از «شهر هوشمند» تا «شهر اکوسازگار»: بازتعریف هوش شهری در عصر عدم قطعیت اقلیمی

از «شهر هوشمند» تا «شهر اکوسازگار»: بازتعریف هوش شهری در عصر عدم قطعیت اقلیمی

چکیده

شهر هوشمند طی دو دهه اخیر به یکی از مهم ترین پارادایم های تحول مدیریت و برنامه ریزی شهری تبدیل شده است؛ پارادایمی که بر داده، اتصال پذیری، پیش بینی، بهینه سازی و کنترل فرایندهای شهری استوار بوده است. بااین حال، تشدید تغییرات اقلیمی و افزایش عدم قطعیت های محیطی نشان می دهد که شهری که صرفا «هوشمند» و بهینه باشد، الزاما شهری تاب آور، عادلانه و سازگار نیست. پژوهش تازه Shaamala، Yigitcanlar و Rhodes (2026) با طرح مفهوم Ecoadaptive Intelligence Theory استدلال می کند که هوش شهری باید از منطق پیش بینی و کنترل به سمت یادگیری مشترک میان سیستم های اجتماعی، اکولوژیک و محاسباتی حرکت کند. هم زمان، مطالعات جدید درباره کاربرد هوش مصنوعی در مدیریت گرمای شهری نشان می دهند که AI از پیش بینی و پایش حرارتی به سمت شناسایی پویای زنجیره «گرما–جمعیت–آسیب پذیری» و پشتیبانی از تصمیم گیری اقلیمی در حال حرکت است؛ هرچند شکاف داده ای و تمرکز جغرافیایی پژوهش ها همچنان چالش برانگیز است.

این یادداشت با رویکرد تحلیلی–اسنادی، مفهوم «شهر اکوسازگار» (Ecoadaptive City) را پیشنهاد می کند؛ شهری که هوش آن نه صرفا از توان پردازش داده، بلکه از قابلیت یادگیری مستمر از تغییرات اجتماعی و اکولوژیک ناشی می شود. در این مدل، هوش مصنوعی، داده های محیطی، رفتار شهروندان، زیرساخت ها و فرایندهای اکولوژیک در یک چرخه بازخوردی قرار می گیرند تا شهر بتواند خود را با شرایط متغیر تطبیق دهد. استدلال اصلی مقاله آن است که آینده برنامه ریزی شهری نباید صرفا در «پیش بینی آینده» خلاصه شود؛ بلکه باید به سمت «یادگیری مستمر از آینده های در حال شکل گیری» حرکت کند.

کلیدواژه ها: شهر هوشمند، شهر اکوسازگار، هوش مصنوعی شهری، تاب آوری شهری، تغییرات اقلیمی، برنامه ریزی تطبیقی، هوش اکولوژیک، حکمرانی شهری.

۱. مقدمه: وقتی «هوشمند بودن» دیگر کافی نیست

شهر هوشمند در نخستین مراحل خود با مجموعه ای از فناوری ها تعریف می شد: حسگرها، اینترنت اشیا، داده های بزرگ، سامانه های اطلاعات جغرافیایی، مراکز کنترل و الگوریتم های پیش بینی.

منطق غالب ساده بود:

داده بیشتر → تحلیل بهتر → پیش بینی دقیق تر → تصمیم بهتر

این منطق توانست بسیاری از فرایندهای شهری را کارآمدتر کند. اما جهان شهری امروز با مسئله ای مواجه است که مدل های کلاسیک هوشمندسازی برای آن طراحی نشده بودند:

عدم قطعیت فزاینده.

تغییرات اقلیمی، موج های گرمای شدید، بارش های حدی، خشکسالی، مهاجرت، تغییر الگوهای جمعیتی، بحران انرژی و تغییر رفتارهای اجتماعی باعث شده اند که آینده شهر دیگر صرفا امتداد قابل پیش بینی گذشته نباشد.

