Este artículo describe un enfoque integrado basado en Sistemas de Información Geográfica (SIG) que utiliza los modelos de Factores de Influencia Múltiple (MIF) y Proceso Analítico Jerárquico (AHP) para identificar sitios adecuados para la recolección de agua de lluvia y seleccionar las estructuras apropiadas en cuencas fluviales montañosas, demostrado en la cuenca de Panjkora, al norte de Pakistán.
Artículo de investigación
Optimización de la idoneidad del sitio y de la estructura para la captación de agua de lluvia mediante enfoques geoespaciales, de factores de influencia múltiple y el proceso de jerarquía analítica
En este artículo
Resumen
Resumen
La recolección de agua de lluvia (RWH) es una práctica esencial para la conservación del agua, la mejora en la gestión de los recursos hídricos y la mitigación de riesgos relacionados con el agua en zonas montañosas. La selección de un sitio adecuado y de una estructura apropiada para la instalación de RWH es fundamental para mejorar la disponibilidad de agua y la productividad agrícola en todas las circunstancias, especialmente debido a la incertidumbre hidrológica asociada al cambio climático. Resulta un desafío evaluar y analizar sitios para la recolección de agua de lluvia en diversas condiciones alrededor del mundo, particularmente en zonas montañosas remotas e inaccesibles, donde estos sitios tienen un impacto significativo en el medio ambiente, la sociedad y la economía de la región y de las áreas aguas abajo. En este estudio, se aplicaron el método del Factor de Múltiples Influencias (MIF) y el Proceso Analítico Jerárquico (AHP) en un Sistema de Información Geográfica (GIS), utilizando datos convencionales y de teledetección (RS), con el fin de seleccionar un sitio adecuado y estructuras apropiadas para la recolección de agua de lluvia en la cuenca del río Panjkora, en la región del Hindu Kush en el norte de Pakistán. De acuerdo con los resultados del MIF (y del AHP), la región de estudio presenta un área menos adecuada de 80,22 (1572,58) km2, 1681,99 (1605,69) km2 moderadamente adecuada, 3116,10 (1768,62) km2 adecuada, 844,86 (689,15) km2 altamente adecuada y 35,10 (122,61) km2 muy altamente adecuada para estructuras de RWH. Los mapas resultantes se validaron mediante pruebas de Característica Operativa del Receptor y Área Bajo la Curva (ROC-AUC) (puntuación MIF = 0,724 y puntuación AHP = 0,692) para verificar la precisión y robustez de los modelos. Esta investigación, que presenta resultados con una precisión prometedora, aportará nuevas perspectivas técnicas sobre el tema, así como mejoras adicionales en la idoneidad y aplicabilidad de los modelos bajo diferentes condiciones hidrometeorológicas y fisiográficas. En general, ambos modelos identificaron con éxito sitios adecuados para la recolección de agua de lluvia; sin embargo, el modelo MIF superó al modelo AHP en términos de precisión predictiva y fiabilidad espacial. El marco propuesto basado en GIS puede apoyar la planificación sostenible de la recolección de agua de lluvia y la gestión de los recursos hídricos en cuencas montañosas.
