به گزارش سرویس ترجمه خبرگزاری ایمنا، امروزه شهرها در خط مقدم بحران‌های جهانی قرار دارند. تغییرات آب‌وهوایی، پاندمی‌ها، نابرابری اجتماعی و کاهش منابع طبیعی، همگی سنگینی بر محیط‌های شهری وارد کرده‌اند. پیش‌بینی‌ها نشان می‌دهد که تا سال ۲۰۵۰ حدود ۶۸ درصد جمعیت جهان در شهرها زندگی خواهند کرد؛ به همین دلیل، برنامه‌ریزی شهری دیگر نمی‌تواند به شیوه‌های سنتی و ایستا ادامه دهد.

رویکردهای قدیمی که از بالا به پایین و بدون انعطاف طراحی می‌شدند، توان پاسخگویی به پیچیدگی‌های امروز را ندارند. در این شرایط، مفهوم «برنامه‌ریزی شهری هوشمند به آب‌وهوا» به‌عنوان یک رویکرد نوین مطرح شده است که تغییرات آب‌وهوایی را در مرکز تصمیم‌گیری‌های شهری قرار می‌دهد و از فناوری‌های نوین برای ایجاد شهرهای پایدار و تاب‌آور بهره می‌گیرد.

برنامه‌ریزی هوشمند به آب‌وهوا بر این اصل استوار است که شهرها سیستم‌های پیچیده و تطبیقی هستند. محیط زیست، اقتصاد، فناوری و جامعه در تعامل دائمی با یکدیگر قرار دارند و هر تغییر در یکی از بخش‌ها می‌تواند پیامدهای گسترده‌ای بر سایر بخش‌ها داشته باشد. برای مثال، افزایش دما نه‌تنها بر آسایش حرارتی شهروندان اثر می‌گذارد، بلکه مصرف انرژی، سلامت عمومی و حتی الگوهای حمل‌ونقل را تغییر می‌دهد. برنامه‌ریزی شهری باید بتواند این پیچیدگی‌ها را در نظر بگیرد و راه‌حل‌هایی ارائه دهد که همزمان به کاهش اثرات تغییرات آب‌وهوایی و ارتقای کیفیت زندگی کمک کنند.

داده‌های کلان و انقلاب اطلاعاتی در شهرها

ظهور منابع داده‌ای نوین، چشم‌انداز برنامه‌ریزی شهری را دگرگون کرده است. تصاویر ماهواره‌ای، عکس‌های خیابانی، داده‌های تلفن همراه و نقشه‌های مشارکتی، امکان ارزیابی لحظه‌ای و دقیق محیط شهری را فراهم کرده‌اند. این داده‌ها به برنامه‌ریزان اجازه می‌دهند تا الگوهای جابه‌جایی، کیفیت فضاهای عمومی و میزان سرزندگی اجتماعی را در مقیاس وسیع بررسی کنند.

داده‌های تلفن‌های همراه می‌توانند نشان دهند که کدام مناطق شهری بیشترین تراکم جمعیت را در ساعات مختلف روز دارند یا چگونه الگوهای رفت‌وآمد در زمان بحران تغییر می‌کنند. تصاویر ماهواره‌ای قادرند تغییرات پوشش سبز یا توسعه زیرساخت‌ها را در طول زمان ثبت کنند. این اطلاعات برای طراحی سیاست‌های هوشمند به آب‌وهوا حیاتی هستند، زیرا به تصمیم‌گیرندگان امکان می‌دهند تا بر اساس شواهد واقعی عمل کنند.

داده‌های مشارکتی نقش مهمی در این فرایند برنامه‌ریزی شهری پایدار ایفا می‌کنند. پلتفرم‌ها و اپلیکیشن‌های شهری که شهروندان می‌توانند اطلاعات محیطی را در آن ثبت کنند، امکان تولید نقشه‌های دقیق و به‌روز از وضعیت خیابان‌ها، امکانات عمومی و کیفیت زیرساخت‌ها را فراهم کرده‌اند. این داده‌ها در شرایط بحرانی، مثل وقوع سیل یا زلزله، می‌توانند به‌سرعت نقاط آسیب‌دیده را مشخص کنند و به مدیریت شهری در تخصیص منابع کمک کنند.

