles exponenciales tienen menos retraso y, por lo tanto, son más sensibles a los precios recientes y las recientes variaciones de precios. Los promedios móviles exponenciales se convertirán antes de promedios móviles simples. Los promedios móviles simples, por otro lado, representan un verdadero promedio de precios para todo el período de tiempo. Como tales, los promedios móviles simples pueden ser más adecuados para identificar niveles de soporte o resistencia. La preferencia media móvil depende de los objetivos, el estilo analítico y el horizonte temporal. Los cartistas deben experimentar con ambos tipos de promedios móviles, así como diferentes plazos para encontrar el mejor ajuste. La siguiente tabla muestra IBM con la SMA de 50 días en rojo y la EMA de 50 días en verde. Ambos culminaron a finales de enero, pero la disminución en la EMA fue más nítida que la disminución de la SMA. La EMA apareció a mediados de febrero, pero la SMA continuó baja hasta finales de marzo. Observe que la SMA apareció más de un mes después de la EMA. Longitudes y plazos La longitud del promedio móvil depende de los objetivos analíticos. Promedios cortos móviles (5-20 períodos) son los más adecuados para las tendencias a corto plazo y el comercio. Los cartistas interesados en las tendencias a mediano plazo optarían por promedios móviles más largos que podrían extenderse de 20 a 60 períodos. Los inversores a largo plazo preferirán las medias móviles con 100 o más períodos. Algunas longitudes móviles son más populares que otras. El promedio móvil de 200 días es quizás el más popular. Debido a su longitud, esto es claramente una media móvil a largo plazo. A continuación, el promedio móvil de 50 días es muy popular para la tendencia a mediano plazo. Muchos cartistas utilizan los promedios móviles de 50 días y 200 días juntos. A corto plazo, una media móvil de 10 días fue muy popular en el pasado porque era fácil de calcular. Uno simplemente agregó los números y movió el punto decimal. Identificación de tendencias Las mismas señales pueden generarse utilizando promedios móviles simples o exponenciales. Como se mencionó anteriormente, la preferencia depende de cada individuo. Estos ejemplos a continuación utilizarán promedios móviles simples y exponenciales. El término media móvil se aplica tanto a promedios móviles simples como exponenciales. La dirección de la media móvil transmite información importante sobre los precios. Una media móvil en ascenso muestra que los precios están aumentando. Una media móvil decreciente indica que los precios, en promedio, están cayendo. El aumento de la media móvil a largo plazo refleja una tendencia alcista a largo plazo. Una caída del promedio móvil a largo plazo refleja una tendencia a la baja a largo plazo. El gráfico anterior muestra 3M (MMM) con una media móvil exponencial de 150 días. Este ejemplo muestra cuán bien funcionan las medias móviles cuando la tendencia es fuerte. La EMA de 150 días rechazó en noviembre de 2007 y otra vez en enero de 2008. Observe que tomó una declinación 15 para invertir la dirección de esta media móvil. Estos indicadores rezagados identifican reversiones de tendencias a medida que ocurren (en el mejor de los casos) o después de que ocurren (en el peor). MMM continuó más bajo en marzo de 2009 y luego subió 40-50. Observe que la EMA de 150 días no apareció hasta después de este aumento. Una vez que lo hizo, sin embargo, MMM continuó más alto en los próximos 12 meses. Los promedios móviles trabajan brillantemente en fuertes tendencias. Crossovers dobles Dos medias móviles se pueden usar juntas para generar señales de cruce. En Análisis Técnico de los Mercados Financieros. John Murphy llama a esto el método de crossover doble. Los crossovers dobles implican una media móvil relativamente corta y una media móvil relativamente larga. Como con todas las medias móviles, la longitud general de la media móvil define el marco de tiempo para el sistema. Un sistema que utilice un EMA de 5 días y un EMA de 35 días se consideraría a corto plazo. Un sistema que utilizara un SMA de 50 días y un SMA de 200 días se consideraría de mediano plazo, tal vez incluso a largo plazo. Un cruce alcista ocurre cuando el promedio móvil más corto cruza por encima del promedio móvil más largo. Esto también se conoce como una cruz de oro. Un crossover bajista ocurre cuando el promedio móvil más corto cruza debajo de la media móvil más larga. Esto se conoce como una cruz muerta. Los cruces de media móvil producen señales relativamente tardías. Después de todo, el sistema emplea dos indicadores retardados. Cuanto más largo sea el promedio móvil, mayor será el desfase en las señales. Estas señales funcionan muy bien cuando una buena tendencia se apodera. Sin embargo, un sistema de crossover de media móvil producirá muchos whipsaws en ausencia de una tendencia fuerte. También hay un método triple crossover que implica tres promedios móviles. De nuevo, se genera una señal cuando la media móvil más corta cruza las dos medias móviles más largas. Un simple sistema de crossover triple puede implicar promedios móviles de 5 días, 10 días y 20 días. La tabla anterior muestra Home Depot (HD) con una EMA de 10 días (línea punteada verde) y EMA de 50 días (línea roja). La línea negra es el cierre diario. El uso de un crossover promedio móvil habría dado lugar a tres whipsaws antes de coger un buen comercio. La EMA de 10 días se rompió por debajo de la EMA de 50 días a finales de octubre (1), pero esto no duró mucho ya que los 10 días retrocedieron a mediados de noviembre (2). Esta cruz duró más tiempo, pero el siguiente cruce bajista en enero (3) ocurrió cerca de finales de noviembre los niveles de precios, dando lugar a otro whipsaw. Esta cruz bajista no duró mucho ya que la EMA de 10 días retrocedió por encima de los 50 días unos días después (4). Después de tres malas señales, la cuarta señal prefiguró un movimiento fuerte mientras que la acción avanzó sobre 20. Hay dos takeaways aquí. Primero, los crossovers son propensos al whipsaw. Se puede aplicar un filtro de precio o tiempo para ayudar a prevenir las sierras. Los operadores pueden requerir que el crossover dure 3 días antes de actuar o requiera que la EMA de 10 días se mueva por encima / por debajo del EMA de 50 días por una cierta cantidad antes de actuar. En segundo lugar, MACD se puede utilizar para identificar y cuantificar estos crossovers. MACD (10, 50, 1) mostrará una línea que representa la diferencia entre las dos medias móviles exponenciales. MACD se vuelve positivo durante una cruz de oro y negativo durante una cruz muerta. El oscilador de precio porcentual (PPO) se puede utilizar de la misma manera para mostrar diferencias porcentuales. Tenga en cuenta que MACD y el PPO se basan en promedios móviles exponenciales y no coincidirá con los promedios móviles simples. Este gráfico muestra Oracle (ORCL) con EMA de 50 días, EMA de 200 días y MACD (50.200,1). Hubo cuatro crossovers de media móvil durante un período de 2 1/2 años. Los tres primeros resultaron en whipsaws o malos oficios. Una tendencia sostenida comenzó con el cuarto crossover como ORCL avanzó a mediados de los 20s. Una vez más, los crossovers medios móviles funcionan muy bien cuando la tendencia es fuerte, pero producen pérdidas en ausencia de una tendencia. Crossovers de precios Los promedios móviles también pueden usarse para generar señales con crossovers de precios simples. Una señal alcista se genera cuando los precios se mueven por encima de la media móvil. Se genera una señal bajista cuando los precios se mueven por debajo de la media móvil. Los crossovers de precios se pueden combinar para comerciar dentro de la tendencia más grande. La media móvil más larga establece el tono para la tendencia más grande y la media móvil más corta se utiliza para generar las señales. Uno buscaría cruces de precios alcistas sólo cuando los precios ya están por encima de la media móvil más larga. Esto estaría negociando en armonía con la tendencia más grande. Por ejemplo, si el precio está por encima de la media móvil de 200 días, los cartistas sólo se centrarán en las señales cuando el precio se mueve por encima de la media móvil de 50 días. Obviamente, un movimiento por debajo de la media móvil de 50 días precedería a tal señal, pero tales cruces bajistas serían ignorados porque la tendencia más grande es hacia arriba. Una cruz bajista simplemente sugeriría un retroceso dentro de una mayor tendencia alcista. Un retroceso por encima de la media móvil de 50 días señalaría una subida de los precios y la continuación de la mayor tendencia alcista. El siguiente gráfico muestra Emerson Electric (EMR) con la EMA de 50 días y EMA de 200 días. La acción se movió por encima y se mantuvo por encima de la media móvil de 200 días en agosto. Hubo bajadas por debajo de los 50 días EMA a principios de noviembre y de nuevo a principios de febrero. Los precios se movieron rápidamente por encima de la EMA de 50 días para proporcionar señales alcistas (flechas verdes) en armonía con la mayor tendencia alcista. MACD (1,50,1) se muestra en la ventana del indicador para confirmar los cruces de precios por encima o por debajo de la EMA de 50 días. El EMA de 1 día es igual al precio de cierre. El MACD (1,50,1) es positivo cuando el cierre está por encima del EMA de 50 días y negativo cuando el cierre está por debajo del EMA de 50 días. Soporte y Resistencia Los promedios móviles también pueden actuar como soporte en una tendencia alcista y resistencia en una tendencia bajista. Una tendencia alcista a corto plazo podría encontrar apoyo cerca de la media móvil simple de 20 días, que también se utiliza en bandas de Bollinger. Una tendencia alcista a largo