研究文章

利用地理空间分析、多影响因素及层次分析法优化雨水收集选址与结构适宜性

28 次观看

⸱

DOI：

10.3791/72363

⸱

2026年10月1日

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1National Centre of Excellence in Geology, University of Peshawar, 2Directorate General Soil and Water Conservation, 3School of Interdisciplinary Engineering and Sciences (SINES), National University of Sciences and Technology (NUST), 4Department of Biotechnology, College of Science, Taif University, 5Department of Biology, College of Science, Taif University, 6Department of Computer Science, College of Science, Northern Border University, 7Department of Information Systems, College of Computer Science and Engineering, Taibah University, 8Department of Computer Science, College of Computer Science and Engineering, Taibah University, 9Department of Computer Science, Faculty of Science, Tanta University, 10Department of Field Crops, Faculty of Agriculture, Siirt University

本文内容

摘要

本文介绍了一种集成的基于地理信息系统（GIS）的方法，结合多影响因素（MIF）模型与层次分析法（AHP）模型，用于识别山地河流流域中适宜的雨水收集地点并选择合适的集水结构，以巴基斯坦北部的潘杰科拉流域为例进行了示范。

摘要

雨水收集（RWH）是山区水资源保护、改善水资源管理以及减轻水相关灾害的重要措施。在各种情况下，特别是由于气候变化引起的水文不确定性，选择合适的雨水收集设施选址和适当结构对于提高水资源可获得性和农业生产力至关重要。在全球不同条件下评估和分析雨水收集选址具有挑战性，尤其是在偏远且难以进入的山区，这些地区的选址对当地及下游的环境、社会和经济具有重大影响。本研究在巴基斯坦北部兴都库什地区的潘科拉河流域，利用地理信息系统（GIS）结合传统数据和遥感（RS）数据，应用多影响因素法（MIF）和层次分析法（AHP），以确定适宜的雨水收集选址及相应结构。根据MIF（和AHP）结果，研究区域中分别有80.22（1572.58）km2为较不适宜区，1681.99（1605.69）km2为中等适宜区，3116.10（1768.62）km2为适宜区，844.86（689.15）km2为高度适宜区，以及35.10（122.61）km2为极高度适宜区。所生成的地图通过受试者工作特征曲线与曲线下面积（ROC-AUC）检验进行验证（MIF得分为0.724，AHP得分为0.692），以评估模型的准确性和稳健性。本研究取得了令人满意的精度结果，将为模型在不同水文气象和地形条件下的进一步改进、适用性及应用提供新的技术见解。总体而言，两种模型均成功识别出适宜的雨水收集地点，但MIF模型在预测准确性和空间可靠性方面优于AHP模型。所提出的基于GIS的框架可为山区流域的可持续雨水收集规划和水资源管理提供支持。

引言

水资源短缺，包括地表水和地下水资源的枯竭，已成为许多发展中国家面临的主要挑战1。人口快速增长、城市化进程、农业扩张、复杂的地形以及气候变化等因素加剧了对现有水资源的压力2,3。在水资源紧张的地区，为满足生活和农业用水需求而过度开采地下水，已导致地下水位下降和长期供水安全性的降低。因此，迫切需要制定可持续的水资源管理策略，尤其是在人口增长迅速、水资源对气候变化高度脆弱且用水需求不断上升的地区，例如巴基斯坦。在各种适应性策略中，雨水收集（RWH）已成为一种有效的方法，可用于保存降雨径流并补充现有水资源4。RWH系统在雨季收集并储存雨水，以供后续使用，为应对局部乃至区域尺度的水资源短缺问题提供了可持续的解决方案5,6。然而，RWH系统的成功在很大程度上取决于能否识别出合适的选址和适当的集水结构。选址是一个复杂的过程，因为它受到多种地貌、环境、水文和社会经济因素的影响，而这些因素在不同地区具有空间异质性7,8。传统上，通过实地调查来确定潜在的RWH选址；但这些方法通常成本高、耗时长，且在大面积或难以进入的区域（特别是山区）实施不切实际。因此，地理信息系统（GIS）和遥感（RS）技术正越来越多地被采用作为区域尺度RWH评估的高效替代手段9。基于GIS的多准则评价（MCE）提供了一个有效的框架，用于整合多种专题图层，包括降雨量、径流量、坡度、土壤特性、土地利用/土地覆盖、排水密度以及社会经济参数，以识别适宜的RWH区域10,11。遥感数据进一步增强了这一方法，能够在大范围且难以进入的区域提供具有成本效益的空间信息，包括土地覆盖、地貌、土壤特性和水文特征12。巴基斯坦是面临严重水资源挑战的国家之一，原因在于用水需求不断增长、气候变异性增强以及对农业依赖型生计的高度依赖13。该国的农业经济需要大量水资源，而地下水位下降和降水模式不稳定已使其更易受到水资源短缺的影响。因此，雨水的保护与储存已成为提高水资源可获得性的重要策略，特别是在缺水和山区地带12,14。以往的研究已证明，通过整合环境和社会经济参数，基于GIS和RS的方法在RWH选址中的有效性15,16,17,18。一些研究人员已应用多种多准则决策技术，包括层次分析法（AHP）、模糊AHP及其他赋权方法，在不同环境条件下识别适宜的RWH选址19。尽管已有显著进展，但不同多准则决策方法的性能可能因区域环境特征、可用数据集以及基于专家的赋权体系而异。特别是，在相似流域条件下比较不同方法有效性的研究仍较为有限。因此，评估和比较不同的决策技术对于提高RWH选址适宜性评估的可靠性至关重要。本研究通过比较多影响因子法（MIF）和层次分析法（AHP）在巴基斯坦潘科拉流域识别适宜RWH选址的效果，填补了这一研究空白。本研究假设，在GIS中采用多准则决策方法，综合考虑地形、地质特性、土地覆盖动态、排水线密度、土壤特性和降雨量等不同变量，可在山区环境中识别出最适宜的RWH选址。该研究为基于GIS的决策支持方法在山区可持续水资源规划中的适用性提供了有价值的科学依据。