از سوی دیگر، ترکیب داده‌های تلفن همراه با داده‌های حمل‌ونقل عمومی، به برنامه‌ریزان اجازه می‌دهد تا الگوهای رفت‌وآمد را در ساعات اوج یا شرایط اضطراری تحلیل کنند. برای مثال، در برخی مطالعات نشان داده شده است که تراکم جمعیت در ایستگاه‌های مترو در ساعات اوج می‌تواند تا سه برابر ظرفیت طراحی‌شده افزایش پیدا کند.

ترکیب این منابع داده‌ای نوین با ابزارهای تحلیلی پیشرفته، تصویری جامع و چندبعدی از شهرها ارائه می‌دهد که به تصمیم‌گیرندگان کمک می‌کند سیاست‌های هوشمند به آب‌وهوا را بر پایه شواهد واقعی طراحی کنند. برای مثال، در یک پژوهش دانشگاهی، چهارچوب داده‌محوری برای بهبود زیرساخت‌های حمل‌ونقل پایدار در بارسلونا ارائه شد که توانست کاهش ۱۲ درصدی زمان سفر و افزایش ۱۸ درصدی کارایی شبکه حمل‌ونقل عمومی را نشان دهد.

هوش مصنوعی در خدمت شهرها

هوش مصنوعی به‌ویژه در شاخه‌ای به نام «هوش مصنوعی مکانی(GeoAI)» توانسته است قابلیت‌های تازه‌ای در تحلیل داده‌های شهری ایجاد کند. تکنیک‌های بینایی ماشین و شبکه‌های عصبی قادرند ویژگی‌هایی همچون میزان پوشش سبز، ارتفاع ساختمان‌ها، نصب پنل‌های خورشیدی و وجود امکانات شهری را از تصاویر استخراج کنند. این اطلاعات به برنامه‌ریزان کمک می‌کند تا تصمیم‌های دقیق‌تری درباره توسعه پایدار و کاهش اثرات آب‌وهوایی بگیرند.

برای مثال، با استفاده از الگوریتم‌های یادگیری عمیق می‌توان نقشه‌های دقیق از میزان سایه‌اندازی ساختمان‌ها تهیه کرد و تأثیر آن بر آسایش حرارتی شهروندان را سنجید. می‌توان با تحلیل تصاویر خیابانی، میزان دسترسی به فضاهای سبز و امکانات عمومی را در محله‌های مختلف ارزیابی کرد. چنین داده‌هایی به سیاست‌گذاران امکان می‌دهد تا منابع را به‌طور عادلانه‌تر توزیع کنند و از تشدید نابرابری‌های اجتماعی جلوگیری کنند.

سنگاپور؛ نقشه‌برداری آسایش حرارتی با هوش مصنوعی

سنگاپور به‌عنوان یکی از متراکم‌ترین شهرهای گرمسیری جهان، به‌طور جدی با چالش «جزیره حرارتی شهری» روبه‌رو بود. این پدیده به‌دلیل تراکم بالای ساختمان‌ها، خیابان‌های آسفالتی و کمبود فضای سبز رخ می‌داد و موجب می‌شد دمای محله‌های شهری به‌طور قابل توجهی بالاتر از مناطق اطراف باشد. پروژه خنک‌سازی سنگاپور برای مقابله با این بحران طراحی و با همکاری دانشگاه ملی سنگاپور، مرکز پژوهشی مشترک دانشگاه فنی مونیخ و سنگاپور و مرکز پژوهشی مشترک دانشگاه فنی زوریخ و سنگاپور اجرا شد.

هدف اصلی این پروژه توسعه ابزارهای علمی و عملی برای کاهش دمای شهری و بهبود کیفیت زندگی در محیط‌های متراکم و گرمسیری بود. در فاز نخست، پژوهشگران تلاش کردند تا داده‌های مختلف محیطی و اجتماعی را گردآوری و در قالب مدل‌های دیجیتال یکپارچه کنند. این پروژه از داده‌های چندمنبعی از جمله تصاویر ماهواره‌ای برای پایش تغییرات پوشش سبز، عکس‌های خیابانی برای ارزیابی کیفیت فضاهای عمومی، داده‌های تلفن همراه برای تحلیل تراکم جمعیت و الگوهای رفت‌وآمد و داده‌های مشارکتی شهروندان برای شناسایی مشکلات محلی بهره گرفت. ترکیب این داده‌ها امکان بررسی دقیق شرایط دمایی در مقیاس محله‌ای را فراهم کرد و پژوهشگران توانستند تفاوت‌های جزئی بین مناطق مختلف شهر را شناسایی کنند.

