امروزه برآورد میزان تغییرات نواحی نیمه¬ شهری مانند زمین¬های کشاورزی و زمین¬های زیر کشت، چنان اهمیتی دارد که امر برنامه ریزی و مدیریت آنها به عنوان یک ضرورت برای همه کشورها تلقی می¬شود، لذا در این راستا علوم سنجش از دور جهت رسیدن به این مهم، گام¬های مطلوبی را برداشته¬اند. برای کشف تغییرات روشهای گوناگونی در فتوگرامتری وسنجش از دور وجود دارد و شاید بتوان گفت که هیچکدام بصورت مطلق در تمام وجوه بهینه نمی¬باشند. انتخاب نوع روش، کار چندان ساده ای نیست و وابسته به کاربرد، تعداد و تراکم عوارض موردنظر، دقت مورد¬نیاز، دوره بهنگام رسانی، هزینه و پارامترهای بسیار دیگری می باشد. در این تحقیق تعیین روال مناسب جهت شناسایی تغییرات زمینهای زیر کشت و برآورد درصد آن تغییرات در یک منطقه نیمه شهری با ارائه روشی شئ¬گرا و با تکیه بر الگوریتم های شبکه عصبی و svm بصورت نظارت شده مورد بررسی قرار گرفته است. برای این منظور از تصاویر چندزمانه سنجنده¬های landsat استفاده و راهکارهای متفاوتی برای شناسایی تغییرات ارائه شده و با مقایسه نتایج حاصل، راهکار بهینه تعیین شده است. ایده اصلی به این طریق است که با استفاده از دو تصویر، یک تصویر هم مرجع شده چندزمانه که شامل کل لایه¬های دو تصویر دیگر می باشد تهیه شد. سپس با تعیین پارامترهای مناسب قطعه بندی بصورت تجربی، آن تصویر قطعه بندی و بعد از آن با استفاده از ترکیب کردن لایه های رنگی تصویر(روش ترکیب رنگی جمعی) و همچنین استفاده از روشهای طبقه بندی شئ گرا و اعمال آنها بر روی تک تصویر هم مرجع شده بدست آمده، مناطق تغییر یافته و تغییر نیافته ایجاد گردیده است. درنهایت برای برچسب زدن به مناطق مشتمل بر نواحی تغییریافته و تغییرنیافته و مشخص کردن کلاسها در آن، از نمونه های آموزشی که توسط کاربر خبره از یک تصویر انتخاب شدند، استفاده شده و نقشه تغییرات نهایی بدست آمده است. نتایج حاصل حاکی از آن است که این روش از جهت کاهش نمونه های آموزشی، افزایش سرعت و دقت (بطور میانگین 2.5 تا 3درصد) و افزایش اطلاعات مورد استفاده برای طبقه بندی و درنتیجه بالا رفتن درصد اطمینان بر روشهای معمول شناسایی تغییرات که از مقایسه دو تصویر چندزمانه با هم استفاده می¬کنند برتری دارد.