方案

本研究涉及地理空间、遥感和实地验证数据，未涉及人类受试者、可识别的个人数据、动物或脊椎动物组织；因此，无需机构的人类或动物伦理审批。

研究区域

巴基斯坦北部兴都库什山脉东部的潘杰科拉河流域是一个重要的地貌区域（图1）。潘杰科拉河是该流域的主要河流（全长113公里，流域面积5758.27平方公里2 集水区）发源于兴都库什山脉的冰川山区，形成湍急的山洪。在下第尔的查克达拉附近汇入斯瓦特河20潘杰科拉河汇集了五条重要的溪流或支流，包括巴拉瓦尔、迪尔、加瓦尔代、詹多尔和科希斯坦。它从 34°39′30′′ 到 35°46′1′′ 北纬和从 71°13′08′′ 到 72°22′13′′ 东经。该地区的地理位置和崎岖的地形显著影响其气候（山地和温带气候）。流域上游地区（库姆拉特、塔尔）冬季较长，夏季较冷。从11月开始，气温急剧下降。然而，在迪尔下区（蒂梅尔加拉、塔拉什、迈丹、萨马尔巴格），12月至2月的气温通常在冰点以上。蒂梅尔加拉最温暖的月份为6月至8月，平均最高气温超过 35 °C，而Dir镇最热的月份是六月和七月（最高气温为 32.4 °C 和 31.5 °C）。夏季降雨源于季风，而冬季降雨则由西来低压系统带来。研究区域全年相对湿度较高。河流洪水和山洪暴发21 几乎每年都会发生，尤其是在瓦里及其上下游地区。该地区种植的主要农作物包括水稻、小麦、玉米、马铃薯和洋葱，而研究区域种植的重要水果有柿子、橙子、苹果、核桃、杏、李子、枇杷和桑葚。

figure-protocol-1
图 1： 巴基斯坦北部潘科拉河流域研究区地图。（A）开伯尔-普赫图赫瓦省在巴基斯坦境内的位置；（B）潘科拉河流域在开伯尔-普赫图赫瓦省内的位置；以及（C）潘科拉河流域，显示流域边界、高程分布、河流网络及研究区内的主要地点。请点击此处查看此图的放大版本。

数据收集与准备

本研究的数据来自不同来源。2014年至2023年的降雨/降水数据从美国国家航空航天局（NASA）全球降水测量（GPM）计划网站（https://gpm.nasa.gov/missions/GPM）下载获得。土壤质地数据来自巴基斯坦开伯尔-普赫图赫瓦省土壤调查局（www.soilconservation.kp.org）。地质数据来自巴基斯坦地质调查局地区办公室（https://gsp.gov.pk/）。为收集和计算土地情景（土地利用/土地覆盖），从欧洲航天局（ESA）哥白尼开放获取中心（https://scihub.copernicus.eu/）获取了哨兵2号（Sentinel-2）影像。本研究采用2025年9月10日获取的Sentinel-2B影像进行土地利用/土地覆盖（LULC）制图。利用最大似然分类法（MLC）对影像进行处理和分类。在研究区内共采集了65个训练样本，代表七类LULC类别：水体、森林、耕地、城市区域、裸土、冰雪以及草地。所制备的训练样本用于开展监督分类，并生成最终的LULC图。通过基于验证样本的精度评估方法（包括总体精度和Kappa系数）对分类精度进行评价。数字高程模型（DEM）数据空间分辨率为12.5，于2023年12月2日从阿拉斯加卫星设施（ASF）（https://asf.alaska.edu/）获取。该DEM模型进一步用于生成坡度、排水网络、排水密度和高程图层。现有雨水收集结构的数据从相关部门收集，用于交叉验证。

所有空间数据集均使用地理信息系统（GIS）软件进行处理和分析（参见 材料表）。GIS专题图层数据以 补充文件 1所有输入数据集均投影至统一的投影坐标参考系统（CRS）（WGS 1984 UTM Zone 42N），以确保空间一致性及面积计算的准确性。对于空间分辨率不同的栅格数据集，采用最近邻重采样法重采样并配准至统一网格，同时保持分类数据集原有的空间特征。以空间分辨率为12.5 m的数字高程模型（DEM）作为空间配准的参考栅格，所有专题图层均被转换为相同像元大小和空间范围的栅格格式。以潘科拉河流域研究区边界作为掩膜，提取所有输入图层，确保分析过程中空间范围的一致性。缺失像元及流域边界外的区域在分析中被排除，并视为NoData值。专题图层（降雨量、坡度、排水密度、线性构造密度、土壤、地质和土地利用/土地覆盖）采用Jenks自然断点分类法重新分类为适宜性等级，并根据MIF与AHP方法赋予相应的等级/权重。 表1 显示数据来源。

表1： 用于雨水收集适宜性评估的数据来源及特征。 请点击此处下载该表格。

MIF 适用性建模

最初，根据文献综述确定各种参数的选择12。为确定适合雨水收集（RWH）的区域，综合考虑了降水、岩性、断裂密度、排水密度、土壤质地、坡度以及土地利用/土地覆盖等不同的影响因素。为此，首先对各参数进行预处理，以建立参数的影响等级；随后根据各参数对雨水收集的重要性进行分类，并利用多影响因子公式（公式1）确定其主要与次要重要性。表2展示了不同因素的主要与次要重要性22（参见补充文件2）

表2： 多因素影响（MIF）模型中选用的部分影响因素及其主要与次要影响评分。 请点击此处下载该表格。

使用以下关系对所选因子进行排序：

[(X+Y) ÷ ∑(X+Y)] × 100 (1)

其中 Y 表示因素的次要效应，X 表示主要效应。各因素的主要和次要影响通过公式 1 计算得出。

主要（X）和次要（Y）影响评分是根据以往研究以及各因素在控制径流生成、入渗和雨水收集潜力方面的水文学意义确定的12。对雨水收集适宜性具有直接影响的因素被赋予主要影响，而次要影响则表示控制参数之间的间接关系。因子权重通过归一化综合的主要和次要影响评分，使用公式（1）计算得出。子类权重根据其对径流累积、入渗能力、保水能力以及雨水收集设施适宜性的相对贡献进行赋值。该方法确保了基于GIS的适宜性分析具有透明且可重复的权重框架。

基于Saaty标度的相对重要性见表3。

表3： 层次分析法（AHP）分析中使用的萨蒂相对重要性标度。 请点击此处下载该表格。

所有参数的主题层级得分被综合，MIF参数的每个子类得分列于表4中。通过使用重新分类技术，将MIF输出划分为五个类别，用于雨水收集。最后，生成并分析建议安装不同类型雨水收集结构（如拦沙坝、农用池塘、沟壑堵塞设施及其他相关水土保持结构）的最终选址地图。图2展示了该方法的技术框架。

figure-protocol-2
图 2：基于GIS的多影响因子（MIF）与层次分析法（AHP）模型进行雨水收集选址适宜性评估的方法学框架。该框架展示了野外调查、地质、土壤、ALOS PALSAR数字高程模型（DEM）、ESA和GPM数据的获取与处理过程，以生成地质、土壤、坡度、排水密度、断裂密度、土地利用/土地覆盖（LULC）和降雨量等专题图层。这些图层通过多影响因子（MIF）方法进行集成，生成雨水收集（RWH）适宜性分布图，并结合野外实地验证，最终生成经过验证的适宜性分布图 请点击此处查看此图的放大版本

