ارزیابی تأثیرات کاهش جزایر حرارتی شهری زیرساخت‌های سبز بر افزایش بهره‌وری کارهای سبک و سنگین: مطالعۀ موردی: کلانشهر تبریز*

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای جغرافیا و برنامه‌ریزی شهری، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

2 استاد جغرافیا و برنامه‌ریزی شهری، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

10.22108/sppl.2025.142015.1797

چکیده

جزایر حرارتی شهری آثار زیانباری بر محیط زیست، سلامت و رفاه انسانی و بهره‌وری کارهای سبک و سنگین دارد. کاهش بهره‌وری و ظرفیت نیروی کار نیز آثار منفی اقتصادی زیادی به دنبال دارد. در این بین، زیرساخت‌های سبز شهری بر کاهش جزایر حرارتی شهری و به‌تبع آن بر افزایش کیفیت زندگی شهروندان، افزایش میزان سلامت، آسایش حرارتی شهروندان و افزایش میزان بهره‌وری کار تأثیر فزآینده‌ای دارد؛ از این رو محققان در پژوهش حاضر به نقش کاهشی جزایر حرارتی شهری زیرساخت‌های سبز کلانشهر تبریز در افزایش بهره‌وری کارهای سبک و سنگین پرداخته‌اند. در این پژوهش از داده‌های مرتبط با تصاویر ماهواره‌ای لندست (مربوط به سه دورۀ زمانی 1363، 1381 و 1401)، کاربری اراضی/ پوشش اراضی، داده‌های هواشناسی و جدول بیوفیزیکال استفاده شده است. همچنین در این پژوهش داده‌ها با استفاده از GIS و مدل سرمایش شهری نرم‌افزار InVEST تجزیه‌و‌تحلیل شده است. نتایج نشان داد که کلانشهر تبریز در سال 1363 در کلاس‌های 0، 25، 50 و 75 درصد به‌ترتیب 15/14، 53/3، 25/58 و 06/24 درصد، در سال 1381 در کلاس‌های 0، 25 و 50 درصد به‌ترتیب 89/1، 61/66 و 49/31 درصد و در سال 1401 در کلاس‌های 25، 50 و 75 درصد به‌ترتیب 24/0، 29/51 و 46/48 درصد از بهره‌وری خود را در کارهای سنگین از‌دست داده است. همچنین، کلانشهر تبریز در سال 1363 در بهره‌وری از دست رفته برای کارهای سبک در کلاس‌های 0 و 75 درصد به‌ترتیب 10/76 و 89/23 درصد از بهره‌وری خود را در کارهای سبک از دست داده و در سال 1381 تنها کلاس صفر درصد داشته است. به عبارت دیگر، تبریز در این سال در کارهای سبک هیچ‌گونه بهره‌وری را از دست نداده است. کلانشهر تبریز در سال 1401 نیز در کلاس‌های 0، 25، 50 و 75 درصد به‌ترتیب 54/51، 72/20، 68/22 و 05/5 درصد از بهره‌وری خود را در کارهای سبک از دست داده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluating the Effects of Mitigating Urban Heat Islands of Green Infrastructure on Increasing the Productivity of Light and Heavy Work (Case Study: Tabriz Metropolitan)

نویسندگان [English]

  • Mahdi Herischian 1
  • Hassan Mahmoudzadeh 2
  • Rasoul Ghorbani 2
1 Ph.D. student of Geography and Urban Planning, Department of Urban and Regional Planning, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran
2 Professor of Geography and Urban Planning, Department of Urban and Regional Planning, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran
چکیده [English]

Abstract
Urban heat islands have significant adverse effects on the environment, human health and well-being, and productivity of both light and heavy industries. Reduced productivity and labor capacity can lead to numerous negative economic consequences worldwide. Meanwhile, urban green infrastructure increasingly plays a vital role in mitigating urban heat islands, thereby enhancing citizens' quality of life, improving health and thermal comfort, and boosting labor productivity. This research examined the role of urban green infrastructure in the metropolitan area of Tabriz in alleviating the effects of urban heat islands and increasing productivity in both light and heavy work sectors. Data from Landsat satellite images from 1984, 2002, and 2022, along with land use/land cover information, meteorological data, and biophysical tables, were utilized for this study. The analysis employed Geographic Information System (GIS) and the urban cooling model of InVEST software. The results indicated that in 1984, Lost productivity for heavy work in Tabriz was distributed as follows: 14.15% in the 0% class, 3.53% in the 25% class, 58.25% in the 50% class, and 24.06% in the 75% class. By 2002, the figures shifted to 1.89% in the 0% class, 66.61% in the 25% class, and 31.49% in the 50% class. In 2022, lost productivity in heavy work productivity was reported as 0.24% in the 25% class, 51.29% in the 50% class, and 48.46% in the 75% class. Furthermore, in 1984, Tabriz experienced lost productivity for light work of 76.10% in the 0% class and 23.89% in the 75% class. By 2002, no districts in Tabriz reported lost productivity in light work. However, in 2022, lost productivity was recorded at 51.54%, 20.72%, 22.68%, and 5.05% for the 0%, 25%, 50%, and 75% classes, respectively.
 
Keywords: Urban Heat Islands, Green Infrastructure, Productivity of Light and Heavy Work, Tabriz Metropolitan.
 
Introduction
Urban heat stress increasingly contributes to reduced productivity in both light and heavy industries, leading to significant economic losses. In contrast, urban green infrastructure plays a crucial role in enhancing citizens' quality of life, well-being, health, and thermal comfort, while also boosting productivity across various sectors. Tabriz, one of Iran's megacities, has undergone rapid urbanization and growth in recent decades. The challenges posed by urban heat islands, air pollution, and elevated temperatures threaten the city's viability. Consequently, the issue of urban heat island effects has become a pressing concern for this metropolitan area. This research explored the mitigating role of urban green infrastructure in Tabriz and its impact on enhancing productivity in light and heavy work sectors.
 
Materials & Methods
This research employed a descriptive-analytical methodology with a developmental-applicative focus. Data were collected through a combination of library resources, documentary evidence, electronic sources, surveys, and field observations. The study utilized the urban cooling model from the InVEST 3.12.0 software package, which calculated the mitigation of urban heat islands by considering factors, such as shading, evapotranspiration, albedo, and proximity to cooling islands like parks. In this model, vegetation cover served as a key parameter for estimating heat island mitigation. Ultimately, the model assessed the service value of heat island mitigation using two evaluation methods: energy consumption (potential energy reduction) and labor productivity (light and heavy work). The ecosystem service value of mitigating heat islands in the green infrastructure of Tabriz was calculated based on lost productivity in light and heavy work sectors. The primary inputs for the model included a land use/land cover raster map, a reference evapotranspiration (ET0) raster map, a biophysical table containing details about each land use/land cover class, a vector map of city buildings, and an energy consumption rate table categorized by building type and air temperature. Data from Landsat satellite images for the years 1984, 2002, and 2022, along with land use/land cover information, meteorological data, a biophysical table, and a detailed plan from the 2016 Tabriz municipality, were utilized. The analysis was conducted using GIS and the urban cooling model of InVEST. Landsat 5 satellite images were used for 1984 and 2002, while those of Landsat 8 were used for 2022. The land use/land cover map of the metropolitan area of Tabriz was prepared using ENVI 5.8 software and the Maximum Likelihood Classification (MLC) technique, resulting in a map categorized into 9 classes: high residential density, medium residential density, low residential density, open space, barren land, agricultural land, garden land, and pasture with a pixel resolution of 30 m. To prepare the reference evapotranspiration (ET0) map, the standard ASCE Penman-Monteith method—provided by the American Society of Civil Engineers—was employed. The biophysical table included essential information about each land use/land cover class, such as:

Shadow Effect: Ranging from 0 to 1, this value relates to tree cover, specifically for trees exceeding 2 meters in height.
Kc (Evaporation and Transpiration Coefficient): This coefficient reflects the relative evaporation and transpiration of each plant and soil type compared to the reference value, with values also ranging from 0 to 1. These values were sourced from the InVEST software manual for various land uses in this research.
Albedo: This value, which ranges from 0 to 1, indicates the proportion of sunlight that each land use/land cover class reflects directly.

Data regarding the impact of large green spaces on non-agricultural vegetation in artificial lands were also collected, with this effect quantified between 0 and 1. In terms of urban heat island intensity for the metropolitan area of Tabriz, the recorded temperature differences during the summer season were as follows: 3.2°C in 1984, 4.2°C in 2002, and 5.2°C in 2022. The reference temperatures for the village in those years were 28.1°C, 27.2°C, and 29.2°C, respectively. The maximum distance for air temperature mixing in Tabriz was set at 500 m, while the maximum distance to locate a large-scale green space (2 hectares or more) was established at 450 m.
Research Findings
The results revealed that in 1984, the metropolitan area of Tabriz had the productivity levels of 14.15%, 3.53%, 58.25%, and 24.06% across the 0%, 25%, 50%, and 75% classes, respectively. In 2002, these levels changed to 1.89% for the 0% class, 66.61% for the 25% class, and 31.49% for the 50% class. By 2022, productivity in the 25%, 50%, and 75% classes was recorded at 0.24%, 51.29%, and 48.46%, respectively. Regarding lost productivity in light work, Tabriz experienced losses of 76.10% in the 0% class and 23.89% in the 75% class in 1984. However, in 2002, all districts of Tabriz reported a 0% loss in productivity for light work as their Wet Bulb Globe Temperature (WBGT) was below 31.5°C. In 2022, the losses in productivity for light work were 51.54%, 20.72%, 22.68%, and 5.05% in the 0%, 25%, 50%, and 75% classes, respectively.
 
Discussion of Results & Conclusion
The results indicated that agricultural land and green spaces played a crucial role in reducing Wet Bulb Globe Temperature (WBGT), mitigating urban heat islands and consequently minimizing productivity losses in both light and heavy labor across the metropolitan area of Tabriz. In 1984, regions of Tabriz with agricultural use, green spaces, and low residential density exhibited the lowest WBGT levels, resulting in minimal productivity losses for both light and heavy work. Conversely, areas characterized by barren land and higher residential density experienced elevated WBGT levels, leading to greater productivity losses. By 2002, regions with increased agricultural land and green spaces continued to show the lowest WBGT levels, while areas with barren land and higher residential density recorded the highest WBGT and subsequent productivity losses. In 2022, the pattern remained consistent: areas rich in agricultural land, green spaces, open areas, and low residential density exhibited the lowest WBGT and the most effective mitigation of urban heat islands, resulting in the least productivity loss for light and heavy work. In contrast, regions dominated by barren land and higher residential density faced the highest WBGT levels, the least effective urban heat island mitigation, and the greatest productivity losses.
 
 

کلیدواژه‌ها [English]

  • Urban Heat Islands
  • Green Infrastructure
  • Productivity of Light and Heavy Work
  • Tabriz Metropolitan

مقدمه

شهرنشینی سریع منجر به تغییرات چشمگیری در محیط فیزیکی سطح زمین شده است (Luan et al., 2020; Yu et al., 2021). این تغییرات نیز منجر به این شده که مناطق شهری نسبت به مناطق روستایی اطراف دماهای بیشتری داشته باشد که آن هم اثر جزیرۀ حرارتی شهری (Urban Heat Island) را ایجاد می‌‌‌کند ( Manoli et al., 2019; Oke, 1982; Yang et al., 2021). نکتۀ حائز اهمیت این است که تأثیر منفی جزیرۀ حرارتی شهری با توسعۀ شهرنشینی تشدید خواهد شد (Kuang et al., 2017; Wang & Akbari, 2016). پدیدۀ جزیرۀ حرارتی شدید ناشی از ترکیب عواملی مانند افزایش تراکم شهری، افزایش دمای هوا در تابستان و تشدید فعالیت‌های انسانی است که منجر به تولید گرمای مازاد و کاهش میزان خنک‌کنندگی ناشی از آلبدو و تعرق، افزایش دمای روز در‌طول تابستان و به‌ویژه شب‌های گرم‌تر می‌شود (Yenneti et al., 2020). جزیرۀ حرارتی نگرانی‌های زیادی را برای جامعه ایجاد می‌کند؛ زیرا تأثیر‌های منفی فزآینده‌ای را بر سلامت انسان، اقتصاد و اکوسیستم‌های طبیعی بر‌جای می‌گذارد (Wang et al., 2023; Perkins-Kirkpatrick & Lewis, 2020; Vogel et al., 2020). امواج حرارتی بین سال‌های 1998 تا 2017 عامل مرگ بیش از 166000 نفر در جهان شد و تلفات بالای 70000 نفری، خشکسالی و ورشکستگی اقتصادی از نتایج بعدی آن بود که منجر به خسارت اقتصادی 16 میلیارد یورویی در‌طول موج گرمایی اوت 2003 در اروپا شد (WHO, 2023). بین سال‌های 1979 و 2020 میزان ساعت‌های با چالش گرمایی سالانه در آمریکای جنوبی افزایش چشمگیری پیدا کرد (Miranda et al., 2024). میزان این افزایش بسته به کلاس کوپن-گایگر (Köppen-Geiger) متفاوت بوده و از 16/1+ ساعت در سال تا 25/8+ ساعت در سال متغیر بود. بیشترین میزان مرگ‌و‌میر ناشی از گرما (62862 نفر) در اروپا به گرم‌ترین تابستان در سال 2022 اروپا مربوط می‌شود که به نوعی رکورد گرم‌ترین تابستان را هم زد و به‌دنبال آن بر نظارت هر‌چه بیشتر بر فرآیندهای گرمایی، برنامه‌های پیشگیرانه و استراتژی‌های سازگاری بلندمدت تأکید شد (Ballester et al., 2023).

