کاربرد هوش مصنوعی در ارزیابی تاب آوری شهری و تغییرات اقلیمی

بحران اقلیمی دیگر یک سناریوی دور از دسترس نیست؛ گرمای شدید، سیل های ناگهانی، خشکسالی و طوفان های شدیدتر هر سال آسیب های بیشتری به زیرساخت های شهری وارد می کنند. در چنین شرایطی، مفهوم «تاب آوری شهری»، یعنی توانایی یک شهر در پیش بینی، جذب، بازیابی و سازگاری در برابر این اختلالات، به یکی از اولویت های اصلی مدیریت شهری تبدیل شده است. اما ارزیابی دقیق تاب آوری یک شهر کار ساده ای نیست؛ این ارزیابی نیازمند پردازش هم زمان داده های 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 نظام مند بر ۳۸۵ مقاله ی علمی منتشرشده در بازه ی سال های ۲۰۰۰ تا ۲۰۲۵ نشان می دهد که هوش مصنوعی امروز در حال تبدیل شدن به ابزاری تحول آفرین برای افزایش تاب آوری سامانه ها در برابر تغییرات اقلیمی است، هرچند پژوهش های موجود در این حوزه هنوز میان بخش ها و مناطق مختلف جهان پراکنده اند (Ayadi et al., 2025). در ادامه ی این مقاله بررسی می کنیم که هوش مصنوعی چگونه در ارزیابی تاب آوری شهری به کار گرفته می شود، چه فناوری هایی پشت این کاربردها قرار دارد و چه فرصت ها و چالش هایی پیش روی آن است.

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

ارزیابی سنتی تاب آوری شهری معمولا بر پایه ی شاخص های ثابت و داده های تاریخی محدود انجام می شود؛ رویکردی که در مواجهه با سرعت و پیچیدگی روزافزون رویدادهای اقلیمی، به سرعت ناکارآمد می شود. شهرها امروز باید هم زمان با چندین ریسک اقلیمی روبه رو شوند: افزایش دما، سیل های شهری، کمبود آب و آلودگی هوا، در حالی که هرکدام از این ریسک ها به داده ها و مدل های تحلیلی متفاوتی نیاز دارند. پژوهشی که به بررسی نقش هوش مصنوعی در مدل سازی اقلیمی برای برنامه ریزی شهری پایدار پرداخته، تاکید می کند که تا سال ۲۰۵۰ نزدیک به شصت وهشت درصد از جمعیت جهان در شهرها زندگی خواهند کرد و همین موضوع ضرورت توسعه ی راهبردهای سازگاری با تنوع فزاینده ی ریسک های اقلیمی را دوچندان می کند (Amnuaylojaroen, 2025).

هوش مصنوعی در این میان، توانایی منحصربه فردی برای ادغام داده های چندمنبعی، از تصاویر ماهواره ای و حسگرهای شهری گرفته تا داده های اجتماعی و اقتصادی، در یک چارچوب تحلیلی واحد دارد. مدل سازی اقلیمی مبتنی بر هوش مصنوعی می تواند دقت پیش بینی، سرعت پردازش و توانایی ادغام داده های چندگانه را به طور هم زمان افزایش دهد و از همین رو، نقش مهمی در ارزیابی ریسک اقلیمی و برنامه ریزی شهری ایفا کند (Amnuaylojaroen, 2025). به بیان دیگر، هوش مصنوعی نه تنها سرعت ارزیابی تاب آوری را افزایش می دهد، بلکه امکان تحلیل هم زمان چند بعد از آسیب پذیری شهری را نیز فراهم می آورد که پیش از این عملا غیرممکن بود.

فناوری ها و روش های هوش مصنوعی در ارزیابی تاب آوری شهری

در قلب بسیاری از ابزارهای ارزیابی تاب آوری شهری، مدل های 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 شبکه های حافظه ی کوتاه مدت-بلندمدت (LSTM) برای مدل سازی پویایی های زمانی با شبکه های عصبی گرافی (GNN) برای مدل سازی وابستگی های مکانی است؛ چارچوبی که به سامانه های شهری اجازه می دهد هم زمان الگوهای زمانی و مکانی داده های شهری را تحلیل کنند و یک شاخص تاب آوری پویا تولید کنند که امکان تشخیص ناهنجاری و آگاهی موقعیتی برخط را فراهم می سازد (Kalyan Chakravarthi et al., 2026).

