از «نقشه گرما» تا «اطلس عدالت حرارتی»: چگونه هوش مصنوعی می تواند برنامه ریزی شهری را برای اقلیم داغ بازطراحی کند؟

از «نقشه گرما» تا «اطلس عدالت حرارتی»: چگونه هوش مصنوعی می تواند برنامه ریزی شهری را برای اقلیم داغ بازطراحی کند؟

چکیده

افزایش شدت و تداوم موج های گرما، یکی از مهم ترین چالش های پیش روی شهرهای معاصر است؛ اما مسئله فقط افزایش دمای شهر نیست، بلکه توزیع نابرابر گرما و ظرفیت متفاوت گروه های اجتماعی برای مقابله با آن است. در بسیاری از شهرها، محله هایی که از نظر اقتصادی و اجتماعی آسیب پذیرترند، هم زمان با کمبود پوشش گیاهی، تراکم بالای سطوح نفوذناپذیر و دسترسی کمتر به فضاهای خنک مواجه اند. پژوهش های جدید در سال ۲۰۲۶ نشان می دهند که هوش مصنوعی می تواند ارزیابی گرمای شهری را از نقشه های ایستای دما به سمت شناسایی پویا و چندبعدی ریسک گرما–جمعیت–آسیب پذیری هدایت کند. یک مرور نظام مند از ۱۰۲ مطالعه نیز نشان داده است که AI در پیش بینی، پایش، کاهش و مدیریت گرمای شدید شهری کاربردهای گسترده ای پیدا کرده، هرچند همچنان با مشکلاتی مانند شکاف داده ای، سوگیری جغرافیایی و ضعف در مدل سازی زنجیره کامل ریسک مواجه است.

بر همین اساس، این مقاله مفهوم «اطلس عدالت حرارتی شهری» (Urban Thermal Justice Atlas) را پیشنهاد می کند؛ سامانه ای هوشمند که در آن داده های حرارتی، فرم شهری، پوشش گیاهی، جمعیت، آسیب پذیری اجتماعی، دسترسی به زیرساخت های خنک کننده و ظرفیت نهادی با یکدیگر ترکیب می شوند تا نه فقط مشخص شود کجا گرم تر است، بلکه مشخص شود کجا گرما ناعادلانه تر است و مداخله در کجا بیشترین اثر اجتماعی را خواهد داشت.

کلیدواژه ها: گرمای شهری، عدالت اقلیمی، هوش مصنوعی، عدالت فضایی، جزیره حرارتی شهری، تاب آوری اقلیمی، زیرساخت سبز–آبی، برنامه ریزی شهری.

۱. مسئله دیگر فقط «گرم ترین نقطه شهر» نیست

در گذشته، یکی از نخستین اقدامات برنامه ریزان برای مواجهه با گرمای شهری، تهیه نقشه جزیره حرارتی شهری (Urban Heat Island) بود. در این نقشه ها، مناطق گرم تر شهر شناسایی می شدند و سپس برنامه ریزان تلاش می کردند با افزایش فضای سبز، ایجاد سایه، اصلاح مصالح یا تغییر فرم شهری، شدت گرما را کاهش دهند.

اما این رویکرد یک پرسش مهم را نادیده می گرفت:

گرما برای چه کسی خطرناک تر است؟

دو محله ممکن است دمای تقریبا یکسانی داشته باشند، اما ریسک واقعی آنها یکسان نباشد.

در یک محله ممکن است سالمندان زیادی زندگی کنند، دسترسی به فضای سبز کم باشد، ساختمان ها فرسوده باشند و حمل ونقل عمومی نیز محدود باشد.

در محله ای دیگر ممکن است همان دما با دسترسی مناسب به فضای سبز، ساختمان های مقاوم تر، خدمات عمومی و مراکز خنک کننده همراه باشد.

بنابراین:

دمای یکسان ≠ ریسک یکسان

این تغییر نگاه، نقطه آغاز مفهوم عدالت حرارتی است.

