In dieser Arbeit wird ein integrierter, auf einem Geoinformationssystem (GIS) basierender Ansatz beschrieben, der Multi-Influencing-Factor-(MIF)- und Analytic-Hierarchy-Process-(AHP)-Modelle verwendet, um geeignete Standorte für die Regenwassersammlung und die Auswahl geeigneter Anlagen in bergigen Flusseinzugsgebieten zu identifizieren, demonstriert am Beispiel des Panjkora-Beckens im Norden Pakistans.
Forschungsartikel
Optimierung der Eignung von Standorten und Strukturen zur Regenwassernutzung mittels geospatialer Ansätze, Multi-Influencing-Factor-Methoden und des Analytic Hierarchy Process
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die Regenwassernutzung (RWH) ist eine wesentliche Maßnahme zur Wassereinsparung, zur Verbesserung des Wasserressourcenmanagements und zur Minderung wasserbezogener Gefahren in bergigen Regionen. Die Auswahl eines geeigneten Standorts und einer geeigneten Baustruktur für die RWH-Anlage ist unter allen Umständen entscheidend, um die Wasserverfügbarkeit und die landwirtschaftliche Produktivität zu verbessern, insbesondere angesichts der hydrologischen Unsicherheiten im Zusammenhang mit dem Klimawandel. Die Bewertung und Analyse von RWH-Standorten unter unterschiedlichen Bedingungen weltweit ist herausfordernd, insbesondere in abgelegenen, schwer zugänglichen Bergregionen, in denen diese Standorte erhebliche Auswirkungen auf Umwelt, Gesellschaft und Wirtschaft der Region sowie der nachgeschalteten Gebiete haben. In dieser Studie wurden die Multi-Influencing-Factor-Methode (MIF) und der Analytische Hierarchieprozess (AHP) im Geographischen Informationssystem (GIS) unter Verwendung herkömmlicher und Fernerkundungsdaten (RS) angewandt, um geeignete RWH-Standorte und geeignete Baustrukturen im Einzugsgebiet des Panjkora-Flusses in der Hindu-Kush-Region im Norden Pakistans auszuwählen. Laut den Ergebnissen der MIF- (bzw. AHP-) Methode weist das Untersuchungsgebiet 80,22 (1572,58) km2 weniger geeignete Fläche, 1681,99 (1605,69) km2 mäßig geeignete Fläche, 3116,10 (1768,62) km2 geeignete Fläche, 844,86 (689,15) km2 hoch geeignete Fläche und 35,10 (122,61) km2 sehr hoch geeignete Fläche für RWH-Bauwerke auf. Die resultierenden Karten wurden mittels Receiver-Operating-Characteristic- und Fläche-unter-der-Kurve-Tests (ROC-AUC) validiert (MIF-Score = 0,724 und AHP-Score = 0,692), um die Genauigkeit und Robustheit der Modelle zu überprüfen. Diese Studie, die Ergebnisse mit vielversprechender Genauigkeit liefert, wird neue technische Erkenntnisse zu diesem Thema bereitstellen und die Weiterentwicklung sowie die Eignung und Anwendbarkeit der Modelle unter unterschiedlichen hydro-meteorologischen und physiographischen Bedingungen unterstützen. Insgesamt identifizierten beide Modelle erfolgreich geeignete Standorte für die Regenwassernutzung; das MIF-Modell zeigte jedoch im Vergleich zum AHP-Modell eine höhere Vorhersagegenauigkeit und räumliche Zuverlässigkeit. Der vorgeschlagene GIS-basierte Ansatz kann die nachhaltige Planung der Regenwassernutzung und das Management der Wasserressourcen in bergigen Einzugsgebieten unterstützen.
Einleitung
Wasserknappheit, einschließlich der Erschöpfung von Oberflächen- und Grundwasserressourcen, ist in vielen Entwicklungsländern zu einer großen Herausforderung geworden1. Rasantes Bevölkerungswachstum, Urbanisierung, agrarische Expansion, komplexe Topographie und sich verändernde klimatische Bedingungen haben den Druck auf verfügbare Wasserressourcen verstärkt2,3. In wasserarmen Regionen hat die übermäßige Entnahme von Grundwasser zur Deckung des häuslichen und landwirtschaftlichen Bedarfs zu sinkenden Grundwasserspiegeln und einer verringerten langfristigen Wasserversorgungssicherheit geführt. Daher sind nachhaltige Wasserbewirtschaftungsstrategien dringend erforderlich, insbesondere in Regionen mit raschem Bevölkerungswachstum, hoher Anfälligkeit der Wasserressourcen gegenüber dem Klimawandel und steigendem Wasserbedarf, wie beispielsweise in Pakistan. Unter den verschiedenen Anpassungsstrategien hat die Regenwassernutzung (RWH) sich als wirksame Methode zur Erhaltung von Regenabfluss und zur Ergänzung verfügbarer Wasserressourcen etabliert4. RWH-Systeme sammeln und speichern Regenwasser in feuchten Perioden für die spätere Nutzung und stellen so eine nachhaltige Alternative zur Bewältigung von Wasserknappheit auf lokaler und regionaler Ebene dar5,6. Der Erfolg von RWH-Systemen hängt jedoch weitgehend von der Identifizierung geeigneter Standorte und geeigneter Sammelstrukturen ab. Die Standortauswahl ist ein komplexer Prozess, da sie von zahlreichen physiographischen, umweltbezogenen, hydrologischen und sozioökonomischen Faktoren beeinflusst wird, die räumlich variieren7,8. Traditionell wurden Geländeerhebungen zur Identifizierung potenzieller RWH-Standorte verwendet; diese Ansätze sind jedoch oft kostspielig, zeitaufwändig und für große und unzugängliche Gebiete, insbesondere bergige Regionen, unpraktikabel. Daher werden Geoinformationssysteme (GIS) und Fernerkundung (RS) zunehmend als effiziente Alternativen für die Bewertung von RWH auf regionaler Ebene eingesetzt9. Die GIS-basierte multikriterielle Bewertung (MCE) bietet einen wirksamen Rahmen zur Integration verschiedener thematischer Layer, einschließlich Niederschlag, Abfluss, Hangneigung, Bodeneigenschaften, Landnutzung/Bedeckung, Entwässerungsdichte und sozioökonomische Parameter, um geeignete RWH-Zonen zu identifizieren10,11. Fernerkundungsdatensätze verbessern diesen Ansatz weiter, indem sie kostengünstige räumliche Informationen über große und unzugängliche Gebiete bereitstellen, einschließlich Landbedeckung, Geomorphologie, Bodeneigenschaften und hydrologische Merkmale12. Pakistan gehört zu den Ländern, die aufgrund steigenden Wasserbedarfs, klimatischer Variabilität und Abhängigkeit von landwirtschaftlich geprägten Lebensgrundlagen schwerwiegende Wasserprobleme erleben13. Die agrarisch geprägte Wirtschaft des Landes erfordert umfangreiche Wasserressourcen, während sinkende Grundwasserspiegel und unregelmäßige Niederschlagsmuster die Anfälligkeit gegenüber Wasserknappheit erhöhen. Folglich sind Regenwassererhaltung und -speicherung zu wichtigen Strategien zur Verbesserung der Wasserverfügbarkeit geworden, insbesondere in wasserarmen und bergigen Regionen12,14. Frühere Studien haben die Wirksamkeit von GIS- und RS-basierten Ansätzen zur Standortauswahl für RWH durch Integration umweltbezogener und sozioökonomischer Parameter nachgewiesen15,16,17,18. Mehrere Forscher haben verschiedene multikriterielle Entscheidungstechniken angewandt, darunter den Analytischen Hierarchieprozess (AHP), Fuzzy-AHP und andere Gewichtungsansätze, um geeignete RWH-Standorte unter unterschiedlichen Umweltbedingungen zu identifizieren19. Trotz erheblicher Fortschritte kann die Leistungsfähigkeit verschiedener multikriterieller Entscheidungsansätze je nach regionalen Umweltmerkmalen, verfügbaren Datensätzen und expertenbasierten Gewichtungssystemen variieren. Insbesondere gibt es nur wenige Studien, die die Effektivität verschiedener Ansätze unter ähnlichen Einzugsgebietsbedingungen vergleichen. Daher ist die Bewertung und der Vergleich alternativer Entscheidungstechniken entscheidend, um die Zuverlässigkeit von Eignungsbewertungen für RWH-Standorte zu verbessern. Die vorliegende Studie schließt diese Forschungslücke, indem sie die Multi-Influencing-Factor-(MIF)- und Analytic-Hierarchy-Process-(AHP)-Techniken zum Vergleich für die Identifizierung geeigneter RWH-Standorte im Panjkora-Becken in Pakistan heranzieht. Es wird angenommen, dass die Einbeziehung verschiedener Variablen wie Topographie, geologische Eigenschaften, Dynamik der Landbedeckung, Dichte von Entwässerungslinien, Bodeneigenschaften und Niederschlag in GIS mithilfe eines multikriteriellen Entscheidungsansatzes die besten geeigneten RWH-Standorte in einem bergigen Umfeld identifizieren kann. Die Studie liefert wertvolle Erkenntnisse zur Anwendbarkeit GIS-basierter Entscheidungsunterstützungssysteme für die nachhaltige Planung von Wasserressourcen in bergigen Regionen.
Protokoll
Diese Studie umfasste geospatiale, Fernerkundungs- und Feldvalidierungsdaten und beinhaltete keine menschlichen Probanden, identifizierbaren personenbezogenen Daten, Tiere oder Wirbeltiergewebe; daher war keine institutionelle Genehmigung durch einen Ethikausschuss für Menschen- oder Tierversuche erforderlich.
