از «شهر خنک» تا «شهر خنک مورد رضایت»: چرا مقابله با گرمای شهری بدون مشارکت مردم کافی نیست؟

از «شهر خنک» تا «شهر خنک مورد رضایت»: چرا مقابله با گرمای شهری بدون مشارکت مردم کافی نیست؟

چکیده

افزایش شدت و تداوم موج های گرما، مفهوم «تاب آوری حرارتی» را به یکی از مهم ترین موضوعات برنامه ریزی شهری تبدیل کرده است. در سال های اخیر، هوش مصنوعی و مدل های مکانی امکان شناسایی نقاط داغ، پیش بینی تنش حرارتی و بهینه سازی مکان یابی مداخلاتی مانند درختکاری، سایه اندازی و زیرساخت های سبز را فراهم کرده اند. بااین حال، یک پرسش اساسی همچنان کمتر مورد توجه قرار گرفته است: آیا موثرترین راهکار فنی، لزوما بهترین راهکار برای جامعه محلی است؟

پژوهش جدید Yigitcanlar و همکاران (2026) با طرح مفهوم «Cooling with Consent» نشان می دهد که برنامه ریزی حرارتی مبتنی بر هوش مصنوعی نباید صرفا بر بهینه سازی فنی تمرکز کند، بلکه باید آمادگی حکمرانی، پذیرش اجتماعی، رفتار شهروندان و عدالت را نیز وارد فرآیند تصمیم گیری کند. (ScienceDirect) از سوی دیگر، پژوهش های جدید نشان می دهند که ارزیابی گرمای شهری نیز باید از نقشه های ثابت دما به سمت تحلیل های پویا و حساس به زمان، مکان، مواجهه و آسیب پذیری حرکت کند. (Nature)

این مقاله با رویکرد تحلیلی–اسنادی، مفهوم «عدالت حرارتی مشارکتی» (Participatory Thermal Justice) را پیشنهاد می کند؛ رویکردی که در آن AI وظیفه تشخیص و شبیه سازی را بر عهده دارد، اما تعیین اولویت ها و انتخاب مداخلات در تعامل با جامعه محلی انجام می شود. استدلال اصلی مقاله آن است که آینده برنامه ریزی گرمای شهری نه فقط «هوشمندتر»، بلکه باید مشارکتی تر، عادلانه تر و مبتنی بر رضایت اجتماعی باشد.

کلیدواژه ها: گرمای شهری، عدالت حرارتی، هوش مصنوعی، تاب آوری اقلیمی، مشارکت شهروندی، زیرساخت سبز، حکمرانی اقلیمی.

۱. مسئله دیگر فقط «گرما» نیست

گرمای شهری دیگر یک مسئله صرفا زیست محیطی نیست.

افزایش دما مستقیما با سلامت عمومی، مصرف انرژی، کیفیت فضای عمومی، بهره وری اقتصادی و کیفیت زندگی ارتباط پیدا کرده است. از سوی دیگر، همه شهروندان نیز گرما را به یک شکل تجربه نمی کنند.

یک خیابان ممکن است برای یک فرد جوان و سالم قابل تحمل باشد، اما همان محیط برای یک سالمند، کودک یا فردی که ساعات زیادی در فضای باز کار می کند، به یک فضای پرخطر تبدیل شود.

بنابراین، پرسش برنامه ریزی شهری نباید فقط این باشد:

کدام مناطق شهر گرم تر هستند؟

بلکه باید پرسید:

کدام افراد، در کدام مکان ها، در چه زمان هایی و تحت چه شرایطی بیشتر در معرض خطر گرما قرار دارند؟

این تغییر پرسش، نقطه آغاز تحول از Heat Mapping به Thermal Justice Planning است.

۲. چرا «نقشه گرما» دیگر کافی نیست؟

نقشه های سنتی گرمای شهری معمولا بر نمایش دما یا شدت جزیره حرارتی تمرکز می کنند.

اما خطر واقعی گرما تابع مجموعه ای از عوامل است:

خطر اقلیمی + میزان مواجهه + آسیب پذیری + ظرفیت سازگاری

بنابراین ممکن است دو محله دمای مشابهی داشته باشند، اما سطح ریسک آنها کاملا متفاوت باشد.