表4：基于多影响因素（MIF）的集水适宜性制图主题因子及其子类的排序与权重。 请点击此处下载该表格。

AHP 适宜性建模

层次分析法（AHP）是一种有效应对复杂决策情境的技术，有助于决策者设定优先级并选择最优方案23层次分析法（AHP）是一种通过应用数学和专家知识来组织和评估复杂决策的系统性框架。24层次分析法通过成对比较简化复杂判断，并评估结果，有助于识别决策中的主观和客观因素。25不可避免地会存在一些差异，因为这些比较基于主观或个体的观点。通过计算一致性比率并消除决策偏差，层次分析法（AHP）为评估决策者判断的一致性提供了一种有效工具，从而确保感知上的一致性。AHP 的主要优势之一是一致性比率，该指标量化了不同准则两两比较之间的一致性程度。26,27,28,29地理数据输入通过层次分析法（AHP）被整合并转化为决策输出。采用萨蒂（Saaty）标度表3），通过构建两两比较矩阵，将关于各种主题和属性的定性数据转化为定量数据30,31基本过程包括设定目标，考虑并评估影响最终决策的因素或标准，并使用Saaty标度为每个准则分配权重。为检验所赋予权重的一致性，采用Saaty提出的 consistency ratio（CR）进行一致性检验。23 使用公式 2 和公式 3 计算得出：

CR = CI/RCI (2)

其中 CI 为一致性指数，RCI 为随机一致性指数。

一致性指数（CI）由以下公式给出：

figure-protocol-3 (3)

其中，n 为评价标准的数量，λmax 为最大特征值。一致性指数的平均值通过随机指标进行估算。

RWH 结构选择

土地覆盖与土地利用（LULC）

土地利用描述了土地的使用方式，而土地覆盖则描述了土地的自然特征。土地利用/土地覆盖（LULC）中包含了有关径流扩散的重要信息32。在植被覆盖区域，较高的吸收和入渗率与较少的径流相关；而裸地和建成区则促进大量径流的形成33,34。本研究使用Sentinel 2b卫星数据生成研究区的土地利用/土地覆盖格局。潘科拉河流域的土地利用被划分为七类：水体、森林、作物与农业用地、城市用地、裸地、冰雪/冰川以及草地。针对不同土地利用/土地覆盖类型的适宜性权重，依据其对径流生成、入渗能力及雨水蓄存潜力的影响而确定。农业用地被赋予最高的适宜性评分，因其通常产生中等程度的径流，并可直接利用集蓄的雨水进行灌溉。裸地也被赋予相对较高的权重，因其植被稀疏且地表裸露，导致地表径流较植被茂密区更为显著。相比之下，林地被赋予较低的权重，因为茂密的植被能够截留降雨，通过发达的根系增强入渗，并减少地表径流。城市区域和现有水体则被划分为较低适宜性类别，因其或缺乏建设额外雨水收集（RWH）设施的空间，或已被不透水表面或现有水体占据（图3A）。

排水密度

一个地区的地下水入渗和地表径流情况可通过排水密度来描述。排水密度反映了地下水文构造和地表特征，体现了河道间距的紧密程度以及地表物质的特性。排水密度降低时，径流量随之减少，反之亦然12。通常情况下，排水密度较低的区域入渗量和径流量均较低，反之亦然。密集的排水网络对于雨水收集至关重要。雨水收集系统（RWH）更适用于排水密度较高的区域，因为这类区域具备使水流快速汇集并输送到集水点的条件34,35。基于Jenks自然断点分类法，潘科拉河盆地的排水密度被划分为五个等级：0–9.4907、9.4907–27.207、27.207–48.219、48.219–79.089 和 79.089–161.34 km/km²。由于低至中等排水密度区域被认为是雨水收集的理想地点，因此被赋予了更高的权重值(图3B)。

线密度

线性构造是通常从地质图中提取的地下线性特征，在卫星图像上也可观察到。这些线性构造位于局部或构造风化带下方，具有增强的孔隙度和渗透性12。线性构造信息通过遥感图像处理软件从Landsat 8影像中提取，并利用线密度工具生成线性构造栅格图层。线性构造密度进一步采用詹克斯自然断裂点分类法（Jenks Natural Breaks classification method）划分为五个等级：0.0072–0.406 km/km2、0.406–0.664 km/km2、0.664–0.921 km/km2、0.921–1.33 km/km2 和 1.33–2.13 km/km2（图3C）。

土壤

土壤质地是雨水集蓄（RWH）规划和选址的重要因素。土壤的入渗能力由其质地决定。一般来说，与黏土相比，砂质土壤产生的径流较少36。粉砂、砂和黏土的百分比决定了土壤的质地分类。黏土土壤透水性差，但能有效保持收集的水分，因此中细粒径土壤区域通常更适合作为雨水收集区8,37。研究区域具有五种土壤质地类型：冰川和积雪覆盖区、壤土、非钙质黏土、浅层非钙质壤土、极浅层壤土以及岩石露头（图3D）。

斜率

下渗和地表径流受地形影响显著8。流域坡度的变化明显影响暴雨期间及之后的水流路径。在坡度较陡的区域建设雨水收集（RWH）结构因需要大量土方工程而不具备成本效益38。为实现较高的雨水收集潜力，平缓坡度是最适宜的选址条件。在坡度较陡的区域（坡度大于5%），雨水收集结构耐久性差39。在坡度较陡的区域还需考虑水土流失控制措施40。坡度以度为单位进行计算，并采用詹克斯自然断点分类法将研究区划分为五个等级：0°–11.9°、12°–22.5°、22.6°–31.8°、31.9°–42.4° 和42.5°–82° （图3E）。

降雨量

降雨是产生地表径流的主要因素。降雨/降水数据采用全球降水测量（Global Precipitation Measurement, GPM）数据，从美国国家航空航天局（NASA）网站 https://gpm.nasa.gov/missions/GPM 下载，时间范围为2014年至2023年41。利用2014–2023年期间的GPM降雨数据，并结合詹克斯自然断点分类法（Jenks Natural Breaks classification），将研究区划分为五个降雨量等级（单位：mm）：49.93–57.014、57.014–61.773、61.773–65.262、65.262–68.646 和 68.646–76.894（图3F）。

地质学

流域的物理构成及其产生的土壤量在很大程度上受区域地质条件的影响。地质特征控制着水向地下含水层的流动40。沉积岩和变质岩是本研究区域中发现的两种主要岩石类型。岩性 broadly 被划分为下古生代岩石、石炭纪沉积岩、白垩纪沉积岩、中生代侵入岩和变质岩、三叠纪岩石、未划分的古生代岩石、未划分的古生代岩石和未划分的前寒武纪岩石，以及未划分的志留纪岩石。岩性类型显著影响水资源的可利用性与储水能力；某些岩石能够使地表水渗透并补给含水层41。另一方面，部分岩石允许水通过，有助于地下水的补给。岩性通过其对渗透性、孔隙度和入渗能力的影响，强烈控制径流的生成。在潘科拉流域，致密的变质岩通常比未固结或高孔隙度的沉积物具有更低的原生孔隙度和渗透性。因此，降雨更不易下渗，而更易产生地表径流，使得这些岩层更适合作为地表雨水收集结构的选址。相比之下，含有粗粒或砂质材料的沉积岩层通常允许更大的入渗，从而减少可用于储存的地表径流。因此，变质岩被赋予较高的适宜性权重，而沉积岩层则被赋予相对较低的权重。图3G展示了潘科拉河流域的地质图。所有数据均可在补充文件1和3中获取。

figure-protocol-4
图3：潘杰科拉河流域用于雨水收集选址评估的主题因子空间分布。（A）土地利用/土地覆被，（B）排水密度，（C）断裂密度，（D）土壤质地，（E）坡度，（F）降雨量，以及（G）地质。不同颜色代表各主题因子相应的分类。 请点击此处查看此图的放大版本

