در این تحقیق به پیش¬بینی دو نوع خشکسالی هواشناسی و هیدروژئولوژیکی(در سه مقیاس زمانی)، با استفاده از دو مدل شبکه عصبی مصنوعی و مدل¬های استوکاستیک، در یکی از دشت¬های واقع در جنوب استان قزوین و طی سال¬های 1361-1391 پرداخته شد. درنهایت با ترکیب بهترین ساختارهای هریک از مدل¬های منفرد مذکور مدل ترکیبی بهینه پیشنهاد شد. جهت مدل¬سازی با استفاده از شبکه عصبی پرسپترون چند لایه از چهار سناریوی مختلف ترکیب بهینه ورودی¬ها استفاده شد. ورودی¬های سناریوی اول علاوه بر شاخص خشکسالی با تاخیر مشخص، سیگنال¬های اقلیمی شاملmei،soi، amm،amo و pdo، سناریوی دوم، تنها شامل شاخص خشکسالی با تاخیر مشخص و سناریوی سوم نیز شامل شاخص خشکسالی با پارامترهای هواشناسی از جمله بارندگی، تبخیر و تعرق، مینیمم دما، ماکسیمم دما، مینیمم دمای مطلق، ماکسیمم دمای مطلق و میانگین دما می¬باشد. همچنین سناریوی چهارم نیز جهت مدل¬سازی ارتباط خشکسالی هیدروژئولوژیک و هواشناسی بررسی شد که ورودی¬های آن شامل شاخص spi با گام تاخیر مشخص می¬باشد. جهت تعیین ترکیب بهینه ابتدا از همبستگی متقاطع و سپس از آزمون گاما استفاده گردید. نتایج نشان داد که با افزایش مقیاس زمانی spi از کوتاه مدت به بلند مدت، همبستگی با سیگنال¬های اقلیمی افزایش و در عوض همبستگی با پارامترهای هواشناسی کمتر می¬شود. در مورد شاخص gri برخلاف spi نیز با افزایش مقیاس زمانی، مقادیر همبستگی پارامترهای هواشناسی همچون بارندگی افزایش می¬یابد. همچنین خشکسالی هواشناسی به عنوان ورودی شبکه عصبی جهت مدل¬سازی خشکسالی هیدروژئولوژیکی نتایج قابل قبولی ارائه نداده و این سناریو جهت مدل¬سازی با شاخص های مذکور، پیشنهاد نمی¬شود. جهت پیش¬بینی خشکسالی هواشناسی مدل¬های منتخب سری¬زمانی در مقیاس زمانی کوتاه مدت، میان مدت و بلند مدت، به ترتیب arima(1,0,1) (1,1,1) ، arima(3,0,1)(0,1,4) و arima(0,1,1)(3,0,0) و برای پیش¬بینی خشکسالی هیدروژئولوژیکی نیز مدل¬های منتخب در مقیاس زمانی کوتاه مدت، میان مدت و بلند مدت به ترتیب arima(1,0,1)(3,1,0)، arima(1,0,1)(5,1,0) و arima(1,0,1)(5,0,0) تعیین گردید. مقایسه روش¬های انجام شده نشان داد که با افزایش مقیاس زمانی، عملکرد پیش¬بینی مدل¬های منفرد بهبود یافته و مدل ترکیبی (ann-arima) اول، در تمامی مقیاس¬های زمانی نتایج قابل قبولی را بر اساس معیارهای ارزیابی دارا می باشد.