La sequía es una de las calamidades climáticas más severas, afectando muchos aspectos del medio ambiente y de la existencia humana. La planificación y la toma de decisiones efectivas en áreas propensas a desastres requieren predicciones de sequía precisas y confiables a nivel mundial. La selección de un modelo de pronóstico efectivo sigue siendo un desafío debido a la falta de información sobre el rendimiento del modelo, a pesar de que los modelos basados en datos se han utilizado ampliamente para anticipar sequías. Por lo tanto, este estudio investigó la aplicación de algoritmos de máquina de aprendizaje extremo simple (ELM) y ELM basado en wavelet (W-ELM) en la predicción de sequías. Se utilizó el índice de escorrentía estandarizado para modelar la sequía hidrológica en diferentes escalas de tiempo (1, 3, 6, 9 y 12 meses) en cinco estaciones hidrológicas de la cuenca de Wadi Mina (Argelia). Se adoptó una función de autocorrelación parcial para seleccionar combinaciones de entradas rezagadas para la predicción de sequías. Los resultados sugirieron que ambos algoritmos predicen bien la sequía hidrológica. Sin embargo, el rendimiento de W-ELM se mantuvo superior en la mayoría de las estaciones hidrológicas con un coeficiente de determinación promedio de 0.74, un error cuadrático medio de 0.36 y un error absoluto medio de 0.43. También se observó que el rendimiento de los modelos en la predicción de sequías en la escala de tiempo de 12 meses fue mayor que en la escala de tiempo de 1 mes. El enfoque híbrido propuesto combinó la capacidad de aprendizaje rápido de ELM y la capacidad de la transformada wavelet discreta para descomponerse en diferentes bandas de frecuencia, produciendo resultados prometedores en sequías hidrológicas. Los hallazgos indicaron que el modelo W-ELM puede ser utilizado para predicciones de sequía confiables en Argelia.