خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره‌های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (GRI) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می‌شود. تاکنون روش‌ها و مدل‌های مختلفی برای پیش‌بینی و مدل‌سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می‌باشد می‌توان به جای استفاده از یک مدل؛ ترکیبی از مدل‌های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش‌بینی مناسبت‌تر و قابل اعتماد‌تری دست یافت. در این تحقیق پس از محاسبه مقادیر GRI طی دوره آماری(1363-1390) در جنوب استان قزوین و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی، دبی، تبخیروتعرق پتانسیل، دما (میانگین، ماکزیمم، مینیمم)) و  سیگنال‌های اقلیمی ( MEI، SOI، AMM، AMO و PDO)، با استفاده از آزمون  گاما در سه ساختار ترکیب ورودی، اقدام به مدل‌سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی SOI و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر GRI می‌باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سری‌زمانیARIMA(1,1,3)(2,0,1) با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل‌سازی با مدل ترکیبی ANN-ARIMA انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. (R²=0.94, RMSE= 0.05)