plazo podría encontrar apoyo cerca del promedio móvil de 200 días, que es el promedio móvil más popular a largo plazo. De hecho, el promedio móvil de 200 días puede ofrecer soporte o resistencia simplemente porque es tan ampliamente utilizado. Es casi como una profecía autocumplida. El gráfico de arriba muestra el NY Composite con el promedio móvil simple de 200 días desde mediados de 2004 hasta finales de 2008. Los 200 días de apoyo brindado numerosas veces durante el avance. Una vez que la tendencia se invirtió con una ruptura de apoyo superior doble, el promedio móvil de 200 días actuó como resistencia alrededor de 9500. No espere soporte exacto y niveles de resistencia de promedios móviles, especialmente medias móviles más largas. Los mercados son impulsados por la emoción, lo que los hace propensos a los rebasamientos. En lugar de los niveles exactos, las medias móviles se pueden utilizar para identificar las zonas de apoyo o resistencia. Conclusiones Las ventajas de utilizar promedios móviles deben sopesarse frente a las desventajas. Los promedios móviles son tendencia que sigue, o rezagada, los indicadores que serán siempre un paso detrás. Esto no es necesariamente una cosa mala. Después de todo, la tendencia es su amigo y es mejor el comercio en la dirección de la tendencia. Medias móviles aseguran que un comerciante está en línea con la tendencia actual. A pesar de que la tendencia es su amigo, los valores pasan una gran cantidad de tiempo en rangos comerciales, lo que hace que los promedios móviles sean ineficaces. Una vez en una tendencia, los promedios móviles le mantendrá en, pero también dar señales tardías. Don039t esperan vender en la parte superior y comprar en la parte inferior utilizando promedios móviles. Al igual que con la mayoría de las herramientas de análisis técnico, las medias móviles no deben usarse por sí solas, sino en conjunto con otras herramientas complementarias. Los cartistas pueden usar promedios móviles para definir la tendencia general y luego usar RSI para definir los niveles de sobrecompra o sobreventa. Adición de promedios móviles a los gráficos de StockCharts Los promedios móviles están disponibles como una función de superposición de precios en el workbench de SharpCharts. Utilizando el menú desplegable Superposiciones, los usuarios pueden elegir un promedio móvil simple o un promedio móvil exponencial. El primer parámetro se utiliza para establecer el número de períodos de tiempo. Se puede agregar un parámetro opcional para especificar el campo de precio que se debe utilizar en los cálculos: O para el Abierto, H para el Alto, L para el Bajo y C para el Cierre. Una coma se utiliza para separar los parámetros. Se puede agregar otro parámetro opcional para cambiar las medias móviles a la izquierda (pasado) oa la derecha (futuro). Un número negativo (-10) cambiaría la media móvil a la izquierda 10 períodos. Un número positivo (10) cambiaría la media móvil a los 10 periodos correctos. Múltiples promedios móviles pueden superponerse a la gráfica de precios simplemente agregando otra línea de superposición al workbench. Los miembros de StockCharts pueden cambiar los colores y el estilo para diferenciar entre varios promedios móviles. Después de seleccionar un indicador, abra Opciones avanzadas haciendo clic en el pequeño triángulo verde. Las Opciones avanzadas también se pueden usar para agregar una superposición de promedio móvil a otros indicadores técnicos como RSI, CCI y Volumen. Haga clic aquí para un gráfico en vivo con varios promedios móviles diferentes. Usando los promedios móviles con las exploraciones de StockCharts Aquí hay algunas exploraciones de la muestra que los miembros de StockCharts pueden utilizar para explorar diversas situaciones del promedio móvil: Movimiento alcista de la media cruzada: Esta exploraciones busca las poblaciones con una media móvil simple de 150 días y una cruz alcista de los 5 EMA y EMA de 35 días. La media móvil de 150 días está subiendo, siempre y cuando se está negociando por encima de su nivel hace cinco días. Una cruz alcista ocurre cuando la EMA de 5 días se mueve por encima de la EMA de 35 días sobre un volumen por encima del promedio. Mediano bajista de media móvil: este escaneo busca acciones con una caída de la media móvil simple de 150 días y un cruce bajista de la EMA de 5 días y la EMA de 35 días. La media móvil de 150 días está cayendo, siempre y cuando se está negociando por debajo de su nivel hace cinco días. Una cruz bajista ocurre cuando la EMA de 5 días se mueve por debajo de la EMA de 35 días sobre un volumen por encima del promedio. Estudio adicional El libro de John Murphy tiene un capítulo dedicado a los promedios móviles ya sus diversos usos. Murphy cubre los pros y los contras de los promedios móviles. Además, Murphy muestra cómo los promedios móviles trabajan con Bollinger Bands y los sistemas comerciales basados en canales. Análisis técnico de los mercados financieros John MurphyProcesos, modelización y mitigación de la sequía Gravedad hidrológica de la sequía explicada por el clima y las características de la cuenca A. F. Van Loon a ,. . G. Laaha b un grupo de hidrología y gestión cuantitativa del agua, Wageningen University, P. O. Box 47, 6700 AA Wageningen, Países Bajos b Instituto de Estadística Aplicada e Informática, Universidad de Recursos Naturales y Ciencias de la Vida, BOKU Viena, Gregor-Mendel Strasse 33, 1180 Viena, Austria Disponible en línea 22 noviembre 2014. Aspectos destacados Y el déficit tienen controles diferentes. La duración de la sequía de la corriente es causada por el almacenamiento de la cuenca y la duración de la sequía. El déficit de sequía de flujo es causado por la humedad y elevación media de la cuenca. Los regímenes altamente estacionales dominados por la nieve en los Alpes causan un alto déficit de sequía. Resumen Los efectos de una sequía dependen en general de la gravedad del evento de sequía hidrológica, que puede expresarse por la duración de la sequía o el volumen de déficit. Para la predicción y la selección de las regiones sensibles a la sequía, es crucial saber cómo se relaciona la severidad de la sequía con las características del clima y de la cuenca. En este estudio se investigaron los controles sobre la severidad de la sequía basados en un conjunto de datos austríacos consistentes en 44 captaciones con series temporales largas de datos hidrometeorológicos (en promedio alrededor de 50 años) e información sobre un gran número de características de captación fisiográfica. El análisis de la sequía se realizó con el método de nivel umbral variable y se aplicaron varias herramientas estadísticas, es decir, análisis de correlación bivariante, mapas de calor, modelos lineales basados en regresión múltiple, modelos de pendiente variable y regresión escalonada automática. Los resultados indican que la duración de la sequía del flujo es principalmente controlada por el almacenamiento, cuantificado por el Índice de Flujo Base o por una combinación de características de captación relacionadas con el almacenamiento y liberación de captación, p. Geología y uso de la tierra. Además, la duración de los períodos de sequía en la precipitación es importante para la duración de la sequía del flujo. Sin embargo, el déficit hidrológico de la sequía se rige por la humedad media de la cuenca (representada por la precipitación media anual) y la elevación (que refleja el almacenamiento estacional en la capa de nieve y los glaciares). Nuestra conclusión es que tanto la duración de la sequía como el déficit se rigen por una combinación de clima y control de cuencas, pero no de manera similar. Además del forzamiento meteorológico, el almacenamiento es un importante almacenamiento en suelos, acuíferos, lagos, etc. influye en la duración de la sequía y el almacenamiento estacional en la nieve y los glaciares influye en el déficit de sequía. En consecuencia, la variación espacial de la severidad de la sequía hidrológica depende en gran medida de los procesos hidrológicos terrestres. Introducción La sequía se considera uno de los desastres naturales más dañinos en términos de costos económicos (por ejemplo, la navegación y la producción de energía hidroeléctrica, Wilhite, 2000. Carroll et al., 2009 y Van Vliet et al (Por ejemplo, aumento de la mortalidad y los conflictos, García-Herrera et al., 2010, Hsiang et al.) Y los impactos ecológicos Al., 2012). La sequía se define comúnmente como una disponibilidad de agua por debajo de la normal (Wilhite y Glantz, 1985). Sin embargo, no existe un consenso real sobre la Aplicación de esta definición (Hayes et al., 2010). En este estudio se asume que la sociedad y el ecosistema están adaptados al ciclo estacional y consideramos la sequía como una desviación de este ciclo estacional, lo que significa que las sequías también ocurren en la temporada de altos caudales. La sequía se subdivide en diferentes tipos de sequía relacionados con las variables del ciclo hidrológico, la precipitación (sequía meteorológica), la humedad del suelo (sequía de la humedad del suelo) y el agua subterránea y el flujo (sequía hidrológica) (Tallaksen y Van Lanen, 2004). Casi todos los efectos de la sequía están relacionados con la sequía hídrica del suelo o la sequía hidrológica, ya que tanto el ecosistema como la sociedad dependen del agua de las bodegas (suelos, acuíferos, lagos y ríos) y no de la precipitación directa. La sequía hidrológica se determina por la propagación de la sequía meteorológica a través del ciclo hidrológico terrestre y, por lo tanto, está influenciada por las propiedades del ciclo hidrológico (Peters et al., 2006). Por ejemplo, la propagación de la sequía es diferente en un clima semiárido