طراحی پایدار فضای سبز شهری برای کاهش آلودگی صوتی با رویکرد سازگاری اقلیمی

جغرافیا و مخاطرات محیطی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 شهریور 1404   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2025.93302.1570

نویسندگان

احمد حسینی^{* 1}؛ زینب کریم زاده مطلق²

¹استادیار گروه آب و هواشناسی، دانشگاه پیام نور ایران

²عضو هیئت علمی پژوهشگاه ملی اقیانوس‌شناسی و علوم جوی، تهران، ایران

چکیده

گرمایش جهانی و پیامدهای فزاینده آن در مناطق شهری خشک، ضرورت اتخاذ راهبردهای جامع در برنامه‌ریزی شهری را آشکار می‌سازد. هدف این پژوهش پیش‌بینی روندهای اقلیمی، ارزیابی نقش پوشش گیاهی در کاهش آلودگی صوتی، شناسایی گونه‌های مقاوم به خشکی و ارائه راهکارهای پایدار برای بهره‌برداری از فضای سبز در شهر بیرجند است. تغییرات دمای سالانه تا سال 2035 با استفاده از مدل یادگیری عمیق حافظه طولانی-کوتاه‌مدت (LSTM) پیش‌بینی گردید که نتایج آن نشان‌دهنده افزایش تدریجی میانگین دمای سالانه و بروز چالش‌هایی در زیست‌پذیری شهری است. بر این اساس، تأثیر پوشش گیاهی بر آلودگی صوتی با استفاده از داده‌های سنجش‌ازدور بررسی شد. نقشه شاخص پوشش گیاهی تهیه و در پنج طبقه بازطبقه‌بندی گردید که نتایج نشان داد 47٪ از محدوده بدون پوشش گیاهی، 28٪ دارای پوشش ضعیف، 17٪ متوسط، 6٪ خوب و تنها 2٪ دارای پوشش متراکم است. مقایسه نقشه‌ها بیانگر آن بود که مناطق دارای پوشش متراکم به‌طور معناداری سطوح پایین‌تری از آلودگی صوتی را تجربه می‌کنند، در حالی که نواحی بدون یا با پوشش ضعیف بیشترین میزان نویز را دارند. همچنین گونه‌های مقاوم به خشکی و دارای توانایی جذب صدا نظیر سرو شیرازی (Cupressus sempervirens var. pyramidalis)، اقاقیا (Robinia pseudoacacia) و مورد (Myrtus communis) برای کاشت در معابر و مناطق پرتردد پیشنهاد شدند. یافته‌ها بر اهمیت فضای سبز در کاهش همزمان تنش‌های حرارتی و صوتی تأکید دارد و لزوم طراحی پایدار شهری با توزیع بهینه پوشش گیاهی و انتخاب گونه‌های مناسب را برجسته می‌سازد. این رویکرد می‌تواند در کاهش اثرات منفی تغییر اقلیم و ارتقای کیفیت زندگی شهروندان نقش مؤثری ایفا کند.

کلیدواژه‌ها

گرمایش جهانی؛ طراحی شهری پایدار؛ پوشش گیاهی؛ فضای سبز؛ یادگیری عمیق

مراجع

Alaei, N., Mohammadzadeh, F., Mostafazadeh, R., & Talebi Khiavi, H. (2024). Assessing spatiotemporal urban green space per capita and its connectivity in a small size city in Northwest Iran. GeoJournal, 89(4), 148. https://doi.org/10.1007/s10708-024-11159-7

Arsalan, M., Chamani, A., & Zamani-Ahmadmahmoodi, R. (2024). Sustaining tranquility in small urban green parks: A modeling approach to identify noise pollution contributors. Sustainable Cities and Society, 113, 105655. https://doi.org/10.1016/j.scs.2024.105655

Chen, S., He, P., Yu, B., Wei, D., & Chen, Y. (2024). The challenge of noise pollution in high-density urban areas: Relationship between 2D/3D urban morphology and noise perception. Building and Environment, 253, 111313. https://doi.org/10.1016/j.buildenv.2024.111313

Fallah-Shorshani, M., Yin, X., McConnell, R., Fruin, S., & Franklin, M. (2022). Estimating traffic noise over a large urban area: An evaluation of methods. Environment International, 170, 107583. https://doi.org/10.1016/j.envint.2022.107583

Ganjirad, M., Delavar, M. R., Bagheri, H., & Azizi, M. M. (2025). Optimizing urban critical green space development using machine learning. Sustainable Cities and Society, 120, 106158. https://doi.org/10.1016/j.scs.2025.106158

GR, A. N., & Adarsh, S. (2025). Innovative knowledge-based system for streamflow hindcasting: A comparative assessment of Gaussian Process-Integrated Neural Network with LSTM and GRU models. Environmental Modelling & Software, 188, 106433. https://doi.org/10.1016/j.envsoft.2025.106433

Guo, Z., & Feng, L. (2024). Multi-step prediction of greenhouse temperature and humidity based on temporal position attention LSTM. Stochastic Environmental Research and Risk Assessment, 38(12), 4907-4934. https://doi.org/10.1007/s00477-024-02840-x