در چنین شرایطی، اگر یک سامانه هوشمند تنها بر اساس داده های گذشته آموزش دیده باشد، ممکن است در مواجهه با آینده ای که با گذشته تفاوت اساسی دارد، کارایی خود را از دست بدهد.

این همان نقطه ای است که مفهوم هوش اکوسازگار اهمیت پیدا می کند.

در مقاله ای که در ۳۱ ژوئیه ۲۰۲۶ در npj Urban Sustainability منتشر شده، Shaamala، Yigitcanlar و Rhodes استدلال می کنند که رویکردهای شهر هوشمند، به دلیل تمرکز بر پیش بینی، بهینه سازی و کنترل، برای مواجهه با عدم قطعیت عمیق و پویایی های به هم پیوسته تغییر اقلیم کافی نیستند. آنها به جای آن، مفهوم Ecoadaptive Intelligence را پیشنهاد می کنند.

بنابراین پرسش اصلی برای شهرهای آینده دیگر فقط این نیست که:

«چگونه شهر را هوشمندتر کنیم؟»

بلکه باید پرسید:

«چگونه شهری بسازیم که بتواند از تغییرات محیطی و اجتماعی یاد بگیرد و خود را با آنها تطبیق دهد؟»

۲. محدودیت پارادایم شهر هوشمند: از بهینه سازی تا عدم قطعیت

شهر هوشمند عمدتا بر منطق Optimization استوار است.

هدف این رویکرد آن است که منابع محدود با بیشترین کارایی ممکن تخصیص پیدا کنند، ترافیک کاهش یابد، انرژی بهینه مصرف شود، خدمات سریع تر ارائه شوند و زیرساخت ها بهتر مدیریت شوند.

اما مسئله اینجاست که:

بهینه سازی برای شرایط شناخته شده طراحی می شود؛ درحالی که تاب آوری برای شرایط ناشناخته نیز مورد نیاز است.

فرض کنید یک الگوریتم، بهترین الگوی توزیع فضای سبز را بر اساس دمای فعلی، تراکم جمعیت و الگوی سفر موجود تعیین کند.

اگر شرایط اقلیمی پنج سال بعد تغییر کند چه؟

اگر یک موج گرمای شدید رخ دهد چه؟

اگر جمعیت یک محله افزایش یابد چه؟

اگر الگوی سفر شهروندان تغییر کند چه؟

در اینجا دیگر یک پاسخ بهینه ثابت کافی نیست.

شهر باید بتواند پاسخ خود را تغییر دهد.

پژوهش های جدید درباره تاب آوری شهری و AI نیز نشان می دهند که استفاده از هوش مصنوعی در حوزه هایی مانند گرمای شدید، سیلاب، رشد شهری، زیرساخت های حیاتی و طراحی تطبیقی به سرعت در حال گسترش است؛ اما ابعاد انسانی، مشارکتی، فرهنگی، سوگیری الگوریتمی و عدم قطعیت اقلیمی همچنان کمتر مورد توجه قرار گرفته اند.

بنابراین، مسئله اصلی دیگر «هوشمندسازی» نیست.

مسئله، سازگارکردن هوشمندی با عدم قطعیت است.

۳. از «هوش شهری» به «هوش اکوسازگار»

هوش شهری سنتی عمدتا بر رابطه میان:

داده → الگوریتم → تصمیم

متمرکز است.

اما در مفهوم Ecoadaptive Intelligence، رابطه پیچیده تری شکل می گیرد:

داده → تحلیل → مداخله → واکنش محیط و جامعه → یادگیری → اصلاح تصمیم

در این مدل، شهر یک سیستم ایستا نیست.

بلکه یک سیستم یادگیرنده است.

ساختار فضایی شهر بر محیط اثر می گذارد؛ محیط بر رفتار شهروندان اثر می گذارد؛ رفتار شهروندان بر سیستم حمل ونقل و مصرف انرژی اثر می گذارد؛ و این تغییرات دوباره شرایط محیطی و فضایی را تغییر می دهند.

بنابراین شهر را باید به عنوان یک:

سیستم اجتماعی–اکولوژیک–محاسباتی

در نظر گرفت.