Studienregion
Das Einzugsgebiet des Panjkora-Flusses ist eine wichtige physiographische Region im östlichen Hindukusch-Gebirge im Norden Pakistans (Abbildung 1). Der Panjkora-Fluss ist der Hauptfluss des Beckens (113 km lang mit einem Einzugsgebiet von 5758,27 km2) und entspringt als Wildbach aus den eisbedeckten Bergen des Hindukusch. Er mündet in der Nähe von Chakdara, Dir Lower, in den Swat-Fluss20. Dem Panjkora-Fluss schließen sich fünf bedeutende Wildbäche oder Ströme an, darunter Barawal, Dir, Gawaldai, Jandol und Kohistan. Er erstreckt sich von 34°39′30′′ bis 35°46′1′′ nördlicher Breite und von 71°13′08′′ bis 72°22′13′′ östlicher Länge. Die Lage und die raue Topographie der Region beeinflussen das Klima (gebirgig und gemäßigt) erheblich. Die obere Region (Kumrat, Thal) des Beckens weist eine längere Wintersaison und kühlere Sommer auf. Ab November sinken die Temperaturen stark ab. In Dir Lower (Timergara, Talaash, Maidan, Samarbagh) liegt die Temperatur jedoch von Dezember bis Februar gewöhnlich über dem Gefrierpunkt. Die wärmsten Monate in Timergara sind Juni bis August mit durchschnittlichen Maximaltemperaturen über 35 °C, während Juni und Juli die heißesten Monate in Dir Town sind (mit Maximaltemperaturen von 32,4 °C bzw. 31,5 °C). Die Monsunzeit ist die Quelle für die Sommerregenfälle, während die winterlichen Niederschläge durch westliche Depressionen verursacht werden. Das Untersuchungsgebiet zeichnet sich das ganze Jahr über durch eine hohe relative Luftfeuchtigkeit aus. Fluss- und Sturzfluten21 treten (fast) jedes Jahr auf, insbesondere in Gebieten ober- und unterhalb von Wari. Zu den wichtigsten in der Region angebauten Kulturpflanzen gehören Reis, Weizen, Mais, Kartoffeln und Zwiebeln, während in der Studienregion bedeutende Früchte wie Kakis, Orangen, Äpfel, Walnüsse, Aprikosen, Pflaumen, Litschis und Maulbeeren angebaut werden.
Abbildung 1: Kartendarstellung des Untersuchungsgebiets des Panjkora-Flusseinzugsgebiets im Norden Pakistans. (A) Lage von Khyber Pakhtunkhwa innerhalb Pakistans; (B) Lage des Panjkora-Flusseinzugsgebiets innerhalb von Khyber Pakhtunkhwa; und (C) Panjkora-Flusseinzugsgebiet mit Darstellung der Beckengrenze, der Höhenverteilung, des Flussnetzes und der wichtigsten Orte innerhalb des Untersuchungsgebiets. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Datenerhebung und -aufbereitung
Für diese Studie wurden die Daten aus verschiedenen Quellen gesammelt. Niederschlagsdaten wurden von der Global Precipitation Measurement (GPM) der National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM von 2014 bis 2023 heruntergeladen. Die Bodentexturdaten stammten von der Direktion für Bodenerhebungen in Khyber Pakhtunkhwa, Pakistan (www.soilconservation.kp.org). Die geologischen Daten wurden vom regionalen Büro des Geological Survey of Pakistan (https://gsp.gov.pk/) bezogen. Zur Erfassung und Berechnung von Landnutzungsszenarien (Landnutzung/Bodendeckung) wurden Sentinel-2-Bilder von der European Space Agency (ESA) Copernicus Open Access Hub (https://scihub.copernicus.eu/) bezogen. Für die Kartierung der Landnutzung/Bodendeckung (LULC) wurde ein Sentinel-2B-Satellitenbild vom 10. September 2025 verwendet. Das Bild wurde mithilfe des Maximum-Likelihood-Klassifizierungs-(MLC-)Algorithmus verarbeitet und klassifiziert. Insgesamt wurden 65 Trainingsstichproben aus dem Untersuchungsgebiet erhoben, die sieben LULC-Klassen repräsentieren: Gewässer, Wald, Ackerland, städtische Gebiete, kahler Boden, Schnee/Eis und Weideland. Die erstellten Trainingsstichproben wurden zur Durchführung einer überwachten Klassifizierung und zur Erstellung der endgültigen LULC-Karte verwendet. Die Klassifizierungsgenauigkeit wurde anhand eines Genauigkeitsbewertungsverfahrens auf Grundlage von Validierungsstichproben bewertet, einschließlich Gesamtgenauigkeit und Kappa-Koeffizient. Das digitale Höhenmodell (DEM) mit einer räumlichen Auflösung von 12,5 Metern wurde am 2.12.2023 von der Alaska Satellite Facility (ASF) (https://asf.alaska.edu/) bezogen. Das DEM wurde anschließend zur Erzeugung von Hangneigungs-, Entwässerungsnetz-, Entwässerungsdichte- und Höhenlagenkarten verwendet. Daten zu bestehenden Regenwassersammelanlagen wurden zu Zwecken der Kreuzvalidierung von den zuständigen Behörden gesammelt.
Alle räumlichen Datensätze wurden mit einer Geoinformationssystem-Software (GIS) verarbeitet und analysiert (siehe Tabelle der Materialien). Die thematischen GIS-Layer-Daten sind in Zusatzdatei 1 enthalten. Alle Eingabedatensätze wurden in ein gemeinsames projiziertes Koordinatenreferenzsystem (CRS) (WGS 1984 UTM Zone 42N) umprojiziert, um räumliche Konsistenz und genaue Flächenberechnungen sicherzustellen. Rasterdatensätze mit unterschiedlichen räumlichen Auflösungen wurden mittels der Nearest-Neighbor-Resampling-Methode auf ein gemeinsames Raster umgewandelt und ausgerichtet, wobei die ursprünglichen räumlichen Eigenschaften kategorischer Datensätze erhalten blieben. Das digitale Höhenmodell (DEM) mit einer räumlichen Auflösung von 12,5 m diente als Referenzraster für die räumliche Ausrichtung, und alle thematischen Layer wurden in Rasterformat mit gleicher Zellgröße und Ausdehnung konvertiert. Die Untersuchungsgebietsgrenze des Panjkora-Flusseinzugsgebiets wurde als Maske verwendet, um alle Eingabeschichten zu extrahieren und eine einheitliche räumliche Ausdehnung für die Analyse sicherzustellen. Fehlende Pixel und Bereiche außerhalb der Beckengrenze wurden von der Analyse ausgeschlossen und als NoData-Werte behandelt. Die thematischen Layer (Niederschlag, Hangneigung, Entwässerungsdichte, Lineamentdichte, Boden, Geologie und Landnutzung/Landbedeckung) wurden mittels der Jenks-Natürliche-Unterbrechungen-Klassifizierungsmethode in Eignungsklassen reklassifiziert, und entsprechende Ränge/Gewichtungen wurden basierend auf den MIF- und AHP-Ansätzen zugewiesen. Tabelle 1 zeigt die Datenquellen.
Tabelle 1: Datenquellen und Merkmale, die für die Eignungsbewertung der Regenwassernutzung verwendet wurden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Eignungsmodellierung von MIF
Zunächst erfolgt die Auswahl verschiedener Parameter anhand einer Literaturrecherche12. Zur Bestimmung geeigneter Standorte für die Regenwassernutzung (RWH) wurden Niederschlag, Lithologie, Lineamentdichte, Entwässerungsdichte, Bodenstruktur, Hangneigung sowie Landnutzung/-bedeckung als unterschiedliche Einflussfaktoren berücksichtigt. Zu diesem Zweck wurde eine Vorverarbeitung der Parameter durchgeführt, um die Einflussskala der Parameter zu erstellen; anschließend wurden die Daten entsprechend ihrer Bedeutung für die Regenwassernutzung kategorisiert, und die jeweilige Haupt- und Nebenbedeutung wurde mithilfe der Formel für mehrfache Einflussfaktoren ermittelt (Gleichung 1). Tabelle 2 zeigt die jeweilige Haupt- und Nebenbedeutung der verschiedenen Faktoren22 (siehe Zusatzdatei 2)
Tabelle 2: Ausgewählte Einflussfaktoren und ihre Haupt- und Nebeneinflusswerte, die im Multi-Einflussfaktor-Modell (MIF) verwendet werden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Die ausgewählten Faktoren wurden anhand der Beziehung bewertet,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
wobei Y den geringeren Effekt der Faktoren und X den stärkeren Effekt bezeichnet. Die starken und schwachen Einflüsse jedes Faktors werden mithilfe von Gleichung 1 berechnet.
Die maßgeblichen (X) und untergeordneten (Y) Einflusswerte wurden basierend auf früheren Studien und der hydrologischen Bedeutung jedes Faktors bei der Steuerung von Oberflächenabfluss, Infiltration und Regenwassernutzungspotential zugewiesen12. Faktoren, die einen direkten Einfluss auf die Eignung für die Regenwassernutzung (RWH) haben, erhielten einen maßgeblichen Einfluss, während ein untergeordneter Einfluss indirekte Beziehungen zwischen den steuernden Parametern darstellte. Die Faktorgewichtungen wurden mithilfe von Gleichung (1) berechnet, indem die kombinierten maßgeblichen und untergeordneten Einflusswerte normalisiert wurden. Die Unterklassengewichtungen wurden entsprechend ihrem relativen Beitrag zur Abflussansammlung, Infiltrationskapazität, Wasserspeicherungsfähigkeit und Eignung für RWH-Anlagen festgelegt. Dieser Ansatz gewährleistete einen transparenten und reproduzierbaren Rahmen für die Gewichtung in der GIS-basierten Eignungsanalyse.