Gupta, B. B., Gaurav, A., Attar, R. W., Arya, V., Bansal, S., Alhomoud, A., & Chui, K. T. (2024). Advance drought prediction through rainfall forecasting with hybrid deep learning model. Scientific Reports, 14(1), 30459. https://doi.org/10.1038/s41598-024-80099-6

Helbich, M., Hagenauer, J., Burov, A., & Dzhambov, A. M. (2025). Traffic noise assessment in urban Bulgaria using explainable machine learning. Sustainable Cities and Society, 120, 106169. https://doi.org/10.1016/j.scs.2025.106169

Iran Meteorological Organization (IRIMO). (2020). Climatological Yearbook of Synoptic Stations of Iran (1988–2018). Tehran: Research and Technology Deputy, IRIMO.

Li, J., & Heap, A. D. (2008). A Review of Spatial Interpolation Methods for Environmental Scientists. Geoscience Australia, 137.

Madhavi, M., Kolikipogu, R., Prabakar, S., Banerjee, S., Maguluri, L. P., Raj, G. B., & Balaram, A. (2024). Experimental evaluation of remote sensing–based climate change prediction using enhanced deep learning strategy. Remote Sensing in Earth Systems Sciences, 7(4), 642-656. https://doi.org/10.1007/s41976-024-00152-w

Mahmoudzadeh, H., Abedini, A., Aram, F., & Mosavi, A. (2024). Evaluating urban environmental quality using multi criteria decision making. Heliyon, 10(3), e24921. https://doi.org/10.1016/j.heliyon.2024.e24921

Maleki, K., & Hosseini, S. M. (2011). Investigation of the effect of leaves, branches and canopies of trees on noise pollution reduction. Annals of Environmental Science, 5(1), 3. https://openjournals.library.northeastern.edu/aes/journal/article/view/v5art3

Mostafazadeh, R., Alaei, N., Mirchooli, F., & Hussain, S. (2024). Changes in urban green space configuration and connectivity using spatial graph-based metrics in Ardabil developing city, Iran. Environmental Monitoring and Assessment, 196(9), 778. https://doi.org/10.1007/s10661-024-12922-6

Munandar, T. A., & Surbakti, H. (2025). Hybrid deep learning for climate prediction with Temporal, Spatial, and environmental data. International Journal of Information Technology, 1-14. https://doi.org/10.1007/s41870-025-02509-w

Naseri, N., & Mostafazadeh, R. (2023). Spatial relationship of Remote Sensing Ecological Indicator (RSEI) and landscape metrics under urban development intensification. Earth Science Informatics, 16(4), 3797-3810. https://doi.org/10.1007/s12145-023-01119-z

Nias, M. (2021). Assessment and modeling of the relationship between land use and noise pollution in Shiraz city. (Master’s thesis). Environmental Science and Engineering (Land use Planning), Isfahan University of Technology, Faculty of Natural Resources. [In Persian]

Razavi-Termeh, S. V., Sadeghi-Niaraki, A., Yao, X. A., Naqvi, R. A., & Choi, S. (2024). Assessment of noise pollution-prone areas using an explainable geospatial artificial intelligence approach. Journal of Environmental Management, 370, 122361. https://doi.org/10.1016/j.jenvman.2024.122361

Reyes-Avila, A. D., & Baxter, R. A. (2024). Assessment of urbanization impacts in Tegucigalpa urban greenness via normalized difference vegetation index. Trees, Forests and People, 18, 100680. https://doi.org/10.1016/j.tfp.2024.100680

Sayadi, M. H., & Movafagh, A. (2014). Assessment of noise pollution in Birjand using statistical techniques and GIS. Environmental Studies Quarterly, 40(3), 693–710. [In Persian] https://doi.org/10.22059/jes.2014.52214

Sharafatmandrad, M., & Khosravi Mashizi, A. (2025). Plant species selection for urban green spaces in arid lands: a new approach using ecosystem services and disservices. Landscape and Ecological Engineering, 21(1), 47-64. https://doi.org/10.1007/s11355-024-00624-7

Shobanke, M., Bhatt, M., & Shittu, E. (2025). Advancements and future outlook of Artificial Intelligence in energy and climate change modeling. Advances in Applied Energy, 17, 100211. https://doi.org/10.1016/j.adapen.2025.100211

Statistical Center of Iran. (2020). Statistical Yearbook of South Khorasan Province. Birjand: Management and Planning Organization of South Khorasan.

Vo, T. Q., Kim, S. H., Nguyen, D. H., & Bae, D. H. (2023). LSTM-CM: a hybrid approach for natural drought prediction based on deep learning and climate models. Stochastic Environmental Research and Risk Assessment, 37(6), 2035-2051. https://doi.org/10.1007/s00477-022-02378-w

Yang, Z., Kwan, M., Liu, D., & Huang, J. (2025). How objective and subjective greenspace, combined with air and noise pollution, impacts mental health through the mediation of physical activity. Urban Forestry & Urban Greening, 105, 128683. https://doi.org/10.1016/j.ufug.2025.128683