از شهر هوشمند تا «شهر اسفنجی هوشمند»: چگونه هوش مصنوعی می تواند باران را از تهدید به منبعی شهری تبدیل کند؟

از شهر هوشمند تا «شهر اسفنجی هوشمند»: چگونه هوش مصنوعی می تواند باران را از تهدید به منبعی شهری تبدیل کند؟

مقدمه

در بسیاری از شهرها، بارش شدید به سرعت به رواناب سطحی تبدیل می شود؛ زیرا آسفالت، بتن و سطوح نفوذناپذیر فرصت جذب آب در خاک را کاهش می دهند. نتیجه می تواند هم زمان شامل آب گرفتگی معابر، فشار بر شبکه زهکشی، انتقال آلاینده ها و از دست رفتن فرصتی برای ذخیره آب باشد. در چنین شرایطی، مسئله صرفا افزایش ظرفیت کانال ها و لوله های دفع آب نیست؛ بلکه بازاندیشی در رابطه شهر با آب اهمیت پیدا می کند.

مفهوم «شهر اسفنجی» (Sponge City) بر همین تغییر رویکرد استوار است: شهر باید بتواند بخشی از آب باران را جذب، ذخیره، تصفیه و در زمان مناسب دوباره استفاده کند. پژوهش های حوزه هیدرولوژی شهری نیز بر ترکیب راهکارهای طبیعت محور، پایش هوشمند و برداشت مجدد از آب باران برای کاهش خطر سیلاب و تقویت امنیت آبی تاکید دارند (Fletcher et al., 2024).

۱. چرا شهر اسفنجی به هوش مصنوعی نیاز دارد؟

زیرساخت سبز به تنهایی کافی نیست. باغ های بارانی، بام های سبز، سطوح نفوذپذیر، تالاب های شهری و مخازن ذخیره آب باید متناسب با شدت بارش، ویژگی های خاک، شیب زمین، تراکم ساخت وساز و ظرفیت شبکه زهکشی طراحی و مدیریت شوند.

در اینجا هوش مصنوعی می تواند نقش یک لایه پشتیبان تصمیم گیری را ایفا کند. تلفیق داده های هواشناسی، حسگرهای آب سنجی، اطلاعات کاربری زمین، تصاویر ماهواره ای و مدل های هیدرولوژیک می تواند به شناسایی نقاط پرخطر، پیش بینی رواناب و مقایسه سناریوهای مداخله کمک کند. پژوهش درباره کاربرد هوش مصنوعی و دوقلوهای دیجیتال در زیرساخت های آب های سطحی شهری نیز ظرفیت این فناوری ها را برای تحلیل و مدیریت سامانه های زهکشی بررسی کرده است؛ هرچند مدیریت کیفیت آب همچنان به توسعه و ارزیابی بیشتر نیاز دارد (Sharifi et al., 2024).

۲. چارچوب پنج لایه شهر اسفنجی هوشمند

لایه اول پیش بینی هوشمند: ترکیب پیش بینی بارش با داده های مکانی برای برآورد حجم رواناب و شناسایی نقاطی که احتمال آب گرفتگی در آن ها بیشتر است.

لایه دوم طراحی حساس به آب: اولویت بندی محله ها و معابر برای اجرای بام سبز، باغ بارانی، پیاده رو نفوذپذیر، حوضچه ذخیره و احیای فضاهای طبیعی.

لایه سوم بهره برداری پویا: استفاده از داده های لحظه ای برای مدیریت مخازن، تنظیم عملیات نگهداشت و هماهنگ کردن ظرفیت ذخیره با شرایط پیش بینی شده بارش.

لایه چهارم بازچرخانی و ارزش آفرینی: بررسی امکان استفاده از آب جمع آوری شده برای آبیاری فضای سبز، شست وشوی معابر یا مصارف غیرشرب مجاز، متناسب با کیفیت آب و ضوابط بهداشتی.

لایه پنجم یادگیری و پاسخ گویی: ارزیابی عملکرد پروژه ها با شاخص هایی مانند کاهش حجم رواناب، کاهش اوج جریان، کیفیت آب، هزینه نگهداشت، دسترسی عمومی به فضاهای سبز و توزیع منصفانه سرمایه گذاری.

این لایه ها باید به یک چرخه یادگیری متصل شوند: داده ها عملکرد زیرساخت را نشان دهند؛ مدل ها سناریوها را مقایسه کنند؛ مدیریت شهری مداخله کند؛ و نتایج واقعی برای اصلاح تصمیم های بعدی به کار روند.

۳. از پروژه های پراکنده تا برنامه ریزی یکپارچه حوضه آبریز

یکی از خطاهای رایج، ارزیابی هر پروژه به صورت مجزا است. ممکن است ایجاد یک باغ بارانی در یک خیابان مفید باشد، اما اثر تجمعی آن بر سیلاب در مقیاس محله یا حوضه آبریز به محل استقرار، ظرفیت خاک، نگهداشت و ارتباط آن با دیگر زیرساخت ها بستگی دارد.