结果

MIF 模型的主题图重分类

土地覆盖、土地利用与雨水收集

潘杰戈拉河流域的土地利用被划分为七个类别，即水体、林地、农作物与农业用地、城市用地、裸地、积雪与冰川以及草地。根据文献资料，在雨水收集利用对生活至关重要的区域被赋予较高的权重。农业用地和荒地被评定为具有更高的适宜性，因为这类地表覆盖类型通常比森林茂密地区产生更多的地表径流，且更有利于储存收集的雨水以供农业使用。林地的适宜性评分较低，因为较高的植被覆盖会增强降雨截留和入渗作用，从而减少径流的形成。城市区域和现有水体被赋予较低权重，因为这些区域对于新建雨水收集措施的实施空间有限。在雨水收集的背景下，农业用地和裸地被给予更高权重，而地表水体和城市区域则被给予较低权重（图4A）。根据各类土地利用与覆被（LULC）对雨水收集适宜性的相对重要性，分别赋予权重（表4）：水体（1）、裸地（6）、林地覆盖（2）、城市区域（1）、农业用地（7）。

排水密度与雨水收集

排水密度用于描述地下水的入渗和地表水的径流情况。径流量低的区域表现出较高的入渗能力，而排水密度低的区域则表现出较低的入渗能力。根据23的研究，将排水密度为低和中等的区域赋予较高评分（7、4），而高和极高排水密度区域则赋予最低权重（3、2）（图4B）。低和中等排水密度区域被划分为该地区最适合雨水收集利用的区域。

线密度与雨水收集

采用Jenks自然断点分类法，将研究区的线性构造密度划分为五个等级，即极适宜、适宜、中等适宜、低适宜和极不适宜，并相应赋予权重值（7、4、3、2、1）（图4C 和表4）。在研究区内，高密度区域被视为最不适合雨水收集的区域，而低密度区域则被认为具有较高的潜力，因此被赋予更高的权重值。

土壤与集雨技术

共绘制了五种土壤质地类型，即（冰川和积雪覆盖区）、（壤质、黏质非钙质土壤）、（壤质浅层非钙质土壤）、（壤质极浅层土壤）和（岩石裸露区）（图4D）。在赋予权重时，考虑了持水能力和渗透性因素。根据Saaty23的研究，壤质和黏质土壤在地表持水能力被赋予最高权重。由于极浅层山地壤土具有高孔隙度和高渗透性，其权重值较低。

坡度和雨水收集

基于杰弗里斯自然断点分类法，将坡度数据划分为五个等级，即 (0–11.9) 度、(12–22.5) 度、(22.6–31.8) 度、(31.9–42.4) 度和 (42.5–82) 度（图 4E）。在多因子影响（MIF）技术中，中等坡度区域（12–22.5）被赋予较高值，而坡度非常陡峭的区域则被赋予较低值。这表明坡度在模型中被赋予了相应的权重。采用 MIF 模型公式来确定各等级的权重与排序。

降雨与雨水收集利用

采用2014–2023年期间的GPM降雨数据，并根据Junk分类法将其划分为五个等级（单位：mm），即（49.93–57.014）、（57.014–61.773）、（61.773–65.262）、（65.262–68.646）和（68.646–76.894）（图4F）。赋值依据降雨量确定；降雨量高的区域赋予较高权重，反之亦然。

地质学与雨水收集利用

研究区的大部分区域由变质岩和沉积岩构成。岩石的岩性及类型显著影响着水资源的可利用性与蓄水能力；某些岩石能够渗透地表水并补给含水层。另一方面，部分岩石允许水通过，有助于地下水的补给。变质岩被赋予更高的适宜性评分，因其相对较低的渗透性有利于地表径流的形成，从而增加可用于集水的径流量。相比之下，沉积岩地层通常具有较高的渗透性和入渗能力，使得更大比例的降雨渗入地下，而非形成地表径流。因此，在该研究区中，变质岩被认为更适用于地表雨水收集。图4G展示了重新分类的地质图。

使用层次分析法（AHP）进行权重分配

根据 Wind 和 Saaty 的建议23，本研究考虑了七个主题图层，每个图层根据其对雨水收集的适宜性被赋予1至9之间的权重。该方法还表明，权重也被分配给了各个要素类。表5展示了采用AHP方法30对准则及其要素类所分配权重进行归一化的结果。专家判断在确定不同因素的权重方面起着关键作用，权重的评定依据是各因素对研究区域的影响程度。经计算，土地利用/土地覆盖的归一化权重为0.23，降雨量为0.27，排水密度为0.13，坡度为0.07，断裂线密度为0.08，地质为0.10，土壤为0.10。对于主题图层，使用公式3计算出的一致性比率为0.08，低于0.10的阈值。此外，要素类的一致性比率也处于0.10范围以内（表6）。根据本研究的一致性比率，各图层和要素均具有一致性。为了确定主题图层的相对重要性，还进行了成对分析，如表5所示。

表5：层次分析法（AHP）模型中所用主题因素的成对比较矩阵及归一化权重。 请点击此处下载该表格。

表6：基于层次分析法（AHP）的雨水收集适宜性分析主题因子及其子类的权重与排序。 请点击此处下载该表格。

figure-results-1
图4： 用于潘科拉河流域雨水收集适宜性分析的重新分类主题图层。（A）重新分类的土地利用/土地覆盖，（B）排水密度，（C）断裂密度，（D）土壤质地，（E）坡度，（F）降雨量，以及（G）地质。各类别根据其对雨水收集选址的适宜性评分进行了重新分类。数字/颜色表示划分的适宜性等级，适用时从极低到极高。 请点击此处查看该图的放大版本

潜在的雨水收集利用区域

最终地图通过应用加权叠加和加权和方法，结合MIF与AHP模型技术生成。利用这两种模型，研究区被划分为五个类别（图5）根据适宜性等级划分为：不适宜、中等适宜、适宜、高度适宜和极适宜区域。潘科拉河流域雨水收集的MIF结果显示，极适宜区域面积为80.22 km²。2 该区域适宜性较低，面积为1681.99 km2 较为合适，3116.1 公里2 适用于，844.86 km2 具有高度适宜性且为35.10 km2 具有很高的集雨潜力。尽管AHP结果显示出1572.58 km2 适宜性较低的区域，1605.69 km2 中等适宜，1768.62 km² 为适宜，689.15 km²2 具有高度适用性且为122.611 km2 具有很高的适用性（表7, 图5 和 图6) 用于RWH。基于MIF和AHP的适宜性地图输出结果提供于 补充文件 4.