Introducción
La escasez de agua, incluida la disminución de los recursos de agua superficial y subterránea, se ha convertido en un desafío importante en muchos países en desarrollo1. El rápido crecimiento de la población, la urbanización, la expansión agrícola, la topografía compleja y las condiciones climáticas cambiantes han intensificado la presión sobre los recursos hídricos disponibles2,3. En regiones con escasez hídrica, la extracción excesiva de agua subterránea para satisfacer las demandas domésticas y agrícolas ha provocado una disminución del nivel freático y una reducción de la seguridad hídrica a largo plazo. Por lo tanto, se requieren con urgencia estrategias sostenibles de gestión del agua, especialmente en regiones que experimentan un rápido crecimiento poblacional, alta vulnerabilidad de los recursos hídricos frente al cambio climático y una demanda creciente de agua, como Pakistán. Entre diversas estrategias de adaptación, la captación de agua de lluvia (RWH) ha surgido como un enfoque eficaz para conservar la escorrentía pluvial y complementar los recursos hídricos disponibles4. Los sistemas de RWH recolectan y almacenan las precipitaciones durante los períodos húmedos para su uso posterior, proporcionando una alternativa sostenible para abordar la escasez de agua a escala local y regional5,6. Sin embargo, el éxito de los sistemas de RWH depende en gran medida de la identificación de ubicaciones adecuadas y de estructuras de captación apropiadas. La selección de sitios es un proceso complejo porque está influenciada por múltiples factores fisiográficos, ambientales, hidrológicos y socioeconómicos que varían espacialmente entre regiones7,8. Tradicionalmente, se han utilizado estudios de campo para identificar posibles sitios de RWH; sin embargo, estos enfoques suelen ser costosos, consumen mucho tiempo y son poco prácticos para áreas extensas e inaccesibles, especialmente en regiones montañosas. Por lo tanto, las tecnologías de Sistemas de Información Geográfica (SIG) y Teledetección (RS) se han adoptado cada vez más como alternativas eficientes para la evaluación de RWH a escala regional9. La evaluación multicriterio (MCE) basada en SIG proporciona un marco efectivo para integrar diversas capas temáticas, incluyendo precipitación, escorrentía, pendiente, características del suelo, uso del suelo/cobertura terrestre, densidad de drenaje y parámetros socioeconómicos, con el fin de identificar zonas adecuadas para RWH10,11. Los conjuntos de datos de teledetección mejoran aún más este enfoque al proporcionar información espacial rentable en áreas extensas e inaccesibles, incluyendo cobertura terrestre, geomorfología, características del suelo y características hidrológicas12. Pakistán es uno de los países que enfrenta graves problemas hídricos debido al aumento de la demanda de agua, la variabilidad climática y la dependencia de medios de vida basados en la agricultura13. La economía agrícola del país requiere recursos hídricos considerables, mientras que la disminución de los niveles de agua subterránea y los patrones irregulares de precipitación han incrementado la vulnerabilidad a la escasez de agua. En consecuencia, la conservación y el almacenamiento del agua de lluvia se han convertido en estrategias importantes para mejorar la disponibilidad de agua, especialmente en regiones con escasez hídrica y en zonas montañosas12,14. Estudios previos han demostrado la eficacia de los enfoques basados en SIG y RS para la selección de sitios de RWH mediante la integración de parámetros ambientales y socioeconómicos15,16,17,18. Varios investigadores han aplicado diversas técnicas de toma de decisiones multicriterio, incluyendo el Proceso Analítico Jerárquico (AHP), AHP difuso y otros métodos de ponderación, para identificar ubicaciones adecuadas de RWH bajo diversas condiciones ambientales19. A pesar de los avances significativos, el rendimiento de diferentes enfoques de toma de decisiones multicriterio puede variar según las características ambientales regionales, los conjuntos de datos disponibles y los sistemas de ponderación basados en expertos. En particular, existen pocos estudios que comparen la eficacia de diferentes enfoques bajo condiciones similares de cuenca hidrográfica. Por lo tanto, evaluar y comparar técnicas alternativas de toma de decisiones es esencial para mejorar la fiabilidad de las evaluaciones de idoneidad de sitios para RWH. El presente estudio aborda esta brecha investigativa comparando las técnicas del Factor de Influencia Múltiple (MIF) y el Proceso Analítico Jerárquico (AHP) para identificar sitios adecuados para RWH en la cuenca de Panjkora, Pakistán. Se plantea la hipótesis de que la incorporación de diferentes variables como topografía, propiedades geológicas, dinámica de cobertura terrestre, densidad de lineamientos de drenaje, características del suelo y precipitación en SIG, mediante un enfoque de decisión multicriterio, puede identificar los mejores sitios adecuados para RWH en un entorno montañoso. El estudio aporta información valiosa sobre la aplicabilidad de enfoques de apoyo a la decisión basados en SIG para la planificación sostenible de recursos hídricos en regiones montañosas.
Protocolo
Este estudio incluyó datos geoespaciales, de teledetección y de validación de campo, y no involucró a participantes humanos, datos personales identificables, animales ni tejidos de vertebrados; por lo tanto, no se requirió aprobación ética institucional para seres humanos ni para animales.