این دقیقا همان تغییر مفهومی است که نظریه هوش اکوسازگار پیشنهاد می کند: حرکت از Optimization به سمت Co-learning؛ یعنی یادگیری مشترک میان شهر، محیط، فناوری و جامعه.

۴. نقش هوش مصنوعی: از «پیش بینی» به «یادگیری تطبیقی»

هوش مصنوعی در شهر هوشمند معمولا برای پیش بینی به کار گرفته می شود.

برای مثال:

• پیش بینی ترافیک؛
• پیش بینی مصرف انرژی؛
• پیش بینی آلودگی هوا؛
• پیش بینی سیلاب؛
• پیش بینی تقاضای حمل ونقل؛
• یا پیش بینی دمای سطح زمین.

اما نسل جدید AI شهری می تواند یک گام فراتر برود.

به جای اینکه فقط بپرسد:

«چه اتفاقی خواهد افتاد؟»

می تواند بپرسد:

«اگر شرایط تغییر کرد، سیستم چگونه باید واکنش نشان دهد؟»

این تفاوت بسیار مهم است.

یک سامانه هوشمند پیش بینی می کند که یک موج گرما احتمالا در چه مناطقی شدیدتر خواهد بود.

اما یک سامانه اکوسازگار می تواند علاوه بر آن، سناریوهای مختلف مداخله را بررسی کند:

• افزایش پوشش درختی؛
• ایجاد سایه بان؛
• تغییر مصالح؛
• اصلاح شبکه پیاده؛
• ایجاد مراکز خنک کننده؛
• تغییر ساعات فعالیت برخی خدمات؛
• یا بازتوزیع منابع.

پژوهش نظام مند سال ۲۰۲۶ درباره کاربرد AI در مدیریت گرمای شدید شهری نشان می دهد که AI اکنون از توصیف ایستای محیط حرارتی به سمت شناسایی پویای ریسک گرما–جمعیت و پشتیبانی از سناریوهای کاهش و سازگاری حرکت کرده است.

در نتیجه، AI آینده نباید فقط یک Prediction Engine باشد؛ بلکه باید به یک Adaptation Engine تبدیل شود.

۵. شهر اکوسازگار؛ مدل پیشنهادی مقاله

بر اساس ادبیات جدید، این مقاله مفهوم شهر اکوسازگار (Ecoadaptive City) را به عنوان نسل بعدی شهر هوشمند پیشنهاد می کند.

این مدل بر پنج لایه اصلی استوار است.

لایه نخست: هوش فضایی

داده های مربوط به کاربری زمین، تراکم، فرم شهری، شبکه معابر، فضاهای سبز و زیرساخت ها را تحلیل می کند.

لایه دوم: هوش محیطی

دما، کیفیت هوا، آب، رطوبت، پوشش گیاهی، سیلاب، خشکسالی و سایر متغیرهای اکولوژیک را به صورت پیوسته پایش می کند.

لایه سوم: هوش اجتماعی

رفتار شهروندان، الگوهای جابه جایی، آسیب پذیری اجتماعی، نیازهای گروه های مختلف و واکنش جامعه به مداخلات را وارد مدل می کند.

لایه چهارم: هوش محاسباتی

AI و مدل های شبیه سازی داده های سه لایه قبل را ترکیب کرده و سناریوهای مختلف را تولید می کنند.

لایه پنجم: حلقه یادگیری تطبیقی

نتایج واقعی مداخلات دوباره به سیستم بازمی گردند و مدل را اصلاح می کنند.

در نتیجه، ساختار کلی چنین خواهد بود:

Sense → Understand → Simulate → Act → Learn → Adapt

این چرخه، تفاوت اصلی میان شهر هوشمند و شهر اکوسازگار است.

۶. از «دوقلوی دیجیتال» به «دوقلوی یادگیرنده»

در مقالات قبلی این مجموعه، مفهوم Climate Twin City را بررسی کردیم.

اکنون می توان یک گام دیگر برداشت.

