پدیده های هواشناسی از سیستم گردش عمومی جو ایجاد می شوند. عواملی مانند پدیده های دورپیوند ولکه های خورشیدی هستند که این سیستم را تحت تأثیر قرار می دهند. خشکسالی از پدیده های ادواری و مهم هواشناسی است که برای مدیریت آن نیازمند پیش بینی آن هستیم. با توجه به اینکه پدیده های پیوند دور اثر تأخیری دارند، بنابراین می توان از آنها جهت پیش بینی استفاده کرد. بر این اساس تحقیقی صورت گرفت تا به صورت مطالعه موردی با استفاده از داده های بارش ماهانه ایستگاه هواشناسی سینوپتیک گرگان طی دروه آماری 1362-1392،شدت خشکسالی هواشناسی که براساس شاخص بارش استاندارد شده spi محاسبه می شود با پدیده های پیوند دور پیش بینی شود. بر این اساس همبستگی های تقاطعی نمایه spi با شاخص های پیوند دور با گام های تأخیری زمانی مختلف محاسبه و برای هر شاخص، گام تأخیری با بالاترین همبستگی به عنوان متغیر مستقل انتخاب تا متغیر وابسته یعنی شدت خشکسالی با روش های رگرسیون چندمتغیره خطی، شبکه عصبی مصنوعی، نزدیکترین k-همسایگی و درخت تصمیم m5 پیش بینی شود. نتایج نشان داد که با وجود همبستگی های ضعیفی که بین تک تک متغیرهای مستقل با شدت خشکسالی وجود داشت ولی شرکت دادن کلیه این متغیرها می تواند خشکسالی را در پنجره های زمانی 3، 6 و 12 ماهه بترتیب با ضرایب همبستگی 662/0، 79/0 و84/0و ریشه میانگین مربعات خطای771/0،634/0و611/0 پیش بینی کنند. از بین مدل های پیش بینی، مدل درختی m5 نیز در مقایسه با دیگر مدل ها نتایج بهتری را ارائه کرد.مهم ترین نتایجی که برای پیش بینی خشکسالی هواشناسی با استفاده از شاخص های اقلیمی پیوند از دور بدست آمد عبارتند از: 1) شاخص های اقلیمی پیوند از دور به تنهایی همبستگی بالایی با شاخص خشکسالی برقرار نمی کنند ولی در ترکیب با هم می توانند تا حد قابل قبولی در پیش بینی شدت خشکسالی موثر باشند. 2) در بین شاخص های پیوند از دور موثر بر خشکسالی، به ترتیب شاخص های nino4،soi، sunspot،mei در گام های زمانی متفاوت از بین دیگر شاخص ها بیشترین تاثیر را داشتند. 3) با توجه به اینکه شاخص های اقلیمی پیوند از دور در چند گام زمانی بعد بیشترین تأثیر را می گذارند بنابراین می توانند در پیش بینی متغیر های کارآمدی باشند. 4) لکه های خورشیدی به تنهایی همبستگی بالایی با شاخص خشکسالی برقرار نمی کند ولی در ترکیب با دیگر متغیر هاییش بینی کننده، به عنوان یک متغیر مهم و اساسی در نظر گرفته می شود. 5) در بین مدل ها روش های مختلف پیش بینی،مدل درختی m5 با ارائه روابط ساده و مشخص و هم چنین میزان خطای کم تر، نسبت به مدل های رگرسیونی چند متغیره خطی،شبکه عصبی مصنوعی و روش نزدیکترین k همسایگی، روش مناسب تری در پیش بینی خشکسالی بر اساس شاخص های اقلیمی پیوند از دور تشخیص داده شد. 6) با افزایش پنجره زمانی شاخص خشکسالی، دقت پیش بینی افزایش می یابد.