یکی از پیامدهای بسیار مهم گرمایش مداوم زمین که ناشی از دمای زیاد و رطوبت نسبی است، تهدید زندگی و فعالیت‌های مرتبط با انسان تحت شرایط آب‌و‌هوایی است که فراتر از ظرفیت و آستانۀ آسایش حرارتی انسان است ( Dunne et al., 2013; Fischer & Knutti, 2013). قرار‌گرفتن در‌معرض چنین تنش گرمایی بهره‌وری نیروی کار را تا حدود زیادی کاهش می‌دهد (از دست دادن زمان کار مولد). همچنین، ممکن است در شرایط بدتر صدمات و آسیب‌های ناشی از کار را افزایش دهد ( Diffenbaugh et al., 2007; Dukes-dobos, 1981; Dunne et al., 2013; Pal & Eltahir, 2016). هرگونه تغییر در ظرفیت نیروی کار به‌عنوان یکی از متغیرهای مهم موفقیت اقتصادی تأثیر مستقیمی بر تولید ملی، درآمدهای فردی و هدف‌های توسعۀ پایدار دارد ( Matsumoto, 2019; Zhao et al., 2016). در تعداد زیادی از مطالعات کاهش بهره‌وری نیروی کار و اثر‌های منفی اقتصادی آن تأیید شده است (Kjellstrom et al., 2009; Lee et al., 2018; Li et al., 2016). محققان در برخی از مطالعات تأثیر‌هایی را که گرمایش ناشی از جزایر حرارتی بر بهره‌وری، سلامت و رفاه کارگران می‌گذارد با بهره‌وری، فشار حرارتی و عرضۀ نیروی کار ترکیب کردند و نشان دادند که میزان تأثیر‌ها زیاد بوده و رو‌به افزایش است. بر‌اساس برخی برآوردها تعداد کارگران آسیب‌دیده در جهان در اثر گرمایش از کل جمعیت مکزیک بیشتر است؛ برای مثال، برآوردهای جهانی نشان می‌دهد که کاهش میزان بهره‌وری ناشی از افزایش 5/1 درجه‌ای گرمایش به‌صورت سالانه تا سال 2030 معادل 80 تا 136 میلیون شغل تمام‌وقت خواهد بود ( Romanello et al., 2022; Kjellstrom et al., 2019). برآورد اثر اقتصادی جهانی سالانه نشان می‌دهد که این اثر معادل تولید ناخالص داخلی (GDP) (Gross Domestic Product) مجارستان است (Parsons et al., 2022). بیشترین میزان خسارت ناشی از بهره‌وری از دست رفته برای کارهای سنگین صرف‌نظر از انتخاب سنجه‌های حرارتی مرطوب یا فرضیه‌های مربوط به پاسخ کارگرانی که در‌‌معرض گرمایش مرطوب قرار می‌گیرند، به مجاورت با خط استوا مربوط است (Ibid; Kong & Huber, 2022). در حال حاضر، هزینۀ بالقوۀ از دست رفتۀ بهره‌وری نیروی کار ناشی از گرمایش برای کارگران در فضای باز چند صد میلیارد تا بیش از 2 تریلیون دلار در سال برآورد شده است (Parsons et al., 2022). بیشترین تأثیر جزایر حرارتی شهری مربوط به کارهای سنگین (کارهای بدنی یا در فضای باز) است تا کارهای سبک (کارمندی، پشت میزنشینی و...). برای همین با افزایش میزان جزایر حرارتی شهری بیشترین میزان بهره‌وری از دست رفته درمورد کارهای سنگین اتفاق می‌افتد و در مرحلۀ بعد کارهای سبک به میزان به‌نسبت کمتری نسبت به کارهای سنگین تحت‌تأثیر قرار می‌گیرد. براساس نظر بانک جهانی می‌توان کارهای خدماتی را جزء کارهای سبک و کارهای مربوط به بخش کشاورزی و صنعتی را جزء کارهای سنگین در‌نظر گرفت و یا اینکه می‌توان این تقسیم‌بندی را براساس میزان کالری مصرفی افراد نیز محاسبه کرد. بر این اساس، کار سبک کاری است که فرد در هر ساعت 200 ژول سوخت‌و‌ساز داشته باشد و کار سنگین کاری است که فرد در هر ساعت 400 ژول و بیشتر انرژی بسوزاند. همچنین، طبق روشی دیگر می‌توان براساس میزان زمان استراحت لازم یک فرد کارهای سبک و سنگین را از یکدیگر مشخص و تفکیک کرد.

همان‌طور که هیئت بین‌المللی تغییر اقلیم نیز تأیید کرده است، زیرساخت‌های سبز و آبی شهری در کاهش دمای هوا و به‌ویژه جزایر حرارتی شهری مؤثر هستند (IPCC, 2021). زیرساخت سبز- آبی- خاکستری (GBGI) (Green-Blue-Grey Infrastructure) که شامل پوشش گیاهی (سبز = درختان، چمن، پرچین، و غیره) مبتنی بر آب (آبی = استخر، برکه، دریاچه، رودخانه و غیره) و سازه‌های مهندسی (خاکستری = دیوارهای سبز، نماهای سبز و سقف‌ها) است، به‌طور گسترده‌ای برای کاهش تأثیر‌های گرمای بیش از حد شهری و کاهش مصرف انرژی پیشنهاد شده‌ است (Zonato et al., 2021). آنها پتانسیل ایفای نقش حیاتی را در بهبود کیفیت زندگی ساکنان شهری، افزایش تنوع زیستی، کاهش اثر‌های تغییرات اقلیمی و ارتقا پایداری کلی دارند (Bader et al., 2023). زیرساخت سبز- آبی- خاکستری به‌ویژه جزء سبز آن می‌تواند گرمای شهری را تنظیم و محیط‌های شهری راحت‌تر و خنک‌تری را با مکانیسم‌های مختلفی مانند تبخیر ( Le Phuc et al., 2022; Wu et al., 2021)، تعرّق، سایه‌اندازی (Cai et al., 2022; Morabito et al., 2021) و عایق حرارتی ایجاد کند ( Fini et al., 2017; Kostadinović et al., 2022). زیرساخت‌های آبی که شامل بدنه‌های آبی مانند برکه‌ها، کانال‌ها، رودخانه‌ها، نهرها، دریاچه‌ها و تالاب‌هاست، گرما را جذب و با تبخیر محیط اطراف را خنک می‌کند. اشکال مختلف زیرساخت سبز در خنک نگه‌داشتن محیط‌های شهری مؤثر هستند؛ برای مثال،  Tan et al. (2023) از یک رویکرد مدل‌سازی منطقه‌ای برای منطقۀ شهری شیکاگو استفاده کردند و به این نتیجه رسیدند که بام‌های سبز دمای نزدیک به سطح را تا 14 درصد در مقایسه با سقف‌های با پنل خورشیدی کاهش می‌دهند. به همین ترتیب، et al. Blanco  (2019) پی بردند که دیوارهای سبز رنگ به میزان 7/7 درجه سانتی‌گراد دمای سطح کمتری را نسبت به دیوار بتنی فاقد پوشش در‌طول تابستان در Valenzano (Bari) ایتالیا داشتند.  Coutts et al. (2016) تأکید دارند که درختان خیابانی می‌توانند دمای هوا را در‌طول روز در فصل تابستان تا 5/1 درجه سانتی‌گراد خنک کنند؛ با این حال اذعان می‌کنند که اثر خنک‌کنندگی درختان در‌طول رخدادهای گرمایی شدید بین خیابان‌های با درخت و بدون درخت چندان معنادار نیست. همچنین، آنها نشان دادند که درختان خیابانی به میزان چشمگیری دمای سطح را در شهرهای سراسر اروپا کاهش می‌دهند (Schwaab et al., 2021). مطالعات نشان داده است که میزان زیاد پوشش تاج درخت، فضای سبز، بام‌ها و دیوارهای سبز و فضای باز باعث کاهش گرمای شهری با سرمایش، تبخیر و تعرّق می‌شود ( Sanusi et al., 2016; Qi et al., 2021). استفادۀ ترکیبی از اقدام‌های چندگانۀ کاهش بار گرمایی برای کاهش زیاد دمای هوا پیشنهاد شده است ( Santamouris et al., 2020; Haddad et al., 2020). Haddad et al. (2020) در طی پژوهشی مزایای ناشی از اقدام‌های کاهش بار گرمای شهری را در ارتباط با افزایش سلامت انسان، کاهش مصرف انرژی و پیک تقاضای برق نشان دادند. آنها بیان کردند که بهترین سناریوهای کاهشی سناریوهایی بودند که ترکیبی از مواد خنک‌ساز، سایه‌اندازی و فضای سبز را به‌صورت توأمان به کار می‌گرفتند تا دمای محیط را حداکثر تا 7/2 درجه سانتی‌گراد در مقایسه با مناطق بدون مداخله‌های زیرساخت های سبز- آبی- خاکستری کاهش دهند. Sadeghi et al. (2022) تأثیر استراتژی‌های مبتنی بر زیرساخت‌های سبز شهری (پوشش درختان، بام‌های سبز و مناطق سبز) را بر شاخص اقلیمی گرمایش جهانی (Universal Thermal Climate Index) با 3 سناریو در 10 ایستگاه هواشناسی در سیدنی استرالیا تجزیه‌و‌تحلیل کردند. در شاخص اقلیمی گرمایش جهانی تأثیر گرمایش شهری با توجه به متغیرهای هواشناسی (دمای هوا، رطوبت، سرعت باد و تشعشع) بر آسایش و سلامت انسان اندازه‌گیری و سپس چالش‌های ناشی از گرما در آنها مورد بررسی قرار می‌گیرد. سناریو‌سازی  Sadeghi et al. (2022) نشان داد که کاشت 2 میلیون درخت آبدار در‌حوضۀ سیدنی می‌تواند میانگین روزانه شاخص اقلیمی گرمایش جهانی شهری را 2/0 تا 7/1 درجه سانتی‌گراد در‌طول موج گرما کاهش دهد. علاوه بر این، ارزیابی تأثیر‌های سلامتی، کاهش احتمالی مرگ‌و‌میر ناشی از گرما را تا میزان 7/11 درصد در‌طول روز در سراسر سیدنی نشان داد. این مورد، علاوه‌بر مزایای متعدّد سلامتی و رفاهی است که خدمات اکوسیستمی زیست محیطی زیرساخت های سبز- آبی- خاکستری ارائه می‌کنند.

در‌کل، زیرساخت‌های سبز شهری نقش فزآینده‌ای در افزایش کیفیت زندگی شهروندان، افزایش میزان رفاه، سلامتی شهروندان و بهره‌وری نیروی کار در کارهای سبک و سنگین و در‌نتیجه، افزایش بهره‌وری اقتصادی دارند. تبریز یکی از کلانشهرهای ایران است که در طی دهه‌های اخیر شهرنشینی و رشد سریعی را داشته است. مشکل چالش جزایر حرارتی شهری در این کلانشهر به یک مسئلۀ جدّی تبدیل شده است. متوسط دما در این کلانشهر همانند سایر مناطق کشور به‌طور مداوم در‌حال افزایش است. جزایر حرارتی شهری همراه با هوای آلوده و درجه‌حرارت زیاد زیست‌پذیری شهری را در تبریز تهدید می‌کند (آزادی مبارکی و احمدی، 1399، ص. 248). الگوی جزیرۀ حرارتی شهری تبریز بر‌اساس روش خودهمبستگی فضایی لکه‌های داغ (HotSpots) یک الگوی پیرامونی و از نوع مثلثی شکل بوده است؛ به‌طوری که هر‌چه از مرکز شهر به جهت‌های مختلف آن پیش برویم، بر مقدار دمای سطح زمین و کانون‌های جزایر حرارتی شهری افزوده می‌شود (آزادی مبارکی و احمدی، 1400، ص. 60). در کلانشهر تبریز با وقوع موج گرمایی در‌طول روز حومۀ شهر به‌دلیل داشتن آسمانی صاف و بدون آلودگی با حداقل پوشش‌گیاهی و نبود منابع آب سطحی و داشتن زمین‌های لخت با ظرفیت گرمایی پایین نسبت به مرکز شهر سریع‌تر تحت‌تأثیر امواج گرمایی قرار می‌گیرد؛ در‌نتیجه با گرم‌تر‌شدن رویۀ زمین در اطراف شهر نسبت به مرکز آن جزیرۀ سرمایی در مرکز شهر تشکیل می‌یابد و حومۀ شهر در شب‌هنگام نیز به‌دلیل ظرفیت گرمایی پایین گرمای جذب‌شده در‌طول روز را سریع‌تر از دست می‌دهد؛ بنابراین نسبت به مرکز شهر سردتر و در‌نتیجه، در مرکز شهر به‌دلیل دمای زیاد جزیرۀ حرارتی تشکیل می‌شود (ملکی مرشت و همکاران، 1400، ص. 126-125). از این رو، هدف این پژوهش ارزیابی نقش خدمت اکوسیستمی کاهش جزایر حرارتی زیرساخت‌های سبز کلانشهر تبریز در افزایش بهره‌وری نیروی کار با کارهای سبک و سنگین است.

 

پیشینۀ پژوهش

درزمینۀ موضوع پژوهش مطالعات متعدّدی در‌سطح داخلی و خارجی انجام شده است که در جدول 1 به تعدادی از آنها اشاره شده است. تفاوتی که این پژوهش با پژوهش‌های انجام‌شدۀ داخلی و خارجی دارد در این است که در هیچ‌یک از این پژوهش‌ها نقش خدمت اکوسیستمی کاهش جزایر حرارتی زیرساخت‌های سبز شهری در افزایش بهره‌وری نیروی کار با کارهای سبک و سنگین و نیز با استفاده از نرم‌افزار InVEST انجام نشده است.

 

جدول1: پیشینۀ پژوهش

Table 1: Background of the research

نویسندگان (سال)

موضوع

نتایج

امین زاده و قشلاق پور (1399)

«تأثیر الگوهای فضایی ساختار سبز شهری بر تغییر دمای جزایر حرارتی: مورد مطالعه: شهر تهران»

نتایج نشان داد که مناطق با پوشش درختی در هر دو حالت تراکم زیاد/ کم تأثیر کاهنده‌ای بر دما دارند. میانگین اندازۀ لکه‌های سبز متراکم درختی همراه با گیاهان با ارتفاع کم عامل مهمی در کاهش دماست. در‌مقابل آن سطح مناطق سبز و میزان تراکم حاشیه‌ای فضاهای سبز شامل علفزارها با تراکم پایین و درختچه‌های پراکنده با کف‌پوش خاک تأثیر فزآینده‌ای بر دمای سطح زمین دارند.

رمضانی و نقیبی (1399)

«واکاوی تغییرات شاخص پوشش‌گیاهی در شکل‌گیری جزایر حرارتی شهری: مطالعۀ موردی: شهر ارومیه»

نتایج نشان داد که در‌طول 28 سال (2017-1989) دمای شهر ارومیه افزایش پیدا کرده است. همچنین، مشخص شد که افزایش دمای نواحی داخل شهر ارومیه بیشتر ناشی از بین رفتن پوشش‌گیاهی و به زیرساخت‌و‌ساز رفتن اراضی سبز و فضاهای داخل محدودۀ شهری است که پوشش تُنُک آنها از‌بین رفته است.