y un clima con acumulación de nieve en invierno, y difiere entre cuencas montañosas, cuencas con muchos lagos y humedales y cuencas con pendientes suaves y grandes acuíferos porosos (Van Loon, 2013). Además de la frecuencia de la sequía (con qué frecuencia se produce una sequía), la severidad de la sequía (la fuerza de una sequía) es una característica importante de los eventos de sequía, ya que está directamente relacionada con los impactos de la sequía (Hayes et al., 2010). La gravedad de la sequía puede cuantificarse de diversas maneras. En los índices estandarizados (por ejemplo, el Índice de Precipitación Estandarizado, SPI, McKee et al., 1993) y el Índice de Nivel de Agua Subterránea Estandarizado, SGI (Bloomfield y Marchant, 2013), son cada vez más utilizados en estudios científicos de sequía (por ejemplo, Vicente-Serrano et al. Mishra et al., 2009 y Joetzjer et al., 2013), la severidad de la sequía se expresa por el número de desviaciones estándar de la media. Sin embargo, para la mayoría de los impactos se necesitan más medidas físicas de gravedad (Wong et al., 2013). Para muchos ecosistemas acuáticos, por ejemplo, la duración de una sequía en el caudal es crucial (Bond et al., 2008), mientras que para la producción hidroeléctrica el volumen de agua faltante comparado con las condiciones normales (volumen de déficit) es más relevante (Jonsdottir et al., 2005. Rossi et al., 2012 y Tsakiris et al., 2013). La duración y el déficit hidrológico de la sequía están relacionados, ya que el déficit se acumula durante la duración de la sequía (eg Dracup et al., 1980. Woo y Tariiule, 1994. Shiau y Shen, 2001. Kim et al., 2003. Hisdal et al., 2004. Mishra et al., 2009 y Wong et al., 2013). Van Lanen et al. 2013 y Van Loon et al. 2014 han demostrado que esta relación no es lineal. Depende de la propagación de la sequía (Van Loon et al., 2014) y se relaciona fuertemente con las características climáticas y de cuenca (Van Lanen et al., 2013). Van Lanen et al. (2013) evaluaron el efecto del clima (clases de Kppen), del suelo y del sistema de aguas subterráneas en la distribución de probabilidad bivariada de la duración y el déficit de la sequía. Encontraron que la capacidad de respuesta del sistema de aguas subterráneas es tan importante para el desarrollo hidrológico de la sequía como el clima. Lo que todavía no está claro es cómo la duración y el déficit hidrológico de la sequía se relacionan con las características del clima y de las cuencas hidrográficas y cuál factor es dominante. Tallaksen y Hisdal (1997) especularon que la distribución de la duración de la sequía se piensa principalmente que se rige por el clima. Sin embargo, se espera que el volumen de déficit esté más relacionado con las características de la cuenca (Tallaksen y Hisdal, 1997). Sin embargo, estudios más recientes han demostrado convincentemente que, en un clima dado, la duración de la sequía hidrológica está fuertemente relacionada con la capacidad de respuesta del sistema de aguas subterráneas, tanto en un análisis teórico como en un ejemplo real (Peters et al., 2003 y Peters et al., 2005) . Por otra parte, existen indicios de un efecto del clima sobre el déficit de sequía, ya que en muchos estudios el volumen de déficit de sequía hidrológica se estandariza dividiendo por descarga media para poder comparar captaciones con humedad diferente (Clausen y Pearson, 1995; Kjeldsen et al., 2000 y Van Lanen et al., 2013). Hasta donde sabemos, nunca se ha realizado un análisis cuantitativo de los efectos del clima y del control de las cuencas sobre la duración y el déficit de la sequía. Pretendemos llenar esa brecha e investigar los efectos relativos del clima y la cuenca sobre la duración de la sequía hidrológica y el volumen de déficit. Para este estudio utilizamos un extenso conjunto de datos austríaco, que contiene observaciones de precipitación, temperatura y descarga para un gran número de captaciones e incluye información temática para cada captación, p. Clima, elevación, geología, uso de la tierra (Laaha y Blschl, 2006. Gal et al., 2012 y Haslinger et al., 2014). Al combinar diferentes tipos de análisis, esperamos probar si las propiedades del clima o de la cuenca son más importantes para determinar tanto la duración de la sequía como el déficit. En la Sección 2 describiremos primero el área de estudio y la disponibilidad de datos. Las secciones 33.1 y 44.1 tratan los métodos de análisis de la sequía y sus resultados y las secciones 33.2 y 44.2 con los métodos de análisis estadísticos y sus resultados. Por último, las discusiones y conclusiones se dan en las secciones 5 y 6. 2 Áreas de estudio El estudio se ha llevado a cabo en un conjunto de datos austríaco completo que consta de 44 cuencas de captación que están libres de perturbaciones importantes. El área de estudio es muy diversa y las cuencas reflejan una amplia gama de regímenes hidrológicos. Las cuencas se agrupan en 13 grupos que son homogéneos en términos de condiciones climáticas y procesos hidrológicos (Fig. 1 a). La puesta en común se basa en el trabajo de Gal et al. (2012) en escalas de tiempo de inundación que han demostrado ser una huella digital rica de los procesos hidrológicos en una cuenca. De hecho, el patrón espacial de los hotspots (como se les denominó en Gal et al., 2012) es muy similar al de las regiones de bajo flujo de Laaha y Blschl (2006). Discernido del análisis de la estacionalidad. Los hotspots son en promedio más pequeños y, por tanto, probablemente más homogéneos. Obviamente, representan las principales unidades climáticas y geológicas de Austria (Fig. 1c y d), que también son relevantes para las sequías hidrológicas (Haslinger et al., 2014). Higo. 1. Algunas características del área de estudio: (a) clusters, (b) topografía, (c) geología (todos de Gal y otros (2012) reimpreso con permiso del editor Wiley), y (d) precipitación anual media (De ZAMG). Algunos grupos pertenecen a regiones donde los caudales mínimos típicamente ocurren en verano como consecuencia de la baja precipitación estacional y la alta evaporación estacional. Estos son Innviertel (Innv), Mhlviertel (Muhlv), Waldviertel (Waldv), Weinviertel (Weinv), Flysch y Leitha. Las cuencas hidrográficas de los Alpes, es decir, Ztal (Ozt), Altos Alpes (Hoalp) y hasta cierto punto Bregenzerwald (Brewa) y Dachstein (Dachst), están situadas a altitudes en las que los procesos de almacenamiento de nieve ejercen una influencia importante sobre el régimen de flujo. 1 b). Ellos dan lugar a regímenes altamente estacionales con caudales mínimos en invierno y altas descargas en verano. Las cuencas en el sur también pertenecen al tipo de bajo flujo de verano, pero exhiben un clima particular ya que están situadas a sotavento de los Alpes y se proyectan desde las masas de aire húmedas del Atlántico. Esto produce cantidades más bajas de precipitación entonces en el norte, ya menudo períodos de sequía más largos. Como puede verse en la Fig. 1d. Los aglomerados en el sur (Gail, Gurk) y sureste (Buwe), pero también en el sur de los Alpes (Ozt) son afectados por este clima particular. Al norte de los Alpes se observa un gradiente de precipitación que refleja la creciente aridez hacia Europa Oriental. Para cada cuenca, las series de tiempo de descarga estaban disponibles en el Servicio Hidrográfico de Austria (HZB) en resolución diaria para diferentes períodos entre 1951 y 2010. La duración de la serie de descarga fue en promedio 47 años con un mínimo de 27 años y máximo de 60 años. Una interpolación lineal se aplicó para llenar un pequeño número de lagunas de unos pocos días. Se utilizó la longitud total de la serie de tiempo de descarga para calcular la duración y el déficit de las sequías hidrológicas (Sección 3.1), que son las variables objetivo de este estudio. Para cada grupo, se seleccionó una estación meteorológica cercana que parece representativa de sus condiciones climáticas. En el caso de que hubiera múltiples estaciones en el interior o en las inmediaciones del grupo, elegimos la estación más representativa en términos de factores topográficos como elevación y exposición, ya que tanto la precipitación como la temperatura dependen de estos factores. La consideración de la exposición es especialmente importante para las cuencas alpinas, ya que hay grandes diferencias climáticas entre las laderas norte y sur de la división alpina. Para las estaciones seleccionadas, los datos diarios de temperatura y precipitación se obtuvieron del Instituto Central de Meteorología y Geodinámica (ZAMG) durante un período de 60 años en promedio (de 46 a 62 años por estación). A continuación se utilizaron datos diarios de precipitación de estas estaciones para calcular las características meteorológicas de la sequía por grupo. Para analizar el efecto de las características de la cuenca en la sequía hidrológica se utilizó el conjunto de datos de cuenca de Laaha y Blschl (2006). Consistente en 31 características de cuencas fisiográficas (Cuadro 1). Se relacionan con área de captación (SUM. AREA), elevación topográfica (H), pendiente topográfica (SL), precipitación (N), clases geológicas (GEOL), clases de uso del suelo (BONU) y densidad de la red de arroyos (SDENS). Además, se calculó el Índice de Flujo de Base (BFI) y el coeficiente de Recesión (Rec) mediante la ayuda del paquete R lfstat (Koffler y Laaha, 2013), basado en el Manual de Estimación y Predicción de Bajo Flujo (OMM, 2008) de la OMM ). Se ha demostrado que BFI y Rec reflejan las propiedades de almacenamiento y liberación de las cuencas (por ejemplo, Salinas et al., 2013) y, por lo tanto, se usan como características de cuenca en este estudio. Tabla 1. Características de la cuenca (basadas en Laaha y Blschl (2006)). 