Die relative Wichtigkeit gemäß Saatys Skala ist in Tabelle 3 dargestellt.
Tabelle 3: Saatys Skala der relativen Wichtigkeit, verwendet für die Analytic-Hierarchy-Process-(AHP)-Analyse. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Die Bewertungsergebnisse der einzelnen Parameter werden zusammengeführt, wobei jedes Teilergebnis der MIF-Parameter in Tabelle 4 aufgeführt ist. Mithilfe der Neuklassifizierungstechnik wird die MIF-Ausgabe in fünf Kategorien für die Regenwassernutzung eingeteilt. Schließlich werden Karten der endgültigen Standorte erstellt und analysiert, die für die Errichtung verschiedener RWH-Strukturen wie Sperren, Feldteiche, Rillenstopfen und anderer strukturbezogener Maßnahmen zur Bewahrung empfohlen werden. Abbildung 2 zeigt das methodische Vorgehen.
Abbildung 2: Methodischer Rahmen zur Eignungsbeurteilung von Standorten für die Regenwassersammlung unter Verwendung GIS-basierter MIF- und AHP-Modelle. Der Rahmen veranschaulicht die Erfassung und Verarbeitung von Feldbefund-, Geologie-, Boden-, ALOS PALSAR DEM-, ESA- und GPM-Daten zur Ableitung thematischer Layer, einschließlich Geologie, Boden, Hangneigung, Entwässerungsdichte, Lineamentdichte, Landnutzung/Landbedeckung (LULC) und Niederschlag. Diese Layer wurden mithilfe des Multi-Influencing-Factor-(MIF)-Ansatzes integriert, um die Eignungskarte für Regenwassersammlung (RWH) zu erstellen, gefolgt von einer feldbasierten Validierung zur Erstellung der endgültigen validierten Karten Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Tabelle 4: Auf dem Multi-Influencing-Factor (MIF)-Ansatz basierende Ränge und Gewichtungen thematischer Faktoren und Untergruppen für die Eignungskartierung von Regenwassersammlung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Modellierung der Eignung für AHP
Der Analytische Hierarchieprozess (AHP) ist eine effektive Methode zur Bewältigung schwieriger Entscheidungssituationen, die dem Entscheidungsträger dabei hilft, Prioritäten festzulegen und die beste Option auszuwählen23. Die AHP-Methode bietet einen systematischen Rahmen zur Strukturierung und Bewertung komplexer Entscheidungen durch die Anwendung mathematischer Verfahren und fachkundiger Kenntnisse24. AHP unterstützt die Identifizierung sowohl subjektiver als auch objektiver Aspekte einer Entscheidung, indem komplexe Urteile über paarweise Vergleiche vereinfacht und anschließend ausgewertet werden25. Aufgrund der subjektiven oder individuellen Sichtweisen, die den Vergleichen zugrunde liegen, entstehen zwangsläufig gewisse Diskrepanzen. Durch die Berechnung des Konsistenzverhältnisses und die Reduzierung von Entscheidungsfehlern bietet die AHP-Methode ein nützliches Instrument zur Beurteilung der Konsistenz der Urteile des Entscheidungsträgers und gewährleistet so die Kohärenz der Wahrnehmungen. Einer der Hauptvorteile des AHP ist das Konsistenzverhältnis, das den Grad der Konsistenz zwischen paarweisen Vergleichen verschiedener Kriterien quantifiziert26,27,28,29. Geographische Dateneingaben werden vom AHP kombiniert und in ein Entscheidungsergebnis umgewandelt. Unter Verwendung der Skala von Saaty (Tabelle 3) wird qualitatives Datenmaterial zu verschiedenen Themen und Merkmalen durch Erstellung einer Matrix paarweiser Vergleiche in quantitative Daten umgewandelt30,31. Der grundlegende Prozess umfasst die Festlegung des Ziels, die Betrachtung und Bewertung der Faktoren oder Kriterien, die die endgültige Entscheidung beeinflussen, sowie die Zuweisung einer Bewertung zu jedem Kriterium mithilfe der Skala von Saaty. Um die Konsistenz der zugewiesenen Gewichtungen zu überprüfen, wurde das von Saaty vorgeschlagene Konsistenzverhältnis (CR)23 mit den Gleichungen 2 und 3 berechnet:
KR = KI/RKI (2)
wobei CI der Konsistenzindex und RCI der zufällige Konsistenzindex ist.
Der Konsistenzindex (CI) ergibt sich aus der Gleichung:
(3)
wobei n die Anzahl der Kriterien und λmax der größte Eigenwert ist. Der durchschnittliche Wert des Konsistenzindex wird durch den Zufallsindex geschätzt.
Auswahl der RWH-Struktur
Nutzung und Bedeckung der Erdoberfläche (LULC)
Die Landnutzung beschreibt die Nutzung des Landes, während die Landbedeckung die natürlichen Merkmale des Geländes beschreibt. Wichtige Informationen zur Abflussverbreitung sind in der LULC32 enthalten. In vegetationsbedeckten Gebieten sind höhere Absorptions- und Infiltrationsraten mit geringerem Oberflächenabfluss verbunden, während kahles Gelände und besiedelte Flächen eine starke Abflussbildung begünstigen33,34. Zur Erstellung der Landnutzungs- und Landbedeckungsmuster des Untersuchungsgebiets wurden Satellitendaten von Sentinel-2b verwendet. Die Landnutzung des Einzugsgebiets des Panjkora-Flusses wurde in sieben Klassen unterteilt: Gewässer, Wald, Acker- und landwirtschaftliche Flächen, Siedlungsflächen, kahles Gelände, Schnee/Eis sowie Weideland. Die den verschiedenen Landnutzungs- und Landbedeckungsklassen zugeordneten Gewichtungsfaktoren basierten auf deren Einfluss auf die Abflussbildung, Infiltration und das Regenwasserspeichervermögen. Ackerland erhielt die höchste Eignungsbewertung, da es in der Regel einen mäßigen Abfluss erzeugt und direkt von gesammeltem Wasser zur Bewässerung profitiert. Kahles Gelände erhielt ebenfalls ein relativ hohes Gewicht, da spärliche Vegetation und unbedeckte Bodenflächen einen größeren Oberflächenabfluss begünstigen als dicht bewachsene Bereiche. Im Gegensatz dazu wurden bewaldeten Flächen niedrigere Gewichte zugewiesen, da dichte Vegetation Niederschlag abfängt, die Infiltration durch ausgedehnte Wurzelsysteme erhöht und den Oberflächenabfluss verringert. Siedlungsgebiete und bestehende Gewässer erhielten eine geringere Eignung, da dort entweder kaum Möglichkeiten zur Errichtung zusätzlicher Regenwassernutzungsanlagen bestehen oder die Flächen bereits durch versiegelte Oberflächen beziehungsweise bestehende Gewässer belegt sind (Abbildung 3A).
Entwässerungsdichte
Die Grundwasserinfiltration und Oberflächenabfluss eines Gebiets werden durch die Entwässerungsdichte beschrieben. Die Entwässerungsdichte spiegelt sowohl die unterirdische hydrologische Formation als auch die Oberflächenmerkmale wider. Sie zeigt die Dichte der Kanalnetze und die Eigenschaften des Oberflächenmaterials an. Der Abfluss nimmt mit abnehmender Entwässerungsdichte ab und umgekehrt12. In Gebieten mit geringer Entwässerungsdichte finden sich im Allgemeinen geringere Infiltration und geringerer Abfluss, und umgekehrt. Dichte Entwässerungsnetze sind für die Regenwassersammlung unerlässlich. Regenwassernutzungssysteme (RWH) eignen sich besser für Gebiete mit höherer Entwässerungsdichte, da sie ein System bereitstellen, das den Wasserfluss ermöglicht und das Wasser schnell zu einer Sammelstelle leitet34,35. Die Entwässerungsdichte des Einzugsgebiets des Panjkora-Flusses wurde anhand der Jenks-Natürliche-Unterbrechungen-Klassifizierung in fünf Klassen eingeteilt: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 und 79,089–161,34 km/km². Zonen mit geringer bis mäßiger Entwässerungsdichte erhielten einen höheren Gewichtungswert, da sie als ideale Standorte für die Regenwassernutzung gelten (Abbildung 3B).
Linienhaftigkeitsdichte
Lineamente sind lineare unterirdische Strukturen, die typischerweise aus geologischen Karten abgeleitet werden und sich auch auf Satellitenbildern erkennen lassen. Lineamente (unter Zonen lokalisierten oder strukturellen Verwitterns begraben) weisen eine erhöhte Porosität und Durchlässigkeit auf12. Die Lineamente wurden aus einem Landsat-8-Bild mithilfe einer Software zur Fernerkundungs-Bildverarbeitung extrahiert. Mit dem Werkzeug zur Liniendichteberechnung wurde die Rasterkarte der Lineamente erstellt. Die Lineamentendichte wurde anschließend mittels der Jenks-Natürliche-Sprünge-Klassifizierungsmethode in fünf Klassen unterteilt: 0,0072–0,406 km/km2, 0,406–0,664 km/km2, 0,664–0,921 km/km2, 0,921–1,33 km/km2 und 1,33–2,13 km/km2 (Abbildung 3C).