انجم الشعاع و همکاران (1400)

«بررسی رابطۀ جزایر حرارتی با محدوده‌های فضای سبز و آشکارسازی تغییرات آن: مطالعۀ موردی: شهر کرمان»

نتایج نشان داد که بین مساحت پارک و مقدار دمای آن ارتباط وجود دارد و کمترین دماهای محاسبه‌شده به ازا فضاهای سبز مربوط به پارک‌های با بیشترین وسعت است. تحلیل آزمون هم‌بستگی نیز نشان داد که در تمام فصل‌های سال دمای سطح زمین با شاخص تراکم پوشش گیاهی رابطۀ معکوس دارد.

فربودی و زمانی (1401)

«کاهش جزایر حرارتی شهری از‌طریق افزایش سبزینگی و سطوح نفوذپذیر در تهران»

نتایج نشان داد که شاخص UTCI با افزایش زیرساخت‌های سبز شهری و کف‌پوش‌های نفوذپذیر تعدیل می‌شود. همچنین، درخت نسبت به سایر پارامتر‌ها بیشترین تأثیر کاهش دما را ایجاد می‌کند.

 Zhu et al. (2021)

«حفظ بهره‌وری نیروی کار تحت چالش‌های گرمایی شدید: برنامه‌ریزی قوی برای انطباق با تغییرات اقلیمی تحت شرایط عدم قطعیت»

افزایش میزان WBGT  (Wet-Bulb Globe Temperature) (میزان دمای هوا با در نظر گرفتن میزان رطوبت نسبی هوا) منجر به کاهش زیاد بهره‌وری کار در چین به‌جزء فلات تبت تحت هر دو سناریوی انتشار RCP  (Representative Concentration Pathways) (RCP2.6 و RCP8.5) تا پایان قرن بیست و یک خواهد شد. مناطق کمتر توسعه‌یافته به هزینۀ حداقلی سیستم از‌طریق افزایش بهره‌وری نیروی کار با استفاده از اضافه‌کاری به‌دلیل هزینۀ پایین آن تمایل دارد که این مورد می‌تواند منجر به آسیب‌های کاری ناشی از گرما در مناطق کمتر توسعه‌یافته شود. از آنجایی که مناطق کمتر توسعه‌یافتۀ چین مناطق مستعد گرما نیست، تغییرات اقلیمی تهدید بسیار خطرناک‌تری برای این مناطق خواهد بود و به‌دلیل اینکه ساکنان آن کمتر با چالش‌های گرمایی سازگاری دارند، باعث آسیب هر‌چه بیشتر به این مناطق خواهد شد.

 Liu et al. (2024)

«بررسی تأثیرات فضایی - زمانی الگوهای فضای سبز شهری بر محدودۀ مرکزی دارای جزایر حرارتی شهری»

در مناطق مرکزی شهری که توسعۀ زیرساخت‌های سبز در آن امکان‌پذیر نیست یا در هسته‌هایی با میزان زیاد زیرساخت‌های سبز شهری، طراحی زیرساخت‌های سبز با اشکال و خوشه‌های پیچیده تأثیر‌های خنک‌کنندگی بهتری می‌تواند داشته باشد؛ بنابراین نتایج نشان می‌دهد که تأثیر چشم‌اندازهایی با زیرساخت‌های سبز بر محیط حرارتی شهری در‌‌مقیاس محدودۀ مرکزی بسیار پیچیده است.

 Masuda et al. (2024)

«تأثیرات گرمایش بر رفاه کارگران در فضاهای باز در مناطق استوایی و راهکارهای انطباقی»

نتایج نشان داد که با افزایش 1 درجه سانتی‌گرادی گرمایش حدود 800 میلیون نفر از ساکنان مناطق استوایی در محدوده‌های سکونتی‌شان باید انجام کارهای سنگین را به حدود بیش از نیمی از ساعت‌های سال محدود کنند.

 Zhang et al. (2024)

 

«ارزیابی نقش زیرساخت‌های سبز شهری در کاهش اثر جزایر حرارتی شهری تابستانی در کلانشهر شانگهای (Shanghai) چین»

مدل‌های FSWR  (Forward Stepwise Regression) (رگرسیون گام‌به‌گام رو‌به‌جلو) r2 بالایی را نشان دادند (به‌طور متوسط 816/0)؛ اما در عین حال، بدترین عملکرد را در تفسیر نتایج داشتند. مدل‌های PLSR  (Partial Least Squares Regressions) (رگرسیون حداقل مربعات جزئی) بالاترین r2 (متوسط 820/0) و بهترین عملکرد را در تفسیر نتایج داشتند. مدل‌های RFR که کمترین r2 را نشان دادند (به‌طور میانگین 708/0)، عملکرد متوسطی را در تفسیر نتایج داشتند.

منبع: نگارندگان

 

روش‌شناسی پژوهش

در این پژوهش از مدل سرمایش شهری مجموعه‌بسته‌های نرم‌افزاری  InVEST 3.12.0استفاده شده است. مدل سرمایش شهری از‌جمله مدل‌هایی است که کاهش میزان جزایر حرارتی شهری را بر‌اساس سایه، تبخیر و تعرّق، آلبدو و میزان فاصله از جزایر سرد (پارک‌ها) محاسبه می‌کند. در این شاخص برای تخمین کاهش جزایر گرمایی از پوشش‌گیاهی استفاده می‌شود. در نهایت، این مدل ارزش خدمات کاهش جزایر حرارتی را با استفاده از دو روش ارزیابی برآورد می‌کند: کاهش مصرف انرژی (کاهش میزان بالقوه انرژی) و بهره‌وری از دست رفتۀ کار (کارهای سبک و سنگین) که در این پژوهش ارزش خدمت اکوسیستمی کاهش جزایر حرارتی زیرساخت های سبز تبریز با بهره‌وری از دست رفته برای کارهای سبک و سنگین محاسبه شد. ورودی‌های اصلی این مدل شامل نقشۀ رستری کاربری اراضی/پوشش اراضی، نقشۀ رستری تبخیر و تعرّق مرجع (et0) و جدول بیوفیزیکی شامل اطلاعات دربارۀ هر‌یک از کلاس‌های مربوط به نقشۀ کاربری اراضی/پوشش اراضی است.[1] برای تهیۀ هر‌یک از داده‌های لازم مدل طبق روش زیر عمل شد.

 

نقشۀ کاربری اراضی/پوشش اراضی

برای تهیۀ نقشۀ کاربری اراضی/پوشش اراضی از تصاویر ماهواره‌ای لندست 5 برای سال‌های 1984 و 2002 و لندست8 برای سال 2022، نرم‌افزار Envi 5.8، GIS و روش طبقه‌بندی حداکثر احتمال (MLC) (Maximum Likelihood Classification) استفاده شد. تصاویر ماهواره‌ای مدنظر مربوط به فصل تابستان، طول روز و تاریخ‌های 24/6/1984، 26/6/2002 و 17/6/2022 بوده است. نقشۀ کاربری اراضی/پوشش اراضی در 9 کلاس شامل تراکم مسکونی زیاد، تراکم مسکونی متوسط، تراکم مسکونی کم، فضای باز، اراضی بایر، اراضی کشاورزی، فضای سبز، مرتع و آب با پیکسل 30 متر تهیه شد (شکل1). با توجه به اینکه خارج از محدودۀ مناطق شهرداری تبریز و در اطراف این مناطق زیرساخت‌های سبزی وجود دارد که در کاهش جزایر حرارتی شهری نقش دارند، برای اینکه بتوان به‌صورت کامل نقش زیرساخت‌های سبز را در کاهش جزایر حرارتی شهری تبریز نشان داد، نقشۀ کاربری اراضی/پوشش اراضی تبریز در حدود 250 هکتار از تمام جهت‌ها (بیشتر از محدودۀ مناطق دهگانۀ شهرداری) در‌نظر گرفته و ترسیم شده است.

 

 

 

 

 

 

شکل1: نقشۀ کاربری اراضی/پوشش اراضی کلانشهر تبریز به‌ترتیب از چپ به راست برای سال‌های 1363، 1381 و 1401(منبع: نگارندگان)

Figure 1: Land use/land cover map of Tabriz Metropolitan from left to right for the years 1984, 2002, and 2022

 

روش حداکثر احتمال

روش حداکثر احتمال شباهت یکی از کارآمدترین روش‌های طبقه‌بندی تصاویر است (Al-doski et al., 2013). در بیشتر مطالعات این روش به‌عنوان دقیق‌ترین و پرکاربردترین روش طبقه‌بندی معرفی شده است (ریاحی بختیاری، 1379؛ ساروئی، 1378؛(Huang et al., 2002; Richards & Jia, 1999. کاربر در این روش باید دقت کند که کلاس‌‌بندی از توزیع نرمال گوسی پیروی کند. این روش برای کلاس‌های چند‌طیفی مناسب‌تر است. در این روش با استفاده از عامل شدت احتمال هر‌یک از پیکسل‌های تصویر پس از آزمون آماری و محاسبۀ احتمال تعلق آنها به گروه‌های طیفی نمونه تعلق می‌گیرد (احمدپور و همکاران، 1393 به نقل از زبیری و مجد، 1378). روش حداکثر احتمال که از سایر روش‌ها برای طبقه‌بندی تصاویر دقیق‌تر است، میزان کمّی واریانس و همبستگی ارزش های طیفی باندهای مختلف را برای مناطق نمونه محاسبه می‌کند. از همین خاصیت برای ارتباط یک پیکسل طبقه‌بندی‌نشده به یکی از گروه‌ها یا نمونه‌های طیفی نیز استفاده می‌شود. بر این اساس، در خروجی‌های این روش مناطق طبقه‌بندی‌نشده و یا مناطق خالی و گپ (GAP) کمتر دیده می‌شود. در روش حداکثر احتمال برای بررسی نحوۀ توزیع ارزش‌های طیفی و احتمال آماری ارتباط یک پیکسل با یکی از گروه‌های نمونه از ماتریس واریانس و بردار میانگین که خود واریانس و همبستگی ارزش‌های طیفی را تعریف می‌کند، استفاده می‌شود. بر این اساس، برای افزایش دقت این روش و بازدهی مناسب آن نسبت به سایر روش‌های طبقه‌بندی از‌جمله ماشین بردار پشتیبان تعداد مناسب و بیشتر نمونه‌های تعلیمی الزامی است (کاظمی و همکاران، 1396، ص. 95).

 

 

نقشۀ تبخیر و تعرّق مرجع (ET0)

برای تهیۀ این نقشه از روش پنمن مانتیث (Penman Monteith) استاندارد ASCE (معادلۀ استاندارد ارائه‌شدۀ انجمن مهندسین عمران آمریکا) استفاده شد (شکل2). در روش پنمن مانتیث ابتدا تبخیر و تعرّق گیاه مرجع (علف) تخمین زده و سپس از روی آن تبخیر و تعرّق گیاه مدنظر محاسبه می‌شود (علیزاده، 1377). معادلۀ محاسبۀ تبخیر و تعرّق مرجع در بازۀ زمانی ساعتی و روزانه به‌صورت زیر است (Monteith, 1965)

رابطۀ (1):

0.408Δ (Rn - G) + y(Ca /T + 273.16)U2(es -ea (Δ + y(1 + cdu2)

 

که در آن ET0::تبخیر- تعرّق گیاه مرجع (میلی‌متر بر روز برای دورۀه روزانه و میلی‌متر بر ساعت برای دوره‌های ساعتی)، :Δ شیب منحنی فشار بخار اشباع در میانگین درجه حرارت (کیلو پاسکال بر درجۀ سانتی‌گراد)، :Rn تابش خالص در‌سطح گیاه (مگاژول بر متر مربع بر ساعت)، :G چگالی شار حرارتی خاک (مگاژول بر متر مربع بر ساعت)، γ: ثابت سایکرومتری (کیلو پاسکال بر درجۀ سانتی‌گراد)، Thr: متوسط درجه‌حرارت ساعتی (درجۀ سانتی‌گراد)، U2: سرعت باد روزانه و ساعتی در ارتفاع 2 متری (متر بر ثانیه)، :es میانگین فشار بخار اشباع هوا در ارتفاع 5/1 تا 2 متری (کیلو پاسکال)، ea: میانگین فشار بخار واقعی هوا در ارتفاع5/1 تا 2 متری (کیلوپاسکال)، Cn و Cd: بهترتیب ثابت‌های صورت و مخرج، تابع نوع گیاه مرجع و بازۀ زمانی اندازه‌گیری است. تبخیر و تعرّق مرجع یا رفرنس تابع ناحیۀ مدنظر تابش خورشید، طول و عرض جغرافیایی و... است. میانگین تبخیر و تعرّق مرجع برای کلانشهر تبریز در سال1363، 984/250میلی متر، برای سال 1381، 226/271میلی متر و برای سال 1401، 277/291میلی متر در سال بوده است.

 

 

 

 

 

شکل2: نقشۀ تبخیر و تعرّق مرجع کلانشهر تبریز به‌ترتیب از چپ به راست برای سال‌های 1363، 1381 و 1401(منبع: نگارندگان)

Figure 2: Evaporation and transpiration map of Tabriz Metropolitan from left to right for the years 1984, 2002 and 2022 respectively

 

جدول بیوفیزیکی

جدول بیوفیزیکی شامل اطلاعاتی در‌بارۀ هر‌یک از کلاس‌های کاربری اراضی/پوشش اراضی است؛ مانند

1- سایه (Shade)

مقدار‌های مرتبط با اثر سایه که بین 0 و 1 بوده مربوط به پوشش درخت است (Ronchi et al., 2020, P. 5). (اثر سایه دربارۀ درختان بالای 2 متر مورد محاسبه قرار می‌گیرد).

2- Kc

ضریب تبخیر و تعرّق هر نوع گیاه و خاکی نسبت به تبخیر و تعرّق مرجع و مقدار‌های آن بین 0 و 1 است که در این پژوهش این مقدار برای کاربری‌های مختلف از کتابچۀ راهنمای نرم‌افزار InVest اخذ شده است (Allen et al., 1998).

3- آلبدو

 میزان آلبدو بین 0 و 1 است که نشان‌دهندۀ میزان تابش نورخورشید است که به‌طور مستقیم در هر‌یک از کلاس‌های کاربری اراضی/پوشش اراضی منعکس می‌شود (Ronchi et al., 2020, P. 5). هر‌چه میزان روشنایی یک سطح بیشتر باشد، میزان آلبدوی آن بیشتر است؛ از این رو برف با بیشترین آلبدو، یعنی یک و اجسام سیاه از‌جمله آسفالت با کمترین میزان آلبدو، یعنی صفر است. داده‌های مرتبط با آلبدو از سایت https://www.copernicus.eu/en/global-land-surface-albedo استخراج شده است.