Región de estudio
La cuenca del río Panjkora es una importante región fisiográfica situada en las montañas del Hindu Kush oriental, en el norte de Pakistán (Figura 1). El río Panjkora es el río principal de la cuenca (con 113 km de longitud y una superficie de drenaje de 5758,27 km2) y nace como un torrente desde las montañas cubiertas de hielo del Hindu Kush. Desemboca en el río Swat cerca de Chakdara, Dir Bajo20. El río Panjkora recibe las aguas de cinco torrentes o afluentes importantes: Barawal, Dir, Gawaldai, Jandol y Kohistan. Se extiende desde los 34°39′30′′ hasta los 35°46′1′′ de latitud norte y desde los 71°13′08′′ hasta los 72°22′13′′ de longitud este. La ubicación geográfica y la topografía accidentada de la región influyen significativamente en su clima (montañoso y templado). La región superior (Kumrat, Thal) presenta una temporada invernal más larga y un verano más frío. A partir de noviembre, la temperatura desciende bruscamente. Sin embargo, en Dir Bajo (Timergara, Talaash, Maidan, Samarbagh), la temperatura generalmente se mantiene por encima del punto de congelación entre diciembre y febrero. Los meses más cálidos en Timergara son junio a agosto, con temperaturas máximas promedio superiores a 35 °C, mientras que junio y julio son los meses más calurosos en Dir Town (con temperaturas máximas de 32,4 °C y 31,5 °C). La temporada de monzones es la responsable de las lluvias de verano, mientras que las depresiones occidentales traen las lluvias invernales. El área de estudio se caracteriza por una alta humedad relativa durante todo el año. Cada año ocurren (casi) inundaciones fluviales y súbitas21, especialmente en zonas aguas arriba y aguas abajo de Wari. Los principales cultivos de la región incluyen arroz, trigo, maíz, papa y cebolla, mientras que las frutas significativas cultivadas en el área de estudio son caqui, naranja, manzana, nueces, albaricoque, ciruela, níspero y morera.
Figura 1: Mapa del área de estudio de la cuenca del río Panjkora, norte de Pakistán. (A) Ubicación de Khyber Pakhtunkhwa dentro de Pakistán; (B) ubicación de la cuenca del río Panjkora dentro de Khyber Pakhtunkhwa; y (C) cuenca del río Panjkora que muestra los límites de la cuenca, distribución de la elevación, red fluvial y localizaciones principales dentro del área de estudio. Haga clic aquí para ver una versión más grande de esta figura.
Recolección y preparación de datos
Para este estudio, los datos se recopilaron de diferentes fuentes. Los datos de lluvia/precipitación se descargaron de la Medición de Precipitación Global (Global Precipitation Measurement, GPM) de la Administración Nacional de Aeronáutica y del Espacio (National Aeronautics and Space Administration, NASA) https://gpm.nasa.gov/missions/GPM desde 2014 hasta 2023. Los datos de textura del suelo se obtuvieron de la Dirección de Estudios de Suelos de Khyber Pakhtunkhwa, Pakistán (www.soilconservation.kp.org). Los datos geológicos se adquirieron de la oficina regional del Servicio Geológico de Pakistán (https://gsp.gov.pk/). Para la recopilación y cálculo de escenarios de tierras (uso de la tierra/cobertura del suelo), se obtuvieron imágenes Sentinel-2 del Centro de Acceso Abierto Copernicus de la Agencia Espacial Europea (European Space Agency, ESA) (https://scihub.copernicus.eu/). Se utilizó una imagen de Sentinel-2B adquirida el 10 de septiembre de 2025 para la elaboración de mapas de uso de la tierra/cobertura del suelo (LULC). La imagen se procesó y clasificó mediante el algoritmo de Clasificación por Máxima Verosimilitud (Maximum Likelihood Classification, MLC). Se recopilaron un total de 65 muestras de entrenamiento en toda el área de estudio, representando siete clases de LULC: cuerpos de agua, bosques, tierras agrícolas, áreas urbanas, suelo desnudo, nieve/hielo y pastizales. Las muestras de entrenamiento preparadas se utilizaron para realizar una clasificación supervisada y generar el mapa final de LULC. La precisión de la clasificación se evaluó mediante un enfoque de evaluación de precisión basado en muestras de validación, incluyendo la precisión general y el coeficiente kappa. El modelo de modelo digital de elevación (DEM) con resolución espacial de 12,5 se adquirió de la instalación de satélites de Alaska (Alaska Satellite Facility, ASF) (https://asf.alaska.edu/) el 2/12/2023. El modelo DEM se utilizó posteriormente para generar capas de pendiente, red de drenaje, densidad de drenaje y elevación. Los datos de estructuras existentes de captación de agua de lluvia se recopilaron de los departamentos pertinentes para la validación cruzada.