3 Metodología 3.1 Análisis de la sequía Se identificaron sequías a partir de las series temporales de precipitación y descarga con el enfoque de nivel umbral ampliamente utilizado (Zelenhasi y Salvai, 1987, Una sequía cuando una variable cae por debajo de un umbral predefinido. Para reflejar la estacionalidad se utilizó un umbral variable basado en el percentil 80 de las curvas de duración de flujo de una ventana móvil de 30 días (Beyene et al., 2014). Esto significa que cada día del año tiene un nivel de umbral diferente basado en el percentil 80 de la curva de duración de flujo de la descarga / precipitación medido en ese día, los 15 días antes de ese día y los 15 días después de ese día, para todos Años en la serie de tiempo. Este método ha demostrado ser más robusto en cuencas de captación con pronunciada estacionalidad, por ejemplo cuencas dominadas por la acumulación de nieve y la fusión (Beyene et al., 2014). Se aplicó un procedimiento de agrupación a ambas series temporales de precipitación y descarga para los eventos de sequía dependientes de la piscina, es decir, un promedio móvil de 30 días (Tallaksen y Hisdal, 1997. Hisdal et al., 2004 y Fleig et al., 2006). La duración de un evento de sequía se determinó calculando el número total de días consecutivos en que la variable estaba por debajo del umbral y el volumen de déficit es la suma de las desviaciones del umbral veces el número de días (de modo que el área entre las dos curvas cuando La variable está por debajo del umbral). Se eliminaron las sequías menores con una duración de menos de 3 días. Posteriormente, la media estadística, el máximo y la desviación estándar se calcularon tanto para la duración de la sequía como para el déficit. 3.2 Análisis estadístico Se investigaron los efectos del clima y de las características de la cuenca en la duración y el déficit de la sequía por análisis estadístico. En la primera parte de la investigación se analizó la fuerza de las relaciones entre la sequía de descarga y el clima individual y las características de la cuenca mediante el análisis de correlación bivariante. Se calculó la matriz de correlación de pairwise combinaciones de todas las variables sobre la base de Pearson coeficientes de correlación. La matriz de correlación nos permitió encontrar relaciones importantes entre las características de sequía de descarga y las diversas características climáticas y de captación. Como las relaciones podrían ser no lineales, también se calcularon los coeficientes de correlación de Spearman y se estudiaron las correlaciones de correlación para verificar los resultados. El análisis de correlación está limitado por el hecho de que las características de la cuenca no son probablemente independientes, debido a la coevolución del paisaje, el clima y la geología. Para explorar las intercorrelaciones de las características de captación, se analizó la estructura de correlación utilizando heatmaps como se implementa en el paquete de software R stats. Los mapas de calor emplean una codificación de color apropiada para visualizar el signo y la fuerza de las relaciones a partir de la matriz de correlación. Por otra parte, el algoritmo realiza una agrupación de las correlaciones pairwise con el fin de encontrar grupos de variables que son dependientes entre sí. Después de las filas y las columnas se organizan de acuerdo a la similitud, patrones previamente indetectables pueden llegar a ser obvio. Por lo tanto, el análisis es útil para encontrar grupos de características climáticas y de captación que tengan un efecto conjunto sobre las características de la sequía. Basados en el razonamiento hidrológico, buscamos identificar las variables clave de cada grupo que aparecen como los factores físicos más importantes en la generación de sequía. En el segundo paso ampliamos el alcance del análisis a las interacciones de variables claves en la generación de sequía. Para ello se aplicaron modelos lineales con regresión múltiple y términos de interacción, lo que hace que el modelo lineal sea más flexible para representar posibles relaciones no lineales. También se aplicaron diferentes modelos de pendientes para realizar el ajuste de forma individual para diferentes regiones climatológicas. Hemos probado importantes combinaciones de variables predictoras como lo sugiere el análisis de correlación y las comparamos con el análisis de regresión automático paso a paso (combinado hacia adelante y hacia atrás) basado en el Criterio de Información de Akaike (Akaike, 1974). Si el modelo aparece bien representativo (a partir de estadísticas residuales y en términos de supuestos de modelo) se puede utilizar para analizar los efectos de un predictor sobre la característica de sequía. Por efecto denotamos el cambio en una variable de respuesta producida por un cambio en una o más variables explicativas o de factor, ajustado para las otras variables en el modelo. En el caso de más de un predictor, el efecto de una variable explicativa (línea de regresión) se ajusta para las otras variables del modelo. Esto es similar al análisis de correlación parcial donde la correlación entre dos variables se ajusta para el efecto de una variable de confusión. Sin embargo, los efectos de los modelos lineales son más generales que las correlaciones parciales, ya que el método permite una consideración simultánea de un número de predictores incluyendo posibles interacciones. El cálculo y visualización de los efectos de los términos de regresión se lleva a cabo utilizando los efectos del paquete R (Fox, 2003). 4 Resultados 4.1 Análisis de la sequía El análisis de la sequía en los datos de precipitación (Tabla 2 y Tabla 3) muestra que hay poca diferencia entre los grupos en el número (alrededor de 4,8 por año) y la duración media (alrededor de 15 días) de las sequías meteorológicas. La diferencia más grande se encuentra entre Gail y el mesón (Gail: 4.5 sequías por año con una duración media de 16.2 días e Inn: 5.2 sequías por año con una duración media de 13.4 días). Esta diferencia está relacionada con la variabilidad de la precipitación descrita en la Sección 2. En Gail hay períodos de sequía menores, pero más largos, mientras que en Inn el mayor número de períodos secos cortos indica una mayor variabilidad en la precipitación. El volumen de déficit de sequías en la precipitación es más variable con 3,9 mm para Weinv y 13,3 mm para Brewa. Esta diferencia se debe a diferencias en la precipitación anual media, que asciende a 500 mm por año para Weinv y 1900 mm por año para Brewa. Una mayor precipitación anual media da como resultado un umbral más alto, lo que produce mayores volúmenes de déficit. Tabla 2. Características generales de la sequía utilizando un umbral variable de 80 (basado en una ventana móvil de 30 días), el método del promedio móvil para la agrupación y una duración mínima de 3 días para las variables hidrometeorológicas de todos los grupos. En todas las cuencas observamos una clara propagación de la señal de sequía de la sequía meteorológica a la hidrológica (Tabla 2 y Tabla 3): hay menos sequías en el vertido que las precipitaciones (en promedio 2,2 sequías al año con una duración media de 35 días En descarga versus 4.8 sequías al año con una duración media de 15 días en precipitación). Hay mucha más variabilidad entre los grupos en las características hidrológicas de la sequía que en las características meteorológicas de la sequía. El número de sequías de descarga varía entre 1,4 y 3,2 y la duración media oscila entre 23 y 54 días. Gurk tiene menos sequías y más largas y Brewa tiene sequías más y más cortas. El volumen medio de déficit de las sequías en el vertido es comparable al de las sequías en la precipitación, pero los rangos son aún mayores (0,518 mm por racimo y 0,322 mm por cuenca). Algunos grupos son homogéneos en términos de características de sequía de descarga, otros son bastante heterogéneos. La mayoría de la variabilidad es visible en el grupo de Weinv. La sequía más larga se produce en Bule (437 días, más de 14 meses) y el déficit máximo se produce en Brewa (398 mm). Los diferentes valores de la duración media de la sequía y el déficit de la Tabla 2 y la Tabla 3 son una primera indicación de que la duración de la sequía y el déficit podrían tener diferentes factores gobernantes. Esto es aún más evidente a partir de la distribución espacial de la duración media y el déficit tanto de sequías de precipitación como de descarga (Figura 2). La duración media de las sequías de precipitación (Pmeandur) es alta en el este y el sur el volumen de déficit medio de las sequías de precipitación (Pmeandef) es más alto en los Alpes del norte la duración media de las sequías de descarga (Qmeandur) es alta en el Oriente y el Sur, pero más dispersos que Pmeandur el volumen de déficit promedio de las sequías de descarga (Qmeandef) es alta en los Alpes del Sur. Higo. 2. Duración de la sequía y déficit de precipitación y descarga. (A) días de Pmeandur, (b) Pmeandef mm, (c) días Qmeandur, (d) Qmeandef mm. Note the different colour scales. When comparing Fig. 2 with Fig. 1. some of the patterns can be explained. The general patterns of both Pmeandur and Qmeandur reflect the influence of climate: in the Alps, precipitation events are more frequent than in the lowlands, so droughts in the Alpine region have the lowest duration. In the region north of the Alps, the patterns reflect increasing drought duration from west to east which is obviously related to decline in annual precipitation and increasing aridity (Fig. 1 d). South and southeast of the Alps longer dry spells are observed, because the catchments there are screened by the Alps (Section 2 ). Overall, Qmeandur has