اگر دوقلوی دیجیتال صرفا وضعیت شهر را بازنمایی و سناریوها را شبیه سازی کند، هنوز یک محدودیت دارد: ممکن است پس از اجرای یک سیاست، ارتباط سیستماتیک میان نتیجه واقعی و مدل دیجیتال ضعیف باقی بماند.

در مدل اکوسازگار، دوقلوی دیجیتال باید به یک Learning Twin تبدیل شود.

یعنی:

شهر واقعی → داده جدید → دوقلوی دیجیتال → تحلیل AI → تصمیم → مداخله واقعی → مشاهده پیامد → بازگشت داده → اصلاح مدل

این چرخه می تواند برنامه ریزی شهری را از یک فرآیند دوره ای به یک فرآیند مستمر و یادگیرنده تبدیل کند.

مطالعه تازه درباره دوقلوهای دیجیتال و کاهش جزیره حرارتی شهری نیز بر همین ضرورت تاکید دارد که دوقلوهای دیجیتال باید بتوانند چرخه کامل داده، مدل سازی، حکمرانی، مداخله و ارزیابی پیامد را به هم متصل کنند.

بنابراین، آینده Digital Twin صرفا «دوقلوی دیجیتال شهر» نیست.

بلکه:

دوقلوی دیجیتال یادگیرنده شهر است.

۷. عدالت: چرا شهر اکوسازگار نباید فقط «هوشمند» باشد؟

یکی از خطرهای مهم در این مسیر آن است که شهرها به سمت نوعی Eco-Optimization حرکت کنند؛ یعنی سیستم تلاش کند بهترین پاسخ اکولوژیک را پیدا کند، بدون اینکه بپرسد این پاسخ برای چه کسانی مناسب است.

فرض کنیم AI تشخیص دهد که بهترین روش کاهش دمای شهر، افزایش فضای سبز در مناطقی خاص است.

اما اگر این مناطق عمدتا محله های برخوردار باشند و مناطق کم برخوردار همچنان در معرض گرمای شدید باقی بمانند، آیا این تصمیم واقعا تاب آورانه است؟

پاسخ منفی است.

زیرا تاب آوری شهری بدون عدالت فضایی ناقص است.

جالب آنکه مرور ادبیات AI و تاب آوری شهری در سال ۲۰۲۶ نیز نشان داده است که ابعاد انسانی، فرهنگی، سازمانی و مشارکتی در پژوهش های موجود کمتر از ابعاد فنی مورد توجه قرار گرفته اند.

بنابراین، شهر اکوسازگار باید هم زمان سه پرسش را پاسخ دهد:

آیا مداخله موثر است؟

آیا مداخله پایدار است؟

آیا مداخله عادلانه است؟

به این ترتیب، معیار موفقیت از:

Efficiency

به:

Efficiency + Resilience + Equity

تغییر پیدا می کند.

۸. حکمرانی شهر اکوسازگار: از کنترل به یادگیری جمعی

این تحول فقط یک تغییر فناورانه نیست؛ بلکه یک تغییر بنیادین در حکمرانی شهری است.

در شهر هوشمند سنتی، شهرداری اغلب نقش مرکز کنترل را بر عهده دارد.

اما در شهر اکوسازگار، شهرداری باید بیشتر به یک:

هماهنگ کننده سیستم یادگیری شهری

تبدیل شود.

در این مدل، داده تنها از حسگرها نمی آید.

شهروندان، دانشگاه ها، سازمان های محیط زیستی، کسب وکارها و حتی فضاهای طبیعی نیز بخشی از سیستم اطلاعاتی شهر می شوند.

بنابراین حکمرانی آینده باید بتواند میان:

AI + داده + محیط + جامعه + نهاد

ارتباط برقرار کند.

این نگاه با پژوهش های جدید درباره حکمرانی AI شهری نیز هم راستاست که نشان می دهند «AI urbanism» نباید صرفا بر منطق زیرساختی و فناورانه متمرکز بماند و نیازمند ادغام ابعاد اخلاقی، تعاملی، فراگیر و آینده نگر است.