پژوهش های جدید نیز نشان داده اند که ریسک گرما در شهرها به شدت با آسیب پذیری اجتماعی هم پوشانی دارد. در مطالعه ای بر ۵۵٬۸۷۱ واحد سرشماری شهری در ایالات متحده، یک شاخص هوشمند با ترکیب شدت گرمای شهری و آسیب پذیری اجتماعی نشان داد که مناطق با بار حرارتی بیشتر، در بسیاری موارد با آسیب پذیری اجتماعی بالاتر نیز هم مکان هستند (Oni et al., 2026).

۲. از «Heat Map» به «Heat Justice Map»

نقشه سنتی گرمای شهری عمدتا یک سوال را پاسخ می دهد:

کجا گرم تر است؟

اما اطلس عدالت حرارتی باید حداقل به پنج سوال پاسخ دهد:

کجا گرم تر است؟

چه کسانی در این مناطق زندگی می کنند؟

چه کسانی آسیب پذیرترند؟

چه مقدار ظرفیت سازگاری وجود دارد؟

مداخله در کدام نقطه بیشترین منفعت اجتماعی را ایجاد می کند؟

در این نگاه، گرما دیگر یک متغیر صرفا فیزیکی نیست.

بلکه حاصل برهم کنش:

خطر اقلیمی + مواجهه جمعیت + آسیب پذیری اجتماعی + ظرفیت سازگاری

است.

این همان تغییری است که ادبیات جدید ارزیابی گرمای شهری بر آن تاکید دارد. Sharma و همکاران (2026) استدلال می کنند که ارزیابی های ایستای گرما برای شرایطی که ریسک به صورت مکانی و زمانی تغییر می کند کافی نیستند و باید رویکردی پویا و حساس به زمینه، تعامل میان خطر، مواجهه، آسیب پذیری و پاسخ های سازگارانه را در نظر بگیرد.

۳. هوش مصنوعی چه چیزی را تغییر می دهد؟

هوش مصنوعی در اینجا فقط یک ابزار برای «پیش بینی دما» نیست.

اهمیت اصلی آن در ترکیب داده های ناهمگون است.

برای مثال می توان داده های زیر را هم زمان وارد یک مدل کرد:

• تصاویر ماهواره ای؛
• دمای سطح زمین؛
• ارتفاع و فرم ساختمان ها؛
• تراکم ساختمانی؛
• عرض معابر؛
• پوشش درختی؛
• شبکه حمل ونقل؛
• جمعیت؛
• سن؛
• درآمد؛
• شاخص های آسیب پذیری؛
• دسترسی به خدمات؛
• الگوی کاربری زمین؛
• و حتی داده های ادراک حرارتی شهروندان.

این ترکیب به AI اجازه می دهد از یک نقشه ساده حرارتی عبور کند و به یک مدل ریسک شهری چندبعدی برسد.

مرور نظام مند منتشرشده در سال ۲۰۲۶ بر ۱۰۲ مطالعه نشان می دهد که AI در حال ایجاد گذار از «توصیف ایستای محیط حرارتی» به سمت شناسایی پویای ریسک گرما–جمعیت است؛ همچنین داده های شبکه های اجتماعی می توانند برای ثبت ادراک و تجربه حرارتی ساکنان به کار گرفته شوند.

۴. اما یک نکته مهم: AI نباید فقط بگوید «کجا گرم است»

اینجا یکی از مهم ترین تغییرات مفهومی مقاله مطرح می شود.

اگر هدف فقط کاهش دما باشد، الگوریتم ممکن است بگوید:

«در این نقطه درخت بکار.»

اما برنامه ریزی عادلانه باید سوال دیگری بپرسد:

«درخت را کجا بکاریم که بیشترین کاهش ریسک را برای آسیب پذیرترین جمعیت ایجاد کند؟»

این تفاوت بسیار مهم است.