Todos los conjuntos de datos espaciales se procesaron y analizaron utilizando software de sistema de información geográfica (SIG) (véase la Tabla de materiales). Los datos de capas temáticas del SIG se proporcionan en el Archivo Suplementario 1. Todos los conjuntos de datos de entrada se proyectaron en un sistema de referencia de coordenadas proyectado común (CRS) (WGS 1984 UTM Zona 42N) para garantizar la coherencia espacial y el cálculo preciso de áreas. Los conjuntos de datos ráster con diferentes resoluciones espaciales se remuestrearon y alinearon a una cuadrícula común mediante el método de remuestreo del vecino más cercano, manteniendo al mismo tiempo las características espaciales originales de los conjuntos de datos categóricos. El Modelo Digital de Elevación (MDE) con resolución espacial de 12,5 m se utilizó como ráster de referencia para la alineación espacial, y todas las capas temáticas se convirtieron al formato ráster con el mismo tamaño de celda y extensión. El límite del área de estudio de la Cuenca del Río Panjkora se utilizó como máscara para extraer todas las capas de entrada y mantener una extensión espacial consistente para el análisis. Los píxeles faltantes y las áreas fuera del límite de la cuenca se excluyeron del análisis y se trataron como valores NoData. Las capas temáticas (precipitación, pendiente, densidad de drenaje, densidad de lineamientos, suelo, geología y uso del suelo/cobertura del suelo) se reclasificaron en clases de aptitud utilizando el método de clasificación de saltos naturales de Jenks, y se asignaron rangos/pesos correspondientes según los enfoques MIF y AHP. La Tabla 1 muestra las fuentes de los datos.
Tabla 1: Fuentes de datos y características utilizadas para la evaluación de la aptitud para la recolección de agua de lluvia. Haga clic aquí para descargar esta tabla.
Modelado de idoneidad de MIF
Inicialmente, se realiza la selección de diversos parámetros basándose en una revisión bibliográfica12. Para determinar ubicaciones adecuadas para la recolección de agua de lluvia (RWH), se consideraron como factores de influencia distintos: precipitación, litología, densidad de lineamientos, densidad de drenaje, textura del suelo, pendiente y uso del suelo/cobertura terrestre. Con este objetivo, se lleva a cabo el preprocesamiento de los parámetros para crear la escala de influencia de cada parámetro; posteriormente, los datos se categorizaron según su relevancia para la RWH, y se determinaron las importancias mayor y menor mediante la fórmula de múltiples factores influyentes (Ecuación 1). Tabla 2 muestra la importancia mayor y menor de los diferentes factores22 (véase el Archivo Suplementario 2).
Tabla 2: Factores de influencia seleccionados y sus puntuaciones de influencia mayor y menor utilizadas en el modelo de múltiples factores de influencia (MIF). Haga clic aquí para descargar esta tabla.
Los factores seleccionados se clasificaron utilizando la relación,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
donde Y denota el efecto menor de los factores, y X denota el efecto mayor. Las influencias mayor y menor de cada factor se calculan utilizando la Ecuación 1.
Los puntajes de influencia mayor (X) y menor (Y) se asignaron en función de estudios previos y la importancia hidrológica de cada factor en el control de la generación de escorrentía, la infiltración y el potencial de captación de agua de lluvia12. Se asignó una influencia mayor a los factores que tienen un impacto directo en la aptitud para la captación de agua de lluvia, mientras que la influencia menor representó relaciones indirectas entre los parámetros de control. Los pesos de los factores se calcularon mediante la Ecuación (1), normalizando los puntajes combinados de influencia mayor y menor. Los pesos de las subclases se asignaron de acuerdo con su contribución relativa a la acumulación de escorrentía, la capacidad de infiltración, la retención de agua y la idoneidad para estructuras de captación de agua de lluvia. Este enfoque garantizó un marco de ponderación transparente y reproducible para el análisis de aptitud basado en SIG.
La importancia relativa según la escala de Saaty se muestra en la Tabla 3.
Tabla 3: Escala de importancia relativa de Saaty utilizada para el análisis del Proceso Analítico Jerárquico (AHP). Haga clic aquí para descargar esta tabla.
