پیش بینی خشکسالی نقش مهمی در طراحی سیستم های سازگاری با خشکسالی و اجرای عملیات تسکین ایفا می-نماید. داده های هیدرولوژیک به صورت ترکیبی از بخش قطعی و تصادفی می باشند. با توجه به اینکه داده های تولیدی مدل-های هوشمند به صورت قطعی می باشند، استفاده از رویکردی جدید برای اعمال بخش تصادفی در پیش بینی این داده ها می تواند قطعیت مدل را افزایش دهد. در این تحقیق با ترکیب مدل برنامه ریزی بیان ژن (GEP) و مدل سری زمانی مبتنی بر واریانس ناهمسان شرطی (GARCH) سعی در ارائه مدلی ترکیبی برای پیش بینی خشکسالی شده است. بدین منظور پیش بینی خشکسالی در ایستگاه سلماس با استفاده از شاخص خشکسالی SPEI در گام های زمانی مختلف در طی دوره آماری 35 ساله و با پنج مدل ورودی مختلف شامل مقادیر شاخص SPEI از یک تا پنج گام زمانی تأخیر، مورد بررسی قرار گرفت. نتایج نشان داد که روش GEP در مقیاس زمانی کوتاه مدت شاخص SPEI از دقت مناسب برخوردار نمی باشد و با افزایش مقیاس زمانی عملکرد مدل بهبود پیدا می کند. نتایج مدل ترکیبی نشان داد که خطای مدل GEP در همه مقیاس های زمانی کاهش پیدا می کند و این بهبود عملکرد در مقیاس های زمانی کوتاه مدت ملموس تر می باشد به نحوی که ضریب همبستگی در مقیاس زمانی سه ماهه در مدل ساده GEP از 622/0 به 891/0 در مدل ترکیبی افزایش پیدا کرده است.