هوش مصنوعی در مدیریت بحران های شهری: سیلاب، زلزله و آتش سوزی

هوش مصنوعی در مدیریت بحران های شهری: سیلاب، زلزله و آتش سوزی
در دهه های اخیر، شدت و فراوانی بحران های طبیعی در شهرهای ایران افزایش یافته است؛ از سیلاب های گسترده در استان های شمالی و غربی تا زلزله های پی درپی در پهنه های لرزه خیز و آتش سوزی های شهری که در بافت های متراکم یا فرسوده سرعت گسترش بالایی دارند. تجربه های واقعی نشان داده اند که اتکا به روش های سنتی هشدار، پیش بینی و امداد، در برابر حجم اطلاعات و پیچیدگی محیط طبیعی و انسانی کافی نیست. در این شرایط، هوش مصنوعی امکان تحلیل هم زمان داده های عظیم، پیش بینی رفتارهای آینده، و مدیریت لحظه ای بحران را فراهم می کند؛ ظرفیتی که برای شهرهای ایران با اقلیم ها و ریسک های متفاوت، بسیار حیاتی است.

یکی از مهم ترین حوزه های کاربرد هوش مصنوعی، پیش بینی و مدیریت سیلاب های شهری است. شهرهایی مانند رشت، لاهیجان، قائم شهر، اهواز و شیراز در سال های اخیر با سیلاب های ناگهانی مواجه شده اند؛ سیلاب هایی که اغلب ناشی از ترکیب بارندگی شدید، مسدودشدن شبکه های دفع آب، و توسعه ناهماهنگ شهری هستند. هوش مصنوعی با تحلیل داده هایی مانند بارش لحظه ای، تصاویر راداری، ارتفاع زمین، سرعت تخلیه کانال ها، داده های زهکشی، و حجم جریان رودخانه ها می تواند احتمال وقوع سیلاب را چند ساعت یا حتی چند روز زودتر پیش بینی کند. در برخی پروژه ها، مدل های یادگیری عمیق توانسته اند مسیر حرکت آب را در مناطق شهری با دقت بالا تخمین بزنند، حتی در شهرهایی با بافت ارگانیک مانند رشت که شبکه معابر شکل منظم ندارد. این امکان به مدیریت شهری اجازه می دهد تخلیه اضطراری محدود، بازگشایی نقاط انسدادی و هدایت نیروها را پیش از وقوع بحران انجام دهد.

در کنار پیش بینی، سیستم های AI قادرند نقاط بحرانی شبکه های شهری را نیز مشخص کنند. برای مثال، در تهران مدل های تحلیلی نشان داده اند که برخی بزرگراه ها به دلیل تجمع روان آب، حتی در بارندگی متوسط دچار اختلال می شوند. مشابه این تحلیل برای شهرهای شمالی به ویژه رشت نیز قابل اجراست؛ زیرا بسیاری از محلات قدیمی به دلیل شیب کم، سطح آب زیرزمینی بالا و تراکم ساخت، مستعد آب گرفتگی هستند. سیستم های هوشمند با ترکیب داده های توپوگرافی دقیق، میزان نفوذپذیری خاک، و نقشه های لوله گذاری، می توانند نشان دهند کدام نقاط باید در اولویت بازسازی شبکه آب های سطحی قرار گیرند.

زمینه دیگر، مدیریت بحران زلزله است که برای ایران به دلیل قرارگیری روی کمربند لرزه خیز، اهمیتی حیاتی دارد. هوش مصنوعی در سه مرحله کلیدی نقش آفرینی می کند: پیش بینی احتمالاتی، ارزیابی سریع خسارت، و مدیریت امداد پس از رویداد. هرچند پیش بینی دقیق زمان زلزله در هیچ جای جهان امکان پذیر نیست، اما مدل های هوشمند می توانند الگوهای فعالیت زمین ساختی، تغییرات میکرو لرزه ها، جابه جایی پوسته زمین، و داده های ژئودتیک را تحلیل و مناطق مستعد فعال شدن گسل را شناسایی کنند. در برخی کشورها، ترکیب داده های GNSS و یادگیری ماشین کمک کرده است نرخ لغزش برخی گسل ها پیش از وقوع زلزله های متوسط تشخیص داده شود. چنین رویکردی برای گسل های فعال اطراف تهران، تبریز، کرمان و مشهد کاربرد بالقوه دارد.

پس از وقوع زلزله، سرعت تشخیص میزان خسارت اهمیت حیاتی دارد. سامانه های مبتنی بر بینایی ماشین می توانند با تحلیل تصاویر هوایی و ماهواره ای، میزان تخریب ساختمان ها، مسدودشدن مسیرها و شکل گیری مناطق پرخطر را ظرف چند دقیقه مشخص کنند. در زلزله های اخیر جهان، استفاده از پهپادهای مجهز به هوش مصنوعی امکان تهیه نقشه تخریب را با دقت بالا فراهم کرده است. در ایران نیز این روش می تواند برای شهرهای با بافت متراکم و کوچه های باریک—مثلا برخی محلات قدیمی رشت یا تهران—کاربرد ویژه داشته باشد؛ زیرا دسترسی زمینی نیروهای امداد در آن ها دشوار و زمان بر است.