Se combinan las puntuaciones de nivel temático de todos los parámetros, y cada puntuación de subclase de los parámetros MIF se enumera en la Tabla 4. Mediante la técnica de reclasificación, la salida de MIF se clasifica en cinco categorías para la recolección de agua de lluvia. Finalmente, se generan y analizan mapas de las ubicaciones definitivas sugeridas para instalar diferentes estructuras de captación de agua de lluvia, como diques de control, estanques agrícolas, tapones de cárcavas y otras estructuras relacionadas con la conservación. Figura 2 muestra el marco metodológico.
Figura 2: Marco metodológico para la evaluación de la aptitud de sitios para la recolección de agua de lluvia mediante modelos SIG basados en el MIF y el AHP. El marco ilustra la adquisición y el procesamiento de datos de campo, geología, suelos, DEM ALOS PALSAR, ESA y GPM para obtener capas temáticas, incluyendo geología, suelo, pendiente, densidad de drenaje, densidad de lineamientos, uso del suelo/cobertura del suelo (LULC) y precipitación. Estas capas se integraron utilizando el enfoque del Factor de Influencia Múltiple (MIF) para generar el mapa de aptitud para la recolección de agua de lluvia (RWH), seguido de una validación basada en campo para producir los mapas finales validados Haga clic aquí para ver una versión ampliada de esta figura.
Tabla 4: Clasificaciones y pesos basados en múltiples factores influyentes (MIF) de los factores temáticos y subclases para la elaboración de mapas de aptitud para la recolección de agua de lluvia. Haga clic aquí para descargar esta tabla.
Modelado de idoneidad para AHP
El Proceso Analítico Jerárquico (AHP) es una técnica efectiva para manejar situaciones complejas de toma de decisiones, que también ayuda al tomador de decisiones a establecer prioridades y elegir la mejor opción23. La técnica AHP es un marco sistemático para organizar y evaluar decisiones complicadas mediante la aplicación de matemáticas y conocimiento experto24. El AHP facilita la identificación de los aspectos subjetivos y objetivos de una decisión, simplificando juicios complejos a través de comparaciones por pares y luego evaluando los resultados25. Inevitablemente habrá cierta disparidad, ya que las comparaciones se basan en puntos de vista subjetivos o individuales. Al calcular la razón de consistencia y eliminar sesgos en la toma de decisiones, la técnica AHP proporciona una herramienta útil para evaluar la consistencia de los juicios del tomador de decisiones, garantizando así la coherencia de las percepciones. Uno de los principales beneficios del AHP es la razón de consistencia, que cuantifica el grado de coherencia entre las comparaciones por pares de diferentes criterios26,27,28,29. Los insumos de datos geográficos se combinan y transforman mediante el AHP en una salida de decisión. Utilizando la escala de Saaty (Tabla 3), los datos cualitativos sobre diversos temas y cualidades se transforman en datos cuantitativos mediante la generación de una matriz de comparación por pares30,31. El proceso fundamental consiste en definir el objetivo, considerar y evaluar los factores o criterios que afectan la decisión final, y utilizar la escala de Saaty para asignar una calificación a cada criterio. Para verificar la consistencia de los pesos asignados, se calculó la razón de consistencia (CR), según lo propuesto por Saaty23, utilizando las Ecuaciones 2 y 3:
CR = CI/RCI (2)
donde CI es el índice de consistencia y RCI es el índice de consistencia aleatoria.
El índice de consistencia (CI) viene dado por la ecuación:
(3)
donde n es el número de criterios y λmax es el autovalor principal. El valor promedio del índice de consistencia se estima mediante el índice aleatorio.
