Simular y predecir con precisión el proceso de expansión urbana, especialmente en áreas de urbanización rápida, es un aspecto importante de la gestión de recursos de tierra limitados y de la adaptación de políticas de uso de suelo defectuosas. Esta investigación se llevó a cabo sobre la base de un conjunto de datos de uso de suelo de alta resolución temporal para modelar con precisión la expansión urbana en una zona en rápido desarrollo, integrando la Red Neuronal Artificial (ANN), autómatas celulares (CA) y la Cadena de Markov (MC). Se creó un mapa del índice de idoneidad urbana (USI) utilizando ANN y se alimentó a CA-MC para identificar posibles celdas cambiadas a urbanas. Se implementaron dos ANN, el perceptrón multicapa (MLP) y la red de memoria a corto y largo plazo (LSTM), como modelos de simulación para comparación. Debido a su capacidad para capturar más información temporal, LSTM superó a MLP en la modelización de la dinámica de expansión urbana en un intervalo temporal corto. Los resultados simulados fueron validados por simulación kappa (difusa) y los resultados revelaron que la combinación de ANN y CA-MC puede modelar con precisión las ubicaciones de desarrollo urbano debido a su fortaleza en revelar la relación no lineal entre el proceso de expansión y sus impulsores. El mismo modelo se aplicó al sur de Auckland, y los resultados comparados muestran que la mayor parte de la varianza simulada es causada por las políticas de uso de suelo implementadas por diferentes tipos de gobiernos.