4- تأثیر ناشی از فضاهای سبز بزرگ

در این پژوهش داده‌های مرتبط با این مورد ازطریق کلاس‌های کاربری اراضی/پوشش اراضی مناطق با پوشش‌گیاهی غیرکشاورزی در اراضی مصنوعی به دست آمد. میزان این اثر نیز بین 0 و 1 است؛ برای نمونه، اگر در شعاع یک کیلومتریِ همسایگی یک پیکسل فضاهای سبز موجود در آن در‌مجموع، بیش از 2 هکتار باشد، شامل این تأثیر است.

 

شدت جزایر حرارتی شهری

شدت جزایر حرارتی شهری عبارت است از اختلاف بین دمای مرجع روستایی و حداکثر دمای مشاهده‌شده در شهر (Ronchi et al., 2020, P. 5). این میزان دربارۀ کلانشهر تبریز برای فصل تابستان و طول روز در سال 1363، 2/3 درجه سانتی‌گراد، سال1381، 2/4 درجه سانتی‌گراد و سال 1401، 2/5 درجه سانتی‌گراد و دمای مرجع روستایی هم در سال‌های 1363، 1381و 1401 به‌ترتیب 1/28، 2/27، 2/29 درجه سانتی‌گراد است.

 

حداکثر فاصله برای ترکیب (اختلاط) دمای هوا

این مورد عبارت است از شعاع جست‌وجو به کار گرفته شده (برحسب متر) برای محاسبۀ میانگین مؤثر در اختلاط دمای هوا (Ronchi et al., 2020, P. 5). در عمل، دمای هوای یک پیکسل با دمای هوای پیکسل همسایه به‌دلیل وجود باد، مخلوط و یکنواخت می‌شود. بدین ترتیب که نرم‌افزار InVest ابتدا دمای تک‌تک پیکسل‌ها را محاسبه و سپس دمای هر پیکسل را با دمای پیکسل‌های همسایه طبق شعاع ورودی به نرم‌افزار میانگین‌گیری می‌کند. دربارۀ کلانشهر تبریز این شعاع 500 متر در‌نظر گرفته شد.

 

حداکثر فاصله برای یافتن فضای سبز بزرگ‌مقیاس (2 هکتار و بیشتر)

این میزان هم دربارۀ کلانشهر تبریز 450 متر در‌نظر گرفته شد.

 

میانگین درصد رطوبت نسبی

این میزان برای کلانشهر تبریز با استفاده از داده‌های هواشناسی به دست آمد. میانگین درصد رطوبت نسبی تبریز برای سال‌های 1363، 1381 و 1401 به‌ترتیب برابر با 56، 48 و 47 درصد بوده است.

 

میزان بهره‌وری از دست رفته برای کارهای سبک و سنگین

برای محاسبۀ میزان بهره‌وری از دست رفته برای کارهای سنگین از نرم‌افزار InVEST ازWBGT (میزان دمای محاسبه‌شدۀ نرم‌افزار  InVESTبا در نظر گرفتن میزان رطوبت نسبی هوا) استفاده می‌شود که این میزان برای کارهای سبک و سنگین با نرم‌افزار به‌صورت جداگانه محاسبه می‌شود. از WBGT به‌طور گسترده‌ای برای کمّی‌سازی اثر‌های جزایر حرارتی بر بهره‌وری کار استفاده می‌شود (https: xiaoganghe.github.io). نرم‌افزار InVEST میزان کاهش بهره‌وری را در هر پیکسل در‌صورت وقوع برای مشاغل سبک و سنگین محاسبه می‌کند. در این پژوهش میزان رطوبت نسبی هوا برای کلانشهر تبریز برای هر سه دوره 1363، 1381 و 1401 با استفاده از داده‌های هواشناسی به دست آمد. میزان رطوبت نسبی برای کلانشهر تبریز در سال 1363، 56 درصد، سال 1381، 48 درصد و برای سال 1401، 47 درصد بوده است.

 

منطقۀ مطالعه‌شده

کلانشهر تبریز در گوشۀ شمال غربی کشور و در امتداد محور بین‌المللی تهران - بازرگان که ایران را به اروپا متصل می‌کند، قرار گرفته است (شکل3). شهر تبریز با وسعتی حدود 11800 کیلومتر در 46 درجه و 25 دقیقه طول شرقی و 38 درجه و 2 دقیقه عرض شمالی از نصف‌النهار گرینویچ واقع شده است. متوسط ارتفاع شهر حدود 1340 متر از سطح دریاهای آزاد برآورد شده است (زینالی عظیم و همکاران، 1400، ص. 50). به‌لحاظ ویژگی‌های جغرافیایی و طبیعی موقعیت استقرار شهر تبریز و هستۀ اولیۀ شکل‌گیری شهر حاکی از مناسب‌ترین و مساعدترین عوامل جغرافیایی بوده که به‌دلیل همین مواهب و مساعدت‌های جغرافیایی در روند تاریخی توسعۀ فیزیکی به یکی از بزرگ‌ترین شهرهای کشور تبدیل شده است (مهندسین مشاور نقش محیط، 1391، ص. 1). رودخانۀ آجی چای (تلخه‌رود) از قسمت شمال و شمال غرب تبریز می‌گذرد و بعد از طی مسافتی زیاد در دشت تبریز به دریاچۀ ارومیه می‌ریزد و مهران‌رود نیز از میانۀ تبریز می‌گذرد.[2] براساس آمار مربوط به آخرین سرشماری عمومی نفوس و مسکن (1395) کلانشهر تبریز 1.558.693 نفر جمعیت و 497.898 خانوار دارد که از این تعداد 786.661 نفر مرد و 772.032 نفر زن هستند و بُعد خانوار آن هم 1/3 است (معاونت برنامه‌ریزی و توسعۀ سرمایۀ انسانی شهرداری تبریز، 1401، ص. 78). بر‌پایة آخرین تقسیمات اداری کلانشهر تبریز از 10 منطقة شهرداری تشکیل شده است (شکل3). بزرگ‌ترین آن از‌لحاظ وسعت منطقۀ 6 و کوچک‌ترین آن منطقۀ 8 است. منطقۀ 4 از‌لحاظ جمعیتی نیز بیشترین جمعیت و منطقۀ 9 کمترین جمعیت را دارد (تابعی و همکاران، 1401، ص. 120).

 

 

شکل3: نقشۀ منطقۀ مطالعه‌شده (منبع: نگارندگان)

Figure 3: Map of the study area

 

یافته‌های پژوهش و تجزیه‌و‌تحلیل

کاربری اراضی/پوشش اراضی

نقشة کاربری اراضی/پوشش اراضی مربوط به سال‌های 1363، 1381 و 1401 در شکل1 آمده است. مقایسة نقشه‌های کاربری اراضی مربوط به این دوره‌های زمانی روند تغییرات کاربری اراضی کلانشهر تبریز را بدین صورت نشان می‌دهد: در سال 1363 کاربری مسکونی، فضای باز، اراضی بایر، اراضی کشاورزی، فضای سبز، مرتع و آب به‌ترتیب با 94/7، 06/4، 51/70، 13/10، 25/6، 98/0 و 12/0 درصد، در سال 1381 به‌ترتیب با 54/16، 26/1، 80/64، 36/11، 38/5، 50/0 و 14/0 درصد و در سال 1401 به‌ترتیب با 94/21، 88/10، 11/50، 13/10، 23/6، 38/0 و 31/0 درصد از کل کاربری‌های کلانشهر تبریز را به خود اختصاص داده است. بررسی روند تغییرات کاربری اراضی از سال 1363 تا 1401نشان می‌دهد که اراضی بایر و کشاورزی در این بازۀ زمانی 38 ساله روند کاهشی داشته است. کاربری مسکونی از سال 1363 تا 1381 در حدود 54/16 درصد و از سال 1381 تا 1401در حدود 4/5 درصد افزایش است. فضای سبز نیز از سال 1363 تا 1381 روند کاهشی (در حدود 87/0 درصد) و از سال 1381 تا 1401 در حدود 97/0 درصد افزایش داشته است. در‌کل، بررسی تغییرات کاربری اراضی مربوط به کلانشهر تبریز در بازۀ زمانی 38 ساله نشان می‌دهد که کاربری‌های مربوط به فضای سبز، کشاورزی و مرتع که نقش فزآینده‌ای در کاهش جزایر حرارتی شهری دارند، کمترین میزان از کل کاربری‌های شهری تبریز را به خود اختصاص داده‌اند (جدول‌های2، 3 و 4). همچنین، در جدول‌های 2، 3 و 4 داده‌های مربوط به کاربری اراضی/ پوشش اراضی به تفکیک مناطق دهگانۀ کلانشهر تبریز آمده است.

جدول2: داده‌های مربوط به کاربری اراضی/پوشش اراضی سال 1363 مناطق دهگانۀ کلانشهر تبریز به هکتار

Table 2: Data related to land use/land cover in 1984 in ten Districts of Tabriz Metropolitan by hectare

 

کاربری اراضی/پوشش اراضی

 

 

مناطق

 

 

مجموع (به هکتار)

آب (کد9)

مرتع

(کد8)

فضای سبز

(کد7)

اراضی کشاورزی

(کد6)

اراضی بایر (کد5)

فضای باز

(کد4)

تراکم مسکونی کم (کد3)

تراکم مسکونی متوسط

(کد2)

تراکم مسکونی زیاد (کد1)

52/1609

-

-

10/225

-

90/773

18/96

29/158

15/299

89/56

1

31/2104

51/4

-

25/211

-

28/1435

08/87

07/219

55/95

56/51

2

06/2709

-

-

35/46

-

13/1777

19/46

22/167

34/290

81/381

3

25/2530

22/17

-

91/113

67/811

05/408

32/46

79/50

12/490

16/592

4

47/3569

-

-

58/298

-

88/86

29/139

42/25

68/4

-

5

98/8434

80/4

-

59/118

68/1474

17/5504

04/1007

49/156

52/158

68/10

6

72/2947

-

-

72/321

41/179

83/2072

02/226

91/40

14/91

68/15

7

59/385

-

-

10/6

-

-

-

40/14

45/255

64/109

8

42/786

-

31/65

21/133

-

90/580

98/6

-

-

-

9

54/1088

-

-

-

-

18/824

-

-

65/231

70/32

10

50/26171

58/26

31/65

58/1474

12/2466

34/16480

79/1656

86/832

41/1917

50/1251

کل مناطق

منبع: نگارندگان

 

جدول3: داده‌های مربوط به کاربری اراضی/پوشش اراضی سال 1381 مناطق دهگانۀ کلانشهر تبریز به هکتار

Table 3: Data related to land use/land cover in 2002 in ten districts of Tabriz metropolitan by hectare

 

کاربری اراضی/پوشش اراضی

 

 

مناطق

 

 

مجموع

(به هکتار)

آب

(کد9)

مرتع

(کد8)

فضای سبز

(کد7)

اراضی کشاورزی

(کد6)

اراضی بایر

(کد5)

فضای باز

(کد4)

تراکم مسکونی کم

(کد3)

تراکم مسکونی متوسط

(کد2)

تراکم مسکونی زیاد

(کد1)

41/1609

-

-

81/176

-

71/379

-

35/376

56/451

97/224

1

02/2104

60/3

48/0

46/162

-

92/957

62/53

57/728

89/142

46/54

2

02/2709

-

30/0

18/83

-

57/1305

-

50/573

36/350

10/396

3

63/2530

64/15

-

29/46

66/616

99/174

-

33/246

70/645

02/785

4

07/3569

-

15/0

57/350

-

10/2896

15/21

71/282

38/18

-

5

04/8434

53/5

-

02/96

91/1829

60/5321

05/51

85/924

16/189

89/15

6

93/2947

-

32/0

79/213

81/315

64/1615

84/38

17/515

52/224

81/23

7

71/385

-

-

06/3

-

-

-

40/14

24/258

005/110

8

59/786

-

-

59/106

-

30/670

17/5

52/4

-

-

9

68/1088

-

-

32/6

-

04/312

-

48/35

53/274

30/460

10

75/26170

82/24

26/1

413/1245

73/2762

11/13636

87/169

08/3704

73/2555

72/2070

کل مناطق

منبع: نگارندگان

جدول4: داده‌های مربوط به کاربری اراضی/پوشش اراضی سال 1401 مناطق دهگانۀ کلانشهر تبریز به هکتار

Table 4: Data related to land use/land cover in 2022 in ten districts of Tabriz metropolitan by hectare

 

کاربری اراضی/پوشش اراضی

 

 

مناطق

 

 

مجموع

(به هکتار)

آب

(کد9)

مرتع

(کد8)

فضای سبز

(کد7)

اراضی کشاورزی

(کد6)

اراضی بایر

(کد5)

فضای باز

(کد4)

تراکم مسکونی کم

(کد3)

تراکم مسکونی متوسط

(کد2)

تراکم مسکونی زیاد

(کد1)

37/1609

-

-

38/139

-

81/166

85/224

71/314

44/511

17/252

1

15/2104

31/6

-

82/272

257/3

10/286

46/414

12/874

87/192

19/54

2

21/2709

-

025/0

24/110

160/2

82/950

17/570

48/309

77/361

54/404

3

83/2530

25/15

-

34/78

66/499

21/141

10/163

69/163

46/671

21/797

4

68/3568

-

-

23/422

051/0

64/1548

48/1280

30/222

96/94

-

5

0004/8434

050/0

-

65/68

39/1430

71/4345

88/1724

79/652

04/191

46/15

6

64/2947

-

-

78/217

25/176

38/1009

13/750

17/473

08/286

83/34

7

68/385

-

-

42/0

-

-

-

40/14

31/259

54/111

8

03/786

-

-

23/76

-

01/409

17/216

60/84

-

-

9

43/1088

-

-

74/114

-

53/119

36/5

55/44

14/302

10/502

10

39/26169

60/26

025/0

90/1500

98/2111

79/8978

86/5352

61/3154

70/2871

89/2171

کل مناطق

منبع: نگارندگان

 

میزان بهره‌وری از دست رفته برای کارهای سبک و سنگین

در محاسبۀ بهره‌وری از دست رفته برای کارهای سنگین اگرWBGT  (Distribution of Wet Bulb Globe Temperature) (میزان دمای محاسبه‌شدۀ نرم‌افزار  InVestبا در نظر گرفتن میزان رطوبت نسبی هوا) کمتر از 5/27 درجه سانتی‌گراد باشد، میزان بهره‌وری از دست رفته برای کارهای سنگین برابر با صفر خواهد بود؛ یعنی هیچ بهره‌وری از دست نخواهد رفت. اگر WBGT بین 5/27 تا 5/29 درجه باشد، 25 درصد، اگر WBGT بین 5/29 تا 5/31 درجه باشد، 50 درصد و اگر بیشتر از 5/31 درجه باشد، 75 درصد از بهره‌وری در کارهای سنگین از دست خواهد رفت.

