امروزه شهر نشینی و نحوه گسترش آن از مهمترین مسائل در سطح جهان بشمار می رود که توجه بسیاری را به خود جلب کرده است. رشد سریع شهرنشینی و گسترش شهری، به ویژه در کشورهای در حال توسعه، نیازمند درک الگوها و فرآیند پیچیده رشد شهری به روش علمی و کارآمد است.شهرها سیستم های دینامیک و پیچیده ای هستند که برای شبیه سازی آن ها باید از متغیرهای مکانی بسیاری استفاده کرد. بعبارت دیگر شبیه سازی رشد شهری در اکثر مواقع در برگیرنده متغیرهایی از مجموعه بزرگی از متغیرهای مکانی است. نظر به اینکه از یک طرف خطاها و عدم قطعیت ها مسائل مهمی هستند که در اکثر آنالیز های مکانی و فرآیندهای مدلسازی وجود دارند و از طرف دیگر از موارد حائز اهمیت در فرآیند مدلسازی توسعه شهری تعیین میزان نقش متغیرهای موثر در فرآیند رشد شهری است که از طریق اختصاص وزن مناسب برای آن پارامتر صورت می گیرددر این تحقیق با استفاده از الگوریتم شبکه نرو-فازی سعی می شود که علاوه بر پشتیبانی از عدم-قطعیت های موجود در طول فرآیند مدلسازی توسعه شهری از شبکه عصبی مصنوعی نیز جهت آموزش و کالیبراسیون مدل پیشنهادی با درس گرفتن از گذشته استفاده گردد، تا بتوان به مدلی با قابلیت کاراتر نایل آمد. در روش پیشنهادی نقشه های شاخص قابلیت توسعه زمین* (lsi) با بکارگیری سیستم استنتاج نرو- فازی تطبیقی *(anfis) و سیستم های اطلاعات مکانی*(gis) ارائه گردیده است. بدین منظور در اولین مرحله موقعیت مناطق توسعه یافته بوسیله تفسیر و طبقه بندی تصاویر ماهواره ای شناسایی شدند. در مرحله بعد نقشه ی توزیع مکانی هر یک از پارامترهای موثر در فرآیند توسعه شهری از قبیل ارتفاع، شیب، فاصله از راه ها و فاصله از مناطق مسکونی به عنوان لایه های اطلاعاتی ورودی مدل، در محیط سیستم های اطلاعات مکانی، تهیه و کلاسه بندی شدند. سپس با استفاده از شاخص نسبت فراوانی*(fr) رابطه مکانی بین موقعیت-های فرآیند توسعه شهری و هر یک از فاکتورهای موثر در فرآیند توسعه شناسایی گردیده و نقشه ی lsi برای منطقه مورد مطالعه تهیه گردید. در مرحله ی بعد با بکارگیری سیستم مدلسازی نرو- فازی و استفاده از نقشه ی فاکتورهای موثر در فرآیند توسعه شهری بعنوان ورودی مدل سیستم استنتاج نرو- فازی تطبیقی و نیز نقشه های قابلیت توسعه ی شهری lsi بعنوان خروجی مدل، سیستم مورد نظر طراحی و آماده گردید. در این راستا از توابع عضویت مختلف برای تهیه نقشه قابلیت توسعه شهری استفاده گردید و نتایج آن ها با موقعیت زمینی مناطق توسعه یافته مورد تست قرار گرفت. در پایان به منظور ارزیابی مدل از شاخص های*rmse و r2 استفاده گردید. نتایج اعتبارسنجی حاکی از آن است که مقدار شاخصr2برای نقشه ی قابلیت توسعه ساخته شده با استفاده از توابع عضویتtrapmfمقدار 9431/0 است و بعد از آن بیشترین قابلیت به ترتیب متعلق به توابع عضویت trimf،gbllmf،guss2mf، dsigmf و در نهایت gussmf می باشد که به ترتیب دارای مقادیر9371/0، 9358/0، 9351/0، 9306/0 و 9050/0 می باشند که می تواند برای طراحی کاربری زمین آینده مورد استفاده قرار گیرند. سرانجام نتیجه گیری می شود که anfis ابزار بسیار مفید و موثری برای ارزیابی مناطق مستعد توسعه می باشد.