تاب آوری شهری شهری و تغییرات اقلیمی و کاربرد هوش مصنوعی در ارزیابی آن

بحران اقلیمی دیگر یک سناریوی دور از دسترس نیست؛ گرمای شدید، سیل‌های ناگهانی، خشکسالی و طوفان‌های شدیدتر هر سال آسیب‌های بیشتری به زیرساخت‌های شهری وارد می‌کنند. در چنین شرایطی، مفهوم «تاب آوری شهری»، یعنی توانایی یک شهر در پیش‌بینی، جذب، بازیابی و سازگاری در برابر این اختلالات، به یکی از اولویت‌های اصلی مدیریت شهری تبدیل شده است. اما ارزیابی دقیق تاب‌آوری یک شهر کار ساده‌ای نیست؛ این ارزیابی نیازمند پردازش هم‌زمان داده‌های اقلیمی، زیرساختی، اجتماعی و اقتصادی است، حجمی از داده که از توان تحلیل دستی خارج است.

درست در همین نقطه، هوش مصنوعی به ابزاری کلیدی برای ارزیابی تاب آوری شهری و مواجهه با تغییرات اقلیمی بدل شده است. مروری نظام‌مند بر ۳۸۵ مقاله‌ی علمی منتشرشده در بازه‌ی سال‌های ۲۰۰۰ تا ۲۰۲۵ نشان می‌دهد که هوش مصنوعی امروز در حال تبدیل‌شدن به ابزاری تحول‌آفرین برای افزایش تاب‌آوری سامانه‌ها در برابر تغییرات اقلیمی است، هرچند پژوهش‌های موجود در این حوزه هنوز میان بخش‌ها و مناطق مختلف جهان پراکنده‌اند (Ayadi et al., 2025). در ادامه‌ی این مقاله بررسی می‌کنیم که AI چگونه در ارزیابی تاب آوری شهری به کار گرفته می‌شود، چه فناوری‌هایی پشت این کاربردها قرار دارد و چه فرصت‌ها و چالش‌هایی پیش روی آن است.

تاب آوری شهری و تغییرات اقلیمی: چرا به هوش مصنوعی نیاز داریم؟

ارزیابی سنتی تاب آوری شهری معمولاً بر پایه‌ی شاخص‌های ثابت و داده‌های تاریخی محدود انجام می‌شود؛ رویکردی که در مواجهه با سرعت و پیچیدگی روزافزون رویدادهای اقلیمی، به‌سرعت ناکارآمد می‌شود. شهرها امروز باید هم‌زمان با چندین ریسک اقلیمی روبه‌رو شوند: افزایش دما، سیل‌های شهری، کمبود آب و آلودگی هوا، در حالی که هرکدام از این ریسک‌ها به داده‌ها و مدل‌های تحلیلی متفاوتی نیاز دارند. پژوهشی که به بررسی نقش هوش مصنوعی در مدل‌سازی اقلیمی برای برنامه‌ریزی شهری پایدار پرداخته، تأکید می‌کند که تا سال ۲۰۵۰ نزدیک به شصت‌وهشت درصد از جمعیت جهان در شهرها زندگی خواهند کرد و همین موضوع ضرورت توسعه‌ی راهبردهای سازگاری با تنوع فزاینده‌ی ریسک‌های اقلیمی را دوچندان می‌کند (Amnuaylojaroen, 2025).

هوش مصنوعی در این میان، توانایی منحصربه‌فردی برای ادغام داده‌های چندمنبعی، از تصاویر ماهواره‌ای و حسگرهای شهری گرفته تا داده‌های اجتماعی و اقتصادی، در یک چارچوب تحلیلی واحد دارد. مدل‌سازی اقلیمی مبتنی بر AI می‌تواند دقت پیش‌بینی، سرعت پردازش و توانایی ادغام داده‌های چندگانه را به‌طور هم‌زمان افزایش دهد و از همین رو، نقش مهمی در بررسی ریسک اقلیمی و برنامه‌ریزی شهری ایفا کند (Amnuaylojaroen, 2025). به بیان دیگر، هوش مصنوعی نه‌تنها سرعت بررسی تاب‌آوری را افزایش می‌دهد، بلکه امکان تحلیل هم‌زمان چند بعد از آسیب‌پذیری شهری را نیز فراهم می‌آورد که پیش از این عملاً غیرممکن بود.