پژوهش Sharma و همکاران (2026) نیز بر همین ضرورت تاکید می کند و پیشنهاد می دهد ارزیابی گرمای شهری از رویکردهای ثابت و ایستا به سمت چارچوب های پویا، زمینه محور و تصمیم یار حرکت کند. (Nature)

از سوی دیگر، پژوهش Hellebosch و همکاران که در ۲۰ اوت ۲۰۲۶ منتشر شده، نشان داده است که مدل سازی گرمای فضای باز در مقیاس متری می تواند برای شناسایی نقاط بحرانی و ارزیابی راهکارهای سازگاری با دقت بسیار بالاتری مورد استفاده قرار گیرد. (PLOS)

بنابراین، نسل جدید برنامه ریزی حرارتی باید از:

Where is it hot?

به:

Who is exposed, when, why, and what can be done?

حرکت کند.

۳. هوش مصنوعی؛ از تشخیص نقطه داغ تا طراحی مداخله

هوش مصنوعی می تواند این تحول را بسیار سریع تر کند.

AI می تواند هم زمان داده های مربوط به:

• دمای سطح زمین؛
• فرم و تراکم شهری؛
• پوشش گیاهی؛
• ارتفاع ساختمان ها؛
• شبکه معابر؛
• جمعیت؛
• سن و ویژگی های اجتماعی؛
• الگوهای حرکتی؛
• مصرف انرژی؛
• و شاخص های آسیب پذیری

را تحلیل کند.

در نتیجه، به جای یک نقشه ساده حرارتی، می توان یک Heat Risk Intelligence System ایجاد کرد.

این سیستم می تواند نشان دهد:

کجا گرم است؟

چه زمانی گرم تر است؟

چه کسانی بیشتر در معرض خطر هستند؟

علت اصلی چیست؟

کدام مداخله بیشترین اثر را دارد؟

و هزینه اجتماعی و اقتصادی هر مداخله چقدر است؟

پژوهش های جدید نیز نشان می دهند که AI می تواند در ایجاد تعادل میان توسعه شهری، تراکم و افزایش زیرساخت سبز برای کاهش تنش حرارتی به برنامه ریزان کمک کند. (ScienceDirect)

۴. اما یک مشکل مهم وجود دارد: AI «بهترین» راهکار را برای چه کسی انتخاب می کند؟

اینجا مسئله از یک موضوع فنی به یک مسئله حکمرانی تبدیل می شود.

فرض کنیم یک الگوریتم پیشنهاد می کند که برای کاهش دمای یک محله، ۴۰ درصد از سطح یک خیابان به فضای سبز تبدیل شود.

از نظر مدل حرارتی، این شاید بهترین گزینه باشد.

اما:

آیا ساکنان آن را می خواهند؟

آیا مغازه داران با آن موافق اند؟

آیا دسترسی خودروهای امدادی حفظ می شود؟

آیا کاهش فضای پارک خودرو پیامد اقتصادی دارد؟

آیا هزینه نگهداری فضای سبز قابل تامین است؟

آیا مداخله باعث افزایش ارزش زمین و جابه جایی ساکنان کم درآمد خواهد شد؟

اینجاست که یک مفهوم مهم مطرح می شود:

Technical Optimality ≠ Social Optimality

به بیان ساده:

بهترین راهکار از نظر الگوریتم، الزاما بهترین راهکار از نظر جامعه نیست.

۵. «Cooling with Consent»؛ نسل جدید برنامه ریزی حرارتی

پژوهش Yigitcanlar و همکاران (2026) دقیقا از همین نقطه شروع می کند و بر ضرورت حرکت از بهینه سازی صرفا فنی به سمت AI-guided heat adaptation همراه با پذیرش اجتماعی، آمادگی حکمرانی و ملاحظات رفتاری تاکید دارد. (ScienceDirect)

از این منظر، برنامه ریزی حرارتی را می توان به چهار مرحله تقسیم کرد:

مرحله اول: Detect

AI نقاط و گروه های در معرض خطر را شناسایی می کند.

مرحله دوم: Predict

مدل های اقلیمی و مکانی آینده خطر را پیش بینی می کنند.

مرحله سوم: Propose

AI مجموعه ای از مداخلات احتمالی را پیشنهاد می دهد.

مرحله چهارم: Consent

جامعه محلی درباره گزینه های پیشنهادی مشارکت و اظهارنظر می کند.

در نتیجه:

AI پیشنهاد می دهد؛ جامعه انتخاب می کند؛ برنامه ریز هماهنگ می کند.

این می تواند مبنای یک مدل جدید از حکمرانی اقلیمی شهری باشد.

