مرضیه موغلی - عضو هیئت علمی گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران.
محسن شهسوار - دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه آزاد اسلامی لارستان، لارستان، ایران.
مصطفی خبازی - عضو هیئت علمی گروه جغرافیا و برنامه ریزی شهری، دانشگاه شهید باهنر کرمان، کرمان، ایران.

مقدمه: استفاده بیش ازحد و نادرست از منابع طبیعی موجود، نیازمند افزایش ارزیابی اجزا منابع و بررسی تغییراتی است که درگذشته اتفاق افتاده است. بنابراین آشکارسازی، پیش بینی تغییرات لازمه مراقبت از یک اکوسیستم به ویژه در مناطقی با تغییرات سریع و اغلب بدون برنامه ریزی در کشور های درحال توسعه می باشد. داده و روش: روش پژوهش حاضر از نظر هدف کاربردی و از حیث روش، توصیفی- تحلیلی است. و با استفاده از تکنیک های بصری و ترسیمی از تصاویر سنجنده های TM لندست ۵ در سال های ۱۹۹۸،۱۹۹۲،۱۹۸۶، ETM+ لندست ۷ در سال های ۲۰۱۰،۲۰۰۴ و سنجنده OLI لندست ۸ در سال۲۰۱۶ بهره گرفته است. به علاوه از نقشه های رقومی منطقه برای بررسی تصحیح هندسی تصاویر و همچنین به عنوان داده های کمکی در تفسیر تصاویر و پیش بینی تغییرات، استفاده گردید. پس از تایید کیفیت هندسی و رادیومتری تصاویر با توجه به ویژگی های منطقه، کاربری های موجود، با روش تفسیر تلفیقی تصاویر هر شش مقطع زمانی به چهار کلاس مناطق شهری، باغات پسته، اراضی بایر و نمکزار با الگوریتم حداکثر احتمال طبقه بندی  شد و پس از اعتبار سنجی میانگین دقت کاپا ۸۳ درصد و میانگین دقت کلی ۸۹ درصد برای شش نقشه کاربری اراضی تولیدشده بدست آمد. یافته ها: نقشه های کاربری اراضی تولید شده از کلاس بندی و پیش بینی شده از مدل ها در سال های ۲۰۱۶،۲۰۱۰،۲۰۰۴،۱۹۹۸ مقایسه و صحت آن با استفاده از شاخص کاپا ارزیابی شد. نتایج نشان داد میانگین دقت کاپا برای مدل شبکه عصبی۷۶ درصد بود. نتیجه گیری: نشان دهنده هماهنگی بین مقدار و مکان تغییرات واقعی و پیش بینی شده و درنتیجه عملکرد نسبتا خوب برنامه LCM در پیش بینی تغییرات کاربری اراضی است.

توسعه شهری, شبکه عصبی, تصاویر ماهواره ای, رفسنجان