Boden
Die Bodenstruktur ist ein wichtiger Faktor hinsichtlich der Planung und Standortauswahl von Regenwassernutzungssystemen (RWH). Die Infiltrationskapazität des Bodens wird durch seine Textur bestimmt. Im Allgemeinen erzeugen sandige Böden im Vergleich zu tonigen Böden geringe Abflussmengen36. Die prozentualen Anteile von Schluff, Sand und Ton definieren die texturale Klasse des Bodens. Tonböden weisen eine geringe Durchlässigkeit auf und können das gesammelte Wasser gut speichern, weshalb Gebiete mit mittel- und feinkörnigen Böden häufig für die Regenwassersammlung bevorzugt wurden8,37. Die Untersuchungsregion zeichnet sich durch fünf Bodentexturen aus: Gletscher und Schneekappen, lehmiger Boden, nicht-kalkhaltiger toniger Boden, flacher lehmiger nicht-kalkhaltiger Boden, sehr flacher lehmiger Boden und Felsgesteinsaustritte (Abbildung 3D).
Steigung
Infiltration und Oberflächenabfluss werden erheblich durch die Topographie beeinflusst8. Die Hangneigungsvariabilität des Einzugsgebiets hat deutliche Auswirkungen auf die Wasserbewegung während und nach einem Starkregen. Die Errichtung von RWH-Anlagen in Gebieten mit steilem Hang ist aufgrund des hohen Aufwands an Erdarbeiten nicht kosteneffizient38. Für ein hohes RWH-Potenzial ist ein flacher Hang der geeignetste Standort. RWH-Anlagen sind in Gebieten mit steilem Hang (Hangneigungen größer als 5 %) nicht langlebig39. In Gebieten mit steileren Hängen werden zudem Maßnahmen zur Erosionskontrolle berücksichtigt40. Die Hangneigung wurde in Grad berechnet, und das Untersuchungsgebiet wurde mithilfe der Jenks-Natural-Breaks-Klassifizierung in fünf Klassen unterteilt: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° und 42,5°–82° (Abbildung 3E).
Regenfall
Niederschlag ist die Hauptkomponente, die Oberflächenabfluss verursacht. Niederschlagsdaten, die Daten der Global Precipitation Measurement (GPM), wurden von NASA https://gpm.nasa.gov/missions/GPM von 2014 bis 202341 heruntergeladen. Die GPM-Niederschlagsdaten des Zeitraums 2014–2023 und die Jenks-Natürliche-Unterbrechungen-Klassifizierung wurden verwendet, um das Untersuchungsgebiet in fünf Niederschlagsklassen (mm) einzuteilen: 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 und 68,646–76,894 (Abbildung 3F).
Geologie
Die physikalische Zusammensetzung eines Einzugsgebiets und die Menge des erzeugten Bodens werden stark von der Geologie des Gebiets beeinflusst. Geologische Merkmale steuern den Wasserfluss in unterirdische Aquifere40. Sediment- und Metamorphgesteine sind die beiden Haupttypen von Gesteinen, die im untersuchten Gebiet vorkommen. Die Lithologie wurde allgemein unterteilt in unterpaläozoische Gesteine, kohlenhaltige Sedimentgesteine, kreidezeitliche Sedimentgesteine, mesozoische intrusive und metamorphe Gesteine, triassische Gesteine, ungeteilte paläozoische Gesteine, ungeteilte paläozoische und ungeteilte präkambrische Gesteine sowie ungeteilte silurische Gesteine. Die Art der Lithologie beeinflusst maßgeblich die Verfügbarkeit und Speicherkapazität; bestimmte Gesteine können Oberflächenwasser durchlässiger machen und das Aquifer auffüllen41. Andererseits ermöglichen einige Gesteine den Durchtritt von Wasser und tragen zur Grundwasseranreicherung bei. Die Lithologie kontrolliert stark die Abflussbildung durch ihre Auswirkungen auf Durchlässigkeit, Porosität und Infiltrationskapazität. Im Panjkora-Becken weisen kompakte metamorphe Gesteine im Allgemeinen eine geringere primäre Porosität und Durchlässigkeit auf als unverfestigte oder hochporöse sedimentäre Ablagerungen. Folglich ist es bei Niederschlag weniger wahrscheinlich, dass das Wasser eindringt, und wahrscheinlicher, dass Oberflächenabfluss entsteht, wodurch diese Gesteinsformationen besser für Oberflächenregenwassersammlungsanlagen geeignet sind. Im Gegensatz dazu erlauben sedimentäre Formationen, die grobkörnige oder sandige Materialien enthalten, in der Regel eine stärkere Infiltration, wodurch der für die Speicherung verfügbare Oberflächenabfluss reduziert wird. Daher wurden metamorphen Gesteinen höhere Eignungsgewichte zugewiesen, während sedimentären Formationen relativ niedrigere Gewichte zugewiesen wurden. Abbildung 3G zeigt die geologische Karte des Panjkora-Flusseinzugsgebiets. Alle Daten sind in Zusatzdatei 1 und 3 verfügbar.
Abbildung 3: Räumliche Verteilung der thematischen Faktoren, die für die Bewertung von Standorten zur Regenwassersammlung im Einzugsgebiet des Panjkora-Flusses verwendet wurden. (A) Landnutzung/Landbedeckung, (B) Entwässerungsdichte, (C) Lineamentdichte, (D) Bodenstruktur, (E) Hangneigung, (F) Niederschlag und (G) Geologie. Unterschiedliche Farben repräsentieren die jeweiligen Klassen jedes thematischen Faktors. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Ergebnisse
Umklassifizierung thematischer Karten für das MIF-Modell
Nutzung der Landbedeckung und Regenwassernutzung
Die Landnutzung des Einzugsgebiets des Panjkora-Flusses wurde in sieben Klassen eingeteilt, und zwar in: Gewässer, Waldfläche, Acker- und Agrarland, Urbanes Land, Unbewachsenes Land, Schnee und Eis sowie Weidegebiete. Regionen, in denen die Regenwassernutzung (RWH) lebenswichtig ist, erhielten basierend auf Literaturangaben ein hohes Gewicht. Acker- und ungenutzte Flächen erhielten eine höhere Eignung, da diese Landbedeckungsklassen im Allgemeinen einen größeren Oberflächenabfluss erzeugen als dicht bewaldete Gebiete und günstige Standorte zur Speicherung des gesammelten Regenwassers für die landwirtschaftliche Nutzung bieten. Bewaldete Bereiche erhielten eine geringere Eignung, da eine hohe Vegetationsbedeckung die Niederschlagsinterzeption und -infiltration fördert und somit die Abflussbildung verringert. Urbane Gebiete und bestehende Gewässer erhielten geringere Gewichtungen, da sie nur begrenzte Möglichkeiten für neue Maßnahmen zur Regenwassernutzung bieten. Acker- und ungenutzte Flächen erhielten im Kontext der Regenwassernutzung ein höheres Gewicht, während Oberflächengewässer und urbane Gebiete ein geringeres Gewicht erhielten (Abbildung 4A). Den LULC-Klassen wurden Gewichtungen entsprechend ihrer relativen Bedeutung für die Eignung zur Regenwassernutzung zugewiesen (Tabelle 4): Gewässer (1), ungenutztes Land (6), Waldbedeckung (2), urbane Gebiete (1) und Ackerland (7).
Entwässerungsdichte und RWH
Die Infiltration von Grundwasser und die Oberflächenabflussmenge werden durch die Entwässerungsdichte beschrieben. Gebiete mit geringem Abfluss wiesen eine hohe Infiltration auf, während Gebiete mit geringer Entwässerungsdichte eine niedrigere Infiltration zeigten. Zonen mit geringer und mäßiger Entwässerungsdichte erhielten eine hohe Bewertung (7, 4), während hohe und sehr hohe Entwässerungsdichten die niedrigsten Gewichtungen (3, 2) erhielten, basierend auf23 (Abbildung 4B). Gebiete mit geringer und mäßiger Entwässerungsdichte wurden als am besten geeignet für die Regenwassernutzung (RWH) in der Region eingestuft.
Linienhaftigkeitsdichte und RWH
Die Linienhaftigkeitsdichte des Untersuchungsgebiets wurde mithilfe der Jenks-Natural-Breaks-Klassifizierungsmethode in fünf Klassen eingeteilt, nämlich sehr hohe Eignung, hohe Eignung, mittlere Eignung, geringe Eignung und sehr geringe Eignung, und entsprechend wurden die Gewichtungen (7, 4, 3, 2, 1) zugewiesen (Abbildung 4C und Tabelle 4). Im Untersuchungsgebiet galten Zonen mit hoher Dichte als am wenigsten geeignet für die Regenwassernutzung, während Zonen mit niedriger Dichte als potenziell sehr geeignet erachtet wurden und daher einen höheren Gewichtungswert erhielten.
Boden und RWH
Fünf Arten der Bodenstruktur wurden kartiert, d. h. (Gletscher und Schneefelder), (lehmiger, toniger, nicht-kalzinhaltiger Boden), (flacher lehmiger, nicht-kalzinhaltiger Boden), (sehr flacher lehmiger Boden) und (Felsaufschlüsse) (Abbildung 4D). Bei der Gewichtung wurden die Wasserspeicherfähigkeit und die Durchlässigkeit berücksichtigt. Die Fähigkeit von lehmigem und tonigem Boden, Wasser an der Oberfläche zu speichern, erhielt gemäß Saaty23 das höchste Gewicht. Sehr flacher montaner Lehm hat aufgrund seiner hohen Porosität und hohen Durchlässigkeit einen niedrigen Gewichtswert.