 

 

جدول 5: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سنگین سال 1363 مناطق دهگانۀ کلانشهر تبریز

Table 5: WBGT (temperature calculated based on relative humidity) for heavy work in the ten districts of Tabriz metropolitan in 1984

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

1

-

-

-

-

5/29 تا 5/31 درجه

15/6 درصد

-

-

2

-

-

-

-

5/29 تا 5/31 درجه

04/8 درصد

-

-

3

-

-

-

-

5/29 تا 5/31 درجه

34/10 درصد

-

-

4

-

-

29 تا 5/29 درجه

90/1 درصد

از 30 تا 31 درجه

77/7 درصد

-

-

5

27 تا 5/27 درجه

55/4 درصد

-

-

-

-

از 5/31 تا 32 درجه

96/6 درصد

6

27 تا 5/27 درجه

57/9 درصد

28 تا 5/29 درجه

33/1 درصد

-

-

از 5/31 تا 32 درجه

07/17 درصد

7

-

-

-

-

از 30 تا 5/31 درجه

03/11 درصد

-

-

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

27 تا 5/27 درجه

64/7 درصد

-

-

-

-

-

-

منبع: نگارندگان

 

در سال 1363 در‌بین مناطق دهگانۀ کلانشهر تبریز در کلاس صفر درصد مناطق 6، 10 و 5 به‌ترتیب با 57/9، 64/7 و 55/4 درصد، در کلاس 25 درصد مناطق 4 و 6 به‌ترتیب با 90/1 و 33/1 درصد، در کلاس 50 درصد مناطق 7، 3، 2، 4 و 1 به‌ترتیب با 03/11، 34/10، 04/8، 77/7 و 15/6 درصد و در کلاس 75 درصد مناطق 6 و 5 به‌ترتیب با 07/17 و 96/6 درصد بیشترین میزان از بهره‌وری خود را در کارهای سنگین در کلاس‌های ذکر‌شده از دست داده است. در سال 1363 در‌بین مناطق دهگانۀ کلانشهر تبریز در کلاس صفر درصد در منطقۀ 6 فرودگاه با 90/12 درصد، در منطقۀ 10 محله‌های دوه چی و ششگلان به‌ترتیب با 36/16 و 52/5 درصد، در منطقۀ 5 محله‌های باغمیشه قدیم، دانشگاه آزاد، بارنج و کوشن و ولیعصر به‌ترتیب با 40/0، 32/0، 14/0 و 14/0 درصد، در کلاس 25 درصد در منطقۀ 4 پارک آذربایجان، جمشید‌آباد، دامپزشکی و عمو زین الدین به‌ترتیب با 009/16، 53/1، 53/0 و 48/0 درصد، در منطقۀ 6 محله‌های خطیب، شهرک امام و شام غازان به‌ترتیب با 34/2، 45/1 و 27/1 درصد، در کلاس 50 درصد در منطقۀ 7 محله‌های کوی لاله، لواسان، بهاران، رسالت و رازی به‌ترتیب با 36/7، 31/3، 65/2، 52/2 و 13/2 درصد، در منطقۀ 3 محله‌های امامیه، لیل‌آباد و طالقانی به‌ترتیب با 28/5، 99/4 و 39/3 درصد، در منطقۀ 2 دانشگاه تبریز و شاه گلی به‌ترتیب با 43/9 و 59/5 درصد، در منطقۀ 4 پارک آذربایجان، پایانۀ مسافربری غرب، وزیرآباد و کوچه باغ به‌ترتیب با 58/10، 68/5، 41/5 و 34/5 درصد، در منطقۀ 1 محله‌های ولیعصر، گلکار، بیلان کوه و پل سنگی به‌ترتیب با 45/28، 25/13، 80/9 و 76/6 درصد، در کلاس 75 درصد در منطقۀ 6 محلۀ دامپزشکی با 25/34 درصد، در منطقه 5 محله‌های بارنج و کوشن، فرشته، دانشگاه آزاد و ولیعصر به‌ترتیب با 10/2، 98/0، 44/0 و 10/0 درصد بیشترین میزان از بهره‌وری خود را در کلاس‌های ذکر‌شده از دست داده است. در‌کل، کلانشهر تبریز در سال 1363 در کلاس 0، 25، 50 و 75 درصد به‌ترتیب 15/14، 53/3، 25/58 و 06/24 درصد از بهره‌وری خود در کارهای سنگین را از ‌دست داده است. در سال 1363 در کلانشهر تبریز همۀ کلاس‌های بهره‌وری از دست رفته برای کارهای سنگین وجود داشته است (شکل4 و جدول 5).

 

جدول 6: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سنگین سال 1381 مناطق دهگانۀ کلانشهر تبریز

Table 6: WBGT (temperature calculated based on relative humidity) for heavy work in the ten districts of Tabriz metropolitan in 2002

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس ها در‌بین مناطق دهگانه (درصد)

1

-

-

-

-

-

-

-

-

2

-

-

از 5/28 تا 5/29 درجه

64/6

-

-

-

-

3

-

-

از 5/28 تا 5/29 درجه

05/6

از 5/29 تا 30 درجه

29/4

-

-

4

از 27 تا 5/27 درجه

16/0

از 5/27 تا 5/29 درجه

77/8

-

-

-

-

5

-

-

از 28 تا 29 درجه

08/6

از 29 تا 30 درجه

54/7

-

-

6

از 27 تا 5/27 درجه

97/0

از 5/27 تا 5/29 درجه

40/23

از 29 تا 30 درجه

83/7

-

-

7

از 27 تا 5/27 درجه

75/0

از 5/27 تا 5/29 درجه

84/6

از 5/29 تا 30 درجه

67/3

-

-

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

-

-

-

-

-

-

-

-

منبع: یافته‌های پژوهش، 1403

 

در سال 1381 در کلانشهر تبریز در‌بین مناطق دهگانه در کلاس صفر درصد، مناطق 6، 7 و 4 به‌ترتیب با 97/0، 75/0 و 16/0 درصد، در کلاس 25 درصد، مناطق 6، 4، 7، 2، 5 و 3 به‌ترتیب با 40/23، 77/8، 84/6، 64/6، 08/6 و 05/6 درصد و در کلاس 50 درصد، مناطق 6، 5، 3 و 7 به‌ترتیب با 83/7، 54/7، 29/4 و 67/3 درصد بیشترین میزان از بهره‌وری خود را در کارهای سنگین در کلاس‌های ذکر‌شده از دست داده است. در سال 1381 در مناطق دهگانۀ کلانشهر تبریز در کلاس صفر درصد در منطقۀ 6 محله‌های شهرک شهید بهشتی، قراملک و 3 به‌ترتیب با 53/0، 42/0 و 003/0 درصد، در منطقۀ 7 محلۀ 3 با 69/6 درصد، در منطقۀ 4 پارک آذربایجان و محلۀ شهید‌بهشتی به‌ترتیب با 63/1 و 02/0 درصد، در کلاس 25 درصد در منطقۀ 6 محلۀ شهرک شهید‌بهشتی، فرودگاه و محلۀ خطیب با 67/30، 68/27 و 34/2 درصد، در منطقۀ 4 پارک آذربایجان، محله‌های رضوان‌شهر، پایانۀ مسافربری غرب، وزیرآباد و کوچه باغ به‌ترتیب با 95/24، 38/6، 68/5، 41/5 و 31/5 درصد، در منطقۀ 7 محله‌های 3، آخماقیه، کوی لاله و بهاران به‌ترتیب با 70/17، 86/9، 36/7 و 07/4 درصد، در منطقۀ 2 دانشگاه تبریز، زعفرانیه، شاه گلی، ولیعصر جنوبی، گلشهر و پرواز به‌ترتیب با 43/9، 17/6، 59/5، 47/5، 43/5، 28/5 درصد، در منطقۀ 5 محله‌های 2، شهرک صنعتی و شهرک به‌ترتیب با 14/16، 01/5 و 52/4 درصد، در منطقۀ 3 محله‌های طالقانی، 2، امامیه، لیل‌آباد و مارالان به‌ترتیب با 69/6، 16/6، 28/5، 99/4 و 32/4 درصد، در کلاس 50 درصد در منطقۀ 6 فرودگاه و شهرک شهید‌بهشتی به‌ترتیب با 48/19 و 80/4 درصد، در منطقۀ 5 محله‌های باغمیشه جدید، شهرک و نمایشگاه به‌ترتیب با 16/6، 31/5 و 05/6 درصد، در منطقۀ 3 محله‌های 2، مارالان و کوی دانشگاه به‌ترتیب با 26/37، 46/1 و 45/1 درصد، در منطقۀ 7 در محله‌های شهرک اندیشه، آخماقیه و کوی صنعتی به‌ترتیب با 42/10، 17/4 و 40/2 درصد بیشترین میزان بهره‌وری خود را در کارهای سنگین در کلاس‌های ذکر‌شده از دست داده است. در‌کل، در سال 1381 کلانشهر تبریز در کلاس‌های 0، 25 و 50 درصد به‌ترتیب 89/1، 61/66 و 49/31 درصد از بهره‌وری خود را در کارهای سنگین از ‌دست داده است. کلانشهر تبریز در این سال کلاس 75 درصد نداشته است؛ یعنی به‌عبارتی، کلانشهر تبریز در هیچ‌یک از مناطق و محله‌های خود بهره‌وری خود در کارهای سنگین را در کلاس 75 درصد از دست نداده است (شکل4 و جدول 6).

 

جدول 7: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سنگین سال 1401 مناطق دهگانۀ کلانشهر تبریز

Table 7: WBGT (temperature calculated based on relative humidity) for heavy work in the ten districts of Tabriz metropolitan in 2022

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

1

-

-

-

-

-

-

-

-

2

-

-

-

-

از 5/30 تا 5/31 درجه

50/6

-

-

3

-

-

-

-

-

-

از 32 درجه به بالاتر

95/8

4

-

-

-

-

-

-

از 5/31 تا 5/32 درجه

50/5

5

-

-

-

-

از 5/30 تا 5/31 درجه

34/7

از 5/31 تا 5/32 درجه

29/6

6

-

-

از 29 تا 5/29 درجه

24/0

از 31 تا 5/31 درجه

10/19

از 32 درجه به بالاتر

86/12

7

-

-

-

-

از 5/30 تا 5/31 درجه

3/7

-

-

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

-

-

-

-

-

-

-

-

منبع: یافته‌های پژوهش، 1403

در سال 1401 در‌بین مناطق دهگانۀ کلانشهر تبریز در کلاس 25 درصد منطقۀ 6 با 24/0 درصد، در کلاس 50 درصد منطقۀ 6 با 10/19 درصد، منطقۀ 5 با 34/7 درصد، منطقۀ 7 با 3/7 درصد و منطقۀ 2 با 50/6 درصد و در کلاس 75 درصد منطقۀ 6 با 86/12 درصد، منطقۀ 3 با 95/8 درصد، منطقۀ 5 با 29/6 درصد و منطقۀ 4 با 50/5 درصد بیشترین میزان از بهره‌وری خود را در کارهای سنگین از دست داده است. در سال 1401 در کلاس 25 درصد در منطقۀ 6 محله‌های 1، قراملک و شهرک شهید‌بهشتی به‌ترتیب با 71/0، 042/0 و 006/0 درصد، در کلاس 50 درصد در منطقۀ 6 محله‌های شهرک شهید‌بهشتی، فرودگاه و 1 به‌ترتیب با 28/31، 62/13 و 37/9 درصد، در منطقۀ 5 محله‌های 2، شهرک صنعتی، 1 و شهرک مصلی به‌ترتیب با 07/16، 73/5، 31/4 و 009/4 درصد، در منطقۀ 7 محله‌های 3، کوی لاله، اخماقیه و بهاران به‌ترتیب با 39/24، 36/7، 58/6 و 07/4 درصد و در منطقۀ 2 دانشگاه تبریز، محله‌های یاغچیان و زعفرانیه با 43/9، 76/6 و 63/6 درصد، در کلاس 75 درصد در منطقۀ 6 فرودگاه و محله‌های شهرک شهید‌بهشتی و خطیب به‌ترتیب با 55/33، 69/4 و 33/1 درصد، در منطقۀ 3 محله‌های 2، مارالان، طالقانی، لیل‌آباد و 1 به‌ترتیب با 95/40، 77/5، 72/5، 99/4 و 23/4 درصد، در منطقۀ 5 محله‌های 1، شهرک، نمایشگاه، باغمیشۀ جدید و شهرک مصلی به‌ترتیب با 99/12، 29/8، 89/4، 70/4 و 62/4 درصد و در منطقۀ 4 محله‌های رضوان‌شهر، وزیر‌آباد، کوچه‌باغ، چوست دوزان و ویجویه به‌ترتیب با 88/5، 41/5، 34/5 و 3/4 و 38/4 درصد بیشترین میزان از بهره‌وری خود را در کلاس‌های ذکر‌شده از دست داده است. در‌کل، در سال 1401 کلانشهر تبریز در حدود 268/51 درصد بهره‌وری خود را در کلاس 75 درصد، در حدود 42/48 درصد بهره‌وری خود را در کلاس 50 درصد و در حدود 24/0 درصد بهره‌وری خود را در کلاس 25 درصد در کارهای سنگین از‌دست داده است. در این سال کلانشهر تبریز کلاس صفر درصد نداشته است؛ یعنی هیچ منطقه‌ای وجود نداشته که بهره‌وری خود را در کارهای سنگین از‌دست نداده باشد. در‌کل، کلانشهر تبریز در سال 1401 در کلاس‌های 25، 50 و 75 درصد به‌ترتیب 24/0، 29/51 و 46/48 درصد از بهره‌وری خود را در کارهای سنگین از‌دست داده است (شکل4 و جدول 7).