ممکن است کاشت ۱۰۰ درخت در یک منطقه برخوردار، کاهش دمای بیشتری ایجاد کند؛ اما کاشت ۶۰ درخت در یک محله کم برخوردار بتواند اثر اجتماعی بسیار بزرگ تری داشته باشد.

بنابراین هدف از بهینه سازی نباید صرفا:

Maximum Cooling

باشد.

بلکه باید به:

Maximum Equitable Cooling

تغییر کند.

پژوهش های سال ۲۰۲۶ درباره زیرساخت سبز–آبی نیز نشان داده اند که ترکیب مدل های یادگیری ماشین توضیح پذیر با تحلیل ریسک می تواند برای شناسایی گروه های آسیب پذیر و بهینه سازی پیکربندی زیرساخت های سبز–آبی با هدف کاهش نابرابری حرارتی استفاده شود.

۵. «اطلس عدالت حرارتی» چگونه کار می کند؟

می توان یک چارچوب پنج لایه برای آن تعریف کرد.

لایه اول: Thermal Exposure

اندازه گیری میزان مواجهه هر بخش شهر با گرما.

شاخص هایی مانند:

LST، دمای هوا، UTCI، PET و شدت جزیره حرارتی

در این سطح قرار می گیرند.

لایه دوم: Urban Morphology

فرم شهری بررسی می شود:

تراکم، ارتفاع ساختمان، نسبت سطح به حجم، عرض خیابان، SVF، مصالح و نسبت سطوح نفوذناپذیر.

مطالعه ای در سال ۲۰۲۶ با استفاده از XAI نشان داده است که برخی متغیرهای فرم شهری، مانند Sky View Factor، می توانند نقش مهمی در توضیح تغییرات دمای سطح زمین داشته باشند و حتی برای برخی متغیرها آستانه های قابل استفاده در برنامه ریزی استخراج کرد (Ding et al., 2026).

لایه سوم: Social Vulnerability

در اینجا پرسیده می شود:

چه کسانی در معرض خطر قرار دارند؟

سن، وضعیت اجتماعی–اقتصادی، نوع خانوار، دسترسی به خدمات و سایر شاخص های آسیب پذیری وارد مدل می شوند.

لایه چهارم: Adaptive Capacity

آیا ساکنان و نهادهای محلی توان مقابله با گرما را دارند؟

دسترسی به:

فضای سبز، مراکز خنک کننده، حمل ونقل، آب، خدمات سلامت و زیرساخت های عمومی

در این سطح اهمیت پیدا می کند.

لایه پنجم: Intervention Priority

در نهایت AI باید یک سوال تصمیم گیری را پاسخ دهد:

کجا باید ابتدا مداخله کنیم؟

و اینجاست که «اطلس» از یک نقشه تحلیلی به یک سیستم پشتیبان تصمیم گیری شهری تبدیل می شود.

۶. از «مداخله بیشتر» به «مداخله هوشمندتر»

یکی از جذاب ترین کاربردهای این رویکرد، مقایسه سناریوهای مداخله است.

فرض کنید یک محله با مشکل گرمای شدید مواجه است.

شهرداری پنج گزینه دارد:

کاشت درخت

ایجاد پارک

سایه بان شهری

تغییر مصالح سطح خیابان

کاهش تراکم یا اصلاح فرم ساختمانی

سوال دیگر این نیست که:

«کدام گزینه بهتر است؟»

بلکه AI می تواند بررسی کند:

کدام ترکیب از مداخلات، با چه هزینه ای، بیشترین کاهش ریسک را برای آسیب پذیرترین گروه ایجاد می کند؟

پژوهش های جدید نشان داده اند که AI می تواند برای بهینه سازی هم زمان فضای سبز و تراکم ساختمانی در مواجهه با گرمای بیرونی مورد استفاده قرار گیرد؛ زیرا افزایش تراکم و افزایش زیرساخت سبز ممکن است اهداف متعارضی ایجاد کنند و نیازمند راه حل های ترکیبی باشند.