Neigung und RWH
Die Neigungswerte wurden basierend auf der Jenks-Natürliche-Unterteilungen-Klassifizierung in fünf Klassen eingeteilt, und zwar (0–11,9) Grad, (12–22,5) Grad, (22,6–31,8) Grad, (31,9–42,4) Grad und (42,5–82) Grad (Abbildung 4E). Bei der MIF-Technik erhielten Gebiete mit mäßigem Gefälle (12–22,5) einen hohen Wert, während Gebiete mit sehr steilem Gefälle einen niedrigen Wert erhielten. Dies zeigt an, dass dem Gefälle eine Gewichtung zugewiesen wurde. Mit Hilfe der MIF-Modellformel wurden die Gewichte und Ränge der Klassen bestimmt.
Regenfall und Regenwassernutzung
Die GPM-Niederschlagsdaten aus dem Zeitraum 2014–2023 wurden verwendet und gemäß der Klassifizierung nach Junk in fünf Klassen in (mm) eingeteilt, nämlich (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) und (68,646–76,894) (Abbildung 4F). Die Werte wurden basierend auf den Niederschlagsmengen zugewiesen; Gebiete mit hohen Niederschlagsraten erhielten höhere Gewichtungen und umgekehrt.
Geologie und RWH
Der größte Teil des Untersuchungsgebiets besteht aus metamorphen und sedimentären Gesteinen. Die Verfügbarkeit und Speicherkapazität werden maßgeblich durch die Lithologie und den Gesteinstyp beeinflusst; bestimmte Gesteine können Oberflächenwasser durchlassen und den Grundwasserleiter auffüllen. Andererseits ermöglichen einige Gesteine den Durchtritt von Wasser und tragen zur Grundwasseranreicherung bei. Metamorphen Gesteinen wurde eine höhere Eignung zugeordnet, da ihre vergleichsweise geringe Durchlässigkeit die Bildung von Oberflächenabfluss fördert und somit die Menge des zur Nutzung verfügbaren Abflusses erhöht. Im Gegensatz dazu weisen sedimentäre Formationen in der Regel eine höhere Durchlässigkeit und Infiltrationskapazität auf, wodurch ein größerer Teil des Niederschlags in den Untergrund eindringen kann, anstatt zum Oberflächenabfluss beizutragen. Daher wurden metamorphe Gesteine im Untersuchungsgebiet als besser geeignet für die Oberflächenwassersammlung von Regenwasser angesehen. Abbildung 4G zeigt die reklassifizierte geologische Karte.
Gewichtungszuweisung mittels AHP
Gemäß den Empfehlungen von Wind und Saaty23 wurden in der Studie sieben thematische Layer berücksichtigt, denen jeweils ein Gewicht zwischen 1 und 9 basierend auf ihrer Eignung für die Regenwassernutzung zugewiesen wurde. Der Ansatz zeigt an, dass den Merkmalsklassen ebenfalls Gewichte zugewiesen wurden. Tabelle 5 zeigt die Normalisierung der Gewichte, die den Kriterien und ihren Merkmalsklassen mithilfe des AHP-Ansatzes30 zugewiesen wurden. Die Einschätzung durch Experten war entscheidend für die Bestimmung der Gewichte, die den verschiedenen Faktoren basierend auf deren Einfluss auf das Untersuchungsgebiet zugewiesen wurden. Nach der Berechnung erhielten Landnutzung/Landbedeckung (0,23), Niederschlag (0,27), Entwässerungsdichte (0,13), Hangneigung (0,07), Lineamentdichte (0,08), Geologie (0,10) und Boden (0,10) normalisierte Gewichte. Für die thematischen Layer wurde das Konsistenzverhältnis mit Gleichung 3 zu 0,08 berechnet, was unterhalb des Schwellenwerts von 0,10 liegt. Zudem lag das Konsistenzverhältnis der Merkmalsklassen ebenfalls im Bereich von 0,10 (Tabelle 6). Die Layer und Merkmale sind somit im Hinblick auf das Konsistenzverhältnis für die vorliegende Studie konsistent. Um die relative Bedeutung der thematischen Layer zu ermitteln, wurde ebenfalls eine paarweise Analyse durchgeführt, wie Tabelle 5 zeigt.
Tabelle 5: Matrix der paarweisen Vergleiche und normalisierten Gewichtungen der thematischen Faktoren, die im Analytischen Hierarchieprozess (AHP)-Modell verwendet werden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Tabelle 6: Auf dem Analytischen Hierarchieprozess (AHP) basierende Gewichtungen und Rangfolgen thematischer Faktoren und Untergruppen für die Eignungsanalyse der Regenwassernutzung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Abbildung 4: Neu klassifizierte thematische Layer zur Eignungsanalyse für Regenwassersammlung im Einzugsgebiet des Panjkora-Flusses. (A) Neu klassifizierte Landnutzung/-bedeckung, (B) Entwässerungsdichte, (C) Lineamentdichte, (D) Bodenstruktur, (E) Hangneigung, (F) Niederschlag und (G) Geologie. Die Klassen wurden entsprechend ihrer Eignungswerte für die Standortauswahl von Regenwassersammlungsanlagen neu klassifiziert. Zahlen/Farben zeigen die zugewiesenen Eignungsklassen an, die – wo zutreffend – von sehr geringer bis sehr hoher Eignung reichen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Mögliche RWH-Gebiete
Die endgültigen Karten unter Verwendung der MIF- und AHP-Modelltechniken wurden durch Anwendung der gewichteten Überlagerung und der gewichteten Summierung erstellt. Mithilfe dieser beiden Modelle wurde das Untersuchungsgebiet in fünf Klassen eingeteilt (Abbildung 5) basierend auf Eignungsklassen: weniger geeignete, mäßig geeignete, geeignete, hoch geeignete und sehr hoch geeignete Standorte. Die MIF-Ergebnisse im Einzugsgebiet des Panjkora-Flusses für die Regenwassersammlung zeigen, dass 80,22 km2 Bereich weist eine geringere Eignung auf, 1681,99 km2 ist mäßig geeignet, 3116,1 km2 ist geeignet, 844,86 km2 weist eine hohe Eignung und 35,10 km auf2 hat eine sehr hohe Eignung für RWH. Während die AHP-Ergebnisse 1572,58 km aufweisen2 Bereich mit geringerer Eignung, 1605,69 km2 ist mäßig geeignet, 1768,62 km² ist geeignet, 689,15 km² ist weniger geeignet2 weist eine hohe Eignung und 122,611 km auf2 hat eine sehr hohe Eignung (Tabelle 7, Abbildung 5 und Abbildung 6) für RWH. Die Eignungskarten-Ergebnisse auf Basis von MIF und AHP werden bereitgestellt in Zusatzdatei 4.
Tabelle 7: Vergleich der Eignungsklassen für die Regenwassernutzung, abgeleitet aus dem Multi-Influencing-Factor-Modell (MIF) und dem Analytic Hierarchy Process-Modell (AHP). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Abbildung 5: Räumliche Verteilung potenzieller Standorte zur Regenwassergewinnung, identifiziert mittels (A) der MIF-Methode und (B) der AHP-Methode im Einzugsgebiet des Panjkora-Flusses. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 6: Vergleich der Flächen, die anhand verschiedener Eignungsklassen für die Regenwassernutzung mithilfe der Multi-Influencing-Factor-Methode (MIF) und der Analytischen Hierarchie-Prozess-Methode (AHP) klassifiziert wurden. Die Balken zeigen die Fläche (km2) innerhalb jeder Eignungsklasse, einschließlich weniger geeigneter, mäßig geeigneter, geeigneter, hoch geeigneter und sehr hoch geeigneter Zonen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Auswahl geeigneter RWH-Anlagen
Die ingenieurtechnischen Kriterien zur Auswahl geeigneter Standorte für Regenwassersammlungsanlagen (RWH), einschließlich Sperren, Farmteiche und Rillenstopfen, wurden dem Water Harvesting Manual der Ernährungs- und Landwirtschaftsorganisation (FAO) entnommen42. Gemäß den FAO-Richtlinien sollte bei der Auswahl geeigneter RWH-Strukturen die Topographie (Neigung), Entwässerungseigenschaften, Abflusspotential, Bodenart, Lithologie, Landnutzung/-bedeckung sowie Einzugsgebietsbedingungen berücksichtigt werden, um die technische Machbarkeit, strukturelle Stabilität und langfristige Leistungsfähigkeit der Sammelsysteme sicherzustellen. Diese international anerkannten ingenieurtechnischen Kriterien wurden in das auf GIS basierende multikriterielle Bewertungsmodell integriert, das in dieser Studie verwendet wurde. Das Hauptziel der Regenwassererhaltung mithilfe von Abflussregulierungsanlagen (Bänkchenanlage, steingefüllte Dämme, Rillenstopfen und Sperren) besteht darin, den Wasserfluss zu verringern oder zu stoppen. Hangparallele Grabenanlagen und unterirdische Dämme sind zwei wirksame Methoden, mit denen RWH in dürrengefährdeten Gebieten eingesetzt werden kann, um die schwerwiegenden Probleme von Dürre und Wasserknappheit zu bekämpfen43. Nach der Identifizierung potenzieller RWH-Standorte wurden die optimalen Standorte für den Bau der Anlagen festgelegt. Farmteiche, Sperren und Rillenstopfen sind die einzigen drei RWH-Strukturen, die nach einer Analyse der Bedingungen des Untersuchungsgebiets als berücksichtigungswürdig erachtet wurden (Tabelle 8). Farmteiche sind kleine Erdwälle mit einer Neigung zwischen 1 % und 6 %. Das Ziel beim Bau von Farmteichen besteht darin, eine lange Hangneigung in mehrere kürzere, flachere Abschnitte zu unterteilen, um die Fließgeschwindigkeit und die durch Oberflächenabfluss verursachte Erosion zu verringern. Sperren sind bedeutender als andere Bauarten, da sie Bodenerosion reduzieren und Regenwasser speichern können. Der Abstand zwischen zwei Sperren beim Bau einer Kette entlang eines Bachlaufs sollte größer sein als ihre Wasserfläche. Die Regenwassererosion der Oberboden führt zur Bildung von Rillen. Allmählich nimmt die Erosion zu, und eine Rinne erhält eine deutlichere Form. Anschließend werden in bestimmten Abständen Barrieren oder Stopfen aus verschiedenen Materialien quer über die Rinne angebracht, um die Erosion zu stoppen und Regenwasser für die spätere Nutzung zu speichern. Die Karte (Abbildung 7) zeigt die Standorte für die Regenwassersammlung im Einzugsgebiet des Panjkora-Flusses. Die Metadaten zu den identifizierten geeigneten RWH-Standorten sind in Zusatzdatei 5 enthalten.