فناوری‌ها و روش‌های AI در ارزیابی تاب آوری شهری

در قلب بسیاری از ابزارهای ارزیابی تاب آوری شهری، مدل‌های یادگیری ماشین و یادگیری عمیق قرار دارند که قادرند الگوهای پیچیده و غیرخطی میان متغیرهای اقلیمی و زیرساختی را شناسایی کنند. یکی از رویکردهای نوظهور در این حوزه، ترکیب شبکه‌های حافظه‌ی کوتاه‌مدت-بلندمدت (LSTM) برای مدل‌سازی پویایی‌های زمانی با شبکه‌های عصبی گرافی (GNN) برای مدل‌سازی وابستگی‌های مکانی است؛ چارچوبی که به سامانه‌های شهری اجازه می‌دهد هم‌زمان الگوهای زمانی و مکانی داده‌های شهری را تحلیل کنند و یک شاخص تاب‌آوری پویا تولید کنند که امکان تشخیص ناهنجاری و آگاهی موقعیتی برخط را فراهم می‌سازد (Kalyan Chakravarthi et al., 2026).

در کنار این مدل‌های ترکیبی، ابزارهای دیگری مانند سنجش از دور ماهواره‌ای، شبکه‌های حسگر اینترنت اشیا و سامانه‌های اطلاعات جغرافیایی هوشمند، زیرساخت داده‌ای لازم برای آموزش این مدل‌ها را فراهم می‌کنند. مرور جامع نقش هوش مصنوعی در تاب‌آوری اقلیمی نشان می‌دهد که در محیط‌های شهری، این فناوری از طریق مدیریت هوشمند زیرساخت، نگهداری پیش‌بینانه‌ی سامانه‌های حیاتی و بهینه‌سازی جریان ترافیک و انرژی، به تقویت تاب‌آوری کمک می‌کند و در کنار آن، امکان ریسک اقلیمی و کاهش آسیب‌پذیری در برابر رویدادهای حدی مانند گرمای شدید را نیز فراهم می‌آورد (Ayadi et al., 2025).

کاربردهای عملی AI در ارزیابی تاب‌آوری و مدیریت ریسک اقلیمی

یکی از پرکاربردترین حوزه‌های هوش مصنوعی در تاب آوری شهری، سامانه‌های هشدار زودهنگام است. با افزایش حجم و پیچیدگی داده‌های اقلیمی، نیاز به زیرساخت‌های داده‌ای و روش‌های تحلیلی پیشرفته، از جمله AI، به‌طور فزاینده‌ای احساس می‌شود؛ AI می‌تواند دقت، سرعت و توان پاسخ‌گویی سامانه‌های هشدار زودهنگام را که برای مقابله با رویدادهای اقلیمی حدی ضروری‌اند، به‌طور چشمگیری بهبود بخشد (Ayadi et al., 2025). چنین سامانه‌هایی به شهرداری‌ها امکان می‌دهند پیش از وقوع سیل، موج گرما یا طوفان، اقدامات پیشگیرانه را آغاز کنند و از خسارات جانی و مالی گسترده جلوگیری کنند.

در مقیاسی کاربردی‌تر، چارچوب‌های تازه‌ی ترکیبی هوش مصنوعی برای پایش زیرساخت شهری در حال آزمایش در شهرهای واقعی هستند. برای نمونه، چارچوبی مبتنی بر ترکیب چندوجهی داده‌های AI، در سه شهر سنگاپور، چنای و روتردام آزمایش شده تا میزان کارایی آن در شرایط داده‌ای متفاوت، از شهرهای غنی از داده تا شهرهای با کمبود داده، سنجیده شود؛ نتایج نشان می‌دهد رویکردهای سنتی نگهداری زیرساخت که بر بازرسی دوره‌ای و واکنش پس از رویداد متکی هستند، دیگر در دنیایی با نوسانات اقلیمی و زیرساخت‌های فرسوده پایدار نیستند (Kalyan Chakravarthi et al., 2026).