حتی پژوهش های جدیدتر به سمت تولید خودکار فرم های شهری مقاوم در برابر گرما حرکت کرده اند؛ برای مثال مدل PC-GAN در سال ۲۰۲۶ برای تولید گزینه های طراحی مورفولوژیک با محدودیت های فضایی و هدف افزایش تاب آوری حرارتی معرفی شده است.

۷. یک تحول مهم: از «بهترین راه حل» به «بهترین راه حل برای این محله»

این موضوع اهمیت زیادی دارد.

ممکن است یک راهکار در یک محله بسیار موثر باشد و در محله دیگر نتیجه متفاوتی ایجاد کند.

برای نمونه، پژوهش های جدید نشان می دهند که اثر تغییرات فرم شهری بر کاهش جزیره حرارتی می تواند در زمان های مختلف روز متفاوت باشد؛ بنابراین یک الگوی ثابت برای همه ساعات یا همه محله ها لزوما بهترین گزینه نیست.

پس برنامه ریزی حرارتی باید:

مکان محور

زمان محور

و

گروه محور

باشد.

این یعنی:

یک شهر، یک نسخه واحد برای مقابله با گرما ندارد.

بلکه هر محله باید «نسخه حرارتی» مخصوص خود را داشته باشد.

۸. خطر پنهان: «عدالت الگوریتمی» بدون عدالت داده ای ممکن نیست

هوش مصنوعی هرچقدر هم قدرتمند باشد، اگر داده های آن ناقص باشند، خروجی آن نیز می تواند ناعادلانه باشد.

یکی از یافته های مهم مرور نظام مند سال ۲۰۲۶، وجود Northern Bias در مطالعات AI و گرمای شهری است؛ یعنی بخش بزرگی از مطالعات در آمریکای شمالی، چین و اروپا متمرکز بوده و پوشش مناطق مختلف، به ویژه بخش هایی از جنوب صحرای آفریقا و آمریکای لاتین، بسیار محدودتر است.

این مسئله برای کشورهای در حال توسعه بسیار مهم است.

زیرا ممکن است شهری:

گرمای شدید داشته باشد،

جمعیت آسیب پذیر داشته باشد،

اما:

داده کافی نداشته باشد.

در چنین شرایطی، اگر الگوریتم بر اساس «داده موجود» اولویت بندی کند، ممکن است مناطقی که بیشترین نیاز را دارند، به دلیل کمبود داده کمتر دیده شوند.

بنابراین:

Data Poor ≠ Risk Poor

کمبود داده نباید به معنای کمبود ریسک تلقی شود.

۹. فراتر از AI تکنوکراتیک: «Cooling with Consent»

یکی از تازه ترین جهت گیری های پژوهشی در سال ۲۰۲۶، نقد رویکردهایی است که AI را صرفا به عنوان ابزار بهینه سازی فضایی می بینند.

Yigitcanlar و همکاران (2026) در مقاله ای در Urban Climate استدلال می کنند که بهینه سازی فنی به تنهایی برای موفقیت سازگاری با گرما کافی نیست و عواملی مانند پذیرش اجتماعی، آمادگی رفتاری، ظرفیت نهادی، مشارکت و عدالت نیز باید وارد فرآیند تصمیم گیری شوند. آنها به جای تمرکز صرف بر اینکه «گرما کجا شدیدتر است»، پیشنهاد می کنند پرسش به سمت این تغییر کند که:

«در کجا مداخله از نظر اجتماعی، نهادی و اجرایی امکان پذیرتر، عادلانه تر و فراگیرتر است؟»

این ایده را می توان یک گام مفهومی مهم دانست:

از AI-guided Cooling

به:

AI-guided Equitable Cooling

و حتی:

AI-guided Cooling with Consent

یعنی خنک سازی شهری با مشارکت و رضایت اجتماعی.