longer time scales than Pmeandur, reflecting drought propagation, i. e. pooling of shorter meteorological drought events into longer streamflow droughts as a result of catchment storage processes. Differences between catchments in the same cluster are likely the effect of geology (storage, Fig. 1c ), which is most pronounced in the eastern (Weinv) and southern clusters (Gail and Gurk). This would indicate a combined effect of climate and catchment control on hydrological drought duration. It is interesting to see that the patterns of drought deficit in precipitation and discharge (Pmeandef and Qmeandef) are very different from the patterns of drought duration (Fig. 2 ). Highest deficit volumes are found in the Alpine region. High deficit volumes in the northern Alps are expected because of the high catchment wetness (Fig. 1 d) resulting in higher threshold values, but the high deficit volumes in discharge (Qmeandef) seem to reflect more the spatial distribution of altitude (Fig. 1 b) than that of precipitation (Fig. 1 d). So, the question arises whether there is an additional effect of catchment properties related to elevation on deficit volume of hydrological droughts. For a selection of clusters, we studied some catchment characteristics that were assumed to influence drought duration and deficit (i. e. area, elevation, BFI and recession constant) in more detail (Table 4 ). Some conclusions can be drawn: All Brewa catchments have many droughts with short duration and high deficit (Table 2 ), they also have a small area, high elevation, low BFIs and low recession constants. The geology of the Brewa catchments is characterised as Flysch. According to Gal et al. (2012) Flysch tends to produce very flashy response as the flow paths are at the surface or very near the surface with little infiltration. This has important implications for floods (short flood time scales, Gal et al. (2012) ), but also for drought. All Muhlv catchments have few droughts with long duration and average deficit (Table 3 ), they also have a large area, low elevation, high BFIs and high recession constants. The Innv and Weinv catchments show high variation in area, BFI and recession constant, whereas elevation is comparable. This offers the possibility to separate the effect of storage from climate and elevation effects. For Innv, catchments with a high BFI, also have longer drought events and lower deficit volume (Table 3 ). For Weinv the relation is less clear. Table 4. Selected catchment characteristics per catchment for a subset of clusters (variable names see Table 1 ). 4.2 Statistical analysis Statistical analysis allows for a quantitative investigation of relations between hydrological drought duration and deficit and possible governing factors (climate and catchment characteristics). The heatmap in Fig. 3 shows the correlation structure between average duration and deficit of droughts in discharge (Qmeandur and Qmeandef), average duration and deficit of droughts in precipitation (Pmeandur and Pmeandef) and a selection of climate and catchment characteristics from Table 1. We did not include all variables because some are interchangeable in the sense that they correlate the same way with other variables, for example the variables related to altitude (H. MIN, H. MAX, H. MEAN) and precipitation (N. GES, N. SOM, N. WIN). Higo. 3. Heatmap of correlations between drought severity indices, climate and catchment characteristics. Euclidean distances used for clustering. En la Fig. 3 red squares indicate high positive correlation, blue squares indicate high negative correlation. These correlations are based on Pearson correlation. The heatmap based on Spearman correlation coefficients to test for non-linearity showed a similar pattern. This indicates that we can assume that in our case linear models are also suited to represent monotonic relationships even if they are not perfectly linear. The ordering of variables is the result of hierarchical cluster analysis using Euclidean distance. This yields that variables with similar correlation patterns are grouped together. An example is the high correlation and close clustering between SL. FL, BONU. ACK, GEOL. TER and BONU. URB, which indicates that urban area and agriculture are present in regions with a slight slope and tertiary sediments. This is not surprising and does not give any information explaining drought characteristics. In the following paragraphs we only focus on factors that relate to the duration and deficit volume of discharge droughts. 4.2.1 Drought duration The average duration of droughts in discharge (Qmeandur) shows highest correlation (Fig. 3 ) with the baseflow index (BFI). From the scatterplot (Fig. 4 a) this relation is obvious. BFI itself is not a catchment characteristic but it integrates the effect of storage and response times of a catchment (Section 2 ). The same is true for the recession constant (Rec), but Rec has a lower correlation with Qmeandur. Higo. 4. Relation between the average duration of droughts in discharge (Qmeandur) and (a) the baseflow index (BFI), colour coded per cluster. Catchments with deep or shallow groundwater (GEOL. SHAL and GEOL. DEEP) are indicated with circles and (b) the average duration of droughts in precipitation (Pmeandur). It is also interesting that Qmeandur has a much lower correlation with catchment characteristics indicative of catchment storage, such as area percentages of geological classes (GEOL. QUA, GEOL. KRI), aquifers (GEOL. SHAL, GEOL. DEEP), lakes and wetlands (BONU. WAS, BONU. FEU), and catchment area (SUM. AREA), than with BFI (Fig. 3 ). Although all these correlations are plausible regarding their sign (characteristics reflecting high storage are positively correlated), not one of them seems dominant. One of the reasons for that is that not all catchments have data for all variables. En la Fig. 4a. for example, all catchments with some degree of GEOL. DEEP and GEOL. SHAL are indicated. These correspond to high BFI, but the low number of catchments with GEOL. DEEP or GEOL. SHAL makes finding a quantitative relation difficult. After BFI, the highest correlation of Qmeandur is with Pmeandur, and there is also a strong negative correlation with mean annual precipitation (N. GES) (Fig. 3 ). This points at an effect of climate on the duration of droughts in discharge. In the drier catchments with longer dry spells the duration of discharge droughts is longer (Fig. 4b ), but the relation is less clear than with BFI. To investigate the effects of climate and catchment characteristics on drought duration in more detail, we studied a number of linear regression models. In Table 5 the three best models are described. The model with only BFI is highly significant (model 1) and the model with only Pmeandur is also significant (model 2). Pmeandur also adds information to the model with BFI (model 3) and so much that this combined model is the best model to explain Qmeandur. Adding more complex interactions or adding other variables did not improve the model. Table 5. Linear models tested to explain the average duration of discharge droughts (Qmeandur), with multiple regression and interaction terms, including their statistical significance. Signif. codes: 0 0.001 0.01 0.05 . 0.1 1. With the same analysis we can find out if any combination of catchment characteristics can replace BFI to explain Qmeandur. In Table 5 we see that only using catchment characteristics does not yield a significant model (model 4). Adding Pmeandur to model 4 does yield a significant model (model 5). There are differences in significance between the different catchment characteristics, but again no factor seems dominant. All variables are needed to yield a model that is comparable to the model with BFI and Pmeandur (model 3), excluding one of the variables from model 5 did not yield a significant model (not shown). In the stepwise regression analysis adding the variables of model 5 one-by-one resulted in a decreasing Akaike Information Criterion, so increasing model performance. We can conclude that in our study area BFI is made up of a combination of catchment characteristics related to geology, land use and area. However, the information content of each of these characteristics alone is rather low as compared to BFI, which is highly informative for streamflow drought duration. 