表7：基于多影响因子（MIF）模型与层次分析法（AHP）模型得出的雨水收集适宜性等级比较。 请点击此处下载该表格。

figure-results-2
图5：利用（A）识别的潜在雨水收集站点的空间分布 MIF 方法和 （B） Panjkora 河流流域中的 AHP 方法 请点击此处以查看此图的放大版本。

figure-results-3
图6：使用多影响因子（MIF）法与层次分析法（AHP）划分的不同雨水收集适宜性等级区域的面积比较。 柱状图显示了各适宜性等级（包括不适宜、中等适宜、适宜、高度适宜和极高度适宜区）内的面积（km2）。请点击此处查看该图的放大版本。

选择合适的雨水收集系统结构

用于选择适宜雨水收集（RWH）结构（包括拦沙坝、农用池塘和沟壑阻塞设施）位置的工程标准，借鉴自联合国粮食及农业组织（FAO）《雨水收集手册》42。根据FAO指南，选择合适的RWH结构时应考虑地形（坡度）、排水特征、径流潜力、土壤质地、岩性、土地利用/土地覆盖以及集水区状况，以确保集水系统的工程技术可行性、结构稳定性及长期运行性能。这些国际公认的工程标准已被整合到本研究采用的基于GIS的多准则评价框架中。利用径流控制结构（如梯田沟、石料填充坝、沟壑阻塞设施和拦沙坝）进行雨水蓄积的主要目标是减缓或阻止水流。等高沟和地下坝是两种在干旱易发地区应用RWH的有效方式，可用于应对严重的干旱和水资源短缺问题43。在确定潜在的RWH选址后，进一步评估了RWH建设的最佳位置。经过对研究区域条件的分析，仅有农用池塘、拦沙坝和沟壑阻塞设施这三种RWH结构被认为值得考虑（表8）。农用池塘是小型土质堤坝，其坡度范围为1%至6%。修建农用池塘的目的是将长坡分割为多个较短且坡度更缓的坡段，从而降低水流速度并减少径流引起的侵蚀。拦沙坝相较于其他类型的结构更为重要，因其既能减少土壤侵蚀，又能储存雨水。在沿河道成链状建造多个拦沙坝时，相邻两坝之间的距离应大于其水面扩展范围。地表径流对表土的侵蚀会导致沟壑的形成，随着侵蚀逐渐加剧，沟壑逐渐呈现出更明确的形态。随后，在特定间隔处横跨沟壑设置由不同材料构成的屏障或阻塞物，以阻止进一步侵蚀，并储存雨水以供后续使用。该图（图7）显示了潘科拉河流域内雨水收集设施的选址分布。已识别的适宜RWH位置的元数据详见补充文件5。

表8：潘科拉河流域拟议的雨水收集结构及其地理特征。 请点击此处下载该表格。

figure-results-4
图7： 潘克科拉河流域潜在雨水收集设施的空间分布。 该地图显示了在已识别的适宜区域内拟建的拦沙坝、农用池塘和冲沟堵塞设施的位置。同时展示了流域边界和排水网络。请点击此处查看该图的放大版本。

模型验证

基于GIS的模型结果始终需要通过实地数据进行验证。在提取数据后，研究区域开展了广泛的实地调查，并将结果与研究区内已有的雨水收集（RWH）结构进行了比对。调查发现，部分雨水收集设施已在适宜位置建成，但其数量仍不足以满足该区域的需求。采用交叉验证技术对MIF和AHP模型的结果进行了验证。最适宜的区域即为可实施干预措施的区域。此外，在实地调查过程中还识别出多个未来可建设雨水收集设施的潜在地点。现场调查的验证点及其地理坐标详见补充文件6。模型的统计验证采用受试者工作特征曲线下面积（ROC AUC）方法进行。AHP模型的ROC分析数据及结果详见补充文件7。ROC分析基于实地验证的全球定位系统（GPS）点位（图8A）以及AHP和MIF模型的结果进行。MIF模型对应的ROC分析数据及结果详见补充文件8。MIF模型的AUC值为0.72（图8B），AHP模型为0.69（图8C）。根据广泛接受的ROC-AUC解释标准，AUC值的分类如下：无区分能力（0.50）、较差（0.50–0.60）、一般（0.60–0.70）、良好（0.70–0.80）、很好（0.80–0.90）和极佳（0.90及以上），用于表示模型的预测性能。据此，MIF模型表现出良好的预测能力（0.72），而AHP模型则为一般水平（接近良好，0.69）。尽管两个模型的表现均显著优于随机预测（AUC = 0.50），但MIF模型更高的AUC值表明其与实际观测到的雨水收集设施位置具有更强的一致性，说明MIF方法在识别潘杰科拉流域山地环境中适宜的RWH选址方面更为可靠。因此，在本研究区域中，MIF模型相较AHP模型具有相对优势。MIF模型优于AHP模型的表现可归因于潘杰科拉流域复杂的环境与地理特征。该流域地形崎岖，坡度变化剧烈，岩性构造异质性强，土地利用/土地覆盖类型多样，这些因素均显著影响地表径流的生成及雨水收集潜力。与主要依赖专家主观判断的成对比较法（AHP）不同，MIF方法能以更灵活的方式考虑多个环境因子之间的相对影响及其相互作用，从而使模型更准确地反映流域内水文过程的空间变异性。因此，MIF模型生成了更为合理的适宜性分布模式，获得了更高的AUC值，并与现有雨水收集设施的实际位置表现出更好的一致性。此外，潘杰科拉流域在降雨分布、排水密度、坡度、土壤质地和地质条件等方面均表现出显著的空间异质性。这些因素在流域内不同区域的相互作用方式各异，导致各参数的影响并非均匀分布。MIF方法更适用于捕捉此类复杂变化，因其评估的是多个控制因子的累积影响，而非仅依赖主观的成对判断。这可能是其相较于AHP模型表现出更优预测性能的主要原因。

figure-results-5
图8： 利用受试者工作特征（ROC）分析验证雨水收集适宜性模型。 （A）用于模型验证的基于实地的验证点空间分布；（B）多影响因子（MIF）模型的ROC曲线及曲线下面积（AUC）；以及（C）层次分析法（AHP）模型的ROC曲线及AUC。请点击此处查看该图的放大版本。

数据可用性：

本研究中使用的数据集均为公开可获取，或可从相应机构获得。全球降水测量（Global Precipitation Measurement, GPM）降水数据来自美国国家航空航天局（NASA）GPM 任务数据库（https://gpm.nasa.gov/missions/GPM）。Sentinel-2 卫星影像来自欧洲航天局（ESA）哥白尼开放获取中心（https://scihub.copernicus.eu/）。数字高程模型（DEM）从阿拉斯加卫星设施（ASF）分布式主动存档中心下载（https://asf.alaska.edu/）。提取的数据（验证数据、所有栅格数据、所有元数据、模型计算结果）均提供于补充文件 1–8中。

