خشکسالی یک اختلال موقتی است که خصوصیات آن از منطقه ای با منطقه دیگر متفاوت است، از این رو نمی توان تعریف جامع و مطلق برای خشک سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس نت که یکی از شبکه های کانولوشن می باشد استفاده شده است)، الگوریتم K نزدیک ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده های بارش به عنوان ورودی شبکه های عصبی و کلاس بندی SPI به عنوان خروجی شبکه ها قرار داده شد. 80 درصد داده ها برای آموزش و20 درصد داده ها برای تست شبکه ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه ها توانایی پیش بینی خشکسالی را داشته اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و Decision Tree با 65/64 درصد، کارآمدترین روش بوده اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.