 

 

 

 

شکل 4: میزان بهره‌وری از دست رفته برای کارهای سنگین به تفکیک محله‌های مناطق دهگانۀ کلانشهر تبریز به‌ترتیب از چپ به راست برای سال‌های 1363، 1381 و 1401 (منبع: نگارندگان)

Figure 4: The amount of productivity lost for heavy work by the separately of the 10 districts neighborhoods of Tabriz metropolitan, from left to right, respectively, for the years 1984, 2002, and 2022

 

در محاسبۀ بهره‌وری از دست رفته برای کارهای سبک اگرWBGT  کمتر از 5/31 درجه سانتی‌گراد باشد، میزان بهره‌وری از دست رفته برای کارهای سبک برابر با صفر خواهد بود؛ یعنی هیچ بهره‌وری از‌دست نخواهد رفت. اگر WBGT بین 5/31 تا 32 درجه باشد 25 درصد، اگر WBGT بین 32 تا 5/32 درجه باشد 50 درصد و اگر بیشتر از 5/32 درجه باشد، 75 درصد از بهره‌وری در کارهای سبک از‌دست خواهد رفت.

 

جدول 8: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سبک سال 1363 مناطق دهگانۀ کلانشهر تبریز

Table 8: WBGT (temperature calculated based on relative humidity) for light work in the ten districts of Tabriz metropolitan in 1984

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها د‌ربین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس ها در‌بین مناطق دهگانه (درصد)

1

کمتر از 5/31 درجه

15/6

-

-

-

-

-

-

2

کمتر از 5/31 درجه

04/8

-

-

-

-

-

-

3

کمتر از 5/31 درجه

34/10

-

-

-

-

-

-

4

کمتر از 5/31 درجه

66/9

-

-

-

-

-

-

5

کمتر از 5/31 درجه

77/6

-

-

-

-

از 5/32 درجه به بالاتر

99/16

6

کمتر از 5/31 درجه

22/15

-

-

-

-

از 5/32 درجه به بالاتر

85/6

7

کمتر از 5/31 درجه

26/11

-

-

-

-

-

-

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

-

-

-

-

-

-

-

-

منبع: یافته‌های پژوهش، 1403

کلاس‌های مربوط به بهره‌وری از دست رفته برای کارهای سبکِ مناطق دهگانۀ کلانشهر تبریز در سال 1363 بدین ترتیب بوده است که در کلاس صفر درصد مناطق 6، 7، 3، 4، 2، 5 و 1 به‌ترتیب با 22/15، 26/11، 34/10، 66/9، 04/8، 77/6 و 15/6 درصد و در کلاس 75 درصد مناطق 5 و 6 به‌ترتیب با 99/16 و 85/6 درصد بهره‌وری خود را از دست داده است. به دلیل اینکه در این سال WBGT تمامی مناطق کلانشهر تبریز به‌جزء مناطق 5 و 6 کمتر از 5/31 درجه بوده است، در مناطق ذکر‌شده هیچ بهره‌وری در کارهای سبک از دست نرفته و در مناطق 5 و 6 به‌دلیل اینکه WBGT بیش از 5/32 درجه بوده است، بهره‌وری از دست رفته تنها در کلاس 75 درصد وجود داشته است. در کلاس 75 درصد هم فرودگاه با 27/34 درصد و در منطقۀ 5 محله‌های بارنج و کوشن، فرشته، دانشگاه آزاد و محلۀ ولیعصر با 0075/0، 0034/0، 0015/0 و 00036/0 درصد بیشترین میزان از بهره‌وری خود را در کارهای سبک از دست داده است. در‌کل، کلانشهر تبریز در سال 1363 در بهره‌وری از دست رفته برای کارهای سبک در کلاس‌های صفر و 75 درصد به‌ترتیب 10/76 و 89/23 درصد بهره‌وری خود را از دست داده است. در این سال کلانشهر تبریز کلاس‌های 25 و 50 درصد نداشته است (شکل5 و جدول 8).

 

جدول 9: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سبک سال 1381 مناطق دهگانۀ کلانشهر تبریز

Table 9: WBGT (temperature calculated based on relative humidity) for light work in the ten districts of Tabriz metropolitan in 2002

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

1

کمتر از 5/31 درجه

15/6

-

-

-

-

-

-

2

کمتر از 5/31 درجه

04/8

-

-

-

-

-

-

3

کمتر از 5/31 درجه

34/10

-

-

-

-

-

-

4

کمتر از 5/31 درجه

66/9

-

-

-

-

-

-

5

کمتر از 5/31 درجه

62/13

-

-

-

-

-

-

6

کمتر از 5/31 درجه

21/32

-

-

-

-

-

-

7

کمتر از 5/31 درجه

27/11

-

-

-

-

-

-

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

-

-

-

-

-

-

-

-

منبع: یافته‌های پژوهش، 1403

 

کلاس‌های مربوط به بهره‌وری از دست رفته برای کارهای سبک در مناطق دهگانۀ کلانشهر تبریز در سال 1381 بدین ترتیب است که همۀ مناطق تنها کلاس صفر درصد داشته است. به‌عبارتی، هیچ‌یک از مناطق کلانشهر تبریز به‌دلیل اینکه WBGT آنها کمتر از 5/31 درجه سانتی‌گراد بوده، هیچ بهره‌وری را در کارهای سبک از دست نداده است. در کلاس صفر درصد بیشترین میزان بهره‌وری از دست رفته برای کارهای سبک مربوط به مناطق 6، 5، 7، 3، 4، 2 و 1 به‌ترتیب با 21/32، 62/13، 27/11، 34/10، 66/9، 04/8 و 15/6 درصد بوده است. در منطقۀ 6 فرودگاه و محله‌های شهرک شهید بهشتی و 1 به‌ترتیب با 16/47، 004/36، 08/10 درصد، در منطقۀ 5 محله‌های 1، 2، شهرک، شهرک مصلی و باغمیشۀ جدید به‌ترتیب با 39/17، 15/16، 57/10، 67/8 و 29/7 درصد، در منطقۀ 7 محله‌های 3، 1، آخماقیه، شهرک اندیشه و کوی لاله به‌ترتیب با 38/24، 63/18، 03/14، 48/12، 36/7 درصد، در منطقۀ 3 محله‌های 2، طالقانی، مارالان و امامیه به‌ترتیب با 40/43، 77/6، 78/5 و 29/5 درصد، در منطقۀ 4 پارک آذربایجان، محلۀ رضوان‌شهر، پایانۀ مسافربری غرب، محله‌های وزیرآباد و کوچه‌باغ به‌ترتیب با 58/26، 41/6، 68/5، 41/5 و 34/5 درصد، در منطقۀ 2 محلۀ ساری زمی، دانشگاه تبریز، محله‌های زعفرانیه و یاغچیان به‌ترتیب با 92/15، 43/9، 77/6 و 76/6 درصد و در منطقۀ 1 محله‌های ولیعصر، گلکار، بیلان کوه، سیلاب قوشخانه، پل سنگی، کوی شهید بهشتی و باغمیشۀ قدیم به‌ترتیب با 44/28، 25/13، 80/9، 97/6، 76/6، 43/6 و 75/5 درصد بیشترین میزان را در کلاس صفر درصد داشته است (شکل5 و جدول 9).

 

جدول 10: میزان WBGT (میزان دمای محاسبه‌شده براساس رطوبت نسبی هوا) برای کارهای سبک سال 1401 مناطق دهگانۀ کلانشهر تبریز

Table 10: WBGT (temperature calculated based on relative humidity) for light work in the ten districts of Tabriz metropolitan in 2022

مناطق

کلاس 0 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها ‌دربین مناطق دهگانه (درصد)

کلاس 25 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 50 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

کلاس 75 درصد

سهم هر منطقه از هر‌یک از کلاس‌ها در‌بین مناطق دهگانه (درصد)

1

-

-

-

-

-

-

-

-

2

از 5/30 تا 5/31 درجه

50/6

-

-

-

-

-

-

3

-

-

از 5/31 تا 32 درجه

71/4

از 32 تا 5/32 درجه

59/3

از 5/32 تا 33 درجه

63/0

4

-

-

-

-

-

-

-

-

5

از 30 تا 5/31 درجه

33/7

از 5/31 تا 32 درجه

08/3

از 32 تا 5/32 درجه

09/3

از 5/32 تا 33 درجه

11/0

6

از 29 تا 5/31 درجه

34/19

از 5/31 تا 32 درجه

03/5

از 32 تا 5/32 درجه

12/4

از 5/32 تا 33 درجه

71/3

7

از 5/29 تا 5/31 درجه

17/7

-

-

-

-

از 5/32 تا 33 درجه

56/0

8

-

-

-

-

-

-

-

-

9

-

-

-

-

-

-

-

-

10

-

-

-

-

-

01/3

-

-

منبع: یافته‌های پژوهش، 1403

کلاس‌های مربوط به بهره‌وری از دست رفته برای کارهای سبکِ مناطق دهگانۀ کلانشهر تبریز در سال 1401 بدین ترتیب بوده است که در کلاس صفر درصد مناطق 6، 5، 7 و 2 به‌ترتیب برابر با 34/19، 33/7، 17/7، در کلاس 50/6 درصد در کلاس 25 درصد مناطق 6، 3 و 5 به‌ترتیب برابر با 03/5، 71/4 و 08/3 درصد، در کلاس 50 درصد مناطق 6، 3، 5 و 10 به‌ترتیب با 12/4، 59/3، 09/3 و 01/3 درصد و در کلاس 75 درصد مناطق 6، 3، 7 و 5 به‌ترتیب با 71/3، 63/0، 56/0 و 11/0 درصد بهره‌وری خود را در کارهای سبک از دست داده است. در کلاس صفر درصد در منطقۀ 6 محله‌های شهرک شهید‌بهشتی، فرودگاه و 1 به‌ترتیب با 29/31، 62/13 و 08/10 درصد، در منطقۀ 5 محله‌های 2، شهرک صنعتی، 1 و شهرک مصلی به‌ترتیب با 15/16، 75/5، 39/4 و 03/4 درصد، در منطقۀ 7 محله‌های 3، کوی لاله، شهرک اندیشه، آخماقیه و بهاران به‌ترتیب با 39/24، 36/7، 82/6، 58/6 و 07/4 درصد، در منطقۀ 2 دانشگاه تبریز، یاغچیان، زعفرانیه، شاه گلی، ولیعصر جنوبی، گلشهر و پرواز به‌ترتیب با 84/7، 61/5، 52/5، 65/4، 54/4، 52/4 و 39/4 درصد، در کلاس 25 درصد در منطقۀ 6 فرودگاه، محله‌های شهرک شهید‌بهشتی و خطیب به‌ترتیب با 36/9، 60/4 و 33/1 درصد در منطقۀ 3 محله‌های 2، مارالان، طالقانی و 1 به‌ترتیب با 69/12، 67/5، 64/5 و 23/4 درصد، در منطقۀ 5 محله‌های شهرک، 1، باغمیشۀ جدید، شهرک مصلی و رشدیه به‌ترتیب با 75/4، 84/3، 29/3، 45/2، 23/2 درصد، در کلاس 50 درصد در منطقۀ 6 فرودگاه، شهرک شهید‌بهشتی و 1 به‌ترتیب با 68/12، 100/0 و 0001/0 درصد، در منطقۀ 3 محله‌های 2، لیل‌آباد و چرنداب به‌ترتیب با 18/22، 97/3 و 50/2 درصد، در منطقۀ 5 محله‌های 1، شهرک، نمایشگاه و شهرک مصلی به‌ترتیب با 448/8، 584/3، 231/3 و 184/2 درصد، در منطقۀ 10 محله‌های دوه چی، ارم، 42 متری، خلیل‌آباد و ششگلان به‌ترتیب با 4/16، 07/14، 55/8، 31/6 و 51/5، در کلاس 75 درصد در منطقۀ 6 فرودگاه 51/11 درصد، در منطقۀ 3 محله 2 067/6 درصد، در منطقۀ 7 محله‌های 1 و آخماقیه به‌ترتیب با 94/4 و 003/0 درصد و در منطقۀ 5 محله‌های 1 و باغمیشۀ جدید به‌ترتیب با 77/0 و 043/0 درصد بیشترین میزان از بهره‌وری خود را در کلاس های ذکر‌شده در کارهای سبک از دست داده است. در کلاس 75 درصد هم در منطقۀ 6 فرودگاه با 27/34 درصد و در منطقۀ 5 محله‌های بارنج و کوشن، فرشته، دانشگاه آزاد و محلۀ ولیعصر با 0075/0، 0034/0، 0015/0 و 00036/0 درصد بیشترین میزان از بهره‌وری خود را در کارهای سبک از دست داده است. در‌کل، کلانشهر تبریز در سال 1401 در کلاس‌های 0، 25، 50 و 75 درصد به‌ترتیب 54/51، 72/20، 68/22 و 05/5 درصد از بهره‌وری خود را در کارهای سبک از دست داده است (شکل5 و جدول 10).

