Impulsada por los cambios en la precipitación y el aumento de la temperatura, la frecuencia y la intensidad de las sequías han aumentado. Hay una necesidad evidente de monitorear las sequías de manera precisa. Con la popularidad del aprendizaje automático, muchos estudios han intentado utilizar el aprendizaje automático combinado con múltiples indicadores para construir modelos de monitoreo de sequías integrales. Este estudio prueba cuatro marcos de modelos de aprendizaje automático, incluyendo bosque aleatorio (RF), red neuronal convolucional (CNN), regresión de vectores de soporte (SVR) y red neuronal BP (BP), que se utilizaron para construir cuatro modelos de monitoreo de sequías integrales. Se comparó la precisión y la capacidad de monitoreo de sequías de los cuatro modelos al simular un sitio de pastizales bien documentado en Mongolia Interior. Los resultados muestran que el modelo de bosque aleatorio es el mejor entre los cuatro modelos. El rango de R2 del conjunto de prueba es de 0.44 a 0.79, el rango de RMSE es de 0.44 a 0.72, y la relación de precisión de ajuste se podría describir como RF > CNN > SVR ~ BP. El análisis de correlación entre los resultados de ajuste de los cuatro modelos y SPEI encontró que el coeficiente de correlación de RF de junio a septiembre fue más alto que el de los otros tres modelos, aunque notamos que el coeficiente de correlación de CNN en mayo fue ligeramente superior al de RF (CNN = 0.79; RF = 0.78). Nuestros resultados demuestran que los índices de monitoreo de sequías integrales desarrollados a partir de modelos RF son precisos, tienen alta capacidad de monitoreo de sequías y pueden lograr el mismo efecto de monitoreo que SPEI. Este estudio puede proporcionar un nuevo soporte técnico para el monitoreo integral de sequías regionales.