از نقشه گرما تا تصمیم سازی بلادرنگ: ارائه چارچوب حکمرانی اقلیمی شهری مبتنی بر هوش مصنوعی و دوقلوی دیجیتال

از نقشه گرما تا تصمیم سازی بلادرنگ: ارائه چارچوب حکمرانی اقلیمی شهری مبتنی بر هوش مصنوعی و دوقلوی دیجیتال

_چکیده

تغییر اقلیم و تشدید رخدادهای حدی، به ویژه موج های گرما، شهرها را با چالش های جدیدی در زمینه سلامت عمومی، زیرساخت، انرژی و عدالت فضایی مواجه کرده است. اثر جزیره حرارتی شهری نیز با توسعه کالبدی، کاهش پوشش گیاهی و افزایش سطوح نفوذناپذیر تشدید می شود و مواجهه با گرما در سطح شهر به صورت یکنواخت توزیع نمی شود (Vitanova et al., 2026; Oni et al., 2026). در چنین شرایطی، اتکا به نقشه های ایستا و داده های تاریخی برای مدیریت ریسک های اقلیمی کافی نیست و حرکت به سمت برنامه ریزی پیش بینانه و تصمیم گیری بلادرنگ ضرورت می یابد. دوقلوهای دیجیتال شهری، با اتصال داده های حسگری، داده های مکانی، مدل های محیطی و ابزارهای شبیه سازی، ظرفیت ایجاد تصویری پویا از وضعیت شهر و آزمون سناریوهای مختلف را فراهم می کنند (Van der Jeugt, 2026). این مقاله با استفاده از رویکرد تحلیلی–اسنادی، چارچوبی مفهومی با عنوان «حکمرانی اقلیمی شهری پیش بینانه» ارائه می کند که در آن اینترنت اشیا، کلان داده، هوش مصنوعی و دوقلوی دیجیتال در یک چرخه تصمیم سازی یکپارچه می شوند. نوآوری اصلی مقاله، پیشنهاد مفهوم «دوقلوی تصمیم اقلیمی» (Climate Decision Twin) است؛ سامانه ای که از مرحله مشاهده و پایش فراتر رفته و امکان پیش بینی، شبیه سازی سیاست ها، ارزیابی عدالت فضایی و پشتیبانی از تصمیم گیری را فراهم می کند. چارچوب پیشنهادی می تواند گذار از حکمرانی واکنشی به حکمرانی پیش بینانه، تطبیقی و یادگیرنده را در مدیریت شهری تسهیل کند.

کلیدواژه ها: حکمرانی اقلیمی شهری، هوش مصنوعی، دوقلوی دیجیتال، گرمای شهری، عدالت فضایی، تاب آوری شهری، برنامه ریزی پیش بینانه.

_{۱. مقدمه}

شهرهای معاصر در خط مقدم مواجهه با پیامدهای تغییر اقلیم قرار دارند. افزایش دما، موج های گرما، بارش های حدی و سایر مخاطرات اقلیمی، هم زمان با تمرکز جمعیت، زیرساخت و فعالیت اقتصادی در مناطق شهری، پیچیدگی مدیریت ریسک را افزایش داده اند. در میان این مخاطرات، گرمای شهری اهمیت ویژه ای دارد، زیرا اثر آن صرفا به افزایش دما محدود نمی شود و می تواند با مصرف انرژی، سلامت عمومی و کیفیت زندگی شهروندان ارتباط مستقیم داشته باشد (Vitanova et al., 2026).

مطالعات جدید نشان می دهند که مواجهه با گرمای شهری در فضا به صورت یکنواخت توزیع نشده و در بسیاری از موارد با آسیب پذیری اجتماعی هم مکان می شود. ازاین رو، شناسایی مناطق گرم بدون توجه به ویژگی های اجتماعی و توان سازگاری ساکنان، نمی تواند مبنای کاملی برای سیاست گذاری اقلیمی باشد (Oni et al., 2026).

در چنین شرایطی، یکی از پرسش های اساسی برنامه ریزی شهری این است که چگونه می توان از فناوری های نوین برای عبور از مدیریت واکنشی بحران به حکمرانی پیش بینانه حرکت کرد.