 

 

 

 

 

شکل 5: میزان بهره‌وری از دست رفته برای کارهای سبک به تفکیک محله‌های مناطق دهگانۀ کلانشهر تبریز به‌ترتیب از چپ به راست برای سال های 1363، 1381 و 1401 (منبع: نگارندگان)

Figure 5: The amount of productivity lost for light work by the separately of the 10 Districts Neighborhoods of Tabriz Metropolitan, from left to right, respectively, for the years 1984, 2002, and 2022

 

نتیجه‌گیری

نتایج نشان داد که کلانشهر تبریز در سال 1363 در کلاس‌های 0، 25، 50 و 75 درصد به‌ترتیب 15/14، 53/3، 25/58 و 06/24 درصد، در سال 1381 در کلاس‌های 0، 25 و 50 درصد به‌ترتیب 89/1، 61/66 و 49/31 درصد و در سال 1401 در کلاس‌های 25، 50 و 75 درصد به‌ترتیب 24/0، 29/51 و 46/48 درصد از بهره‌وری خود را در کارهای سنگین از دست داده است. کلانشهر تبریز در سال 1363 در بهره‌وری از دست رفته برای کارهای سبک در کلاس‌های 0 و 75 درصد به‌ترتیب 10/76 و 89/23 درصد از بهره‌وری خود را در کارهای سبک از دست داده و در سال 1381 همۀ مناطق تنها کلاس صفر درصد را داشته است. به‌عبارتی، هیچ‌یک از مناطق کلانشهر تبریز به‌دلیل اینکه WBGT آنها کمتر از 5/31 درجه سانتی‌گراد بوده، هیچ بهره‌وری را در کارهای سبک از دست نداده است. کلانشهر تبریز در سال 1401 در کلاس‌های 0، 25، 50 و 75 درصد به‌ترتیب 54/51، 72/20، 68/22 و 05/5 درصد از بهره‌وری خود را در کارهای سبک از دست داده است. همچنین، این پژوهش نشان داد که کاربری اراضی کشاورزی و فضای سبز در کاهش میزان WBGT، کاهش جزایر حرارتی شهری و به‌تبع آن کاهش میزان بهره‌وری از دست رفته برای کارهای سبک و سنگین کلانشهر تبریز نقش فزآینده و ویژه‌ای داشته است. چنانچه در هر سه دورۀ زمانی 1363، 1381 و 1401 در قسمت‌هایی از کلانشهر تبریز که به‌ترتیب کاربری اراضی کشاورزی، فضاهای سبز، فضاهای باز و تراکم مسکونی پایین وجود داشته، WBGT در پایین‌ترین میزان خود بوده، کمترین میزان بهره‌وری از دست رفته برای کارهای سبک‌و‌سنگین رخ داده و در قسمت‌هایی که به‌ترتیب اراضی بایر، تراکم مسکونی زیاد و متوسط وجود داشته، WBGT در بالاترین حد خود بوده، بیشترین میزان بهره‌وری از دست رفته برای کارهای سبک‌وسنگین اتفاق افتاده است. بررسی‌ها درحوزۀ پژوهش‌های انجام‌شدۀ داخلی و خارجی نشان داد که در عرصۀ داخلی هیچ پژوهشی دربارۀ بهره‌وری از دست رفته برای کارهای سبک و سنگین در اثر کاهش جزایر حرارتی ناشی از زیرساخت‌های سبز شهری انجام نشده است و در ارتباط با پژوهش‌های خارجی نیز پژوهش حاضر با پژوهش‌های Masuda et al. (2024) و Zhu et al. (2021) شباهت‌هایی دارد؛ از‌جمله اینکه Masuda et al. (2024) نیز در پژوهش خود اذعان کرده‌اند که افزایش یک درجه‌ای دما بهره‌وری کارهای سنگین را کاهش می‌دهد. Zhu et al. (2024) نیز اذعان کرده‌اند که افزایش میزان WBGT منجر به کاهش زیاد بهره‌وری کار در چین شده است. در این پژوهش نیز در هر سه دورۀ زمانی 1363، 1381 و 1401 مشخص شد که مناطقی از کلانشهر تبریز که WBGT آنها با زیرساخت‌های سبز پایین بوده است، میزان کمتری از بهره‌وری خود را در کارهای سبک و سنگین از دست داده و مناطقی که  WBGTآنها زیاد بوده، بیشترین میزان از بهره‌وری خود را در کارهای سبک و سنگین از دست داده است. کاربرد پژوهش حاضر در این است که برنامه‌ریزان و مدیران شهری با استفاده از نتایج این پژوهش می‌توانند در مناطقی از کلانشهر تبریز که در اثر جزایر حرارتی شهری با کاهش بهره‌وری کارهای سبک و سنگین روبه‌رو هستند با افزایش و توسعۀ زیرساخت‌های سبز شهری در آنها بهره‌وری مذکور و به تبع آن بهره‌وری اقتصادی ناشی از آن را افزایش دهند و موجبات رشد و توسعۀ پایدار هر‌چه بهتر و بیشتر کلانشهر تبریز را در سال‌های پیش رو و آتی فراهم کنند. همچنین، با افزایش زیرساخت‌های سبز و در‌پی آن کاهش جزایر حرارتی شهری موجبات آسایش حرارتی و رفاهی شهروندان را بیش از پیش فراهم کنند. تفاوتی که این پژوهش با پژوهش‌های داخلی و خارجی انجام‌شده دارد در این است که در هیچ‌یک از این پژوهش‌ها به ارزیابی بهره‌وری از دست رفته برای کارهای سبک و سنگین با زیرساخت‌های سبز شهری با استفاده از نرم‌افزار InVEST پرداخته نشده است. همچنین، در پژوهش حاضر به نقش کاربری اراضی/پوشش اراضی در کاهش یا افزایش میزان WBGT و به ‌میزان بهره‌وری از دست رفته برای کارهای سبک و سنگین به تفکیک مناطق دهگانه و محله‌های مناطق دهگانۀ کلانشهر تبریز پرداخته شده است موردی که در هیچ یک از پژوهش‌های انجام شده داخلی و خارجی بدان پرداخته نشده است.

 