Selección de la estructura RWH
Cobertura y uso de la tierra (CUTL)
El uso del suelo caracteriza la forma en que se utiliza la tierra, mientras que la cobertura del suelo describe las características naturales de la misma. La información importante sobre la escorrentía se encuentra en la CLC32. En áreas con vegetación, mayores tasas de absorción e infiltración están asociadas con menor escorrentía, mientras que las zonas desprovistas de vegetación y las áreas urbanizadas favorecen la formación de alta escorrentía33,34. Se utilizaron datos satelitales del Sentinel 2b para elaborar los patrones de uso y cobertura del suelo en el área de estudio. El uso del suelo en la cuenca del río Panjkora se clasificó en siete categorías: cuerpos de agua, bosques, tierras agrícolas y de cultivo, tierras urbanas, tierras desnudas, nieve/hielo y tierras de pastizal. Los pesos de adecuación asignados a las distintas clases de uso/cobertura del suelo se basaron en su influencia sobre la generación de escorrentía, la infiltración y el potencial de almacenamiento de agua de lluvia. A las tierras agrícolas se les asignó la calificación de adecuación más alta porque generalmente producen escorrentía moderada y se benefician directamente del agua recolectada para riego. A las tierras áridas también se les asignó un peso relativamente alto porque la vegetación escasa y las superficies de suelo expuestas promueven una mayor escorrentía superficial en comparación con áreas densamente vegetadas. En contraste, a las zonas forestales se les asignaron pesos más bajos porque la vegetación densa intercepta la lluvia, aumenta la infiltración mediante sistemas radiculares extensos y reduce el flujo superficial. A las áreas urbanas y a los cuerpos de agua existentes se les asignó una menor adecuación porque ofrecen pocas oportunidades para construir estructuras adicionales de captación de agua de lluvia o bien ya están ocupadas por superficies impermeables o por cuerpos de agua preexistentes (Figura 3A).
Densidad de drenaje
La infiltración de agua subterránea y la escorrentía de un área se describen mediante la densidad de drenaje. La densidad de drenaje refleja tanto la formación hidrológica subterránea como las características superficiales. Indica la estrechez del espaciamiento de los canales y las características del material superficial. La escorrentía disminuye cuando la densidad de drenaje disminuye, y viceversa12. Por lo general, en áreas con baja densidad de drenaje se observan menor infiltración y menor escorrentía, y viceversa. Las redes de drenaje densas son esenciales para la recolección de agua de lluvia. Los sistemas de cosecha de agua de lluvia (RWH) son más adecuados para áreas con mayores densidades de drenaje, ya que proporcionan un sistema que permite que el agua fluya y sea rápidamente conducida hacia un punto de recolección34,35. La densidad de drenaje de la cuenca del río Panjkora se clasificó en cinco clases según la clasificación de saltos naturales de Jenks: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 y 79,089–161,34 km/km². A las zonas con densidades de drenaje bajas a moderadas se les asignó un valor ponderado más alto porque se consideran ubicaciones ideales para la cosecha de agua de lluvia (Figura 3B).
Densidad de lineamientos
Los lineamientos son características lineales subterráneas que normalmente se derivan de mapas geológicos y también son visibles en imágenes satelitales. Los lineamientos (enterrados bajo zonas de meteorización localizada o estructural) presentan porosidad y permeabilidad aumentadas12. Los lineamientos se extrajeron de una imagen Landsat 8 utilizando software de procesamiento de imágenes de teledetección. Se utilizó la herramienta de densidad de líneas para generar la capa ráster de lineamientos. La densidad de lineamientos se clasificó además mediante el método de clasificación de discontinuidades naturales de Jenks en cinco clases: 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 y 1,33-2,13 km/km2 (Figura 3C).
Suelo
La textura del suelo es un factor importante con respecto a la planificación y selección de sitios para la recolección de agua de lluvia (RWH). La capacidad de infiltración del suelo está determinada por su textura. En general, los suelos arenosos generan escorrentía baja en comparación con los suelos arcillosos36. Los porcentajes de limo, arena y arcilla definen la clase textural del suelo. El suelo arcilloso tiene baja permeabilidad y puede retener el agua recolectada, por lo que las áreas con suelos de grano medio y fino a menudo se prefieren para la recolección de agua de lluvia8,37. La región de estudio se caracteriza por cinco texturas de suelo: Glaciares y casquetes de nieve, suelo franco, suelo arcilloso no calcáreo, suelo franco superficial no calcáreo, suelo franco muy superficial y afloramientos rocosos (Figura 3D).