دوقلوهای دیجیتال شهری یکی از پاسخ های نوظهور به این چالش هستند. پژوهش های اخیر نشان می دهند که این فناوری می تواند با ترکیب داده های شهری و مدل های محیطی، از تصمیم گیری درباره سازگاری اقلیمی پشتیبانی کند (Van der Jeugt, 2026).

با این حال، مسئله صرفا ایجاد یک نسخه دیجیتال از شهر نیست؛ بلکه پرسش مهم تر این است که چگونه این نسخه دیجیتال می تواند به یک زیرساخت هوشمند تصمیم سازی تبدیل شود.

_{۲. مبانی نظری و مرور ادبیات}

۲-۱. هوش مصنوعی و حکمرانی شهری

هوش مصنوعی در حال تغییر نحوه جمع آوری، تحلیل و تفسیر داده های شهری است. الگوریتم های یادگیری ماشین می توانند الگوهای پیچیده موجود در داده های محیطی، اجتماعی و فضایی را شناسایی کرده و برای پیش بینی رخدادهای آینده مورد استفاده قرار گیرند.

در حوزه گرمای شهری نیز پژوهش های اخیر نشان داده اند که مدل های یادگیری ماشین می توانند در ترکیب داده های حرارتی و اجتماعی برای شناسایی نابرابری های فضایی در مواجهه با گرما مورد استفاده قرار گیرند (Oni et al., 2026).

بنابراین، نقش AI در مدیریت شهری را می توان از سه سطح متمایز کرد:

توصیف → پیش بینی → پشتیبانی از تصمیم

این تحول، جایگاه هوش مصنوعی را از یک ابزار تحلیل داده به یک مولفه بالقوه در حکمرانی شهری ارتقا می دهد.

۲-۲. دوقلوی دیجیتال شهری

دوقلوی دیجیتال را می توان یک نمایش دیجیتال پویا از یک سیستم واقعی دانست که از طریق جریان داده و مدل سازی، امکان پایش، تحلیل و شبیه سازی آن سیستم را فراهم می کند.

در حوزه شهری، این مفهوم می تواند برای مدل سازی زیرساخت، حمل ونقل، محیط زیست و فرآیندهای اقلیمی به کار رود.

پژوهش Van der Jeugt (2026) نشان می دهد که دوقلوهای دیجیتال شهری در اروپا به طور فزاینده ای به عنوان ابزارهایی برای پشتیبانی از تصمیم گیری در زمینه سازگاری اقلیمی مورد توجه قرار گرفته اند؛ اگرچه مسائل مربوط به پیاده سازی، مشارکت ذی نفعان و کاربرد واقعی آنها همچنان نیازمند پژوهش بیشتر است.

۲-۳. دوقلوی دیجیتال و گرمای شهری

مطالعات بسیار جدید نشان می دهند که ترکیب اطلاعات شهری و مدل سازی آب وهوا در محیط دوقلوی دیجیتال می تواند امکان تهیه نقشه های گرما و ریسک سلامت را در مقیاس شهری فراهم کند (Vitanova et al., 2026).

همچنین Hossain et al. (2026) بر ظرفیت دوقلوهای دیجیتال برای پیوند پایش گرمای شهری با سیاست گذاری و ارتقای تاب آوری اقلیمی تاکید کرده اند.

بنابراین، دوقلوی دیجیتال می تواند حلقه ارتباطی میان داده، مدل سازی و سیاست گذاری باشد.

_{۳. شکاف پژوهشی}

مرور مطالعات نشان می دهد که ادبیات موجود عمدتا در سه مسیر توسعه یافته است:

استفاده از AI برای پیش بینی و تحلیل گرمای شهری؛

استفاده از Digital Twin برای مدل سازی و پایش شهری؛

استفاده از داده های مکانی و اجتماعی برای تحلیل عدالت اقلیمی.

با وجود این پیشرفت ها، هنوز نیاز به چارچوبی وجود دارد که این سه جریان را در یک چرخه واحد حکمرانی شهری به هم متصل کند.

به عبارت دیگر، بسیاری از مطالعات می پرسند:

«چه چیزی در شهر اتفاق می افتد؟»

در حالی که حکمرانی آینده باید بتواند پاسخ دهد:

«چه اتفاقی احتمالا رخ خواهد داد و شهر اکنون چه تصمیمی باید اتخاذ کند؟»

این مقاله تلاش می کند این شکاف را با ارائه چارچوب Predictive Urban Climate Governance پاسخ دهد.