Tabelle 8: Vorgeschlagene Regenwassersammelstrukturen und ihre geografischen Merkmale im Einzugsgebiet des Panjkora-Flusses. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Abbildung 7: Räumliche Verteilung möglicher Regenwassersammelanlagen im Einzugsgebiet des Panjkora-Flusses. Die Karte zeigt die Standorte vorgeschlagener Sperren, landwirtschaftlicher Teiche und Rillenstopfen in den identifizierten geeigneten Bereichen. Die Beckengrenze und das Entwässerungsnetzwerk sind ebenfalls dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Modellvalidierung
Die Ergebnisse des GIS-basierten Modells erfordern stets eine Überprüfung mit Bodendaten. Nach der Datenauswertung wurde das Gebiet umfassend untersucht und die Ergebnisse mit bestehenden Regenwassernutzungsanlagen im Untersuchungsgebiet abgeglichen. Während der gesamten Erhebung zeigte sich, dass an geeigneten Standorten bereits einige Regenwassersammlungsanlagen errichtet worden waren; diese reichten jedoch für das Gebiet nicht aus. Die Überprüfung der MIF- und AHP-Ergebnisse erfolgte mittels der Methode der Kreuzvalidierung. Die am besten geeigneten Zonen entsprechen den Standorten, an denen machbare Maßnahmen umgesetzt werden können. Zusätzlich wurden während der Geländeerhebung verschiedene Standorte für zukünftige Regenwassernutzungsmaßnahmen identifiziert. Die Validierungspunkte der Geländeerhebung sowie die geographischen Koordinaten sind in Zusatzdatei 6 enthalten. Die statistische Validierung des Modells wurde mittels der Fläche unter der Receiver-Operating-Characteristic-Kurve (ROC AUC) durchgeführt. Die Daten und Ergebnisse der ROC-Analyse für das AHP-Modell sind in Zusatzdatei 7 enthalten. Die ROC-Analyse basierte auf Validierungspunkten des Global Positioning System (GPS) aus dem Feld (Abbildung 8A) sowie den Ergebnissen der AHP- und MIF-Modelle. Die entsprechenden Daten und Ergebnisse der ROC-Analyse für das MIF-Modell sind in Zusatzdatei 8 enthalten. Die MIF-Modelle weisen eine AUC-Kurve von 0,72 auf (Abbildung 8B), das AHP-Modell zeigt einen Wert von 0,69 (Abbildung 8C). Gemäß den allgemein anerkannten Interpretationskriterien für ROC-AUC werden AUC-Werte wie folgt klassifiziert: keine Diskriminierung (0,50), schlecht (0,50 bis 0,60), ausreichend (0,60 bis 0,70), gut (0,70 bis 0,80), sehr gut (0,80 bis 0,90) und hervorragend (0,90 und darüber) – als Maß für die Vorhersagequalität. Demnach zeigte das MIF-Modell eine gute Vorhersagefähigkeit (0,72), während das AHP-Modell eine ausreichende (nahe an gut) Vorhersageleistung aufwies (0,69). Obwohl beide Modelle deutlich besser abschnitten als zufällige Vorhersagen (AUC = 0,50), deutet der höhere AUC-Wert des MIF-Modells auf eine größere Übereinstimmung mit den tatsächlich beobachteten Standorten von Regenwassersammlungsanlagen hin und legt nahe, dass der MIF-Ansatz zur Identifizierung geeigneter RWH-Standorte im gebirgigen Gelände des Panjkora-Beckens zuverlässiger ist. Dennoch ist MIF im Untersuchungsgebiet ein vergleichsweise besseres Modell als AHP. Die überlegene Leistung des MIF-Modells gegenüber dem AHP-Modell ist auf die komplexen ökologischen und geographischen Gegebenheiten des Panjkora-Beckens zurückzuführen. Das Becken zeichnet sich durch ein zerklüftetes Gebirgsgelände, stark variierende Hangneigungen, heterogene lithologische Formationen und vielfältige Muster der Landnutzung/-bedeckung aus, die allesamt die Oberflächenabflussbildung und das Potenzial für Regenwassersammlung stark beeinflussen. Im Gegensatz zur AHP-Methode, die hauptsächlich auf paarweisen Vergleichen durch Experten beruht, berücksichtigt der MIF-Ansatz den relativen Einfluss und die Wechselwirkungen mehrerer Umweltfaktoren flexibler. Dadurch kann das Modell die räumliche Variabilität hydrologischer Prozesse im Einzugsgebiet besser abbilden. Folglich erzeugte das MIF-Modell realistischere Eignungsmuster, was zu einem höheren AUC-Wert und einer besseren Übereinstimmung mit den Standorten bestehender Regenwassersammlungsanlagen führte. Zudem weist das Panjkora-Becken eine erhebliche räumliche Heterogenität in der Niederschlagsverteilung, der Entwässerungsdichte, der Hangneigung, der Bodenbeschaffenheit und den geologischen Bedingungen auf. Diese Faktoren wirken im Einzugsgebiet unterschiedlich zusammen, wodurch der Einfluss einzelner Parameter nicht einheitlich ist. Der MIF-Ansatz ist besser geeignet, diese Variationen abzubilden, da er den kumulativen Einfluss mehrerer bedingender Faktoren bewertet, anstatt sich ausschließlich auf subjektive paarweise Bewertungen zu stützen. Dies hat wahrscheinlich zu seiner verbesserten Vorhersageleistung im Vergleich zum AHP-Modell beigetragen.
Abbildung 8: Überprüfung der Eignungsmodelle für die Regenwassernutzung mittels Receiver Operating Characteristic (ROC)-Analyse. (A) Räumliche Verteilung der feldbasierten Validierungspunkte, die zur Modellverifizierung verwendet wurden; (B) ROC-Kurve und Fläche unter der Kurve (AUC) für das Multi-Influencing-Factor-(MIF-)Modell; und (C) ROC-Kurve und AUC für das Analytic-Hierarchy-Process-(AHP-)Modell. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
VERFÜGBARKEIT VON DATEN:
Die in dieser Studie verwendeten Datensätze sind öffentlich verfügbar oder können von den jeweiligen Organisationen bezogen werden. Die Niederschlagsdaten der Global Precipitation Measurement (GPM) sind im NASA-GPM-Missions-Repository verfügbar (https://gpm.nasa.gov/missions/GPM). Sentinel-2-Satellitenbilder wurden vom ESA Copernicus Open Access Hub bezogen (https://scihub.copernicus.eu/). Das digitale Höhenmodell (DEM) wurde vom Distributed Active Archive Center des Alaska Satellite Facility (ASF) heruntergeladen (https://asf.alaska.edu/). Die extrahierten Daten (Validierung, alle Rasterdaten, alle Metadaten, Modellberechnungen) sind in Zusatzdateien 1–8 enthalten.
Zusatzdatei 1: GIS-Themendaten. Räumliche Daten, die zur Erstellung der thematischen GIS-Layer verwendet wurden, die in die Eignungsanalyse für die Regenwassernutzung einbezogen sind, einschließlich der in der Studie bewerteten Umwelt- und hydrologischen Faktoren.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 2: MIF-Berechnungen. Berechnungen, die zur Bestimmung des relativen Einflusses, der Faktorgewichtungen und der Bewertungen verwendet wurden, die bei der MIF-basierten Eignungsanalyse für die Regenwassernutzung angewendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 3: Reklassifizierte GIS-Layer und Eignungsschwellenwerte. Reklassifizierte thematische Layer sowie die entsprechenden Klassenbereiche, Schwellenwerte, Rangstufen und Eignungsbewertungen, die in den MIF- und AHP-Analysen verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 4: Ergebnisse der Eignungskartierung basierend auf MIF und AHP. Räumliche Ergebnisse der MIF- und AHP-Analysen, die die resultierenden Eignungsklassen für die Regenwassersammlung im Einzugsgebiet des Panjkora-Flusses zeigen.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 5: Metadaten zu den identifizierten geeigneten Standorten für Regenwassersammlung. Metadaten, die mit den Standorten verknüpft sind, die als geeignet für Regenwassersammlungsanlagen identifiziert wurden, einschließlich der verfügbaren räumlichen und standortbezogenen Informationen.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 6: Validierungspunkte der Feldbefragung. Felddaten zur Validierung, einschließlich der geografischen Koordinaten der Validierungspunkte, die zur Bewertung der auf MIF- und AHP-Basis erstellten Eignungskarten für die Regenwassernutzung verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 7: ROC-Analyse für das AHP-Modell. Daten und Ergebnisse der Receiver-Operating-Characteristic-(ROC)-Analyse, die zur Bewertung der Vorhersageleistung des Analytischen Hierarchieprozesses (AHP) verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Zusatzdatei 8: ROC-Analyse für das MIF-Modell. Daten und Ergebnisse der ROC-Analyse zur Bewertung der Vorhersageleistung des Multi-Influencing-Factor-Modells (MIF).Bitte klicken Sie hier, um diese Datei herunterzuladen.