مرور نظام مند ۵۸۲ مطالعه تجربی درباره راهکارهای طبیعت محور نشان می دهد که راهبردهایی مانند زهکشی پایدار شهری، زیرساخت سبز و شهر اسفنجی در ادبیات سازگاری اقلیمی جایگاه مهمی دارند و برخی مداخلات، از جمله بام های سبز، می توانند هم زمان منافع چندگانه ایجاد کنند (Aghaloo et al., 2024). بنابراین، هوش مصنوعی زمانی ارزش بیشتری دارد که از بهینه سازی یک سازه منفرد فراتر برود و ارتباط میان پروژه ها را در مقیاس شبکه ای و حوضه آبریز تحلیل کند.

۴. عدالت آبی؛ چه کسی از سرمایه گذاری سود می برد؟

هوشمندسازی لزوما به معنای عدالت نیست. اگر سرمایه گذاری فقط در مناطق برخوردار انجام شود، محله های کم برخوردار ممکن است همچنان با آب گرفتگی بیشتر، فضای سبز کمتر و زیرساخت فرسوده تر مواجه باشند. افزون بر این، داده های ناقص یا نامتوازن می توانند برخی محله ها را در مدل های پیش بینی کم خطرتر از واقعیت نشان دهند.

ازاین رو، نقشه خطر سیلاب باید در کنار شاخص های آسیب پذیری اجتماعی، کیفیت زیرساخت، دسترسی به خدمات و ظرفیت مالی محله ها تحلیل شود. اولویت سرمایه گذاری نیز نباید فقط بر مبنای بازده فنی یا ارزش اقتصادی زمین تعیین شود؛ بلکه میزان کاهش آسیب برای گروه های آسیب پذیر باید بخشی از معیار تصمیم گیری باشد.

۵. الزامات اجرا و محدودیت ها

اجرای این رویکرد به داده های معتبر، استانداردهای تبادل اطلاعات، هماهنگی میان نهادهای آب، محیط زیست و مدیریت شهری، منابع مالی پایدار و برنامه نگهداشت نیاز دارد. مدل هوش مصنوعی نیز باید با داده های محلی اعتبارسنجی شود؛ زیرا ویژگی های بارش، خاک، توپوگرافی و شبکه زهکشی از شهری به شهر دیگر تفاوت دارند.

همچنین، هوش مصنوعی جایگزین دانش مهندسی آب، طراحی بوم شناختی یا مشارکت شهروندان نیست. پیش بینی دقیق بدون ظرفیت اجرایی، سامانه هشدار موثر و مسئولیت پذیری نهادی، به کاهش واقعی خسارت منجر نمی شود. راهکارهای طبیعت محور نیز باید از نظر عملکرد واقعی، هزینه چرخه عمر و آثار اجتماعی ارزیابی شوند، نه صرفا بر اساس ظاهر سبز پروژه ها.

جمع بندی

شهر اسفنجی هوشمند، ترکیبی از زیرساخت سبز و آبی، داده های مکانی، پایش مستمر، تحلیل پیش بینانه و حکمرانی پاسخ گو است. هدف آن فقط جلوگیری از آب گرفتگی نیست؛ بلکه تبدیل مدیریت باران از یک وظیفه دفع آب به راهبردی برای تاب آوری اقلیمی، امنیت آبی و ارتقای کیفیت محیط شهری است.

پیشنهاد سیاستی: شهرداری ها می توانند با اجرای یک پایلوت در یک حوضه آبریز شهری، سه سناریو توسعه متعارف زهکشی، مداخله طبیعت محور و مدیریت ترکیبی مبتنی بر داده را از نظر کاهش رواناب، هزینه چرخه عمر، کیفیت آب و عدالت فضایی مقایسه کنند. چنین رویکردی به جای خرید فناوری به عنوان هدف، آن را در خدمت یک مسئله روشن شهری قرار می دهد.

منابع

Aghaloo, K., Sharifi, A., Habibzadeh, N., Ali, T., & Chiu, Y.-R. (2024). How nature-based solutions can enhance urban resilience to flooding and climate change and provide other co-benefits: A systematic review and taxonomy. Urban Forestry & Urban Greening, 95, 128320. https://doi.org/10.1016/j.ufug.2024.128320

Fletcher, T. D., Burns, M. J., Russell, K. L., Hamel, P., Duchesne, S., Cherqui, F., et al. (2024). Concepts and evolution of urban hydrology. Nature Reviews Earth & Environment, 5, 789–801. https://doi.org/10.1038/s43017-024-00599-x

Sharifi, A., Tarlani Beris, A., Sharifzadeh Javidi, A., Nouri, M., Gholizadeh Lonbar, A., Ahmadi, M., et al. (2024). Application of artificial intelligence in digital twin models for stormwater infrastructure systems in smart cities. Advanced Engineering Informatics, 61, 102485. https://doi.org/10.1016/j.aei.2024.102485