تهیه نقشه­ پوشش اراضی شهری یکی از پیش­ شرط­ های اساسی بسیاری از برنامه­­ های شهری محسوب می­ شود. صرف کمترین زمان و هزینه برای تهیه این نقشه­ ها از جمله چالش­ های مدیران شهری محسوب می­ شود. امروزه تصاویر ماهواره ­ای و طبقه­ بندی آن­ها کاربرد گسترده­ ای در تهیه نقشه ­های پوشش اراضی شهری پیدا کرده­ اند. بر این اساس هدف از این تحقیق، تهیه نقشه پوشش اراضی شهری در شهر تبریز با استفاده از تصویر ماهواره ­ای سنتینل-2 می­ باشد. برای طبقه ­بندی تصویر ماهواره ­ای، از دو الگوریتم جنگل تصادفی و یادگیری عمیق مبتنی بر شبکه عصبی (شبکه عصبی عمیق) استفاده شد. کلاس­ های کاربری مورد نظر شامل پنج پوشش سطحی: اراضی بایر، مناطق ساخته شده، راه، پوشش گیاهی و آب بودند. تمام مراحل پردازش تصاویر ماهواره ­ای به ­صورت خودکار و در سامانه ­های پردازش ابری Google Earth Engine و Google Colab انجام شد. با توجه به نتایج به ­دست آمده، الگوریتم شبکه عصبی عمیق با صحت کلی 95/2 درصد عملکرد بهتری را نسبت به الگوریتم جنگل تصادفی با صحت کلی 93/1 درصد ارائه کرد. بررسی عملکرد این دو الگوریتم در استخراج هر یک از کلاس ­ها نشان داد که روش شبکه عصبی عمیق در استخراج کلاس­ های اراضی بایر و مناطق ساخته شده عملکرد بهتری داشته است، به­ طوری­ که مقادیر صحت کاربر و تولید کننده آن در کلاس اراضی بایر به­ ترتیب 9/6 و 1 درصد بیش­تر از الگوریتم جنگل تصادفی بودند. این میزان در کلاس مناطق ساخته شده نیز به­ ترتیب 0/3 و 4/3 درصد بیش­تر از الگوریتم جنگل تصادفی بودند. از طرفی الگوریتم جنگل تصادفی در استخراج کلاس راه عملکرد بهتری داشت و  مقادیر صحت کاربر و تولید کننده آن به­ ترتیب 3/65 و 4/1 درصد بیش از روش شبکه عصبی عمیق بودند. بنابراین می­ توان گفت هر دو الگوریتم عملکرد مناسبی در تهیه نقشه پوشش شهری ارائه دادند، اما عملکرد کلی الگوریتم شبکه عصبی عمیق، مناسب­ تر بود.