补充文件 1：GIS 专题图层数据。 用于生成雨水收集适宜性分析中所包含的 GIS 专题图层的空间数据，包括本研究中评估的环境与水文因素。请点击此处下载该文件。

补充文件 2：MIF 计算。 用于确定基于 MIF 的雨水收集适宜性分析中相对影响、因子权重及评分的计算方法。请点击此处下载该文件。

补充文件 3：重分类的 GIS 图层及适宜性阈值。 用于 MIF 和 AHP 分析的重分类专题图层及其对应的类别范围、阈值、等级和适宜性评分。请点击此处下载该文件。

补充文件 4：基于 MIF 和 AHP 的适宜性地图结果。 MIF 与 AHP 分析的空间输出结果，显示了潘杰科拉河流域雨水收集适宜性分类。请点击此处下载该文件。

补充文件5：已识别适宜雨水收集地点的元数据。 与识别出的适宜建设雨水收集设施的地点相关的元数据，包括可用的空间位置信息和场地相关信息。请点击此处下载该文件。

补充文件6：野外调查验证点。 野外调查验证数据，包括用于评估MIF和AHP方法生成的雨水收集适宜性地图的验证点地理坐标。请点击此处下载该文件。

补充文件 7：AHP 模型的 ROC 分析。用于评估层次分析法（AHP）模型预测性能的受试者工作特征（ROC）分析数据与结果。请点击此处下载该文件。

补充文件 8：MIF 模型的 ROC 分析。用于评估多影响因素（MIF）模型预测性能的 ROC 分析数据与结果。请点击此处下载该文件。

讨论

本研究比较了两种广泛使用的基于地理信息系统（GIS）的多准则决策方法——多影响因子法（Multi-Influencing Factor, MIF）与层次分析法（Analytic Hierarchy Process, AHP），用于识别巴基斯坦北部潘科拉河山地流域内适宜的雨水收集（RWH）选址。尽管两种模型均成功划定了潜在的雨水收集区域，但在空间预测结果和验证性能方面仍观察到明显差异。受试者工作特征曲线下面积（ROC-AUC）分析表明，MIF模型（AUC = 0.724）的表现优于AHP模型（AUC = 0.692），说明两种模型均具备可接受的预测能力，而MIF方法与现有雨水收集设施的分布及野外实地观测结果具有更高的吻合度。MIF模型的优越性能可归因于潘科拉流域复杂的水文与地貌特征。该流域以崎岖的山地地形、高度变化的坡度、非均质的岩性、多样的土地利用模式以及空间分布不均的降雨为特点。这些环境变量共同作用，控制着径流生成、入渗过程及蓄水潜力。与主要依赖专家判断进行准则两两比较的AHP方法不同，MIF技术能够评估多个影响因子之间的相对重要性及其累积交互作用。因此，在径流生成受地形、地质、土壤质地、排水特征和土地覆盖等多因素综合作用而非单一因素主导的山地汇水区，MIF更能准确反映其空间异质性。已有研究指出，在水文异质性较强的环境中，基于影响关系的赋权方法表现更优，因其能更真实地表征环境变量间的相互作用22,34,41。高度适宜的RWH区域的空间分布反映了流域的物理特性。流域西部和南部被识别为最有利的区域，因其具备适中的坡度、适宜的排水密度、有利的土壤质地、相对较高的降雨量以及促进径流生成的土地利用条件，同时在技术上也适合建设雨水收集设施。适中的坡度可有效降低水流速度，有利于径流汇集，同时减少过度侵蚀和施工成本。相比之下，坡度过陡的区域会产生快速径流，蓄水机会有限，且结构稳定性差，不利于修建拦沙坝或蓄水池。这些发现与先前研究一致，即坡度是决定山地环境中雨水收集适宜性的主导因素8,36,39。地质条件在决定RWH适宜性方面也发挥了重要作用。在潘科拉流域，变质岩通常比许多沉积岩具有更低的原生孔隙度和渗透性，从而减少了入渗损失，增加了可用于收集的地表径流量。因此，这些岩层被赋予更高的适宜性权重，因其有助于径流积聚，这对拦沙坝和蓄水池等地面蓄水结构至关重要。相反，渗透性相对较高的沉积岩层允许更多的入渗和地下水补给，减少了可用于收集的地表径流量。此前已有研究报道过岩性、径流生成与雨水收集适宜性之间的类似关系12,40。土地利用/土地覆盖和土壤质地进一步影响了适宜收集点的空间分布。农业用地和荒地表现出更高的适宜性，因为这些地表通常产生中等到高强度的径流，同时为农业用水的储存与利用提供了直接机会。相比之下，林地区域的适宜性较低，因为茂密的植被会截留降水，改善土壤结构，并通过发达的根系系统增强入渗，从而减少地表径流。同样，富含黏土和壤土的土壤因其相对较低的渗透性和较强的持水能力而被视为更适宜的选择，而浅层岩石土壤则促进快速入渗或产生过量径流，蓄水潜力有限。类似的研究结果已在埃塞俄比亚、伊拉克和巴基斯坦开展的基于GIS的雨水收集研究中被报道9,18。MIF与AHP的比较还揭示了赋权策略对适宜性制图的影响。AHP方法主要通过专家判断和两两比较来分配准则权重，尽管一致性比率可接受，但仍引入了一定程度的主观性。相比之下，MIF不仅评估影响因子之间的主要和次要相互作用，还可根据各参数子类的水文意义进行赋权。这种灵活的赋权框架使MIF能更准确地反映产流条件的空间变异性，尤其是在环境因素在短距离内剧烈变化的山地流域中。类似的对比研究表明，在复杂地貌条件下，基于影响关系或多准则混合方法通常优于传统的基于专家判断的赋权技术19,44,45。ROC-AUC验证进一步支持了上述结论。尽管两种模型均达到了可接受的预测性能（AUC > 0.5），但MIF模型更高的AUC值表明其预测的适宜区域与野外验证中观察到的现有雨水收集设施分布之间具有更强的一致性。这表明，纳入多种水文与环境变量之间的相互作用可提高适宜性评估的可靠性。类似的基于ROC分析的验证方法已成功应用于地下水潜力、洪水易损性及雨水收集适宜性模型的评估34,41,45。总体而言，研究结果证实，整合GIS、遥感与多准则决策技术为山地流域的雨水收集规划提供了可靠的框架。除了识别适宜选址外，本文提出的比较评估还提供了实证依据，表明模型选择对适宜性预测质量具有显著影响。MIF模型的更优表现表明，基于影响关系的赋权方法特别适用于地形、岩性、降雨和土地覆盖具有强烈空间变异性的区域。因此，本研究建立的方法可作为可转移的决策支持框架，用于其他具有相似水文气象与地貌特征的山地及缺水地区的可持续水资源规划。