فاز پایانی پروژه از ژانویه ۲۰۲۱ تا اوت ۲۰۲۳ ادامه داشت. در این دوره، پژوهشگران موفق شدند «دوقلوی دیجیتال اقلیم شهری» را توسعه دهند. دوقلوی دیجیتال اقلیم شهری سنگاپور مدلی جامع است که می‌تواند شرایط آب‌وهوایی شهر را شبیه‌سازی کند و اثرات سناریوهای مختلف همچون افزایش فضای سبز، تغییر طراحی خیابان‌ها و اصلاح الگوهای حمل‌ونقل را پیش‌بینی کند. این ابزار به مدیران شهری امکان داد پیش از اجرای پروژه‌های بزرگ، پیامدهای احتمالی آن‌ها بر دما، کیفیت هوا و آسایش حرارتی شهروندان را بررسی کنند.

استفاده از مدل‌های دیجیتال و داده‌های چندمنبعی برای تحلیل شرایط حرارتی منجر به تولید نقشه‌های دقیق آسایش حرارتی در بیش از ۹۲ هزار نقطه شهری شد و توانست تفاوت‌های دمایی بین محله‌ها را به‌صورت دقیق آشکار سازد. در این نقشه‌ها مشخص شد که محله‌های با پوشش گیاهی محدود و تراکم بالای ساختمان‌ها، دمای سطحی تا سه درجه سانتی‌گراد بالاتر از میانگین شهر دارند. داده‌های جمع‌آوری شده و تحلیل آن‌ها به دولت امکان داد تا سیاست‌های هدفمند برای افزایش فضای سبز و تغییر طراحی خیابان‌ها در مناطق آسیب‌پذیر تدوین کند.

برآوردها نشان داد که کاهش یک درجه سانتی‌گراد در دمای محیط، می‌تواند مصرف انرژی مورد نیاز برای سیستم‌های سرمایشی را حدود ۱۰ درصد پایین بیاورد. این میزان کاهش در کشوری همچون سنگاپور که بیش از ۶۰ درصد کل مصرف برق آن صرف خنک‌سازی ساختمان‌ها و فضاهای داخلی می‌شود، تأثیر بسیار بزرگی دارد. چنین صرفه‌جویی نه‌تنها هزینه‌های اقتصادی خانواده را کاهش می‌دهد، بلکه فشار بر شبکه برق و میزان انتشار گازهای گلخانه‌ای ناشی از تولید انرژی را نیز کم می‌کند.

پروژه خنک‌سازی سنگاپور نه‌تنها یک دستاورد علمی بود، بلکه به ابزاری عملی برای سیاست‌گذاران شهری تبدیل شد و نشان داد که ترکیب داده‌های کلان، مدل‌های دیجیتال و همکاری بین‌المللی می‌تواند راهکارهایی پایدار برای مقابله با تغییرات آب‌وهوایی در شهرهای متراکم ارائه دهد. تجربه سنگاپور اکنون به‌عنوان الگویی جهانی مطرح است و بسیاری از شهرهای گرمسیری دیگر به دنبال استفاده از این رویکرد برای مدیریت بحران‌های حرارتی و افزایش تاب‌آوری شهری هستند.

پکن؛ برنامه‌ریزی چرخه‌ای با مدل‌های زبانی کلان

در محله هوی‌لونگ‌گوان شهر پکن، گروهی از پژوهشگران چهارچوبی نوآورانه با عنوان «برنامه‌ریزی شهری چرخه‌ای (CUP)» را مورد آزمایش قرار دادند. این چهارچوب بر پایه مدل‌های زبانی کلان طراحی شده بود و هدف آن ایجاد فرایندی پویا و تکرارشونده برای بهبود طرح‌های شهری بود. داده‌های کلان و الگوریتم‌های هوش مصنوعی در این مدل برنامه‌ریزی نقشی اساسی داشتند.

پژوهشگران برای تحلیل شرایط شهری از مجموعه‌ای گسترده از داده‌های مکانی و اجتماعی استفاده کردند که شامل نقشه‌های دقیق خیابان‌ها، تراکم جمعیت در ساعات مختلف روز، الگوهای رفت‌وآمد، کیفیت فضاهای عمومی و شاخص‌های زیست‌محیطی همچون میزان پوشش سبز و کیفیت هوا بود. این حجم عظیم اطلاعات به آن‌ها امکان داد تا تصویری چندبعدی از وضعیت محله به دست آورند و نقاط ضعف و قوت آن را شناسایی کنند.

در این مدل سه نقش اصلی تعریف شده بود؛ برنامه‌ریز که طرح اولیه را تولید می‌کرد، ساکن شبیه‌سازی‌شده که بازخورد شهروندان را بازنمایی می‌کرد و داور که وظیفه ارزیابی کیفیت و کارآمدی طرح را بر عهده داشت. هر چرخه برنامه‌ریزی با ارائه یک طرح جدید آغاز می‌شد، سپس بازخورد ساکنان شبیه‌سازی‌شده به طرح اضافه می‌شدد تا نیازها و ترجیحات واقعی جامعه در نظر گرفته شود. در پایان، داوران طرح اصلاح‌شده را بررسی و نقاط قوت و ضعف آن را مشخص می‌کردند. این فرایند چندین بار تکرار می‌شد تا طرح‌های شهری به‌صورت تدریجی بهبود پیدا کنند.

مدل‌های زبانی کلان به‌عنوان موتور پردازش این داده‌ها عمل می‌کردند. آن‌ها قادر بودند بازخوردهای متنی و کیفی ساکنان شبیه‌سازی‌شده را که به زبان طبیعی بیان می‌شد، تحلیل کنند و به معیارهای کمی قابل‌استفاده در تصمیم‌گیری تبدیل کنند. برای مثال، اگر ساکنان شبیه‌سازی‌شده از ازدحام خیابان‌ها یا کمبود پارک‌ها شکایت می‌کردند، الگوریتم‌ها این بازخوردها را به شاخص‌هایی همچون «سطح دسترسی به فضاهای عمومی» یا «تراکم حمل‌ونقل» ترجمه می‌کردند.

کیفیت طراحی و میزان رضایت شبیه‌سازی‌شده شهروندان در هر چرخه تا ۱۵ درصد افزایش داشت و موجب شد دسترسی به فضاهای عمومی و حمل‌ونقل فعال بهبود پیدا کند. این رویکرد توانست به‌طور پویا نیازهای در حال تغییر جامعه را در نظر بگیرد و نشان دهد که استفاده از مدل‌های زبانی کلان می‌تواند ابزاری مؤثر برای مشارکت و تصمیم‌گیری شهری باشد.

برنامه‌ریزی شهری چرخه‌ای از داده‌های مکانی و اجتماعی برای ارزیابی شاخص‌هایی همچون دسترسی، اکولوژی و رفاه استفاده کرد. مدل‌های زبانی کلان توانستند بازخورد کیفی ساکنان را به زبان طبیعی پردازش و به معیارهای کمی تبدیل کنند. این تجربه نشان داد که استفاده از هوش مصنوعی نه‌تنها در تحلیل داده‌ها، بلکه در فرایند مشارکتی و تطبیقی برنامه‌ریزی شهری نیز می‌تواند مؤثر باشد. شهرهای شلوغ و پرتراکمی همچون پکن می‌توانند با استفاده از چنین الگوریتم‌هایی، نیازهای در حال تغییر جامعه را بهتر درک کنند و سیاست‌هایی طراحی کنند که هم به عدالت اجتماعی توجه داشته باشد و هم تاب‌آوری شهری را در برابر بحران‌های آینده تقویت کند.

هرچند داده‌های کلان و هوش مصنوعی امکانات بی‌سابقه‌ای برای برنامه‌ریزی شهری فراهم کرده‌اند، اما چالش‌هایی نیز وجود دارد. هزینه‌های محاسباتی بالا، نیاز به داده‌های دقیق و برچسب‌گذاری شده و مسائل مربوط به حریم خصوصی از جمله موانع اصلی هستند. افزایش دسترسی به داده‌های باز و پلتفرم‌های مشارکتی می‌تواند این مشکلات را کاهش دهد. از سوی دیگر، فرصت‌های فراوانی پیش روی شهرها قرار دارد. ترکیب داده‌های کلان با هوش مصنوعی می‌تواند به طراحی سیاست‌هایی منجر شود که همزمان به کاهش اثرات تغییرات آب‌وهوایی، ارتقای کیفیت زندگی و افزایش عدالت اجتماعی کمک کنند.