چکیده: خشکسالی باعث تشدید بحران آب و ایجاد خسارت های جبران ناپذیر به جوامع می‌شود. در سال های اخیر استفاده از روش های یادگیری ماشین در ارزیابی خشکسالی مورد توجه محققین قرار گرفته است. هدف این تحقیق، ارزیابی خشکسالی در شهرهای زابل و زاهدان طی بازه زمانی (2020-1990) است که برای این منظور شاخص بارش استاندارد (SPI) در مقیاس فصلی و سالانه، تحلیل خودهمبستگی جزئی(PACF) و الگوریتم جنگل تصادفی(RF) استفاده شده است. پس از محاسبه SPI، نتایج تحلیل PACF برای SPI، به عنوان ورودی های مدل در نظر گرفته شده اند. داده های آموزش و آزمایش با دو ورودی متفاوت بررسی شده اند. طبق نتایج تحقیق در مقیاس فصلی و سالانه SPI، طبقه خشکسالی تقریبا نرمال(N) بیشترین فراوانی وقوع را در هر دو ایستگاه دارد و شدت خشکسالی در ایستگاه زاهدان در مقیاس فصلی و سالانه نسبت به ایستگاه زابل زیادتر بوده و اوج خشکسالی سالانه هر دو ایستگاه در سال 2001 رخ داده است، همچنین اوج خشکسالی هر دو ایستگاه در مقیاس فصلی در فصولی رخ داده است که فاقد بارش بوده اند. بر اساس تحلیل PACF، مناطق مورد مطالعه در طی بازه زمانی30ساله دچار تغییر اقلیم شده اند. نتایج پیش بینی SPI توسط چندین پارامتر آماری بررسی شده اند. شاخص توافق(IOA) در ایستگاه زابل برای داده‌های آموزش با در نظر گرفتن چهار تاخیر زمانی‌ (2، 4، 6 و 12ماهه) و سه تاخیر زمانی (2، 4 و 6ماهه) به عنوان ورودی به ترتیب برابر9648/0 و 9256/0 بوده و برای داده‌های آزمایش به ترتیب 8556/0 و 8673/0 می‌باشد. IOA در ایستگاه زاهدان برای داده‌های آموزش با چهار تاخیر زمانی (2، 4، 6 و8ماهه) و سه تاخیر زمانی (2، 4 و6ماهه) به ترتیب برابر 9495/0 و 9205/0 است و برای داده‌های آزمایش به ترتیب 7408/0و 6303/0 می‌باشد. سایر پارامتر های آماری بررسی شده نیز نشان دهنده قابلیت مطلوب RF در تخمین SPI می‌باشند.