در کنار این مدل های ترکیبی، ابزارهای دیگری مانند سنجش از دور ماهواره ای، شبکه های حسگر اینترنت اشیا و سامانه های اطلاعات جغرافیایی هوشمند، زیرساخت داده ای لازم برای آموزش این مدل ها را فراهم می کنند. مرور جامع نقش هوش مصنوعی در تاب آوری اقلیمی نشان می دهد که در محیط های شهری، این فناوری از طریق مدیریت هوشمند زیرساخت، نگهداری پیش بینانه ی سامانه های حیاتی و بهینه سازی جریان ترافیک و انرژی، به تقویت تاب آوری کمک می کند و در کنار آن، امکان ارزیابی ریسک اقلیمی و کاهش آسیب پذیری در برابر رویدادهای حدی مانند گرمای شدید را نیز فراهم می آورد (Ayadi et al., 2025).

کاربردهای عملی هوش مصنوعی در ارزیابی تاب آوری و مدیریت ریسک اقلیمی

یکی از پرکاربردترین حوزه های هوش مصنوعی در تاب آوری شهری، سامانه های هشدار زودهنگام است. با افزایش حجم و پیچیدگی داده های اقلیمی، نیاز به زیرساخت های داده ای و روش های تحلیلی پیشرفته، از جمله هوش مصنوعی، به طور فزاینده ای احساس می شود؛ هوش مصنوعی می تواند دقت، سرعت و توان پاسخ گویی سامانه های هشدار زودهنگام را که برای مقابله با رویدادهای اقلیمی حدی ضروری اند، به طور چشمگیری بهبود بخشد (Ayadi et al., 2025). چنین سامانه هایی به شهرداری ها امکان می دهند پیش از وقوع سیل، موج گرما یا طوفان، اقدامات پیشگیرانه را آغاز کنند و از خسارات جانی و مالی گسترده جلوگیری کنند.

در مقیاسی کاربردی تر، چارچوب های تازه ی ترکیبی هوش مصنوعی برای پایش زیرساخت شهری در حال آزمایش در شهرهای واقعی هستند. برای نمونه، چارچوبی مبتنی بر ترکیب چندوجهی داده های هوش مصنوعی، در سه شهر سنگاپور، چنای و روتردام آزمایش شده تا میزان کارایی آن در شرایط داده ای متفاوت، از شهرهای غنی از داده تا شهرهای با کمبود داده، سنجیده شود؛ نتایج نشان می دهد رویکردهای سنتی نگهداری زیرساخت که بر بازرسی دوره ای و واکنش پس از رویداد متکی هستند، دیگر در دنیایی با نوسانات اقلیمی و زیرساخت های فرسوده پایدار نیستند (Kalyan Chakravarthi et al., 2026). علاوه بر این، پژوهشی که نقش هوش مصنوعی را در راستای اهداف توسعه ی پایدار ۱۱ و ۱۳ سازمان ملل بررسی کرده، نشان می دهد که فناوری هایی مانند سنجش از دور و شبکه های حسگر می توانند ارزیابی کیفیت هوا و آب، تغییرات کاربری زمین و پایش تنوع زیستی را به طور قابل توجهی بهبود بخشند (Al-Raeei, 2024).

مزایای استفاده از هوش مصنوعی در ارزیابی تاب آوری شهری

مهم ترین مزیت هوش مصنوعی در این حوزه، توانایی آن در پردازش هم زمان حجم عظیمی از داده های چندمنبعی و تولید بینش های عملی در زمانی کوتاه است. این ویژگی به ویژه در شرایط بحرانی، مانند وقوع سیل ناگهانی یا موج گرمای شدید، اهمیت حیاتی پیدا می کند؛ چون تصمیم گیری سریع می تواند مستقیما جان انسان ها و زیرساخت های حیاتی شهر را نجات دهد. علاوه بر این، هوش مصنوعی می تواند با ادغام داده های اقلیمی، اجتماعی و اقتصادی، تصویری چندبعدی تر از آسیب پذیری شهری ارائه دهد که فراتر از شاخص های صرفا کالبدی است.

مزیت دیگر، امکان بهینه سازی مصرف انرژی و تخصیص منابع در سطح شهر است؛ هوش مصنوعی از طریق تحلیل داده های زیرساختی می تواند مصرف انرژی را در بخش های مختلف بهینه کند و به کاهش قابل توجه انتشار گازهای گلخانه ای کمک کند، که خود عاملی مهم در تقویت تاب آوری بلندمدت شهرها در برابر تغییرات اقلیمی است (Al-Raeei, 2024). همچنین، توانایی این فناوری در شبیه سازی سناریوهای مختلف اقلیمی، از جمله ارزیابی جامع ریسک سیل بر پایه ی شبیه سازی و آسیب پذیری اجتماعی-اقتصادی، به تصمیم گیران کمک می کند پیش از وقوع بحران، راهبردهای مقابله ای موثرتری طراحی کنند.