۶. از «عدالت توزیعی» به «عدالت حرارتی مشارکتی»

در بسیاری از سیاست های اقلیمی، عدالت به این معنا تعریف می شود که منابع به شکل عادلانه میان محله ها توزیع شوند.

اما عدالت حرارتی یک لایه دیگر نیز دارد:

چه کسی در تعیین نوع مداخله حق مشارکت دارد؟

برای مثال، ممکن است یک شهرداری تصمیم بگیرد در یک محله کم برخوردار تعداد زیادی درخت بکارد.

از نظر توزیعی، این تصمیم مثبت است.

اما اگر گونه های انتخاب شده با نیازهای ساکنان سازگار نباشند، نگهداری آنها دشوار باشد یا طراحی فضای سبز با الگوهای استفاده مردم هماهنگ نباشد، پروژه ممکن است در بلندمدت موفق نباشد.

بنابراین پیشنهاد این مقاله، مفهوم:

Participatory Thermal Justice

یا

عدالت حرارتی مشارکتی

است.

در این رویکرد، عدالت فقط به این معنا نیست که:

چه کسی چه میزان از منابع را دریافت می کند؟

بلکه:

چه کسی در تعریف مسئله، انتخاب راه حل و ارزیابی نتیجه نیز مشارکت دارد؟

۷. «Heat Democracy»: دموکراتیک کردن تصمیم گیری درباره گرما

بر مبنای همین منطق، می توان یک مفهوم نوآورانه تر را مطرح کرد:

Heat Democracy

یا دموکراسی حرارتی.

در این مدل، شهروندان فقط دریافت کننده سیاست های اقلیمی نیستند؛ بلکه بخشی از سیستم تصمیم گیری هستند.

برای مثال، یک پلتفرم شهری می تواند به شهروندان اجازه دهد مشخص کنند:

• کدام مسیرها در تابستان غیرقابل تحمل اند؛
• کدام ایستگاه های حمل ونقل نیازمند سایه هستند؛
• کدام فضاهای عمومی در ساعات خاصی بیشترین مشکل حرارتی را دارند؛
• کدام مکان ها برای ایجاد «پناهگاه حرارتی» مناسب ترند.

این داده های مشارکتی سپس وارد سیستم AI می شوند.

در نتیجه:

Citizen Data + Sensor Data + AI + Local Knowledge

می تواند یک لایه جدید از اطلاعات شهری ایجاد کند.

این موضوع اهمیت ویژه ای دارد، زیرا پژوهش های اخیر درباره سازگاری اقلیمی در شهرهای آمریکای لاتین نیز نشان داده اند که تعریف «موفقیت» در سازگاری باید به دانش محلی، ارزش ها، تاریخ و تجربه زیسته مردم متصل باشد. (ScienceDirect)

۸. از «زیرساخت سبز» به «زیرساخت سبز قابل اجرا»

یکی از جذاب ترین نتایج پژوهش های جدید این است که صرفا شناسایی مناطق پرخطر برای ایجاد زیرساخت سبز کافی نیست.

پژوهش منتشرشده در npj Urban Sustainability در ۲۰ اوت ۲۰۲۶، برنامه ریزی زیرساخت های مبتنی بر طبیعت را در شهرهای بارسلونا، بوستون و روتردام با ترکیب ریسک و امکان پذیری اجرا بررسی کرده است. (Nature)

این مسئله بسیار مهم است.

ممکن است یک منطقه از نظر اقلیمی بهترین مکان برای ایجاد پارک باشد، اما:

مالکیت خصوصی،

هزینه زمین،

زیرساخت موجود،

محدودیت بودجه،

تعارض کاربری،

یا

مقاومت اجتماعی

اجرای آن را غیرممکن کند.

بنابراین مدل آینده باید به جای:

Where should we plant trees?

بپرسد:

Where can trees actually create the greatest feasible and equitable cooling benefit?

این تفاوت، برنامه ریزی اقلیمی را از یک فرآیند صرفا تحلیلی به یک فرآیند تصمیم گیری اجرایی تبدیل می کند.

۹. چارچوب پیشنهادی «AI–Consent–Action»

بر اساس مباحث فوق، می توان یک چارچوب مفهومی برای برنامه ریزی حرارتی آینده پیشنهاد کرد:

۱. Sense | ادراک

جمع آوری داده های سنجش ازدور، حسگرها و داده های شهروندی.

↓

۲. Diagnose | تشخیص

شناسایی نقاط داغ و گروه های آسیب پذیر.

↓

۳. Predict | پیش بینی

مدل سازی سناریوهای آینده گرما.

↓

۴. Design | طراحی

تولید گزینه های مداخله توسط AI.

↓

۵. Deliberate | گفت وگو

ارزیابی گزینه ها با مشارکت شهروندان، کارشناسان و ذی نفعان.

↓

۶. Consent | رضایت

انتخاب راهکارهای دارای بیشترین مشروعیت اجتماعی و امکان اجرا.

↓

۷. Act | اقدام

اجرای مداخله.

↓

۸. Learn | یادگیری

اندازه گیری اثرات و بازگشت داده ها به سیستم.

بنابراین چرخه پیشنهادی چنین است:

Sense → Diagnose → Predict → Design → Deliberate → Consent → Act → Learn

این مدل می تواند پایه ای برای شکل گیری Participatory AI for Urban Climate Adaptation باشد.

۱۰. یک تغییر مهم در نقش برنامه ریز شهری

در چنین مدلی، برنامه ریز شهری حذف نمی شود؛ بلکه نقش او تغییر می کند.

برنامه ریز آینده صرفا تحلیلگر نقشه ها نخواهد بود.

او باید بتواند بین:

AI

داده

شهروندان

اقتصاد

محیط زیست

سیاست

و

عدالت

ارتباط برقرار کند.

به بیان دیگر:

AI can optimize the solution, but planners must legitimize the decision.

این شاید یکی از مهم ترین مهارت های برنامه ریز شهری در عصر هوش مصنوعی باشد.

۱۱. نتیجه گیری

گرمای شهری در حال تبدیل شدن به یکی از جدی ترین آزمون های برنامه ریزی شهری در دهه های آینده است. اما پاسخ به این بحران صرفا در افزایش تعداد درختان، ایجاد سایه یا توسعه زیرساخت های خنک کننده خلاصه نمی شود.

شهر باید بداند:

کجا گرم است؛

چه کسی بیشتر آسیب می بیند؛

چه مداخله ای موثرتر است؛

آیا اجرای آن امکان پذیر است؛

و مهم تر از همه:

آیا جامعه ای که قرار است این مداخله برای آن اجرا شود، آن را می پذیرد؟

پژوهش های جدید نشان می دهند که نسل آینده برنامه ریزی گرمای شهری باید از ارزیابی های ایستا به سمت تحلیل های پویا، دقیق و تصمیم محور حرکت کند و در عین حال، عدالت، پذیرش اجتماعی و ظرفیت حکمرانی را در فرآیند تصمیم گیری وارد کند. (ScienceDirect)

بر این اساس، آینده برنامه ریزی گرمای شهری را می توان نه صرفا:

AI for Cooling

بلکه:

AI + Community + Justice for Cooling

تعریف کرد.

و شاید مهم ترین تغییر پارادایمی این باشد:

شهر آینده فقط نباید بداند کجا گرم است؛ باید بداند چه کسی در گرما آسیب می بیند، چه راهکاری را می پذیرد و چگونه می توان عادلانه تر خنک شد.

منابع

Yigitcanlar, T., Hossain, T., Shaamala, A., Degirmenci, K., Liu, Y., Peng, Z. R., et al. (2026). Cooling with consent: Toward equitable and readiness-based AI-guided heat adaptation. Urban Climate, 68, 103003. (ScienceDirect)

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

Hellebosch, I., Souverijns, N., Top, S., Lauwaet, D., Caluwaerts, S., & De Ridder, K. (2026). Modeling outdoor heat stress at meter-scale resolution: Validation of the UrbClim-HiREx framework. PLOS Climate, 5(8), e0000973. (PLOS)

Khromova, S., Busse, S., Benati, G., Herreros-Cantis, P., Mioulet, C., Eckelman, M. J., Villalba-Méndez, G., & Langemeyer, J. (2026). Integrating risk and feasibility in the spatial planning of nature-based solutions: A cross-city analysis of Barcelona, Boston, and Rotterdam. npj Urban Sustainability. (Nature)

Amorim-Maia, A. T., & Olazabal, M. (2026). Imagining adaptation in three Latin American cities: Anchoring definitions of success in local knowledge, values, and histories. Urban Climate, 68, 103043. (ScienceDirect)

Zhang, Y., Xu, F., Wang, Q. R., et al. (2026). Generative AI in urban science and practice. Nature Cities, 3, 688–699. (Nature)