از این منظر، شهر اکوسازگار یک شهر کنترل شده توسط AI نیست.

بلکه شهری است که:

با کمک AI یاد می گیرد.

۹. نتیجه گیری: آینده شهر، هوشمندتر نیست؛ سازگارتر است

شهر هوشمند یکی از مهم ترین مراحل تحول برنامه ریزی و مدیریت شهری بود؛ اما شرایط جدید اقلیمی، اجتماعی و اقتصادی نشان می دهد که هوشمندی به تنهایی برای ساخت آینده ای پایدار کافی نیست.

شهرهای آینده با جهانی مواجه خواهند بود که در آن تغییرات اقلیمی، رفتارهای اجتماعی، فناوری و اقتصاد دائما یکدیگر را تحت تاثیر قرار می دهند.

در چنین جهانی، برنامه ریزی شهری نمی تواند تنها بر پیش بینی آینده تکیه کند.

بلکه باید قابلیت:

یادگیری، سازگاری، اصلاح و تحول

را در ساختار خود نهادینه کند.

مفهوم Ecoadaptive Intelligence که در پژوهش تازه Shaamala و همکاران مطرح شده، یک تغییر مهم در این مسیر ایجاد می کند: حرکت از شهری که بر اساس الگوریتم ها بهینه می شود به شهری که از تعامل میان جامعه، محیط و فناوری یاد می گیرد.

بر این اساس، مقاله حاضر مفهوم شهر اکوسازگار را به عنوان یک چارچوب مفهومی برای نسل بعدی شهرهای هوشمند پیشنهاد کرد.

در این مدل:

شهر هوشمند، داده را می خواند.

شهر پیش بین، آینده را مدل می کند.

شهر تاب آور، با بحران مقابله می کند.

اما:

شهر اکوسازگار، از تغییرات یاد می گیرد و خود را تغییر می دهد.

و شاید بتوان آینده برنامه ریزی شهری را در یک جمله خلاصه کرد:

«شهر آینده شهری نیست که آینده را دقیق تر پیش بینی کند؛ شهری است که بتواند در برابر آینده های متفاوت، هوشمندانه تر یاد بگیرد و سازگار شود.»

منابع

Dubou, G., Schoproni Bichueti, R., & Marques Kneipp, J. (2026). Mapping urban resilience strategies to climate change: A systematic review on absorption, adaptation, and transformation capacities. Environment, Development and Sustainability.

Shaamala, A., Yigitcanlar, T., & Rhodes, J. R. (2026). Smart cities fall short: Why ecoadaptive urban intelligence is essential for climate resilience. npj Urban Sustainability. https://doi.org/10.1038/s42949-026-00456-4

Yigitcanlar, T., Hossain, T., Shaamala, A., Degirmenci, K., Liu, Y., & Peng, Z. R. (2026). Cooling with consent: Toward equitable and readiness-based AI-guided heat adaptation. Urban Climate, 68, 103003. https://doi.org/10.1016/j.uclim.2026.103003

Zhang, X., Liang, W., Yu, X., Xie, B., & Liu, C. (2026). Evaluating the impact of artificial intelligence development on urban resilience: Evidence from Chinese cities. iScience, 29, 115083. https://doi.org/10.1016/j.isci.2026.115083

(2026). Artificial intelligence applications in urban extreme heat management: A systematic review of forecasting, monitoring, mitigation and decision support. Environmental Impact Assessment Review, 119, 108363. https://doi.org/10.1016/j.eiar.2026.108363

(2026). Combining AI with urban resilience planning: A bibliometric analysis of literature. City and Environment Interactions, 30, 100342. https://doi.org/10.1016/j.cacint.2026.100342

(2026). From data to impact: Lifecycle-oriented digital twins for urban heat island mitigation and climate resilience. Sustainable Cities and Society, 146, 107511. https://doi.org/10.1016/j.scs.2026.107511

(2026). Governing with artificial intelligence: Mapping the knowledge systems shaping urban intelligence. Technology in Society, 86, 103321.