خشکسالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحت تأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تأثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی ( ARIMA ) و مدل شبکه عصبی برای مدل سازی خشکسالی براساس داده های سنجش از دوری مورد استفاده قرار گرفته است . به همین منظور، شاخص بارش استانداردسازی شده ( SPI ) با استفاده از داده های هواشناسی به عنوان میزان شدت خشکسالی مورد استفاده قرار گرفت . تعدادی از ویژگی ها شامل شاخص اختلاف نرمال شده پوشش گیاهی ( NDVI ) ، شاخص وضعیت پوشش گیاهی ( VCI ) و شاخص پوشش گیاهی - دمایی ( TVX ) که از تصاویر MODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSE و MAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI ، TVX و VCI و شاخص هواشناسی SPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص های TVX و NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین از شاخص های TVX ، NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود .
