تابستانهای تهران همیشه گرم بودهاند؛ اما در سالهای اخیر، گرما دیگر فقط یک تجربه فصلی نیست بلکه یه یک تجربه فضایی بدل شده است. این تفاوت را میشود با بدن نیز حس کرد: خیابانی که شب هم گرما را پس میزند، میدانی که هوایش سنگینتر است، و پارکی که چند درجه خنکتر نفس میکشد. به نظر شما این تفاوتها تصادفی به نظر میرسند، اما آیا واقعاً همینطور است؟
برای پاسخ به این سؤال، باید از فضای زیسته کمی فاصله گرفت و به داده ها نزدیک تر شد.
تهران شهری که یکنواخت گرم نشد
وقتی دادههای دمای سطح زمین تهران را در دو مقطع زمانی ۲۰۱۴ و ۲۰۲۴ کنار هم قرار دادم، شهر ناگهان شکل دیگری پیدا کرد. تهران دیگر فقط مجموعهای از خیابانها و ساختمانها نبود؛ شبیه بدنی شد که بخشهایی از آن تب کرده و بخشهایی هنوز دمای متعادلتری دارند. با استخراج دمای سطح زمین از تصاویر ماهوارهای و محاسبه تغییرات دهساله (ΔLST)، الگوی گرمایش شهر آشکار شد: گرمایش نه یکنواخت است و نه تصادفی؛ بلکه خوشهای، متمرکز و وابسته به الگوی توسعه شهری است.
در غرب تهران، لکههای فشرده افزایش دما دیده میشود؛ پهنههایی که طی این دهه بیشترین فشار ساختوساز و تغییر کاربری را تجربه کردهاند.
در جنوب و جنوبغرب، نوارهای کشیده گرما ظاهر شدهاند؛ همراستا با کریدورهای زیرساختی و اراضیای که به سطوح نفوذناپذیر تبدیل شدهاند.
در مقابل، بخشهایی از مرکز و شرق شهر حتی کاهش نسبی دما را نشان میدهند؛ لکههایی خنکتر در دل یک شهر گرمتر. رجوع شود به تصویر شماره دو.
این ناهمگنی حرارتی یک واقعیت مهم را آشکار میکند: گرمایش شهری صرفاً نتیجه تغییر اقلیم نیست؛ بازتابی از نحوه رشد شهر است
یک قدم نزدیک تر به شهر: وقتی GIS شهر را برای ما خوانا می کند
دادههای ماهوارهای بهتنهایی فقط تصویرند؛ این GIS است که آنها را به تحلیل های ارزشمند تبدیل میکند. تحلیل چندزمانه در محیطهایی مانند ArcGIS Pro امکان مقایسه دقیق دما در بازههای طولانی را فراهم میکند. اما کار به همینجا ختم نمیشود. برای فهم چرایی این الگو، لایه حرارتی با دادههای زیر همپوشانی شد:
کاربری زمین
تراکم ساختمانی
پوشش گیاهی (NDVI)
شبکه معابر
از طریق محاسبه منطقه ای میانگین دما در هر نوع کاربری محاسبه شد. نتیجه روشن بود: سطوح نفوذناپذیر و بافتهای متراکم بهطور معناداری دمای بالاتری دارند. اما رابطه دما با ساختار شهر فقط آماری نیست؛ فضایی است. با استفاده از شاخص Moran’s I مشخص شد که گرمایش در تهران بهشدت خوشهای است — یعنی نقاط داغ در کنار هم متمرکز شدهاند، نه پراکنده. تحلیل Hotspot (Getis-Ord Gi)* نیز کانونهای پایدار گرما را از نوسانات تصادفی تفکیک کرد. در این مرحله، نقشه از یک تصویر توصیفی به ابزار سیاستگذاری تبدیل میشود. اکنون میتوان گفت:
کدام مناطق اولویت کاشت درخت دارند
کجا باید مصالح خنکتر بهکار رود
کدام پهنهها نیازمند بازنگری ضوابط ساخت هستند
اگر فقط به میانگین دمای شهر تکیه میکردیم، نهایتاً میگفتیم تهران گرمتر شده است، گزارهای درست اما ناکارآمد. سیاستگذاری نیازمند دانستن «کجا» است، نه فقط «چقدر»
از مشاهده تا پیشبینی؛ ورود یادگیری ماشین
تحلیل فضایی گذشته و حال را با دقت نشان میدهد؛ اما پرسش اصلی آینده است:
اگر روند فعلی توسعه ادامه یابد، کدام بخشهای تهران در دهه بعدی داغتر خواهند شد؟
اینجاست که یادگیری ماشین وارد تحلیل شهری میشود. وقتی دادههای تاریخی LST با متغیرهای شهری ترکیب شوند ؛ مانند تراکم، ارتفاع ساختمان، NDVI، فاصله از شبکههای حملونقل و نوع کاربری، میتوان مدلهای پیشبینی ساخت. مدلهایی مانند Random Forest یا Gradient Boosting قادرند الگوی تولید گرما را «یاد بگیرند» و سناریوهای آینده را شبیهسازی کنند. در این حالت، GIS بستر داده است و یادگیری ماشین، موتور این پیشبینی.
برای مثال، اگر توسعه ساختمانی در غرب تهران با همین الگو ادامه یابد، مدل میتواند شدت افزایش دما را در سالهای آینده تخمین بزند. حتی میتوان سناریو ساخت: اگر پوشش سبز ۱۵٪ افزایش یابد، چه میزان از شدت جزیره حرارتی کاهش پیدا میکند؟
کاربردهای گستردهتر یادگیری ماشین در مدیریت شهری
گرمایش شهری تنها یکی از حوزههایی است که در آن ترکیب GIS و یادگیری ماشین امکان تحلیل و پیشبینی را فراهم میکند. همین منطق تحلیلی میتواند در مسائل دیگر شهری نیز بهکار رود؛ از جمله پیشبینی گسترش کالبدی شهر، تحلیل ریسکهای سلامتمحور، مدیریت هوشمند ترافیک و پایش تغییرات کاربری زمین. در هر یک از این حوزهها، دادههای مکانی و زمانی به مدلهایی سپرده میشوند که قادرند الگوهای پنهان را شناسایی کرده و سناریوهای آینده را شبیهسازی کنند.
برای مثال، مدلهای پیشبینی رشد شهری میتوانند پهنههای مستعد توسعه را شناسایی کنند؛ تحلیلهای سلامتمحور قادرند محلههای پرریسک در برابر موجهای گرما یا آلودگی را مشخص سازند؛ الگوریتمهای سری زمانی میتوانند نقاط ازدحام ترافیکی آینده را پیشبینی کنند؛ و یادگیری عمیق بر تصاویر ماهوارهای امکان تشخیص ساختوساز غیرمجاز یا کاهش فضای سبز را فراهم میکند. در این چارچوب، شهر دیگر صرفاً نقشهای ایستا نیست، بلکه سامانهای پویاست که میتوان آن را فهمید، پایش کرد و برای آیندهاش سناریو ساخت.
شهر واکنشی یا شهر پیشنگر؟
گرمایش تهران را میتوان صرفاً یک مسئله آبوهوایی دید، یا آن را نشانهای از نحوه حکمرانی فضایی شهر دانست، از اینکه چگونه میسازیم، کجا میسازیم، و چه چیزی را در این میان از دست میدهیم. اگر GIS زبان مشاهده شهر باشد، یادگیری ماشین زبان پیشبینی آن است. تحلیلهای مکانی نشان میدهند گرما کجا متمرکز شده؛ اما مدلهای پیشبینی نشان میدهند کجا متمرکز خواهد شد. این گذار از خوانش گذشته به پیشبینی آینده، همان نقطهای است که مدیریت شهری واکنشی را به حکمرانی دادهمحور تبدیل میکند. تهران فقط در نقشهها گسترش نیافته؛ در دما هم گسترش یافته است. و اگر داده مبنای تصمیمگیری نباشد، گرمایش شهری نهتنها ادامه خواهد یافت، بلکه نابرابرتر هم خواهد شد، داغتر برای برخی محلهها، قابلتحملتر برای برخی دیگر.
سؤال نهایی این نیست که تهران گرم شده یا نه؛
سؤال این است که آیا ما آمادهایم شهر را پیش از آنکه داغتر شود، بفهمیم؟
