چکیده: خشکسالی پدیده‌ای خزشی و جزئی طبیعی از اقلیم هر منطقه می‌باشد که اثرات شدید اقتصادی، زیست محیطی و اجتماعی را در پی دارد. کشور ایران سرزمینی خشک می‌باشد و از شرایط خشکسالی در سال‌های اخیر زیان بسیار دیده است. توسعه ابزار به منظور نظارت مؤثر و پیش‌بینی شدت خشکسالی با دقت بالا و محاسبه عدم قطعیت آن می‌تواند به سیاست گذاران در جهت کاهش آسیب‌پذیری و برنامه‌ریزی دقیق در جهت مقابله با این پدیده کمک کند. در دهه‌های گذشته شبکه‌های عصبی توانایی زیادی در مدل‌سازی و پیش‌بینی سری‌های زمانی نشان داده‌اند. در این پژوهش قرار است که با استفاده از ANN و ANFIS به مدل‌سازی و پیش‌بینی خشکسالی پرداخته شود و در گام بعدی با محاسبه عدم قطعیت هر کدام از مدل‌ها مدل مناسب با دقت بالا انتخاب گردد. از آنجا که انتخاب داده‌های ورودی نقش مهمی در آموزش شبکه‌های عصبی دارد و تاکنون در تمام تحقیق‌های گذشته از الگوریتم انتخاب کاملاً تصادفی استفاده شده است سعی بر ارائه الگوریتم جدیدی برای انتخاب داده‌های ورودی در مرحله آموزش شده است. نتایج نهایی نشان می‌دهد که اگرچه مدل ANFIS نسبت به مدل ANN، مقدار R2 کمتری را نشان می‌دهد ولی دارای عدم قطعیت کمتری نسبت به مدل ANN بوده است که این نشان از برتری مدل ANFIS نسبت به مدل ANN دارد.