به‌منظور کنترل و مدیریت صحیح توفان‌های گردوغبار، آگاهی از تغییرات زمانی این پدیده و لزوم پیش‌بینی و مدل‌سازی آن ضروری است. در این پژوهش به‌منظور پیش‌بینی متغیر فراوانی روزهای همراه با توفان گردوغبار (FDSD)، نتایج دو روش هیبریدی با نام ماشین بردار پشتیبان- موجک (W-SVM) و ماشین بردار پشتیبان- الگوریتم گیاهان مصنوعی (AF-SVM) به‌همراه مدل انفرادی ماشین بردار پشتیبان (SVM)، مقایسه شد. بدین منظور از داده‌های ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دورۀ آماری چهل‌ساله (2018-1980) در پنج ایستگاه سینوپتیک منتخب استان سیستان و بلوچستان استفاده شد. معیارهای ضریب تبیین، ریشۀ میانگین مربعات خطا، میانگین قدرمطلق خطا و ضریب نش‌ساتکلیف برای ارزیابی و مقایسۀ مدل‌ها، استفاده شد. نتایج در مرحلۀ آموزش و آزمایش نشان داد که ساختارهای ترکیبی استفاده‌شده، نتایج قابل قبولی در مدل‌سازی شاخص FDSD ارائه می‌کنند. مدل هیبریدی ماشین بردار پشتیبان- موجک با ضریب همبستگی (984/0-911/0R2=)، ریشۀ میانگین مربعات خطا (day 314/0-397/0RMSE=)، میانگین قدر مطلق خطا (day 335/0-236/0MAE=) و ضریب نش‌ساتکلیف (965/0-924/0NS=)، عملکرد بهتری نسبت به دیگر مدل‌های استفاده‌شده در پیش‌بینی شاخص FDSD داشته است. نتایج این تحقیق می‌تواند در مدیریت پیامدهای ناشی از توفان‌های گردوغبار و برنامه‌های مقابله با بیابان‌زایی در مناطق تحت مطالعه مؤثر واقع شود.