علاوه بر این، پژوهشی که نقش AI را در راستای اهداف توسعه‌ی پایدار ۱۱ و ۱۳ سازمان ملل بررسی کرده، نشان می‌دهد که فناوری‌هایی مانند سنجش از دور و شبکه‌های حسگر می‌توانند کیفیت هوا و آب، تغییرات کاربری زمین و پایش تنوع زیستی را به‌طور قابل‌توجهی بهبود بخشند (Al-Raeei, 2024).

مزایای استفاده از هوش مصنوعی

مهم‌ترین مزیت هوش مصنوعی در این حوزه، توانایی آن در پردازش هم‌زمان حجم عظیمی از داده‌های چندمنبعی و تولید بینش‌های عملی در زمانی کوتاه است. این ویژگی به‌ویژه در شرایط بحرانی، مانند وقوع سیل ناگهانی یا موج گرمای شدید، اهمیت حیاتی پیدا می‌کند؛ چون تصمیم‌گیری سریع می‌تواند مستقیماً جان انسان‌ها و زیرساخت‌های حیاتی شهر را نجات دهد. علاوه بر این، هوش مصنوعی می‌تواند با ادغام داده‌های اقلیمی، اجتماعی و اقتصادی، تصویری چندبعدی‌تر از آسیب‌پذیری شهری ارائه دهد که فراتر از شاخص‌های صرفاً کالبدی است.

مزیت دیگر، امکان بهینه‌سازی مصرف انرژی و تخصیص منابع در سطح شهر است؛ AI از طریق تحلیل داده‌های زیرساختی می‌تواند مصرف انرژی را در بخش‌های مختلف بهینه کند و به کاهش قابل‌توجه انتشار گازهای گلخانه‌ای کمک کند، که خود عاملی مهم در تقویت تاب‌آوری بلندمدت شهرها در برابر تغییرات اقلیمی است (Al-Raeei, 2024). همچنین، توانایی این فناوری در شبیه‌سازی سناریوهای مختلف اقلیمی، از جمله بررسی جامع ریسک سیل بر پایه‌ی شبیه‌سازی و آسیب‌پذیری اجتماعی-اقتصادی، به تصمیم‌گیران کمک می‌کند پیش از وقوع بحران، راهبردهای مقابله‌ای مؤثرتری طراحی کنند.

چالش‌ها و محدودیت‌های AI

با وجود پیشرفت‌های چشمگیر، به‌کارگیری هوش مصنوعی در تاب آوری شهری با چالش‌های جدی همراه است. یکی از مهم‌ترین این چالش‌ها، ناهمگونی و کیفیت پایین بسیاری از داده‌های اقلیمی و شهری است؛ مروری که چالش‌های به‌کارگیری AI در مدل‌سازی اقلیمی را بررسی کرده، بر این نکته تأکید می‌کند که ناسازگاری کیفیت داده‌ها، محدودیت‌های تفسیرپذیری مدل‌ها، دغدغه‌های اخلاقی و دشواری مقیاس‌پذیری الگوریتم‌ها در بافت‌های شهری متنوع، از مهم‌ترین موانع پیش روی این فناوری هستند (Amnuaylojaroen, 2025). این موضوع به‌ویژه در شهرهای کشورهای در حال توسعه که داده‌های محدودتری در دسترس دارند، چالش‌برانگیزتر است.

چالش دیگر، ویژگی «جعبه‌سیاه» بسیاری از مدل‌های یادگیری عمیق است که تفسیر منطق پشت یک تصمیم یا پیش‌بینی الگوریتمی را برای مدیران شهری و شهروندان دشوار می‌کند؛ برای پاسخ به این نگرانی، پژوهش‌های اخیر بر لزوم توسعه‌ی مدل‌های AI قابل‌تفسیر و چارچوب‌های استوار حکمرانی داده تأکید دارند تا راهکارهای مقیاس‌پذیر مبتنی بر AI بتوانند به‌طور واقعی از سازگاری اقلیمی پشتیبانی کنند (Amnuaylojaroen, 2025). همچنین، مرور جامع تاب‌آوری اقلیمی هشدار می‌دهد که بدون راه‌حل‌های متناسب با هر منطقه، همکاری میان‌رشته‌ای و چارچوب‌های اخلاقی روشن، نمی‌توان انتظار داشت هوش مصنوعی به‌طور کامل و عادلانه در خدمت تاب‌آوری همه‌ی جوامع شهری قرار گیرد (Ayadi et al., 2025).