Diskussion
Diese Studie verglich zwei weit verbreitete, GIS-basierte Ansätze zur multikriteriellen Entscheidungsfindung, nämlich die Multi-Influencing-Factor-Methode (MIF) und den Analytischen Hierarchieprozess (AHP), um geeignete Standorte für die Regenwassernutzung (RWH) im bergigen Einzugsgebiet des Panjkora-Flusses im Norden Pakistans zu identifizieren. Obwohl beide Modelle potenzielle Sammelzonen erfolgreich abgrenzten, zeigten sich deutliche Unterschiede in ihren räumlichen Vorhersagen und der Validierungsleistung. Die ROC-AUC-Analyse ergab, dass das MIF-Modell (AUC = 0,724) besser abschnitt als das AHP-Modell (AUC = 0,692), was darauf hindeutet, dass beide Modelle eine akzeptable Vorhersagefähigkeit aufweisen, wobei der MIF-Ansatz eine größere Übereinstimmung mit der Verteilung bestehender Regenwassersammlungsanlagen und Feldbeobachtungen bietet. Die überlegene Leistung des MIF-Modells lässt sich durch die komplexen hydrologischen und geomorphologischen Eigenschaften des Panjkora-Beckens erklären. Das Einzugsgebiet zeichnet sich durch ein zerklüftetes Bergterrain, stark variierende Hangneigungen, heterogene Lithologie, vielfältige Landnutzungsmuster und räumlich variable Niederschläge aus. Diese Umweltfaktoren wirken gleichzeitig zusammen, um die Oberflächenabflussbildung, Infiltration und das Wasserspeichervermögen zu steuern. Im Gegensatz zum AHP-Ansatz, der hauptsächlich auf paarweisen, expertenbasierten Vergleichen zwischen Kriterien beruht, bewertet die MIF-Methode sowohl die relative Bedeutung als auch die kumulativen Wechselwirkungen zwischen mehreren Einflussfaktoren. Folglich ist MIF besser in der Lage, die räumliche Heterogenität bergiger Einzugsgebiete abzubilden, in denen die Abflussbildung durch die kombinierte Wirkung von Topographie, Geologie, Bodenart, Entwässerungseigenschaften und Landbedeckung gesteuert wird, anstatt durch einzelne Faktoren allein. Ähnliche Beobachtungen haben gezeigt, dass gewichtende Ansätze, die auf Einflussfaktoren basieren, in hydrologisch heterogenen Umgebungen gut funktionieren, da sie die Wechselwirkungen zwischen Umweltvariablen besser darstellen22,34,41. Die räumliche Verteilung der besonders geeigneten RWH-Zonen spiegelt die physikalischen Eigenschaften des Einzugsgebiets wider. Die westlichen und südlichen Teile des Beckens wurden als die günstigsten Standorte identifiziert, da sie moderate Hangneigungen, geeignete Entwässerungsdichte, günstige Bodenbeschaffenheit, relativ höhere Niederschläge und Landnutzungsbedingungen kombinieren, die die Abflussbildung fördern und gleichzeitig technisch machbar für den Bau von Sammelanlagen sind. Mäßige Neigungen verringern die Fließgeschwindigkeit ausreichend, um die Abflusssammlung zu erleichtern, während sie übermäßige Erosion und Baukosten minimieren. Im Gegensatz dazu führen sehr steile Hänge zu schnellem Abfluss, bieten begrenzte Speichermöglichkeiten und erhöhen die strukturelle Instabilität, wodurch sie weniger geeignet für den Bau von Sperren oder Farmteichen sind. Diese Ergebnisse stimmen mit früheren Studien überein, die die Hangneigung als dominierenden Faktor für die Eignung von RWH in bergigen Umgebungen identifizierten8,36,39. Auch die Geologie spielte eine bedeutende Rolle bei der Bestimmung der RWH-Eignung. Im Panjkora-Becken weisen metamorphe Gesteine im Allgemeinen eine geringere primäre Porosität und Durchlässigkeit auf als viele sedimentäre Formationen, wodurch Infiltrationsverluste reduziert und der Oberflächenabfluss erhöht wird, der für die Nutzung zur Verfügung steht. Folglich erhielten diese Formationen höhere Eignungsgewichte, da sie die Abflussansammlung fördern, die für Oberflächenspeicher wie Sperren und Farmteiche erforderlich ist. Umgekehrt ermöglichen sedimentäre Formationen mit relativ höherer Durchlässigkeit stärkere Infiltration und Grundwasseranreicherung, wodurch das Volumen des verfügbaren Oberflächenabflusses verringert wird. Ähnliche Zusammenhänge zwischen Lithologie, Abflussbildung und Eignung für die Regenwassernutzung wurden bereits früher beschrieben12,40. Landnutzung/Landbedeckung und Bodenart beeinflussten zusätzlich die räumliche Verteilung geeigneter Sammelstandorte. Ackerland und kahle Flächen wiesen eine höhere Eignung auf, da diese Oberflächen im Allgemeinen mäßigen bis hohen Abfluss erzeugen und gleichzeitig direkte Möglichkeiten zur Speicherung und Nutzung von Wasser in der Landwirtschaft bieten. Im Gegensatz dazu zeigten bewaldete Gebiete eine vergleichsweise geringere Eignung, da dichte Vegetation Niederschlag abfängt, die Bodenstruktur verbessert und durch ausgedehnte Wurzelsysteme die Infiltration erhöht, wodurch der Oberflächenabfluss reduziert wird. Ebenso wurden tonreiche und lehmige Böden als günstiger angesehen, da sie eine relativ geringe Durchlässigkeit und eine größere Wasserspeicherfähigkeit aufweisen, während flache, steinige Böden schnelle Infiltration oder übermäßigen Abfluss mit begrenztem Speichervermögen begünstigen. Ähnliche Ergebnisse wurden bereits in früheren GIS-basierten RWH-Untersuchungen in Äthiopien, dem Irak und Pakistan berichtet9,18. Der Vergleich zwischen MIF und AHP verdeutlicht auch den Einfluss der Gewichtungsstrategie auf die Eignungskartierung. Der AHP-Ansatz weist den Kriterien Gewichte hauptsächlich durch Expertenurteile und paarweise Vergleiche zu, wodurch trotz akzeptabler Konsistenzverhältnisse ein gewisses Maß an Subjektivität eingeführt wird. Im Gegensatz dazu bewertet MIF sowohl Haupt- als auch Nebenwechselwirkungen zwischen Einflussfaktoren und ermöglicht zusätzlich die Gewichtung von Parameterunterklassen entsprechend ihrer hydrologischen Bedeutung. Dieser flexible Gewichtungsansatz erlaubt es MIF, die räumliche Variabilität in abflussbildenden Bedingungen besser abzubilden, insbesondere in bergigen Einzugsgebieten, in denen sich Umweltfaktoren über kurze Distanzen erheblich unterscheiden. Ähnliche Vergleichsstudien berichteten, dass einflussbasierte oder hybride multikriterielle Ansätze unter komplexen physiographischen Bedingungen häufig konventionelle, auf Expertenurteilen basierende Gewichtungstechniken übertreffen19,44,45. Die ROC-AUC-Validierung stützt diese Beobachtungen weiter. Obwohl beide Modelle eine akzeptable Vorhersageleistung erzielten (AUC > 0,5), weist der höhere AUC-Wert des MIF-Modells auf eine größere Übereinstimmung zwischen den vorhergesagten geeigneten Standorten und den während der Feldverifikation beobachteten bestehenden Regenwassersammlungsanlagen hin. Dies zeigt, dass die Berücksichtigung von Wechselwirkungen zwischen mehreren hydrologischen und Umweltvariablen die Zuverlässigkeit von Eignungsbeurteilungen verbessert. Ähnliche Validierungsansätze mittels ROC-Analyse wurden erfolgreich zur Bewertung von Grundwasserpotential, Überschwemmungsanfälligkeit und Modellen zur Eignung für Regenwassernutzung eingesetzt34,41,45. Insgesamt bestätigen die Ergebnisse, dass die Integration von GIS, Fernerkundung und multikriteriellen Entscheidungstechniken einen zuverlässigen Rahmen für die Planung der Regenwassernutzung in bergigen Einzugsgebieten bietet. Über die Identifizierung geeigneter Standorte hinaus liefert die hier vorgestellte vergleichende Bewertung praktische Hinweise darauf, dass die Modellwahl die Qualität der Eignungsvorhersagen erheblich beeinflusst. Die verbesserte Leistung des MIF-Modells legt nahe, dass einflussbasierte Gewichtungsansätze besonders geeignet sind für Regionen mit starker räumlicher Variabilität in Topographie, Lithologie, Niederschlag und Landbedeckung. Folglich kann die in dieser Studie entwickelte Methodik als übertragbares Entscheidungsunterstützungsframework für die nachhaltige Planung von Wasserressourcen in anderen bergigen und wasserarmen Regionen mit ähnlichen hydro-meteorologischen und physiographischen Bedingungen dienen.