4.2.2 Drought deficit The average deficit of droughts in discharge (Qmeandef) shows high correlation (Fig. 3 ) with variables related to climate (N. GES and Pmeandef) and catchment characteristics (H. MEAN, M. NEIG, SL. ST, BONU. EIS, BONU. LOS, GEOL. KAL). These variables are not independent: precipitation generally increases with altitude, slopes are higher in the Alps, glaciers are present only above 2500 m, and calcareous rocks are found in the northern Alps (Fig. 1 ). All these characteristics are finally related to catchment altitude. To disentangle the effects of climate and altitude we studied the relation of Qmeandef with mean annual precipitation (N. GES) and mean elevation (H. MEAN). Both show a positive relation (Fig. 5 a and b). The relation with N. GES was expected high average precipitation results in high average discharge and therefore a high threshold. Fluctuations around the threshold then result in high deficit volumes, as can be seen in Fig. 6a. in which the hydrographs of two catchments in the same cluster are compared. The catchments show similar drought periods but deficit volumes are different, i. e. the upper (208413) and lower (209007) catchment have an average discharge of 1.4 and 0.5 mm/d and an average deficit of 4.7 and 1.9 mm, respectively (Table 3 ). Hence, catchments with higher mean discharge have higher deficit volumes. This wetness effect was also concluded in Section 4.1 and hypothesised in Section 1 . Higo. 5. Relation between the average deficit of droughts in discharge (Qmeandef) and (a) mean annual precipitation (N. GES), and (b) average elevation (H. MEAN), and (c) the relation between N. GES and H. MEAN colour coded per cluster. Higo. 6. Example of the effect of a higher mean discharge on drought deficit volume, (a) comparing two catchments in the Leitha cluster, and (b) comparing a catchment in the Brewa and one in the Otz cluster. In Section 4.1 the ambiguous relation between N. GES and H. MEAN was already noted, but with statistical analysis we can study if there is any additional information in H. MEAN. Linear regressions models (Table 6 ) prove that both N. GES and H. MEAN are important in modelling Qmeandef (models 13). The interaction between both is also significant (model 4), but it does not result in a better model ( p 0.029 instead of 1.9e12). Since a bimodal distribution is visible between N. GES and H. MEAN (Fig. 5c). i. e. in some clusters precipitation does not increase with altitude, we need a varying slope model to account for the confounding effects of altitude and precipitation. We grouped the catchments in the southern Alps region that have a deviating relation of precipitation with altitude (Ozt, Hoalp, Gail and Gurk Fig. 1 and Fig. 5 c) and fitted a different relation between Qmeandef and N. GES for this selection and for the remaining catchments. En la Fig. 7 we see a clear effect of H. MEAN on Qmeandef (after adjusting for precipitation effects). We also tried a model that differentiates between the southern Alpine catchments and the rest in terms of H. MEAN, but that did not give satisfactory results (not shown). Table 6. Linear models tested to explain the average deficit volume of discharge droughts (Qmeandef), with multiple regression and interaction terms, including their statistical significance. Signif. codes: 0 0.001 0.01 0.05 . 0.1 1. Fig. 7. Varying slope model of Qmeandef vs. H. MEAN and N. GES (subdivided between Southern Alps catchments and the rest) contribution of each regression term to the prediction. From this analysis we can conclude that, additional to the precipitation effect mentioned above, the elevation of a catchment plays a large role in determining the average drought deficit. The higher the catchment, the larger is the deficit volume. This can be explained by the stronger seasonality of flows in higher altitudes, i. e. alpine areas have stronger seasonal regimes compared to lowland areas (Weingartner et al. 2013 ). Due to snow accumulation in winter and snow melt and glacier melt in summer, streamflow is concentrated in a short season. This results in seasonally high thresholds and hence high deficit volumes. In the example in Fig. 6b. the hydrographs of two catchments with similar deficit volume (on average 16 and 14 mm see Table 2 and Table 3 ) show very different drought behaviour. In Brewa severe droughts can occur in any season and deficit volumes are high because of the overall high threshold (caused by high precipitation on the north side of the Alps), whereas in Otz severe droughts only occur in the summer half year because of zero flows in winter and deficit volumes are high because of the seasonally high threshold (caused by concentration of streamflow in a short season in the highest part of the Alps, Weingartner et al. 2013 ). According to the hydrological drought typology, the most severe droughts in Brewa are classical rainfall deficit droughts (Van Loon and Van Lanen, 2012 ) and the most severe droughts in Otz are rain-to-snow-season droughts . snowmelt droughts and glaciermelt droughts (Van Loon and Van Lanen, 2012 and Van Loon et al. 2014 ). This example underlines the fact that precipitation and altitude are different effects in generating high deficit volumes. The higher the precipitation, the larger the possible deviations from normal, and therefore the higher the deficit volumes. And the higher the elevation, the more the flow is concentrated in a short season and the higher the deficit volumes. From this statistical analysis we can conclude that for hydrological drought duration catchment storage (various catchment variables with a combined effect represented by BFI) is dominant and climate plays a role through the duration of dry spells. For hydrological drought deficit we found that catchment wetness (depending on mean annual precipitation) and seasonality of the regime (depending on elevation) are of equal importance. We did the same analysis on the maximum and standard deviation of drought duration and deficit, but that did not change our conclusions. 5 Discussion 5.1 Data and methods In this study, the variable threshold level method was used for drought analysis. As mentioned before (Section 1 ) standardised indices like SPI were not applied because they cannot provide information on drought deficit volumes. Instead of using a variable threshold we could also have chosen a fixed threshold, but the yearly recurring winter low flows in the Alpine catchments (Section 2 ) should not be reported as drought because they are not a deviation from normal conditions (Van Loon and Van Lanen, 2012 and Van Loon, 2013 ). Anomalies in the high flow season can be important in water resources management (hydropower production), so therefore we decided to use a variable threshold level, as was done previously in many other studies (e. g. Stahl, 2001. Nyabeze, 2004. Hirabayashi et al. 2008. Vidal et al. 2010. Hannaford et al. 2011. Prudhomme et al. 2011. Van Huijgevoort et al. 2013 and Parry et al. 2012 ). Pooling with a 30-days moving average was done to merge dependent drought events. This pooling allowed us to focus on the longer-term water shortages. We estimate the effect of the pooling method on our conclusions to be negligible, because we performed the same correlation analysis on drought events without pooling and obtained the same results. Also for the non-pooled drought events catchment storage was most important for drought duration, whereas mean annual precipitation and elevation played a major role for drought deficit. The statistical relations were only slightly weaker. 5.2 Drought duration and deficit The relation between hydrological drought duration and BFI (baseflow index) is confirmed in earlier studies (Clausen and Pearson, 1995. Zaidman et al. 2002. Fendekov and Fendek, 2012 and Van Huijgevoort, 2014 ). In our study we found BFI to be a proxy for the combination of a number of catchment characteristics indicative of storage. This is in accordance with Peters et al. 2003. Peters et al. 2005. Bloomfield et al. 2009 and Salinas et al. 2013. Bloomfield et al. (2009) showed that geology is a key determinant of BFI. Although other factors play a role as well (Tetzlaff et al. 2008 ), it is not possible to say that one parameter (e. g. a soil index or the catchment area) is responsible for all the variation in BFI (Bloomfield et al. 2009 ). The statistical analysis presented in this paper confirmed that a combination of a high number of catchment characteristics is needed to obtain the same effect on drought duration as BFI. The governing factors of drought deficit are investigated in some studies (Clausen and Pearson, 1995. Kjeldsen et al. 2000 and Van Lanen et al. 2013 ) and in all of those the deficit was standardised to remove the effect of differences in catchment wetness. So, although the relationship between drought deficit and mean annual precipitation was never investigated explicitly, the standardisation is an indication that mean annual precipitation does play an important role. We also tested the relation between standardised deficit and climate and catchment characteristics and found that the effect of climate was completely removed by the standardisation and only catchment control (BFI) remained. 5.3 General applicability of the results Since this research is based on a specific study area, its conclusions might not be valid for other regions. The Greater Alpine Region was chosen because of, on the one hand, the wealth of hydrometeorological data and catchment descriptors available and, on the other hand, the large variability in climate and catchment characteristics. Within our study region differences in temperature and precipitation can be found related to the presence of mountains (decreasing temperature with altitude, increasing precipitation with altitude except in the rain shadow, and increasing aridity towards the east), influencing also the accumulation of snow. However, these differences are relatively minor as almost the entire study region has a continental climate type and is governed by the same weather pattern with large scale depressions moving in from the north-west creating comparable meteorological drought conditions. If we would compare this region to a region with a completely different climate, for example much drier and governed by multi-year weather patterns like in Australia, then we would expect differences in drought duration to be more determined by these differences in climate. However, when comparing catchments within that drier climate region again catchment characteristics will be dominant in determining hydrological drought duration. Hence, our results are assumed to be applicable to regions that are relatively uniform in climate. This reconciles our results with the hypothesis of Tallaksen and Hisdal (1997) mentioned in Section 1. because in that paper the authors are probably referring to the effects of climate at a larger scale. The effect of elevation is not purely catchment control, because