_{۴. روش شناسی پژوهش}

این پژوهش از رویکرد کیفی و تحلیلی–اسنادی استفاده می کند.

منابع پژوهش شامل:

مقالات علمی جدید؛

مطالعات تخصصی Digital Twin؛

پژوهش های AI و اقلیم شهری؛

گزارش های سازمان های بین المللی؛

مطالعات مرتبط با عدالت فضایی و تاب آوری اقلیمی

است.

فرآیند تحلیل در سه مرحله انجام شده است:

شناسایی فناوری ها → تحلیل قابلیت های حکمرانی → سنتز مفهومی

هدف پژوهش، ارائه یک چارچوب مفهومی برای تحقیقات و کاربردهای آینده است، نه آزمون تجربی یک شهر خاص.

_{۵. چارچوب پیشنهادی حکمرانی اقلیمی شهری پیش بینانه}

بر مبنای ادبیات بررسی شده، چارچوب پیشنهادی از پنج لایه تشکیل می شود:

لایه اول: ادراک و پایش شهری

داده های مربوط به:

دما؛

رطوبت؛

کیفیت هوا؛

پوشش گیاهی؛

مصرف انرژی؛

ترافیک؛

جمعیت؛

کاربری زمین

از طریق IoT، ماهواره و سایر منابع جمع آوری می شوند.

لایه دوم: یکپارچه سازی داده

داده های ناهمگون در یک محیط داده ای مشترک ادغام می شوند.

لایه سوم: هوش مصنوعی پیش بینانه

AI الگوهای موجود را تحلیل کرده و ریسک های آینده را پیش بینی می کند.

لایه چهارم: شبیه سازی سناریو

سیاست های مختلف در محیط دیجیتال آزمایش می شوند.

برای مثال:

افزایش پوشش درختی؛

توسعه بام سبز؛

تغییر مصالح سطحی؛

ایجاد مراکز خنک کننده؛

اصلاح شبکه معابر.

لایه پنجم: تصمیم گیری و حکمرانی

خروجی تحلیل ها به سیاست و اقدام شهری تبدیل می شود.

_{۶. نوآوری پژوهش: «دوقلوی تصمیم اقلیمی»}

نوآوری اصلی این مقاله، توسعه مفهوم:

Climate Decision Twin (CDT)

است.

در Digital Twin معمولی، هدف اصلی ایجاد تصویری دیجیتال از شهر و پایش وضعیت آن است.

اما Climate Decision Twin یک گام فراتر می رود.

در این چارچوب:

داده → شناخت → پیش بینی → سناریوسازی → ارزیابی → تصمیم → اجرا → یادگیری

به یک چرخه مستمر تبدیل می شود.

بنابراین، دوقلوی تصمیم اقلیمی را می توان به عنوان:

یک محیط دیجیتال پویا برای آزمون، مقایسه و ارزیابی سیاست های اقلیمی پیش از اجرای آنها در جهان واقعی

تعریف کرد.

این ایده با جهت گیری مطالعات جدید درباره استفاده از Digital Twin برای تصمیم گیری سازگاری اقلیمی هم راستا است (Van der Jeugt, 2026).

_{۷. عدالت فضایی در حکمرانی اقلیمی هوشمند}

یکی از مهم ترین چالش های مدل پیشنهادی، جلوگیری از تبدیل فناوری به ابزاری صرفا فنی است.

اگر یک الگوریتم بتواند گرم ترین منطقه شهر را شناسایی کند، این الزاما به معنای آن نیست که آن منطقه باید بالاترین اولویت سرمایه گذاری را داشته باشد.

اولویت سیاستی باید ترکیبی از چهار عامل باشد:

ریسک اقلیمی + آسیب پذیری اجتماعی + ظرفیت سازگاری + دسترسی به خدمات

پژوهش Oni et al. (2026) نیز بر اهمیت پیوند تحلیل گرمای شهری با عدالت محیطی تاکید می کند.