چالش ها و محدودیت های هوش مصنوعی در ارزیابی تاب آوری شهری

با وجود پیشرفت های چشمگیر، به کارگیری هوش مصنوعی در ارزیابی تاب آوری شهری با چالش های جدی همراه است. یکی از مهم ترین این چالش ها، ناهمگونی و کیفیت پایین بسیاری از داده های اقلیمی و شهری است؛ مروری که چالش های به کارگیری هوش مصنوعی در مدل سازی اقلیمی را بررسی کرده، بر این نکته تاکید می کند که ناسازگاری کیفیت داده ها، محدودیت های تفسیرپذیری مدل ها، دغدغه های اخلاقی و دشواری مقیاس پذیری الگوریتم ها در بافت های شهری متنوع، از مهم ترین موانع پیش روی این فناوری هستند (Amnuaylojaroen, 2025). این موضوع به ویژه در شهرهای کشورهای در حال توسعه که داده های محدودتری در دسترس دارند، چالش برانگیزتر است.

چالش دیگر، ویژگی «جعبه سیاه» بسیاری از مدل های یادگیری عمیق است که تفسیر منطق پشت یک تصمیم یا پیش بینی الگوریتمی را برای مدیران شهری و شهروندان دشوار می کند؛ برای پاسخ به این نگرانی، پژوهش های اخیر بر لزوم توسعه ی مدل های هوش مصنوعی قابل تفسیر و چارچوب های استوار حکمرانی داده تاکید دارند تا راهکارهای مقیاس پذیر مبتنی بر هوش مصنوعی بتوانند به طور واقعی از سازگاری اقلیمی پشتیبانی کنند (Amnuaylojaroen, 2025). همچنین، مرور جامع تاب آوری اقلیمی هشدار می دهد که بدون راه حل های متناسب با هر منطقه، همکاری میان رشته ای و چارچوب های اخلاقی روشن، نمی توان انتظار داشت هوش مصنوعی به طور کامل و عادلانه در خدمت تاب آوری همه ی جوامع شهری قرار گیرد (Ayadi et al., 2025).

آینده ی هوش مصنوعی در تاب آوری شهری و سازگاری اقلیمی

روند پژوهش های اخیر نشان می دهد که آینده ی این حوزه به سمت ترکیب عمیق تر مدل های چندوجهی هوش مصنوعی با داده های زنده ی حسگرهای شهری پیش می رود؛ رویکردی که در آن، شاخص های تاب آوری دیگر گزارش های دوره ای و ثابت نخواهند بود، بلکه به صورت لحظه ای و پویا به روزرسانی می شوند و امکان واکنش سریع تر به تغییرات ناگهانی محیط شهری را فراهم می کنند (Kalyan Chakravarthi et al., 2026). چنین سامانه هایی می توانند به ویژه برای شهرهایی با منابع محدود، ابزاری کم هزینه و مقیاس پذیر برای پایش مستمر ریسک اقلیمی باشند.

از سوی دیگر، به کارگیری موفق و پایدار هوش مصنوعی در تاب آوری شهری مستلزم نوآوری مستمر، همکاری میان رشته ای میان مهندسان، اقلیم شناسان و برنامه ریزان شهری، و تدوین قوانین سازنده برای هدایت این فناوری است؛ نکته ای که در ادبیات این حوزه به کرات بر آن تاکید شده است (Ayadi et al., 2025). با پیشرفت مدل های تفسیرپذیر و گسترش دسترسی به داده های باکیفیت، می توان انتظار داشت هوش مصنوعی از یک ابزار تحلیلی مکمل، به ستون اصلی برنامه ریزی تاب آوری اقلیمی در شهرهای سراسر جهان تبدیل شود.

جمع بندی

کاربرد هوش مصنوعی در ارزیابی تاب آوری شهری و تغییرات اقلیمی، مسیری است که به شهرها امکان می دهد به جای واکنش پس از وقوع بحران، با پیش بینی، پایش مستمر و تصمیم گیری داده محور، از آسیب های اقلیمی پیشگیری کنند. از سامانه های هشدار زودهنگام و مدل های ترکیبی یادگیری عمیق گرفته تا چارچوب های پایش زیرساخت و بهینه سازی مصرف انرژی، هوش مصنوعی امروز در تمام لایه های مدیریت ریسک اقلیمی شهری حضور دارد.

با این حال، تحقق کامل این پتانسیل در گرو رفع چالش های کیفیت داده، شفافیت الگوریتمی و همکاری میان رشته ای است. آینده ی تاب آوری شهری به احتمال زیاد نه در جایگزینی کامل تخصص انسانی با هوش مصنوعی، بلکه در ترکیب هوشمندانه ی این دو رقم خواهد خورد؛ ترکیبی که می تواند شهرهای آینده را در برابر بحران های اقلیمی، آماده تر و تاب آورتر 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