it is actually related to mean annual temperature, i. e. the lower the temperature, the higher the glacier cover and snow accumulation, the higher the seasonality, the higher the deficit volume. Because it is related to temperature, the effect of altitude is different in different climates. For example, in warmer climates (e. g. in the tropics) the relation with altitude is different since snow and glaciers generally occur at higher altitudes than in temperate and continental climates. In regions without snow and glaciers this effect of altitude might be totally absent, because the concentration of streamflow in a short season does not occur (Weingartner et al. 2013 ). The effect of temperature also means that on a cross-section from south to north on the Northern Hemisphere there might be a relation between drought deficit and latitude. Consequently, the conclusion of what is the dominant factor in determining hydrological drought duration and deficit is highly dependent on scale. On a global scale, drought duration might be more related to climate than to catchment control and the effect of altitude on drought deficit might not be obvious. However, on the scale that water resources management takes place, namely a regional to national scale, the climate is assumed to be governed by the same weather generating mechanism and therefore relatively uniform, while geology, soil, land use and other catchment characteristics vary more on these smaller scales. Climate change may lead to non-stationary relationships between hydrological variables. In this paper, we analysed average relationships over a standard period as is common for low flow regionalisation studies. This allows comparison between stations even in case of weak non-stationarity. An analysis of possible future changes in the found relationships would be a logical next step after this research. This would, however, require much longer records than usually available. 6 Conclusions Drought analysis and statistical analysis on an extensive Austrian dataset, combining hydrometeorological data from a high number of catchments with thematic data on climate and catchment characteristics, prove that hydrological drought duration and deficit do not have the same governing factors. Hydrological drought duration is determined by BFI (combining information on storage in the catchment related to a number of different catchment characteristics) and the duration of dry spells in precipitation (that increases with increasing aridity). BFI is most important, so catchment control on drought duration is dominant. Hydrological drought deficit is determined by mean annual precipitation and elevation, which both are related to climate control. The additional effect of elevation is attributed to the concentration of discharge in a short season (summer) with rainfall, snow melt and glacier melt in highly seasonal regimes. This information is relevant for sectors that experience different drought impacts. Based on their climate and catchment characteristics catchments can be selected that are more sensitive to severe drought in terms of drought duration and catchments that are more sensitive to severe drought in terms of drought deficit. Acknowledgements This research was undertaken as part of the European Union (FP7) funded Integrated Project DROUGHT-Ramp SPI (Contract No. 282769). It is part of the programme of the Wageningen Institute for Environment and Climate Research (WIMEK-SENSE) and it supports the work of the UNESCO-IHP VIII FRIEND programme. The authors would like to thank the Austrian Climate Research Program (ACRP Project B060362 CILFAD) for financial support. Analyses are based on discharge records of the Hydrographical Service of Austria (HZB), and precipitation and temperature records of the Central Institute for Meteorology and Geodynamics (ZAMG). We thank Klaus Haslinger (Central Institute for Meteorology and Geodynamics, Austria) for his support in selecting and interpreting meteorological data of the study catchments and our colleagues Paul Torfs (Wageningen University) and Daniel Koffler (BOKU) for assistance with the data analysis. References Akaike, 1974 H. Akaike A new look at the statistical model identification IEEE Trans. Automatic Control. Volume 19. Issue 6. 1974. pp. 716723. doi:10.1109/TAC.1974.1100705 Beyene et al. 2014 B. S. Beyene. A. F. Van Loon. H. A.J. Van Lanen. P. J.J. F. Torfs Investigation of variable threshold level approaches for hydrological drought identification Hydrol. Earth Syst. Sci. Discutir. Volume 11. 2014. pp. 1276512797. doi:10.5194/hessd-11-12765-2014 Bloomfield and Marchant, 2013 J. P. Bloomfield. B. P. Marchant Analysis of groundwater drought building on the standardised precipitation index approach Hydrol. Earth Syst. Sci. Volume 17. Issue 12. 2013. pp. 47694787. doi:10.5194/hess-17-4769-2013 Bloomfield et al. 2009 J. P. Bloomfield. DJ. Allen. K. J. Griffiths Examining geological controls on baseflow index (bfi) using regression analysis: an illustration from the thames basin, UK J. Hydrol. Volume 373. Issue 12. 2009. pp. 164176. doi:10.1016/j. jhydrol.2009.04.025 Bond et al. 2008 N. Bond. P. Lake. A. Arthington The impacts of drought on freshwater ecosystems: an Australian perspective Hydrobiologia. Volume 600. Issue 1. 2008. pp. 316. doi:10.1007/s10750-008-9326-z Carroll et al. 2009 N. Carroll. P. Frijters. M. A. Shields Quantifying the costs of drought: new evidence from life satisfaction data J. Population Econ. Volume 22. Issue 2. 2009. pp. 445461. doi:10.1007/s00148-007-0174-3 Choat et al. 2012 B. Choat. S. Jansen. T. J. Brodribb. H. Cochard. S. Delzon. R. Bhaskar. S. J. Bucci. T. S. Feild. S. M. Gleason. U. G. Hacke. A. L. Jacobsen. F. Lens. H. Maherali. J. Martinez-Vilalta. S. Mayr. M. Mencuccini. P. J. Mitchell. A. Nardini. J. Pittermann. R. B. Pratt. J. S. Sperry. M. Westoby. I. J. Wright. A. E. Zanne Global convergence in the vulnerability of forests to drought Nature. Volume 491. Issue 7426. 2012. pp. 752755. doi:10.1038/nature11688 Clausen and Pearson, 1995 B. Clausen. C. Pearson Regional frequency analysis of annual maximum streamflow drought J. Hydrol. Volume 173. Issue 14. 1995. pp. 111130 doi:dx. doi. org/10.1016/0022-1694(95)02713-Y Dracup et al. 1980 J. A. Dracup. L. Kil Seong. P. EJ. Paulson Jr On the statistical characteristics of drought events Water Resour. Res. Volume 16. Issue 2. 1980. pp. 289296 Fendekov and Fendek, 2012 M. Fendekov. M. Fendek Groundwater drought in the Nitra River Basin identification and classification J. Hydrol. Hydromech. Volume 60. 2012. p. 185 Fleig et al. 2006 A. K. Fleig. L. M. Tallaksen. H. Hisdal. S. Demuth A global evaluation of streamflow drought characteristics Hydrol. Earth Syst. Sci. Volume 10. Issue 4. 2006. pp. 535552. doi:10.5194/hess-10-535-2006 Fox, 2003 J. Fox Effect displays in r for generalised linear models J. Stat. Softw. Volume 8. Issue 15. 2003. pp. 127 Gal et al. 2012 L. Gal. J. Szolgay. S. Kohnov. J. Parajka. R. Merz. A. Viglione. G. Blschl Flood timescales: understanding the interplay of climate and catchment processes through comparative hydrology Water Resour. Res. Volume 48. Issue 4. 2012. doi:10.1029/2011WR011509 Garcia-Herrera et al. 2010 R. Garcia-Herrera. J. Daz. R. M. Trigo. J. Luterbacher. E. M. Fischer A review of the european summer heat wave of 2003 Crit. Rev. Environ. Sci. Technol. Volume 40. Issue 4. 2010. pp. 267306 Hannaford et al. 2011 J. Hannaford. B. Lloyd-Hughes. C. Keef. S. Parry. C. Prudhomme Examining the large-scale spatial coherence of European drought using regional indicators of precipitation and streamflow deficit Hydrol. Proceso. Volume 25. Issue 7. 2011. pp. 11461162. doi:10.1002/hyp.7725 Haslinger et al. 2014 K. Haslinger. D. Koffler. W. Schner. G. Laaha Exploring the link between meteorological drought and streamflow: effects of climate-catchment interaction Water Resour. Res. Volume 50. Issue 3. 2014. pp. 24682487. doi:10.1002/2013WR015051 Hayes et al. 2010 M. Hayes. M. Svoboda. N. Wall. M. Widhalm The lincoln declaration on drought indices: universal meteorological drought index recommended Bull. A. m. Meteor. Soc. Volume 92. Issue 4. 2010. pp. 485488. doi:10.1175/2010BAMS3103.1 Hirabayashi et al. 2008 Y. Hirabayashi. S. Kanaae. S. Emori. T. Oki. M. Kimoto Global projections of changing risks of floods and droughts in a changing climate Hydrol. Sci. J. Volume 53. Issue 4. 2008. pp. 754772. doi:10.1623/hysj.53.4.754 Hisdal et al. 2004 H. Hisdal. L. M. Tallaksen. B. Clausen. E. Peters. A. Gustard Hydrological Drought Characteristics. 2004. Elsevier Science B. V. Amsterdam, the Netherlands Developments in Water Science, 48, 2004, Chapter 5, pp. 139198 Hsiang et al. xxxx Hsiang, S. M. Burke, M. Miguel, E. Quantifying the influence of climate on human conflict, Science 341 (6151). arXiv:sciencemag. org/content/341/6151/1235367.full. pdf. dx. doi. org/10.1126/science.1235367 . Joetzjer et al. 2013 E. Joetzjer. H. Douville. C. Delire. P. Ciais. B. Decharme. S. Tyteca Hydrologic benchmarking of meteorological drought indices at interannual to climate change timescales: a case study over the amazon and mississippi river basins Hydrol. Earth Syst. Sci. Volume 17. Issue 12. 2013. pp. 48854895. doi:10.5194/hess-17-4885-2013 Jonsdottir et al. 2005 H. Jonsdottir. J. Eliasson. H. Madsen Assessment of serious water shortage in the icelandic water resource system Phys. Chemis. Earth, Parts A/B/C. Volume 30. Issue 67. 2005. pp. 420425. doi:10.1016/j. pce.2005.06.007 integrated Water Resource Assessment Kim et al. 2003 T. Kim. J. Valds. C. Yoo Nonparametric approach for estimating return periods of droughts in arid regions J. Hydrol. Eng. Volume 8. Issue 5. 