۱۰. پیشنهاد یک مدل جدید برای حکمرانی گرمای شهری

بر اساس مباحث فوق، می توان یک چرخه جدید برای مدیریت گرمای شهری پیشنهاد کرد:

Sense → Diagnose → Prioritize → Simulate → Co-design → Implement → Monitor → Learn

یعنی:

پایش: شهر به صورت مستمر وضعیت حرارتی خود را اندازه گیری می کند.

تشخیص: AI مناطق پرریسک را شناسایی می کند.

اولویت بندی: عدالت اجتماعی وارد تصمیم گیری می شود.

شبیه سازی: سناریوهای مختلف مداخله آزمایش می شوند.

طراحی مشارکتی: شهروندان و ذی نفعان در انتخاب گزینه ها مشارکت می کنند.

اجرا: مداخله انجام می شود.

پایش: اثر واقعی آن سنجیده می شود.

یادگیری: مدل بر اساس نتایج واقعی به روزرسانی می شود.

در نتیجه، برنامه ریزی حرارتی از یک طرح ثابت به یک سیستم یادگیرنده شهری تبدیل می شود.

۱۱. نتیجه گیری: آینده برنامه ریزی اقلیمی، «گرم ترین نقطه» را دنبال نمی کند

گرمای شهری دیگر صرفا یک مسئله محیط زیستی نیست.

این مسئله به طور هم زمان:

فضایی، اجتماعی، اقتصادی، سلامت محور و حکمرانی محور است.

پژوهش های جدید نشان می دهند که هوش مصنوعی می تواند توانایی شهرها را برای پیش بینی، پایش و مدیریت گرمای شدید افزایش دهد؛ اما ارزش واقعی AI زمانی آشکار می شود که از پیش بینی دما فراتر رود و نابرابری در مواجهه با گرما را نیز شناسایی کند.

از این منظر، پیشنهاد اصلی این مقاله مفهوم:

«اطلس عدالت حرارتی شهری»

است؛ سامانه ای که در آن گرما نه فقط بر اساس میزان دما، بلکه بر اساس میزان بی عدالتی ناشی از گرما ارزیابی می شود.

در این رویکرد، هدف نهایی دیگر این نیست که:

«کل شهر را خنک کنیم.»

بلکه:

«آسیب پذیرترین شهروندان را در مکان هایی که بیشترین ریسک و کمترین ظرفیت سازگاری را دارند، در اولویت خنک سازی قرار دهیم.»

و شاید این مهم ترین تغییر پارادایمی در برنامه ریزی اقلیمی آینده باشد:

شهر تاب آور شهری نیست که صرفا گرما را تحمل می کند؛ شهری است که گرما را به صورت عادلانه مدیریت می کند.

منابع

Ding, Q., Ye, W., Shao, Z., & Wang, H. (2026). Identifying predictive thresholds and marginal benefit boundaries of urban heat environments via explainable AI. Computational Urban Science, 6, 43.

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.

Sharma, A., Kumar, R., Klinenberg, E., et al. (2026). Five shifts to rethink urban heat assessment and action. npj Urban Sustainability, 6, 108.

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.

Artificial intelligence applications in urban extreme heat management: A systematic review of forecasting, monitoring, mitigation and decision support. (2026). Environmental Impact Assessment Review, 119, 108363.

Advancing climate justice for vulnerable groups: Optimizing spatial configuration of urban blue–green infrastructure to mitigate heat risks leveraging explainable machine learning. (2026). Sustainable Cities and Society, 140, 107228.

Optimizing urban greening and densification in the context of outdoor heat: Opportunities for AI-supported urban adaptation. (2026). Landscape and Urban Planning, 268, 105574.

Generative urban climate modeling using coupled GAN–UWG frameworks: Morphological strategies for transformation and adaptive heat mitigation. (2026). Urban Climate, 65, 102786.

PC-GAN: A deep learning framework for automated urban morphology design with spatial constraints to improve heat resilience. (2026). Landscape and Urban Planning, 271, 105623.