本项对比研究通过分析多种直接影响和间接影响因素，评估了层次分析法（AHP）与多因子插值法（MIF）作为基于地理信息系统（GIS）的空间模型在识别适合建设雨水收集结构的不同适宜性区域方面的应用效果。尽管MIF和AHP各自在空间决策方面具有独特优势，但二者之间的比较可实现更复杂的多标准分析，从而提高这些技术在选址适宜性评估中的精确性和稳健性。在雨水收集设施（RWH）选址过程中，降雨量、地质、土壤、断裂密度、排水密度、土地利用/覆被以及地形被分析为关键影响因素。此外，根据联合国粮农组织（FAO）标准，还处理了距道路距离、距主河道距离以及距城市聚居区距离等其他附加因素。开发适宜RWH选址的主要目标是提升研究区域水资源的可获得性。针对RWH设施建设，研究区域依据适宜程度被划分为五个等级：低度适宜、中等适宜、适宜、高度适宜和极高度适宜。在实地考察中发现，在该地区山地地形条件下，MIF模型的结果比AHP模型更为准确。MIF模型结果更精确且更具局部相关性，这归因于其在处理复杂地形变量方面的适应能力，以及其能够对子类进行权重分配和排序的特性。MIF允许用户对每个子类进行排序以支持决策，而AHP则对参数整体进行赋权和排序，而非针对参数的子类。MIF与AHP之间的比较有助于深入理解不同的权重分配策略和决策标准如何影响空间分析结果。MIF方法优于AHP方法的表现也通过受试者工作特征曲线下面积（ROC-AUC）得分得到验证，其中MIF得分为0.724，AHP得分为0.692。

这些方法能够在最小化成本、人力和时间消耗的同时，提高水资源可持续管理的决策效率。这一点尤为重要，因为在气候变化、城市化进程加快和水资源短缺的背景下，实现全球水资源的可持续管理需要创新性的解决方案。通过在地形多样化的潘杰科拉流域展示这些技术的高效性，本研究为其他具有类似环境制约条件的地区提供了可借鉴的模式。因此，这两种模型均表现出良好的性能，并证实了其在所研究区域以外的其他地理、环境和社会经济区域的适用性。未来可引入机器学习和高分辨率空间数据等新技术，以提升MIF和AHP方法的可扩展性和准确性。这些进展将实现实时化和自动化分析，对于动态化和更广泛的应用至关重要。

披露

作者声明无利益冲突。 所有图像与图示均非人工智能生成。

作者贡献：
Shazia Gulzar：概念化、方法论、数据整理、形式分析、调查、可视化、初稿撰写。Muhammad Ali：概念化、监督、方法论、验证、写作、审阅与编辑、项目管理。Abid Sarwar：形式分析、地理信息系统与遥感分析、数据解释、验证、可视化、写作。 – 综述 & 编辑。Hammad Gilani：方法学、验证、写作、审阅 & 编辑。Hassan Alsberi：撰写、审阅与编辑，可视化。Abdulqader M. Almars：撰写、审阅与编辑，形式分析。Hasan Hashim：验证、撰写、审阅。 & 编辑。El-Sayed Atlam：形式分析，撰写，审阅与编辑。Ayman El Sabagh：监督，撰写，审阅与编辑。 & 编辑，经费获取。

致谢

作者感谢沙特阿拉伯塔伊夫大学研究生院与科学研究院长对本研究的资金支持。

材料

本文使用的材料清单
姓名公司目录编号评论
ArcGIS DesktopEsriVersion 10.3.1用于基于地理信息系统（GIS）的空间数据预处理、专题图层生成、重分类、加权叠加分析及适宜性制图。
数字高程模型（DEM），12.5 m阿拉斯加卫星设施（ASF）分布式主动存档中心N/A空间分辨率为12.5 m的数字高程模型，用作参考栅格，并用于提取坡度、排水网络、排水密度和高程图层；稿件中报告的获取日期为2023年2月12日，应予以明确说明。
地质数据巴基斯坦地质调查局N/A用于生成地质/岩性专题图层的地质数据。
全球降水测量（GPM）降水数据美国国家航空航天局（NASA）2014–2023年数据集用于生成降雨量专题图层的降水数据。作者应明确说明所使用的GPM产品/版本及时间统计方法。
全球定位系统（GPS）野外验证点未说明N/A用于交叉验证和ROC-AUC评估的野外验证位置。稿件中未说明GPS接收器/应用程序的制造商和型号。
Landsat 8影像来源未说明产品/场景编号未说明用于线性构造提取。作者应提供数据来源仓库、获取日期、产品/场景编号、空间分辨率及预处理细节。
Sentinel-2B卫星影像欧洲航天局（ESA），哥白尼计划2025年9月10日获取用于通过监督最大似然分类法进行土地利用/土地覆盖制图。作者应补充确切的产品/场景标识符和处理级别。
土壤质地数据巴基斯坦开伯尔-普赫图赫瓦省土壤调查局N/A用于生成土壤质地专题图层。稿件中未说明数据集/地图版本或标识符。