2003. pp. 237246. doi:10.1061/(ASCE)1084-0699(2003)8:5(237) Kjeldsen et al. 2000 T. R. Kjeldsen. A. Lundorf. D. Rosbjerg Use of a two-component exponential distribution in partial duration modelling of hydrological droughts in zimbabwean rivers Hydrol. Sci. J. J. Sci. Hydrol. Volume 45. Issue 2. 2000. pp. 285298 Koffler and Laaha, 2013 Koffler, D. Laaha, G. Lfstat-low-flow analysis in r. EGU General Assembly Conference Abstracts 15, 2013 Laaha and Blschl, 2006 G. Laaha. G. Blschl Seasonality indices for regionalizing low flows Hydrol. Proceso. Volume 20. Issue 18. 2006. pp. 38513878 Lake, 2011 P. S. Lake Drought and Aquatic Ecosystems: Effects and Responses 2011. John Wiley amp Sons Lewis et al. 2011 S. L. Lewis. PM. Brando. O. L. Phillips. G. M.F. van der Heijden. D. Nepstad The 2010 Amazon drought Science. Volume 331. Issue 6017. 2011. p. 554. doi:10.1126/science.1200807 McKee et al. 1993 McKee, T. Doesken, N. Kleist, J. 1993. The relationship of drought frequency and duration to time scales. In: Eight Conference on Applied Climatology, 1722 January 1993, Anaheim, California, Amer. Meteor. Soc. pp. 179184. ltccc. atmos. colostate. edu/relationshipofdroughtfrequency. pdf gt (last accessed 16.07.12). Mishra and Singh, 2010 A. K. Mishra. V. P. Singh A review of drought concepts J. Hydrol. Volume 391. Issue 1-2. 2010. pp. 202216. doi:10.1016/j. jhydrol.2010.07.012 Mishra et al. 2009 A. Mishra. V. Singh. V. Desai Drought characterization: a probabilistic approach Stochastic Environ. Res. Risk Assessm. Volume 23. Issue 1. 2009. pp. 4155 Nyabeze, 2004 W. R. Nyabeze Estimating and interpreting hydrological drought indices using a selected catchment in Zimbabwe Phys. Chem. Tierra. Volume 29. Issue 1518. 2004. pp. 11731180 Parry et al. 2012 S. Parry. J. Hannaford. B. Lloyd-Hughes. C. Prudhomme Multi-year droughts in Europe: analysis of development and causes Hydrol. Res. Volume 43. Issue 5. 2012. pp. 689706. doi:10.2166/nh.2012.024 Peters et al. 2003 E. Peters. P. J.J. F. Torfs. H. A.J. van Lanen. G. Bier Propagation of drought through groundwater a new approach using linear reservoir theory Hydrol. Proceso. Volume 17. Issue 15. 2003. pp. 30233040. doi:10.1002/hyp.1274 Peters et al. 2005 E. Peters. H. A.J. van Lanen. P. J.J. F. Torfs. G. Bier Drought in groundwater drought distribution and performance indicators J. Hydrol. Volume 306. Issue 14. 2005. pp. 302317 Peters et al. 2006 E. Peters. G. Bier. H. A.J. van Lanen. P. J.J. F. Torfs Propagation and spatial distribution of drought in a groundwater catchment J. Hydrol. Volume 321. Issue 1/4. 2006. pp. 257275. doi:10.1016/j. jhydrol.2005.08.004 Prudhomme et al. 2011 C. Prudhomme. S. Parry. J. Hannaford. D. B. Clark. S. Hagemann. F. Voss How well do large-scale models reproduce regional hydrological extremes in Europe J. Hydrometeorol. Volume 12. Issue 0. 2011. pp. 11811204. doi:10.1175/2011JHM1387.1 Rossi et al. 2012 G. Rossi. E. Caporali. L. Garrote Definition of risk indicators for reservoirs management optimization Water Resour. Gestionar. Volume 26. Issue 4. 2012. pp. 981996. doi:10.1007/s11269-011-9842-x Salinas et al. 2013 J. L. Salinas. G. Laaha. M. Rogger. J. Parajka. A. Viglione. M. Sivapalan. G. Blschl Comparative assessment of predictions in ungauged basins part 2: flood and low flow studies Hydrol. Earth Syst. Sci. Volume 17. Issue 7. 2013. pp. 26372652. doi:10.5194/hess-17-2637-2013 Sheffield and Wood, 2011 J. Sheffield. E. Wood Drought Past Problems and Future Scenarios 2011. Earthscan, London, Washington DC Shiau and Shen, 2001 J. Shiau. H. Shen Recurrence analysis of hydrologic droughts of differing severity J. Water Resour. Plann. Gestionar. Volume 127. Issue 1. 2001. pp. 3040. doi:10.1061/(ASCE)0733-9496(2001)127:1(30) Stahl, 2001 Stahl, K. 2001. Hydrological Drought a Study across Europe. Doctor en Filosofía. thesis, Albert-Ludwigs-Universitt, Freiburg, Germany. Tallaksen and Hisdal, 1997 Tallaksen, L. M. Hisdal, H. 1997. Regional analysis of extreme streamflow drought duration and deficit volume, FRIEND 97 regional hydrology: concepts and models for sustainable water resource management. In: Proc. International Conference, Postojna, vol. 246, pp. 141150. Tallaksen and Van Lanen, 2004 Tallaksen, L. M. Van Lanen, H. A.J. (Eds.), 2004. Hydrological drought: processes and estimation methods for streamflow and groundwater. In: Developments in Water Science 48, The Netherlands, Elsevier Science B. V. Amsterdam, The Netherlands. Tetzlaff et al. 2008 D. Tetzlaff. J. J. McDonnell. S. Uhlenbrook. K. J. McGuire. P. W. Bogaart. F. Naef. A. J. Baird. S. M. Dunn. C. Soulsby Conceptualizing catchment processes: simply too complex Hydrol. Proceso. Volume 22. Issue 11. 2008. pp. 17271730. doi:10.1002/hyp.7069 Tsakiris et al. 2013 G. Tsakiris. I. Nalbantis. H. Vangelis. B. Verbeiren. M. Huysmans. B. Tychon. I. Jacquemin. F. Canters. S. Vanderhaegen. G. Engelen. L. Poelmans. P. Becker. O. Batelaan A system-based paradigm of drought analysis for operational management Water Resour. Gestionar. Volume 27. Issue 15. 2013. pp. 52815297. doi:10.1007/s11269-013-0471-4 Van Huijgevoort, 2014 Van Huijgevoort, M. 2014. Hydrological drought: characterisation and representation in large-scale models. Doctor en Filosofía. thesis, Wageningen University, the Netherlands. Van Huijgevoort et al. 2013 M. H.J. Van Huijgevoort. P. Hazenberg. H. A.J. van Lanen. A. J. Teuling. D. B. Clark. S. Folwell. S. N. Gosling. N. Hanasaki. J. Heinke. S. Koirala. T. Stacke. F. Voss. J. Sheffield. R. Uijlenhoet Global multimodel analysis of drought in runoff for the second half of the twentieth century J. Hydrometeor. Volume 14. 2013. pp. 15351552. doi:10.1175/JHM-D-12-0186.1 Van Lanen, 2006 H. A.J. Van Lanen Drought propagation through the hydrological cycle , S. Demuth. A. Gustard. E. Planos. F. Scatena. E. Servat. Climate Variability and Change Hydrological Inpacts. Volume vol. 308. 2006. IAHS-AISH Publication, IAHS Press, Wallingford, UK. pp. 122127 Van Lanen et al. 2013 H. A.J. Van Lanen. N. Wanders. L. M. Tallaksen. A. F. Van Loon Hydrological drought across the world: impact of climate and physical catchment structure Hydrol. Earth Syst. Sci. Volume 17. 2013. pp. 17151732. doi:10.5194/hess-17-1715-2013 Van Loon, 2013 Van Loon, A. F. 2013. On the propagation of drought. How climate and catchment characteristics influence hydrological drought development and recovery. Doctor en Filosofía. thesis, Wageningen University. ltedepot. wur. nl/249786 gt (last accessed 28.05.13). Van Loon and Van Lanen, 2012 A. F. Van Loon. H. A.J. Van Lanen A process-based typology of hydrological drought Hydrol. Earth Syst. Sci. Volume 16. Issue 7. 2012. pp. 19151946. doi:10.5194/hess-16-1915-2012 Van Loon et al. 2014 A. F. Van Loon. E. Tijdeman. N. Wanders. H. Van Lanen. A. Teuling. R. Uijlenhoet How climate seasonality modifies drought duration and deficit J. Geophys. Res. Atmos. Volume 119. Issue 8. 2014. pp. 46404656. doi:10.1002/2013JD020383 Van Loon et al. 2014 A. F. Van Loon. S. W. Ploum. J. Parajka. A. K. Fleig. E. Garnier. G. Laaha. H. A.J. Van Lanen Hydrological drought typology: cold climate drought types and associated societal impacts Hydr. Earth Syst. Sci. Discutir. Volume 11. 2014. pp. 1046510514. doi:10.5194/hessd-11-10465-2014 Van Vliet et al. 2012 M. T.H. Van Vliet. J. R. Yearsley. F. Ludwig. S. Vogele. D. P. Lettenmaier. P. Kabat Vulnerability of US and European electricity supply to climate change Nature Clim. Cambio. Volume 2. Issue 9. 2012. pp. 676681. doi:10.1038/nclimate1546 Vicente-Serrano et al. 2009 S. M. Vicente-Serrano. S. Beguera. J. I. Lpez-Moreno A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index J. Climate. Volume 23. Issue 7. 2009. pp. 16961718. doi:10.1175/2009JCLI2909.1 Vidal et al. 2010 J.-P. Vidal. E. Martin. L. Franchistguy. F. Habets. J.-M. Soubeyroux. M. Blanchard. M. Baillon Multilevel and multiscale drought reanalysis over France with the Safran-Isba-Modcou hydrometeorological suite Hydrol. Earth Syst. Sci. Volume 14. Issue 3. 2010. pp. 459478. doi:10.5194/hess-14-459-2010 Weingartner et al. 2013 Weingartner, R. Blschl, G. Hannah, D. Marks, D. Parajka, J. Pearson, C. Rogger, M. Salinas, J. L. Sauquet, E. Srikanthan, R. Thompson, S. Viglione, A. 2013. Prediction of Seasonal Runoff in Ungauged Basins, Cambridge, pp. 102134 (Chapter 6). Wilhite, 2000 , D. Wilhite. Drought: A Global Assessment. Volume vols. I ampII. 2000. Routledge Hazards and Disasters Series, Routledge, London Wilhite and Glantz, 1985 D. A. Wilhite. M. H. Glantz Understanding the drought phenomenon: the role of definitions Water Int. Volume 10. Issue 3. 1985. pp. 111120 WMO, 2008 WMO, 2008. Manual on low flow estimation and prediction. Operational Hydrology Report No.50 WMO-No. 1029. p. 136. Wong et al. 2013 G. Wong. H. A.J. Van Lanen. P. J.J. F. Torfs Probabilistic analysis of hydrological drought characteristics using meteorological drought Hydrol. Sci. J. Volume 58. Issue 2. 2013. pp. 253270 Woo and Tariiule, 1994 M.-K. Woo. A. Tariiule Streamflow droughts of northern Nigerian rivers Hydrol. Sci. J. Volume 39. Issue 1. 1994. pp. 1934 Zaidman et al. 2002 M. D. Zaidman. H. G. Rees. ARKANSAS. Young Spatio-temporal development of streamflow droughts in northwest Europe Hydrol. Earth Syst. Sci. Volume 6. Issue 4. 2002. pp. 733751 Zelenhasi and Salvai, 1987 E. Zelenhasi. A. Salvai A method of streamflow drought analysis Water Resour. Res. Volume 23. Issue 1. 1987. pp. 156168. doi:10.1029/WR023i001p00156 Corresponding author at: School of Geography, Earth and Environmental Sciences, University of Birmingham, Edgbaston, Birmingham B15 2TT, UK. Copyright 2014 The Authors. Published by Elsevier B. V. Citing articles ( )
No comments:
Post a Comment