رشد جمعیت، تغییرات اقلیمی گسترده و پراکنده­روی شهرها سبب تغییرات چشم­گیری در کاربری‌های اراضی شده است. پیشرفت هوش مصنوعی در سالیان اخیر در کنار دسترسی گسترده به داده‌های برخط و ظهور روش­های نوین تحلیل کلان داده سبب گشته تا راه‌حل‌های جدیدی برای تحلیل مسائل و حل مشکلات ناشی از این تغییرات فراهم آید. ازاین­رو، طبقه‌بندی، پیش‌بینی و شبیه‌سازی به کمک داده‌های حاصل از این تغییرات در ادوار مختلف می­تواند زمینه ساز اخذ تصمیمات صحیح و کاربردی باشد. دراین­راستا، همواره استفاده از راه­کارهای نوین مدلسازی و برنامه­ریزی کاربری اراضی مورد توجه متخصصان این امر بوده است. اگرچه مطالعات گسترده­ای در حوزه روش‌های یادگیری ماشین به عنوان رویکرد جدید طبقه‌بندی، پیش‌بینی و شبیه‌سازی در حوزه­های مختلف علوم صورت پذیرفته است؛ اما این مطالعات کمتر به بررسی و مرور روش‌های مطرح و کاربردی عامل-مبنا و یادگیری ماشین در تحلیل و مدل‌سازی تغییرات کاربری زمین پرداخته‌اند. بدین منظور، این مقاله فرصت یک مرور نظام‌مند از کاربرد الگوریتم‌های یادگیری ماشین و مدل‌سازی عامل-مبنا در حوزه کاربری زمین را که در اهم پژوهش‌ها و شواهد تجربی ایالات‌متحده آمریکا، اروپا و بخش‌های مختلف آسیا و همچنین ایران تا به امروز ثبت شده فراهم آورده است. دراین­راستا، الگوریتم‌ها و روش‌های مختلف پیاده‌سازی شده در هر یک از مطالعات، بررسی شده و نتایج حاصل از تحلیل داده‌های متناسب با آن­ها که می‌تواند مبنای ادامه کار پژوهش‌های آتی باشد معرفی شده است. نتایج نشان می‌دهد جنبه‌های مختلف مسائل کاربری اراضی ازجمله طبقه‌بندی، مدل‌سازی، شبیه‌سازی و پیش‌بینی نیازمند الگوریتم‌هایی با ساختار متناسب خود هستند ازاین­رو هیچکدام از روش­ها را نمی‌توان به‌طور مطلق بر سایرین برتر دانست. اما در این مقاله، پرکاربردترین روش­ها برای طبقه بندی، پیش­بینی و شبیه­سازی تغییرات کاربری زمین دسته­بندی شده­اند. همچنین مشخص شد روش­های ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی (CNN) باتوجه به ارائه بهترین نتایج، بیشترین کاربرد را در قیاس با سایر روش­های معرفی شده داشته­اند.