[1] https: xiaoganghe.github.io

[2] https:// www.tabriz.ir

منابع
آزادی مبارکی، محمد، و احمدی، محمود (1399). بررسی جزایر حرارتی تبریز با رویکرد زیست‌پذیری شهری. پژوهش‌های دانش زمین، 11(3)، 245-262. https://doi.org/10.52547/esrj.11.3.245
آزادی مبارکی، محمد، و احمدی، محمود (1400). بررسی جزایر حرارتی شهری کلانشهر تبریز با استفاده از داده‌های چند‌زمانۀ ماهوارۀ LANDSAT8 مبتنی بر روش تحلیل لکه‌های داغ. فصلنامۀ علمی برنامه‌ریزی منطقه‌ای، 11(43)، 63-47. https://doi.org/10.30495/jzpm.2021.3992
احمدپور، امیر، سلیمانی، کریم، شکری، مریم، و قربانی، جمشید (1393). مقایسة میزان کارآیی سه روش رایج طبقه‌بندی نظارت‌شدۀ داده‌های ماهواره‌ای در مطالعة پوشش گیاهی. سنجش از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، 5(3)، 77-89. https://civilica.com/doc/1166233/
امین‌زاده گوهرریزی، بهناز، و قشلاق‌پور، سهیل (1399). تأثیر الگوهای فضایی ساختار سبز شهری بر تغییر دمای جزایر حرارتی (مورد مطالعه: شهر تهران). محیط شناسی، 46(2)، 239-254.  
انجم الشعاع، فرحناز، مروتی، مریم، تازه، مهدی، و بهادری امجز، فاطمه (1400). بررسی رابطۀ جزایر حرارتی با محدوده‌های فضای سبز و آشکارسازی تغییرات آن (مطالعۀ موردی: شهر کرمان). جغرافیا و پایداری محیط، 11(4)، 106-83. https://doi.org/10.22126/ges.2022.6836.2439
تابعی، نادر، بابایی اقدم، فریدون، و حکیمی، هادی (1401). شهر همه‌شمول: رویکردی نوین در برنامه‌ریزی شهری (مطالعۀ موردی: شهر تبریز). مجلۀ پژوهش‌های جغرافیای برنامه‌ریزی شهری، 10(2)، 115-132.
رمضانی، صادق، و نقیبی، فریدون (1399). واکاوی تغییرات شاخص پوشش گیاهی در شکل‌گیری جزایر حرارتی شهری (مطالعۀ موردی: شهر ارومیه). فصلنامۀ پژوهش و برنامه‌ریزی شهری، 11(42)، 195-206.
ریاحی بختیاری، حمیدرضا (1379). تعیین مناسب ترین روش تهیۀ نقشههای پوشش منابع طبیعی در مقیاس 1:250000 با استفاده از دادههای ماهوارهای در ناحیۀ دشت ارژن [پایان‌نامۀ منتشرنشده به صورت الکترونیکی کارشناسی ارشد]. دانشگاه تهران.
زبیری، محمود، و مجد، علیرضا (1378). آشنایی با فن سنجش از دور و کاربرد آن در منابع طبیعی. انتشارات دانشگاه تهران.
زینالی عظیم، علی، حاتمی گلزاری، الهام، کرمی، اسلام، و بابازاده اسکوئی، سولماز (1400). سنجش پایداری محیطی شهر تبریز براساس شاخص‌های زیست‌محیطی. پایداری، توسعه و محیط زیست، 2(3)، 41-59.
ساروئی، سعید (1378). بررسی امکان طبقهبندی جنگل به لحاظ تراکم در جنگلهای زاگرس به کمک دادههای ماهوارهای [پایان‌نامۀ منتشرنشده به صورت الکترونیکی کارشناسی ارشد]. دانشگاه تهران.
علیزاده، امین (1377). اصول طراحی سیستمهای آبیاری. انتشارات آستان قدس رضوی.
فربودی، مرضیه، و زمانی، زهرا (1401). کاهش جزایر حرارتی شهری از‌طریق افزایش سبزینگی و سطوح نفوذپذیر در تهران. علوم و تکنولوژی محیط زیست، 24(2)، 31-45.
کاظمی، محمد، نوحه‌گر، احمد، و میردادی، میرداد (1396). انتخاب بهترین روش طبقه‌بندی در تهیۀ نقشۀ کاربری اراضی با استفاده از داده‌های سنجندۀ OLI ماهوارۀ لندست 8 (مطالعۀ موردی: حوضۀ آبخیز بهشت گمشده، استان فارس). اکوسیستم‌های طبیعی ایران، 8(1)، 79-97.
معاونت برنامه‌ریزی و توسعۀ سرمایۀ انسانی شهرداری تبریز (1401). سالنامۀ آماری شهر و شهرداری تبریز (سال 1399).
ملکی مرشت، رقیه، سبحانی، بهروز، و مرادی، مسعود (1400). بررسی تأثیر امواج گرمایی بر جزایر حرارتی کلانشهر تبریز. فصلنامۀ جغرافیا و مخاطرات محیطی، 10(2)، 111-128.
مهندسین مشاور نقش محیط (1391). طرح توسعه و عمران (جامع) شهر تبریز.
References
Ahmedpour, A., Soleimani, K., Shokri, M., & Ghorbani, J. (2014). Comparison of the effectiveness of three common methods of supervised classification of satellite data in vegetation study. Journal of Remote Sensing and GIS Application in Natural Resources Sciences, 5(3), 77-89. https://civilica.com/doc/1166233/ [In Persian].
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56. Fao Rome, 300(9), D05109. https://www.avwatermaster.org/filingdocs/195/70653/172618e_5xAGWAx8.pdf
Al-doski, J., Mansor, S. B., & Shafri, H. Z. M. (2013). Change detection process and techniques. Civil And Environmental Research, 3(10), 35-47. https://B2n.ir/up9792
Alizadeh, A. (1998). Principles of designing irrigation systems. Astan Quds Razavi publishing. [In Persian].
Aminzadeh Goharrizi, B., & Gheshlaghpour, S. (2020). The effects of spatial patterns of urban green structure on the thermal changes of urban heat Islands: The case study of Tehran. Journal of Environmental Studies, 46(2), 239-254. https://doi.org/10.22059/JES.2021.308065.1008059 [In Persian].
Anjomshoa, F., Morovati, M., Tazeh, M., & Bahadori Amjaz, F. (2022). Investigating the relationship between thermal Islands and green space areas and detecting its changes (Case study: Kerman city). Journal of Geography and Environmental Sustianability, 11(41), 83-106. https://doi.org/10.22126/ges.2022.6836.2439 [In Persian].
Azadi Mubaraky, M., & Ahmadi, M. (2020). Investigating the heat islands of Tabriz with the approach of urban livability. Researches Earth Sciences, 11(3), 245-262. https://doi.org/10.52547/esrj.11.3.245 [In Persian]
Azadi Mubaraky, M., & Ahmadi, M. (2021). Investigation of urban heat islands of Tabriz metropolis using multi-time data of LANDSAT8 satellite based on hot spot analysis method. Regional Planning, 11(43), 47-63. https://doi.org/10.30495/jzpm.2021.3992 [In Persian].
Bader, E., Rogers, C., Faulkner, M., & Gough, M. (2023). The benefits of blue-green infrastructure. In ICE Manual of Blue-Green Infrastructure (pp. 23-40). ICE Publishing.‏
Ballester, J., Quijal-Zamorano, M., Méndez Turrubiates, R. F., Pegenaute, F., Herrmann, F. R., Robine, J. M., & Achebak, H. (2023). Heat-related mortality in Europe during the summer of 2022. Nature Medicine, 29(7), 1857-1866.‏ https://doi.org/10.1038/s41591-023-02419-z
Blanco, I., Schettini, E., & Vox, G. (2019). Predictive model of surface temperature difference between green façades and uncovered wall in Mediterranean climatic area. Applied Thermal Engineering, 163, 114406.‏ https://doi.org/10.1016/j.applthermaleng.2019.114406
Cai, Y., Li, C., Ye, L., Xiao, L., Gao, X., Mo, L., & Zhou, G. (2022). Effect of the roadside tree canopy structure and the surrounding on the daytime urban air temperature in summer. Agricultural and Forest Meteorology, 316, 108850.‏ https://doi.org/10.1016/j.agrformet.2022.108850
Coutts, A. M., White, E. C., Tapper, N. J., Beringer, J., & Livesley, S. J. (2016). Temperature and human thermal comfort effects of street trees across three contrasting street canyon environments. Theoretical and Applied Climatology, 124(1-2), 55-68.‏ https://doi.org/10.1007/s00704-015-1409-y
Diffenbaugh, N. S., Pal, J. S., Giorgi, F., & Gao, X. (2007). Heat stress intensification in the Mediterranean climate change hotspot. Geophysical Research Letters, 34(11).‏ https://doi.org/10.1029/2007GL030000
Dukes-Dobos, F. N. (1981). Hazards of heat exposure: a review. Scandinavian Journal of Work, Environment & Health, 7(2), 73-83.‏ https://doi.org/10.5271/sjweh.2560
Dunne, J. P., Stouffer, R. J., & John, J. G. (2013). Reductions in labour capacity from heat stress under climate warming. Nature Climate Change, 3(6), 563-566.‏ http://dx.doi.org/10.1038/nclimate1827 
Deputy for planning and human capital development of Tabriz Municipality. (2022). Statistical yearbook of Tabriz city and municipality (2010). [In Persian].
Farbudi, M., & Zamani, Z. (2022). Studying the solutions of urban heat island mitigation through greenery and permeable surface in Tehran. Journal of Environmental Science and Technology, 24(2), 31-45. https://doi.org/10.30495/jest.2022.58441.5276 [In Persian].
Fini, A., Frangi, P., Mori, J., Donzelli, D., & Ferrini, F. (2017). Nature based solutions to mitigate soil sealing in urban areas: Results from a 4-year study comparing permeable porous and impermeable pavements. Environmental Research, 156, 443-454.‏ https://doi.org/10.1016/j.envres.2017.03.032
Fischer, E. M., & Knutti, R. (2013). Robust projections of combined humidity and temperature extremes. Nature Climate Change, 3(2), 126-130.‏ https://doi.org/10.1038/nclimate1682
Haddad, S., Paolini, R., Ulpiani, G., Synnefa, A., Hatvani-Kovacs, G., Garshasbi, S., & Santamouris, M. (2020). Holistic approach to assess co-benefits of local climate mitigation in a hot humid region of Australia. Scientific Reports, 10(1), 14216.‏ https://doi.org/10.1038/s41598-020-71148-x
Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4), 725-749. https://doi.org/10.1080/01431160110040323
IPCC. (2021). International panel on climate change: The Physical science basis – the working group i contribution to the sixth assessment report addresses the most up-to-date physical understanding of the climate system and climate change, bringing together the latest advances in climate science. https://www.ipcc.ch/report/sixth-assessment-report-working-group-i/
Kazemi, M., Nohegar, A., & Mirdadi, M. (2017). Comparison of different classification algorithms in Landsat OLI imagery to produce land use maps (Case study: Beheshte gomshode region). Journal of Natural Ecosystems of Iran, 8(1), 79-97. https://journals.iau.ir/article_533198.html?lang=en [In Persian].
Kjellstrom, T., Kovats, R. S., Lloyd, S. J., Holt, T., & Tol, R. S. (2009). The direct impact of climate change on regional labor productivity. Archives of Environmental & Occupational Health, 64(4), 217-227.‏ https://doi.org/10.1080/19338240903352776
Kjellstrom, T., Maître, N., Saget, C., Otto, M., & Karimova, T. (2019). Working on a warmer planet: The effect of heat stress on productivity and decent work. International labour organization (ILO).
Kong, Q., & Huber, M. (2022). Explicit calculations of wet‐bulb globe temperature compared with approximations and why it matters for labor productivity. Earth's Future, 10(3), e2021EF002334.‏ https://doi.org/10.1029/2021EF002334
Kostadinović, D., Jovanović, M., Bakić, V., Stepanić, N., & Todorović, M. (2022). Experimental investigation of summer thermal performance of the green roof system with mineral wool substrate. Building and Environment, 217(8-9), 109061.‏ https://doi.org/10.1016/j.buildenv.2022.109061
Kuang, W., Yang, T., Liu, A., Zhang, C., Lu, D., & Chi, W. (2017). An EcoCity model for regulating urban land cover structure and thermal environment: Taking Beijing as an example. Science China Earth Sciences, 60(6), 1098-1109.‏ https://doi.org/10.1007/s11430-016-9032-9
Lee, S. W., Lee, K., & Lim, B. (2018). Effects of climate change-related heat stress on labor productivity in South Korea. International Journal of Biometeorology, 62(12), 2119-2129.‏ https://doi.org/10.1007/s00484-018-1611-6
Le Phuc, C. L., Nguyen, H. S., Dao Dinh, C., Tran, N. B., Pham, Q. B., & Nguyen, X. C. (2022). Cooling island effect of urban lakes in hot waves under foehn and climate change. Theoretical and Applied Climatology, 149(1), 817-830.‏ https://doi.org/10.1007/s00704-022-04085-6
Li, X., Chow, K. H., Zhu, Y., & Lin, Y. (2016). Evaluating the impacts of high-temperature outdoor working environments on construction labor productivity in China: A case study of rebar workers. Building and Environment, 95(1), 42-52.‏ https://doi.org/10.1016/j.buildenv.2015.09.005
Liu, J., Wu, J., Yang, Y., Zhang, B., & Yin, L. (2024). Exploring the spatiotemporal impacts of urban green space patterns on the core area of urban heat island. Ecological Indicators, 166(2), 112254.‏ https://doi.org/10.1016/j.ecolind.2024.112254
Luan, X., Yu, Z., Zhang, Y., Wei, S., Miao, X., Huang, Z. Y., & Xu, C. (2020). Remote sensing and social sensing data reveal scale-dependent and system-specific strengths of urban heat island determinants. Remote Sensing, 12(3), 391.‏ https://doi.org/10.3390/rs12030391
Maleki Meresht, R., Sobhani, B., & Moradi, M. (2021). Investigating the effect of heat waves On Thermal Islands in Tabriz metropolis. Journal of Geography and Environmental Hazards, 10(38), 111-128. https://doi.org/10.22067/geoeh.2021.69683.1040 [In Persian].
Manoli, G., Fatichi, S., Schläpfer, M., Yu, K., Crowther, T. W., Meili, N., & Bou-Zeid, E. (2019). Magnitude of urban heat islands largely explained by climate and population. Nature, 573(7772), 55-60.‏ https://doi.org/10.1038/s41586-019-1512-9
Masuda, Y. J., Parsons, L. A., Spector, J. T., Battisti, D. S., Castro, B., Erbaugh, J. T., & Zeppetello, L. R. V. (2024). Impacts of warming on outdoor worker well-being in the tropics and adaptation options. One Earth, 7(3), 382-400. https://doi.org/10.1016/j.oneear.2024.02.001
Matsumoto, K. I. (2019). Climate change impacts on socioeconomic activities through labor productivity changes considering interactions between socioeconomic and climate systems. Journal of Cleaner Production, 216, 528-541.‏ https://doi.org/10.1016/j.jclepro.2018.12.127
Monteith, J. L. (1965). Evaporation and environment. In Symposia of the society for experimental biology (pp. 205-234). Cambridge University Press (CUP) Cambridge. https://repository.rothamsted.ac.uk/item/8v5v7/
Morabito, M., Crisci, A., Guerri, G., Messeri, A., Congedo, L., & Munafò, M. (2021). Surface urban heat islands in Italian metropolitan cities: Tree cover and impervious surface influences. Science of the Total Environment, 751(6), 142334.‏ https://doi.org/10.1016/j.scitotenv.2020.142334
Miranda, V. F., Dos Santos, D. M., Peres, L. F., Salvador, C., Nieto, R., Müller, G. V., & Libonati, R. (2024). Heat stress in South America over the last four decades: A bioclimatic analysis. Theoretical and Applied Climatology, 155(2), 911-928.‏ https://doi.org/10.1007/s00704-023-04668-x
Naghsh-E-Mohit consulting engineers. (2012). Development and construction (comprehensive) plan of Tabriz city. Environmental report of the existing stage, Ministry of roads and urban development, General office of roads and urban development of East Azerbaijan province. [In Persian].
Oke, T. R. (1982). The energetic basis of the urban heat island. Quarterly Journal of the Royal Meteorological Society, 108(455), 1-24.‏ http://dx.doi.org/10.1002/qj.49710845502
Pal, J. S., & Eltahir, E. A. (2016). Future temperature in southwest Asia projected to exceed a threshold for human adaptability. Nature Climate Change, 6(2), 197-200.‏ https://doi.org/10.1038/nclimate2833
Parsons, L. A., Masuda, Y. J., Kroeger, T., Shindell, D., Wolff, N. H., & Spector, J. T. (2022). Global labor loss due to humid heat exposure underestimated for outdoor workers. Environmental Research Letters, 17(1), 014050.‏ https://doi.org/10.1088/1748-9326/ac3dae
Perkins-Kirkpatrick, S. E., & Lewis, S. C. (2020). Increasing trends in regional heatwaves. Nature Communications, 11(1), 3357.‏ https://www.nature.com/articles/s41467-020-16970-7
Qi, J., Ding, L., & Lim, S. (2021). Toward cool cities and communities: A sensitivity analysis method to identify the key planning and design variables for urban heat mitigation techniques. Sustainable Cities and Society, 75, 103377.‏ https://doi.org/10.1016/j.scs.2021.103377
Ramezani, S., & Naghibi, F. (2020). Investigation of the vegetation index changes in the formation of the urban heat islands (Case study: Urmia city). Journal of Research and Urban Planning, 11(42), 195-206. https://jupm.marvdasht.iau.ir/article_3944.html [In Persian].
Riahi Bakhtiari, H. R. (2000). Determining the most suitable method for mapping natural resources coverage on a scale of 1/25000 using satellite data in the Arjan plain area [Unpublished Master's Thesis in electronic format, University of Tehran[. [In Persian]
Richards, J. A., & Jia, X. (1999). Remote sensing digital image analysis. Springer-Verlag.
Ronchi, S., Salata, S., & Arcidiacono, A. (2020). Which urban design parameters provide climate-proof cities? An application of the Urban Cooling InVEST Model in the city of Milan comparing historical planning morphologies. Sustainable Cities and Society, 63, 102459. https://doi.org/10.1016/j.scs.2020.102459
Romanello, M., Di Napoli, C., Drummond, P., Green, C., Kennard, H., Lampard, P., & Costello, A. (2022). The 2022 report of the Lancet Countdown on health and climate change: Health at the mercy of fossil fuels. The Lancet, 400(10363), 1619-1654. https://cris.tuni.fi/ws/portalfiles/portal/104334751/Lancet_Countdown_2022.pdf
Sadeghi, M., Chaston, T., Hanigan, I., De Dear, R., Santamouris, M., Jalaludin, B., & Morgan, G. G. (2022). The health benefits of greening strategies to cool urban environments–A heat health impact method. Building and Environment, 207(9), 108546.‏ https://doi.org/10.1016/j.buildenv.2021.108546
Santamouris, M., Paolini, R., Haddad, S., Synnefa, A., Garshasbi, S., Hatvani-Kovacs, G., & Tombrou, M. (2020). Heat mitigation technologies can improve sustainability in cities an holistic experimental and numerical impact assessment of urban overheating and related heat mitigation strategies on energy consumption, indoor comfort vulnerability and heat-related mortality and morbidity in cities. Energy and Buildings, 217, 110002.‏ https://doi.org/10.1016/j.enbuild.2020.110002
Sanusi, R., Johnstone, D., May, P., & Livesley, S. J. (2016). Street orientation and side of the street greatly influence the microclimatic benefits street trees can provide in summer. Journal of Environmental Quality, 45(1), 167-174.‏ https://doi.org/10.2134/jeq2015.01.0039
Sarooei, S. (1999). Investigating the possibility of forest classification in terms of density in Zagros forests using satellite data [Unpublished Master's Thesis in electronic format, University of Tehran[. [In Persian].
Schwaab, J., Meier, R., Mussetti, G., Seneviratne, S., Bürgi, C., & Davin, E. L. (2021). The role of urban trees in reducing land surface temperatures in European cities. Nature Communications, 12(1), 6763.‏ https://doi.org/10.1038/s41467-021-26768-w
Tabeyi, N., Babaee Aghdam, F., & Hakimi, H. (2022). Inclusive city: A new approach in urban planning: A case study the Tabriz city. Journal Of Geographical Urban Planning Research, 10(2), 115-132. https://doi.org/10.22059/jurbangeo.2022.335543.1627 [In Persian].
Tan, H., Kotamarthi, R., Wang, J., Qian, Y., & Chakraborty, T. C. (2023). Impact of different roofing mitigation strategies on near-surface temperature and energy consumption over the Chicago metropolitan area during a heatwave event. Science of the Total Environment, 860(2), 160508.‏ https://doi.org/10.1016/j.scitotenv.2022.160508
Vogel, M. M., Zscheischler, J., Fischer, E. M., & Seneviratne, S. I. (2020). Development of future heatwaves for different hazard thresholds. Journal Of Geophysical Research: Atmospheres, 125(9), e2019JD032070.‏ https://doi.org/10.1029/2019JD032070
Yang, J., Ren, J., Sun, D., Xiao, X., Xia, J. C., Jin, C., & Li, X. (2021). Understanding land surface temperature impact factors based on local climate zones. Sustainable Cities and Society, 69, 102818.‏ https://doi.org/10.1016/j.scs.2021.102818
Yenneti, K., Ding, L., Prasad, D., Ulpiani, G., Paolini, R., Haddad, S., & Santamouris, M. (2020). Urban overheating and cooling potential in Australia: An evidence-based review. Climate, 8(11), 126.‏ https://doi.org/10.3390/cli8110126
Yu, Z., Zhang, J., & Yang, G. (2021). How to build a heat network to alleviate surface heat island effect? Sustainable Cities and Society, 74(3), 103135.‏ https://doi.org/10.1016/j.scs.2021.103135
Wang, Y., & Akbari, H. (2016). Analysis of urban heat island phenomenon and mitigation solutions evaluation for Montreal. Sustainable Cities and Society, 26, 438-446.‏ https://doi.org/10.1016/j.scs.2016.04.015
Wang, F., Harindintwali, J. D., Wei, K., Shan, Y., Mi, Z., Costello, M. J., & Tiedje, J. M. (2023). Climate change: Strategies for mitigation and adaptation. The Innovation Geoscience, 1(1), 100015-61.‏ https://doi.org/10.59717/j.xinn-geo.2023.100015
Word Heath Organisation. (2023). Heatwaves. https://www.who.int/health-topics/heatwaves#tab=tab_1.
Wu, S., Yang, H., Luo, P., Luo, C., Li, H., Liu, M., & Cheng, Y. (2021). The effects of the cooling efficiency of urban wetlands in an inland megacity: A case study of Chengdu southwest China. Building and Environment, 204(1), 108128.‏ https://doi.org/10.1016/j.buildenv.2021.108128
Zeynali Azim, A., Hatami Golzari, E., Karami, I., & Babazadeh Oskoui, S. (2021). Measuring the environmental sustainability of Tabriz City based on environmental indicators of smart urban growth. Journal of Sustainability, Development & Environment, 2(3), 41-59. https://civilica.com/doc/1405129/ [In Persian].
Zhang, H., Kang, M. Y., Guan, Z. R., Zhou, R., Zhao, A. L., Wu, W. J., & Yang, H. R. (2024). Assessing the role of urban green infrastructure in mitigating summertime urban heat island (UHI) effect in Metropolitan Shanghai China. Sustainable Cities and Society, 112(1), 1-13. 105605.‏ https://doi.org/10.1016/j.scs.2024.105605
Zhao, Y., Sultan, B., Vautard, R., Braconnot, P., Wang, H. J., & Ducharne, A. (2016). Potential escalation of heat-related working costs with climate and socioeconomic changes in China. Proceedings of the National Academy of Sciences, 113(17), 4640-4645.‏ https://doi.org/10.1073/pnas.1521828113
Zhu, J., Wang, S., Wang, D., Zeng, X., Cai, Y., & Zhang, B. (2021). Upholding labor productivity with intensified heat stress: Robust planning for adaptation to climate change under uncertainty. Journal of Cleaner Production, 322(1), 129083.‏ https://doi.org/10.1016/j.jclepro.2021.129083
Zonato, A., Martilli, A., Gutierrez, E., Chen, F., He, C., Barlage, M., & Giovannini, L. (2021). Exploring the effects of rooftop mitigation strategies on urban temperatures and energy consumption. Journal of Geophysical Research: Atmospheres, 126(21), e2021JD035002.‏ https://doi.org/10.1029/2021JD035002
Zubeyri, M., & Majd, A. R. (1999). Familiarity with remote sensing technology and its application in natural resources. Tehran University Press. [In Persian].