Diese vergleichende Studie bewertet die AHP- und MIF-Ansätze als GIS-basierte räumliche Modelle, indem verschiedene direkte und indirekte Steuerfaktoren analysiert werden, um Gebiete mit unterschiedlichem Eignungsgrad für den Bau von Regenwassersammlungsanlagen zu identifizieren. Obwohl MIF und AHP jeweils allein einzigartige Vorteile für räumliche Entscheidungen bieten, ermöglicht ihr Vergleich eine anspruchsvollere multikriterielle Analyse, die die Genauigkeit und Robustheit der Bewertung der Standorttauglichkeit dieser Verfahren verbessert. Für die Auswahl der RWH-Standorte wurden Niederschlag, Geologie, Boden, Lineamentdichte, Entwässerungsdichte, Landnutzung/-bedeckung und Topographie als verantwortliche Faktoren analysiert. Einige zusätzliche Faktoren wie Abstand zu Straßen, Abstand zu Hauptgewässern und Abstand zu urbanen Siedlungen wurden ebenfalls gemäß den Kriterien der FAO berücksichtigt. Das Ziel der Entwicklung geeigneter RWH-Standorte besteht darin, die Verfügbarkeit von Wasserressourcen im Untersuchungsgebiet zu verbessern. Bezüglich des RWH-Baus wurde das Untersuchungsgebiet basierend auf dem Grad der Eignung in fünf Klassen eingeteilt: weniger geeignete, mäßig geeignete, geeignete, hoch geeignete und sehr hoch geeignete Standorte. Während des Geländebesuchs zeigte sich, dass die MIF-Ergebnisse im bergigen Gelände der Region genauer waren als die des AHP-Modells. Die Ergebnisse des MIF-Modells waren genauer und lokal relevanter aufgrund seiner Anpassungsfähigkeit bei der Handhabung komplexer topographischer Variablen und seiner Fähigkeit, Gewichte und Ränge von Untergruppen zu kombinieren. MIF ermöglicht es Anwendern, jede Untergruppe für die Entscheidungsfindung zu bewerten, während AHP hingegen Ränge und Gewichte den Parametern selbst und nicht deren Untergruppen zuweist. Ein Vergleich zwischen MIF und AHP ermöglicht ein tieferes Verständnis darüber, wie unterschiedliche Strategien der Gewichtungszuweisung und Entscheidungskriterien die Ergebnisse der räumlichen Analyse beeinflussen. Die bessere Leistung des MIF-Ansatzes im Vergleich zum AHP-Ansatz wurde auch durch den ROC-AUC-Wert von 0,724 für MIF und 0,692 für AHP bestätigt.
Diese Methoden ermöglichen eine effizientere Entscheidungsfindung für das nachhaltige Management von Wasserressourcen, wobei Kosten, Arbeitsaufwand und Zeit minimiert werden. Dies ist besonders wichtig, da die nachhaltige Bewirtschaftung der weltweiten Wasserressourcen kreative Lösungen erfordert, angesichts des Klimawandels, zunehmender Urbanisierung und Wasserknappheit. Indem die Studie die Effizienz dieser Technologien in einer topographisch vielfältigen Region wie dem Panjkora-Becken aufzeigt, bietet sie ein Modell für ähnliche Anwendungen in anderen Gebieten mit vergleichbaren ökologischen Einschränkungen. Somit haben sich beide Modelle als leistungsfähig erwiesen und ihre Anwendbarkeit für andere geographische, ökologische und sozioökonomische Regionen jenseits des untersuchten Gebiets bestätigt. Neue Techniken wie maschinelles Lernen und hochauflösende räumliche Daten könnten hinzugefügt werden, um die Skalierbarkeit und Genauigkeit der MIF- und AHP-Ansätze zu verbessern. Echtzeit- und automatisierte Analysen würden durch diese Entwicklungen ermöglicht, die für dynamische und erweiterte Anwendungen unerlässlich sind.
Offenlegungen
The authors declare no conflicts of interest. None of the images and figures are AI-generated.
Author Contributions:
Shazia Gulzar: Conceptualization, Methodology, Data curation, Formal analysis, Investigation, Visualization, Writing-original draft. Muhammad Ali: Conceptualization, Supervision, Methodology, Validation, Writing, review and editing, Project administration. Abid Sarwar: Formal analysis, GIS and Remote Sensing analysis, Data interpretation, Validation, Visualization, Writing – review & editing. Hammad Gilani: Methodology, Validation, Writing, review & editing. Hassan Alsberi: Writing, review and editing, Visualization. Abdulqader M. Almars: Writing, review and editing, Formal analysis. Hasan Hashim: Validation, Writing, review & editing. El-Sayed Atlam: Formal analysis, Writing, review and editing. Ayman El Sabagh: Supervision, Writing, review & editing, Funding acquisition.
Danksagungen
Die Autoren möchten dem Dekanat für Graduiertenstudien und wissenschaftliche Forschung der Taif University, Saudi-Arabien, für die Finanzierung dieser Arbeit danken.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| ArcGIS Desktop | Esri | Version 10.3.1 | Wird für die GIS-basierte räumliche Datenvorverarbeitung, Erstellung thematischer Layer, Neuklassifizierung, gewichtete Überlappungsanalyse und Eignungskartierung verwendet. |
| Digitales Höhenmodell (DEM), 12,5 m | Alaska Satellite Facility (ASF) Distributed Active Archive Center | N/V | DEM mit einer räumlichen Auflösung von 12,5 m, das als Referenzraster sowie zur Ableitung von Hangneigung, Entwässerungsnetz, Entwässerungsdichte und Höhenlagen verwendet wurde; das Erfassungsdatum wird in der Arbeit mit 2/12/2023 angegeben und sollte eindeutig gemacht werden. |
| Geologische Daten | Geological Survey of Pakistan | N/V | Geologische/lithologische Daten zur Erstellung des geologischen thematischen Layers. |
| Niederschlagsdaten der Global Precipitation Measurement (GPM) | National Aeronautics and Space Administration (NASA) | Datensatz von 2014–2023 | Niederschlagsdaten zur Erstellung des thematischen Niederschlagslayers. Die genaue GPM-Produktversion und die zeitliche Statistik sollten von den Autoren angegeben werden. |
| Feldvalidierungspunkte des Global Positioning System (GPS) | Nicht angegeben | N/V | Orte für die Feldvalidierung, die zur Kreuzverifikation und ROC-AUC-Bewertung verwendet wurden. Hersteller und Modell des GPS-Empfängers bzw. der GPS-App wurden in der Arbeit nicht angegeben. |
| Landsat-8-Bilddaten | Quelle nicht angegeben | Produkt-/Szenen-ID nicht angegeben | Wurden zur Lineamentenextraktion verwendet. Die Autoren sollten das Quellarchiv, das Erfassungsdatum, die Produkt-/Szenen-ID, die räumliche Auflösung und Details zur Vorverarbeitung angeben. |
| Satellitenbilder von Sentinel-2B | European Space Agency (ESA), Copernicus | Erfasst am 10. September 2025 | Wurden für die Landnutzungs- und Landbedeckungskartierung mittels überwachter Maximum-Likelihood-Klassifikation verwendet. Die Autoren sollten den genauen Produkt-/Szenen-Identifier und den Verarbeitungsgrad ergänzen. |
| Bodenartendaten | Direktion für Bodenerfassung, Khyber Pakhtunkhwa, Pakistan | N/V | Wurden zur Erstellung des thematischen Bodenartelayers verwendet. Die Ausgabe oder Kennung des Datensatzes bzw. der Karte wurde in der Arbeit nicht angegeben. |
Referenzen
- Ibrahim GRF, et al. Suitable site selection for rainwater harvesting and storage case study using Dohuk Governorate. Water. 2019;11(4):864.
- Andualem TG, et al. Groundwater recharge estimation using empirical methods from rainfall and streamflow records. J Hydrol Reg Stud. 2021;37:100917.
- 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.
- Mohanty S, Bardhan T, Dey A. Rain water harvesting: a viable way to combat water crisis. Food Sci Rep. 2020;1(7):44–48.
- 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.
- 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.
- 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.
- Toosi AS, et al. A multi-criteria decision analysis approach towards efficient rainwater harvesting. J Hydrol. 2020;582:124501.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Abdulla FA, Al-Shareef AW. Roof rainwater harvesting systems for household water supply in Jordan. Desalination. 2009;243(1–3):195–207.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Saaty T. The analytic hierarchy process (AHP) for decision making. Kobe, Japan; 1980;1:69.
- 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.
- 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.
- 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.
- Dyer JS. Remarks on the analytic hierarchy process. Manage Sci. 1990;36(3):249–258.
- Franek J, Kresta A. Judgment scales and consistency measure in AHP. Procedia Econ Finance. 2014;12:164–173.
- 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.
- 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.
- Vaidya OS, Kumar S. Analytic hierarchy process: an overview of applications. Eur J Oper Res. 2006;169(1):1–29.
- 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.
- 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.
- 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.
- 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.
- 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.
- Sayl KN, Mohammed AS, Ahmed AD. GIS-based approach for rainwater harvesting site selection. IOP Conf Ser Mater Sci Eng. 2020;737(1):012246.
- Emeka OJ, et al. Evaluation of the effect of hydroseeded vegetation for slope reinforcement. Land. 2021;10(10):995.
- 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.
- 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.
- 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.
- 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.
- 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.
- Khan AS. A comparative analysis of rainwater harvesting system and conventional sources of water. Water Resour Manag. 2023;37(5):2083–2106.
- Zheng X, et al. Rainwater harvesting for agriculture development using multi-influence factor and fuzzy overlay techniques. Environ Res. 2023;238:117189.