The objective of this study was to simulate scenarios of uso and occupation of the soil in the Tapacurá River Basin, located in Pernambuco state, based on changes in land use in t1 (1989) and t2 (2007) in the basin. Land use prediction was performed for t3 (2015), using three methods: (a) Multi-Layer Perceptron Neural Network (RNMLP), (b) Similarity- Weighted Instance- Based Machine Learning Algorithm (SimWeight), and (c) Logistic Regression (LR) and for the methodology that showed better performance, the prediction of the future scenarios was executed for t4 (2035). The simulated future scenarios were: (a) Scenario 1: continuity of transitions and (b) Scenario 2: continuity of transitions and intensification of the livestock class and expansion of the urban area, obtained using the module Land Change Modeler (LCM) of the Idrisi TerrSet and images of the ground cover. The results of the soil use forecast for the year of 2015 showed better performance using RNMLP with training of 84.22% and 10.000 iterations. The simulation of the future scenarios for t4 showed intensification of the transitions observed in the three years analyzed, with an expected expansion of about 3% of the livestock class for the two simulated scenarios.Este estudo teve por objetivo simular cenários de uso e ocupação do solo para t4 (2035), tendo como base as mudanças no uso do solo ocorridas em t1 (1989), t2 (2007) e t3 (2015) para a bacia do Rio Tapacurá, localizada no Estado de Pernambuco. Foi realizada a previsão do uso do solo para t3 (2015), usando três métodos: (a) Rede Neural Multi-Layer Perceptron (RNMLP), (b) Similarity-Weighted Instance-Based Machine Learning Algorithm (SimWeight) e (c) Regressão Logística (RL) e para a metodologia que mostrou melhor desempenho, foi realizada a predição dos cenários futuros para t4 (2035). Os cenários futuros simulados foram: (a) Cenário 1: de continuidade das transições e (b) Cenário 2: de continuidade das transições e intensificação da classe pecuária e expansão da área urbana, usando o módulo Land Change Modeler (LCM) do Idrisi TerrSet e imagens da cobertura do solo. Os resultados da previsão do uso do solo para 2015 mostraram que o melhor desempenho foi obtido usando o método RNMLP com treinamento de 84,22% e 10.000 iterações. A simulação dos cenários futuros para t4 mostrou intensificação das transições observadas nos três anos analisados, com previsão para expansão de cerca de 3% da classe pecuária para os dois cenários simulados.