خشکسالی یک رخداد طبیعی تکرار­شونده و موقتی است که ناشی از کاهش بارندگی نسبت به میانگین بلندمدت آن می­باشد و می­تواند در هر اقلیمی رخ دهد. از آنجائی که خشکسالی پدیده‌ای تصادفی و غیرخطی است ، استفاده از مدل‌های استوکاستیک خطی، شبکه عصبی مصنوعی و مدل‌های هیبرید می‌تواند در توسعه نتایج پیش‌بینی مفید باشد. مطالعه حاضر به بررسی کارایی مدل‌های ARIMA، شبکه عصبی مصنوعی و مدل هیبرید آریما - شبکه عصبی مصنوعی در پیش‌بینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی در دو ایستگاه هیدرومتری واقع در بخش میانی و خروجی در حوزه آبخیز گاماسیاب در دوره آماری (1353- 1387) می‌پردازد و شاخص SDI بعنوان شاخص پیش‌بینی کننده انتخاب گردید. بازه زمانی آماری (1353- 1379) برای مرحله واسنجی و 8 سال باقیمانده جهت مرحله صحت سنجی مدل‌ها مورد استفاده قرار گرفت. نتایج نشان می‌دهد، در میان سه مدل مورد استفاده جهت پیش­بینی یک گام زمانی بعد، ترکیب مدل­های شبکه عصبی- استوکاستیک (هیبرید) نتیجه مناسبی نسبت به مدل‌های مجزای آن­ها در مقیاس ماهانه و فصلی دارد بطوری‌که مقادیر میانگین خطای نسبی و آماره کاپای این مدل در مقیاس زمانی ماهانه در ایستگاه پل‌چهر (بخش خروجی) به ترتیب 79/5% RME=و   565/0K= و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) 22% RME=و   232/0K= است.