参考文献

  1. Ibrahim GRF, et al. Suitable site selection for rainwater harvesting and storage case study using Dohuk Governorate. Water. 2019;11(4):864.
  2. Andualem TG, et al. Groundwater recharge estimation using empirical methods from rainfall and streamflow records. J Hydrol Reg Stud. 2021;37:100917.
  3. Hagos YG, Andualem TG, Yibeltal M, Mengie MA. Flood hazard assessment and mapping using GIS integrated with multi-criteria decision analysis in upper Awash River basin, Ethiopia. Appl Water Sci. 2022;12(7):148.
  4. Mohanty S, Bardhan T, Dey A. Rain water harvesting: a viable way to combat water crisis. Food Sci Rep. 2020;1(7):44–48.
  5. Biswas BK, Mandal BH. Construction and evaluation of rainwater harvesting system for domestic use in a remote and rural area of Khulna, Bangladesh. Int Sch Res Notices. 2014;2014(1):751952.
  6. Bekbolet M, et al. Application of oxidative removal of NOM to drinking water and formation of disinfection by-products. Desalination. 2005;176(1–3):155–166.
  7. Jasrotia A, Majhi A, Singh S. Water balance approach for rainwater harvesting using remote sensing and GIS techniques, Jammu Himalaya, India. Water Resour Manag. 2009;23(14):3035–3055.
  8. Toosi AS, et al. A multi-criteria decision analysis approach towards efficient rainwater harvesting. J Hydrol. 2020;582:124501.
  9. Adham A, et al. Development of methodology for existing rainwater harvesting assessment in (semi-) arid regions. In: Water and Land Security in Drylands: Response to Climate Change. Springer; 2017:171–184.
  10. Isioye OA, Shebe M, Momoh U, Bako C. A multi criteria decision support system (MDSS) for identifying rainwater harvesting site(s) in Zaria, Kaduna State, Nigeria. Int J Adv Sci Eng Technol Res. 2012;1(1):53–71.
  11. Tolossa TT, Abebe FB, Girma AA. Rainwater harvesting technology practices and implication of climate change characteristics in Eastern Ethiopia. Cogent Food Agric. 2020;6(1):1724354.
  12. Khudhair MA, Sayl KN, Darama Y. Locating site selection for rainwater harvesting structure using remote sensing and GIS. IOP Conf Ser Mater Sci Eng. 2020;881(1):012170.
  13. Ahmad S, Farid S, Maryam K, Khoso AR. Smallholder farmer vulnerability and adaptation deficits: insights district Okara, Pakistan. SN Soc Sci. 2026;6(7):258.
  14. Kadam AK, et al. Identifying potential rainwater harvesting sites of a semi-arid, basaltic region of Western India, using SCS-CN method. Water Resour Manag. 2012;26(9):2537–2554.
  15. Abdulla FA, Al-Shareef AW. Roof rainwater harvesting systems for household water supply in Jordan. Desalination. 2009;243(1–3):195–207.
  16. Al-Ardeeni M. Selecting potential water harvest sites using GIS and remote sensing in Al-Tharthar Valley, West Nineveh, Iraq. Tikrit J Pure Sci. 2018;20(2):142–150.
  17. Ammar A, Riksen M, Ouessar M, Ritsema C. Identification of suitable sites for rainwater harvesting structures in arid and semi-arid regions: a review. Int Soil Water Conserv Res. 2016;4(2):108–120.
  18. Ejegu MA, Yegizaw ES. Potential rainwater harvesting suitable land selection and management by using GIS with MCDA in Ebenat District, Northwestern Ethiopia. J Degrad Min Lands Manag. 2020;8(1):2537.
  19. Khashei-Siuki A, Sharifan H. Comparison of AHP and FAHP methods in determining suitable areas for drinking water harvesting in Birjand aquifer, Iran. Groundw Sustain Dev. 2020;10:100328.
  20. Sarwar A, Ali M. GIS-DRASTIC integrated approach for groundwater vulnerability assessment under soil erosion hot spot areas in Northern Pakistan. Environ Earth Sci. 2024;83(18):532.
  21. Ali MAS, et al. Application of morphometric ranking approach using geospatial techniques for flash flood susceptibility modelling in District Shangla, Pakistan. Proc Pak Acad Sci B Life Environ Sci. 2023;60(2):243–255.
  22. Selvam S, et al. A GIS based identification of groundwater recharge potential zones using RS and IF technique: a case study in Ottapidaram taluk, Tuticorin district, Tamil Nadu. Environ Earth Sci. 2015;73(7):3785–3799.
  23. Saaty T. The analytic hierarchy process (AHP) for decision making. Kobe, Japan; 1980;1:69.
  24. Suliman M, Ali M. Identification of potential groundwater recharge sites in a semi-arid region of Pakistan using Saaty's Analytical Hierarchical Process (AHP). Geomat Environ Eng. 2022;16(1):53–70.
  25. Dweiri F, Kumar S, Khan SA, Jain V. Designing an integrated AHP based decision support system for supplier selection in automotive industry. Expert Syst Appl. 2016;62:273–283.
  26. Benítez J, Delgado-Galván X, Izquierdo J, Pérez-García R. An approach to AHP decision in a dynamic context. Decis Support Syst. 2012;53(3):499–506.
  27. Dyer JS. Remarks on the analytic hierarchy process. Manage Sci. 1990;36(3):249–258.
  28. Franek J, Kresta A. Judgment scales and consistency measure in AHP. Procedia Econ Finance. 2014;12:164–173.
  29. Kubler S, et al. Measuring inconsistency and deriving priorities from fuzzy pairwise comparison matrices using the knowledge-based consistency index. Knowl Based Syst. 2018;162:147–160.
  30. Chowdary V, et al. Multi-criteria decision making approach for watershed prioritization using analytic hierarchy process technique and GIS. Water Resour Manag. 2013;27(10):3555–3571.
  31. Vaidya OS, Kumar S. Analytic hierarchy process: an overview of applications. Eur J Oper Res. 2006;169(1):1–29.
  32. Ahmad H, et al. Morphometric assessment and soil erosion susceptibility mapping using ensemble extreme gradient boosting (XGBoost) algorithm: a study for Hunza-Nagar catchment, Northern Pakistan. Environ Earth Sci. 2024;83(21):605.
  33. Aziz SF, Abdulrahman KZ, Ali SS, Karakouzian M. Water harvesting in the Garmian Region (Kurdistan, Iraq) using GIS and remote sensing. Water. 2023;15(3):507.
  34. Fagbohun BJ. Integrating GIS and multi-influencing factor technique for delineation of potential groundwater recharge zones in parts of Ilesha schist belt, southwestern Nigeria. Environ Earth Sci. 2018;77(3):69.
  35. Hammouri N, El-Naqa A, Barakat M. An integrated approach to groundwater exploration using remote sensing and geographic information system. J Water Resour Prot. 2012;4(9):717.
  36. Jha MK, Chowdary V, Kulkarni Y, Mal BC. Rainwater harvesting planning using geospatial techniques and multicriteria decision analysis. Resour Conserv Recycl. 2014;83:96–111.
  37. Sayl KN, Mohammed AS, Ahmed AD. GIS-based approach for rainwater harvesting site selection. IOP Conf Ser Mater Sci Eng. 2020;737(1):012246.
  38. Emeka OJ, et al. Evaluation of the effect of hydroseeded vegetation for slope reinforcement. Land. 2021;10(10):995.
  39. Oweis TY. Rainwater harvesting for restoring degraded dry agro-pastoral ecosystems: a conceptual review of opportunities and constraints in a changing climate. Environ Rev. 2017;25(2):135–149.
  40. Islam F, et al. Modelling and mapping of soil erosion susceptibility of Murree, Sub-Himalayas using GIS and RS-based models. Appl Sci. 2022;12(23):12211.
  41. Nazir J, et al. Delineation and validation of GIS-based groundwater potential zones under arid to semi-arid environment using multi-influence-factors approach. Geol Ecol Landsc. 2025;9(4):1194–1210.
  42. Critchley WS, Chapman K, Finkel CM. Water harvesting: a manual for the design and construction of water harvesting schemes for plant production. FAO; Rome; 1991. AGL/MISC/17/91.
  43. Kiggundu N, et al. Rainwater harvesting knowledge and practice for agricultural production in a changing climate: A review from Uganda’s perspective. Agric Eng Int CIGR J. 2018;20(2):19–36.
  44. Khan AS. A comparative analysis of rainwater harvesting system and conventional sources of water. Water Resour Manag. 2023;37(5):2083–2106.
  45. Zheng X, et al. Rainwater harvesting for agriculture development using multi-influence factor and fuzzy overlay techniques. Environ Res. 2023;238:117189.

重印与许可

标签

地点适宜性地理空间分析GIS制图遥感水资源管理山区流域ROC-AUC验证
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。