یکی از مهم ترین ظرفیت های AI در حوزه زلزله، ارزیابی سریع ایمنی سازه ها است. مدل های یادگیری ماشین با داشتن داده های ارتعاشی ساختمان ها و الگوهای رفتاری سازه های مشابه، می توانند پس از زمین لرزه، با تحلیل لرزش های ثانویه، میزان آسیب سازه را تخمین بزنند. این روش در ژاپن و آمریکا استفاده شده و می تواند از ورود مردم به ساختمان های ناایمن جلوگیری کند. در ایران که سازه های فاقد شناسنامه فنی و سازه های میان سال فراوان اند، این ابزار می تواند بسیاری از تلفات ثانویه را کاهش دهد.

در بخش آتش سوزی های شهری نیز هوش مصنوعی نقش جدی یافته است. در شهرهایی که دارای بافت های فشرده یا مصالح مستعد آتش گیری هستند—مثلا محلات چوبی و نیمه چوبی قدیمی در گیلان یا محلات فرسوده تهران—AI می تواند با تحلیل داده های دما، گاز، دود و الگوی مصرف انرژی احتمال وقوع آتش سوزی را پیش بینی کند. در واقع، بسیاری از آتش سوزی های ساختمانی ابتدا با افزایش غیرعادی دما در یک نقطه کوچک آغاز می شوند و سنسورهای مجهز به الگوریتم های هوشمند، این تغییرات جزئی را قبل از آنکه قابل رویت یا استشمام شوند تشخیص می دهند. در برخی پروژه های واقعی، سیستم های پیش هشدار مبتنی بر یادگیری ماشین توانسته اند آتش سوزی های داخلی را چند دقیقه زودتر از حسگرهای دود معمولی شناسایی کنند؛ این چند دقیقه در بافت های متراکم شهری می تواند تفاوت میان حادثه محدود و بحران گسترده باشد.

در حوزه مدیریت آتش سوزی های گسترده، مانند آتش سوزی مراکز تجاری یا انبارها، بینایی ماشین امکان تحلیل لحظه ای تصاویر دوربین ها را فراهم می کند. این سیستم ها می توانند مسیر گسترش شعله، میزان دود، نقاط داغ و احتمال ریزش سازه را تشخیص دهند. چنین تحلیلی در ساختمان های قدیمی یا مرطوب شمال کشور نیز قابل استفاده است، زیرا رطوبت سازه و ضخامت مصالح چوبی تاثیر مستقیمی بر سرعت سوختن دارد و مدل های هوش مصنوعی قادرند این تفاوت های اقلیمی و مصالحی را لحاظ کنند.

یکی از کاربردهای پیشرفته هوش مصنوعی، مدیریت لحظه ای نیروهای امداد است. سیستم های مبتنی بر الگوریتم های بهینه سازی می توانند مسیرهای در دسترس، ترافیک، وضعیت جوی، و ظرفیت تیم ها را تحلیل و بهترین مسیر امداد را مشخص کنند. این ابزار در شهرهای پرترافیکی مانند تهران ضروری است، اما برای شهرهای کوچک تر نیز مفید است، به خصوص در شرایط بارندگی شدید که معابر فرعی در رشت یا شهرهای شمالی دچار آب گرفتگی می شوند. هوش مصنوعی می تواند تعیین کند کدام تیم به کدام منطقه برود تا زمان رسیدن به حادثه به حداقل برسد.

در نهایت، هوش مصنوعی امکان مدیریت پسابحران را نیز بهبود می بخشد. از تخمین نیازهای اسکان موقت تا پیش بینی زمان بازگشت به شرایط پایدار، مدل های داده محور به تصمیم گیران کمک می کنند اقدامات موثرتر و هدفمندتر انجام دهند. تحلیل داده های واقعی پس از بحران ها نشان داده که بسیاری از مشکلات ثانویه—مانند کمبود آب سالم، نارسایی در توزیع کمک ها، یا ازدحام در برخی مراکز—با سیستم های پیش بینی هوشمند قابل کنترل هستند.

هوش مصنوعی در مدیریت بحران های شهری نه تنها ابزار تکنولوژیک است، بلکه بخشی از سازوکار تاب آوری شهرهاست. در کشوری با تنوع اقلیمی و مخاطرات متعدد مانند ایران، استفاده از این فناوری می تواند تفاوتی چشمگیر در میزان خسارات و کیفیت مدیریت بحران ایجاد کند؛ از شمالی ترین مناطق مرطوب تا پهنه های خشک جنوبی، و از کلان شهرهای متراکم تا شهرهای کوچک.