آینده‌ی AI در تاب آوری شهری و سازگاری اقلیمی

روند پژوهش‌های اخیر نشان می‌دهد که آینده‌ی این حوزه به سمت ترکیب عمیق‌تر مدل‌های چندوجهی AI با داده‌های زنده‌ی حسگرهای شهری پیش می‌رود؛ رویکردی که در آن، شاخص‌های تاب‌آوری دیگر گزارش‌های دوره‌ای و ثابت نخواهند بود، بلکه به‌صورت لحظه‌ای و پویا به‌روزرسانی می‌شوند و امکان واکنش سریع‌تر به تغییرات ناگهانی محیط شهری را فراهم می‌کنند (Kalyan Chakravarthi et al., 2026). چنین سامانه‌هایی می‌توانند به‌ویژه برای شهرهایی با منابع محدود، ابزاری کم‌هزینه و مقیاس‌پذیر برای پایش مستمر ریسک اقلیمی باشند.

از سوی دیگر، به‌کارگیری موفق و پایدار AI در تاب آوری شهری مستلزم نوآوری مستمر، همکاری میان‌رشته‌ای میان مهندسان، اقلیم‌شناسان و برنامه‌ریزان شهری، و تدوین قوانین سازنده برای هدایت این فناوری است؛ نکته‌ای که در ادبیات این حوزه به‌کرات بر آن تأکید شده است (Ayadi et al., 2025). با پیشرفت مدل‌های تفسیرپذیر و گسترش دسترسی به داده‌های باکیفیت، می‌توان انتظار داشت AI از یک ابزار تحلیلی مکمل، به ستون اصلی برنامه‌ریزی تاب‌آوری اقلیمی در شهرهای سراسر جهان تبدیل شود.

جمع‌بندی

کاربرد AI در تاب آوری شهری و تغییرات اقلیمی، مسیری است که به شهرها امکان می‌دهد به‌جای واکنش پس از وقوع بحران، با پیش‌بینی، پایش مستمر و تصمیم‌گیری داده‌محور، از آسیب‌های اقلیمی پیشگیری کنند. از سامانه‌های هشدار زودهنگام و مدل‌های ترکیبی یادگیری عمیق گرفته تا چارچوب‌های پایش زیرساخت و بهینه‌سازی مصرف انرژی، AI امروز در تمام لایه‌های مدیریت ریسک اقلیمی شهری حضور دارد.

با این حال، تحقق کامل این پتانسیل در گرو رفع چالش‌های کیفیت داده، شفافیت الگوریتمی و همکاری میان‌رشته‌ای است. آینده‌ی تاب آوری شهری به‌احتمال زیاد نه در جایگزینی کامل تخصص انسانی با AI ، بلکه در ترکیب هوشمندانه‌ی این دو رقم خواهد خورد؛ ترکیبی که می‌تواند شهرهای آینده را در برابر بحران‌های اقلیمی، آماده‌تر و تاب‌آورتر بسازد.

منابع

Al-Raeei, M. (2024). Artificial intelligence for climate resilience: Advancing sustainable goals in SDGs 11 and 13 and its relationship to pandemics. Discover Sustainability, 5(1), 1–16. https://doi.org/10.1007/s43621-024-00775-5

Amnuaylojaroen, T. (2025). Advancements and challenges of artificial intelligence in climate modeling for sustainable urban planning. Frontiers in Artificial Intelligence, 8, Article 1517986. https://doi.org/10.3389/frai.2025.1517986

Ayadi, R., Forouheshfar, Y., & Moghadas, O. (2025). Enhancing system resilience to climate change through artificial intelligence: A systematic literature review. Frontiers in Climate, 7, Article 1585331. https://doi.org/10.3389/fclim.2025.1585331

Kalyan Chakravarthi, N. S., Ibrahim, S. J. A., Kolandaisamy, R., Parveena, M., Srenevasulu, M., & Sivaprasad, G. (2026). Multimodal AI fusion for infrastructure resilience: Real-time urban analytics framework aligned with SDG-9. Frontiers in Artificial Intelligence. https://doi.org/10.3389/frai.2025.1612431

سناریوهای طراحی شهری با استفاده از هوش مصنوعی