بنابراین، چارچوب پیشنهادی باید یک لایه عدالت فضایی داشته باشد تا تصمیم های حاصل از AI صرفا بر مبنای شاخص های فیزیکی اتخاذ نشوند.

_{۸. الزامات حکمرانی و چالش های پیاده سازی}

استقرار چنین سامانه ای بدون چارچوب حکمرانی مناسب می تواند ریسک های جدیدی ایجاد کند.

مهم ترین چالش ها عبارت اند از:

حریم خصوصی

داده های مکانی و رفتاری شهروندان می توانند حساس باشند.

سوگیری الگوریتمی

اگر داده های آموزشی نماینده تمام گروه های اجتماعی نباشند، خروجی AI می تواند نابرابری را بازتولید کند.

شفافیت

مدیران شهری باید بتوانند منطق تصمیم های الگوریتمی را بررسی کنند.

قابلیت همکاری

دوقلوی دیجیتال باید بتواند داده های سازمان های مختلف را با یکدیگر ادغام کند.

وابستگی فناورانه

وابستگی کامل به شرکت های فناوری می تواند استقلال داده ای و حکمرانی شهرداری را کاهش دهد.

مشارکت ذی نفعان

دوقلوی دیجیتال نباید صرفا پروژه ای تکنولوژیک باشد؛ بلکه باید با نیازها و دانش ذی نفعان شهری پیوند داشته باشد. این موضوع در پژوهش های جدید درباره کاربرد Digital Twin در سازگاری اقلیمی نیز مورد تاکید قرار گرفته است (Van der Jeugt, 2026).

_{۹. نتیجه گیری}

تحولات اخیر در حوزه هوش مصنوعی، اینترنت اشیا، داده های شهری و دوقلوهای دیجیتال، امکان بازتعریف حکمرانی اقلیمی شهری را فراهم کرده اند.

مطالعات سال ۲۰۲۶ نشان می دهند که Digital Twin دیگر صرفا یک ابزار نمایش سه بعدی شهر نیست؛ بلکه به سمت تبدیل شدن به زیرساختی برای پایش، مدل سازی، پیش بینی و تصمیم سازی اقلیمی حرکت می کند (Hossain et al., 2026; Vitanova et al., 2026; Van der Jeugt, 2026).

بر همین اساس، مقاله حاضر مفهوم Climate Decision Twin را پیشنهاد کرد؛ چارچوبی که در آن داده های شهری با AI و شبیه سازی ترکیب شده و به سیاست های قابل آزمون تبدیل می شوند.

مهم ترین ویژگی این مدل، اضافه کردن عدالت فضایی به زنجیره فناوری است؛ زیرا شهر هوشمند آینده نباید صرفا شهر دقیق تر و سریع تر باشد، بلکه باید شهر عادلانه تر و تاب آورتر نیز باشد.

در نهایت، مسیر تحول پیشنهادی را می توان چنین خلاصه کرد:

از شهر داده محور → به شهر پیش بین → به شهر شبیه ساز → و در نهایت به شهر یادگیرنده و تطبیقی.

_منابع:

Adade, D., & de Vries, W. T. (2026). Examining the role of urban digital twins for climate-neutral agenda-setting and citizen participation in Munich using an adapted multiple streams framework. Discover Sustainability, 7. https://doi.org/10.1007/s43621-026-02696-x

Hossain, M. I., Hossan, M. R., Shaon, Z. H., et al. (2026). Linking digital twin paradigm for urban heat monitoring and policy integration to building smart city climate resilience. Discover Cities, 3, 1. https://doi.org/10.1007/s44327-025-00179-8

Oni, O. O., Al-Turjman, F., & Mustapha, M. T. (2026). AI driven urban heat equity atlas integrating machine learning for climate risk assessment. Discover Environment, 4, 315. https://doi.org/10.1007/s44274-026-00820-2

Van der Jeugt, L. (2026). Exploring European urban digital twins for climate adaptation. Urban Transformations, 8, 15. https://doi.org/10.1186/s42854-026-00102-3

Vitanova, L. L., Petrova-Antonova, D., Shirinyan, E., Khanh, D. N., Trendafilova, T. K., Subasinghe, S., Khan, A., & Doan, Q. V. (2026). Fusing urban informatics and weather modelling in digital twins for city-scale heat-health