Pendiente
La infiltración y la escorrentía se ven significativamente afectadas por la topografía8. La variación de la pendiente en la cuenca tiene un impacto claro en el flujo de agua durante y después de una lluvia intensa. La construcción de estructuras de cosecha de agua de lluvia (RWH) en áreas con pendientes pronunciadas no es rentable debido a la gran cantidad de movimiento de tierras necesario38. Para un alto potencial de RWH, la ubicación más adecuada es una pendiente suave. Las estructuras de RWH no son duraderas en áreas con pendientes pronunciadas (pendientes mayores al 5%)39. También se consideran medidas de control de erosión en áreas con pendientes más pronunciadas40. La pendiente se calculó en grados, y el área de estudio se dividió en cinco clases utilizando la clasificación de discontinuidades naturales de Jenks: 0°–11.9°, 12°–22.5°, 22.6°–31.8°, 31.9°–42.4° y 42.5°–82° (Figura 3E).
Lluvia
La precipitación es el componente principal que produce la escorrentía superficial. Los datos de lluvia/precipitación, los datos de la Medición de Precipitación Global (GPM), se descargaron de la NASA https://gpm.nasa.gov/missions/GPM desde 2014 hasta 202341. Los datos de precipitación del GPM del período 2014-2023 y la clasificación de Jenks Natural Breaks se utilizaron para clasificar el área de estudio en cinco clases de lluvia (mm): 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 y 68,646–76,894 (Figura 3F).
Geología
La composición física de una cuenca y la cantidad de suelo que produce están fuertemente influenciadas por la geología de la zona. Las características geológicas controlan el flujo de agua hacia acuíferos subterráneos40. Las rocas sedimentarias y metamórficas son los dos tipos principales de rocas presentes en el área de estudio actual. La litología se dividió ampliamente en rocas del Paleozoico inferior, rocas sedimentarias del Carbonífero, rocas sedimentarias del Cretácico, rocas intrusivas y metamórficas del Mesozoico, rocas del Triásico, rocas paleozoicas no diferenciadas, rocas paleozoicas y precámbricas no diferenciadas, y rocas silúricas no diferenciadas. La disponibilidad y la capacidad de almacenamiento están significativamente influenciadas por el tipo de litología; ciertas rocas tienen la capacidad de permitir que el agua superficial se infiltre y recargue el acuífero41. Por otro lado, algunas rocas permiten el paso del agua y ayudan a recargar el agua subterránea. La litología controla fuertemente la generación de escorrentía a través de sus efectos sobre la permeabilidad, porosidad y capacidad de infiltración. En la cuenca del Panjkora, las rocas metamórficas compactas generalmente presentan una porosidad y permeabilidad primaria más bajas que los depósitos sedimentarios no consolidados o altamente porosos. En consecuencia, es menos probable que la lluvia se infiltre y más probable que genere escorrentía superficial, lo que hace que estas formaciones sean más adecuadas para estructuras de captación de agua de lluvia superficial. En contraste, las formaciones sedimentarias que contienen materiales de grano grueso o arenosos generalmente permiten una mayor infiltración, reduciendo así la escorrentía superficial disponible para almacenamiento. Por lo tanto, se asignaron pesos de mayor adecuación a las rocas metamórficas, mientras que se asignaron pesos relativamente más bajos a las formaciones sedimentarias. Figura 3G muestra el mapa geológico de la cuenca del río Panjkora. Todos los datos están disponibles en Archivos Suplementarios 1 y 3.
Figura 3: Distribución espacial de los factores temáticos utilizados para la evaluación de sitios para la recolección de agua de lluvia en la cuenca del río Panjkora. (A) Uso del suelo/cobertura del suelo, (B) densidad de drenaje, (C) densidad de lineamientos, (D) textura del suelo, (E) pendiente, (F) precipitación y (G) geología. Diferentes colores representan las clases respectivas de cada factor temático. Haga clic aquí para ver una versión más grande de esta figura.
Resultados
Reclasificación del mapa temático para el modelo MIF
Cobertura del suelo, uso del suelo y captación de agua de lluvia
El uso del suelo de la cuenca del río Panjkora se clasificó en siete categorías: cuerpos de agua, tierras forestales, tierras agrícolas y de cultivo, tierras urbanas, tierras desnudas, nieve y hielo, y zonas de pastizales. Las regiones donde la recolección de agua de lluvia (RWH) es vital para la vida recibieron un peso alto según la literatura. Se asignó una mayor idoneidad a las tierras agrícolas y áridas, ya que estas clases de cobertura del suelo generalmente generan mayor escorrentía superficial que las zonas densamente forestadas y ofrecen ubicaciones favorables para almacenar el agua recolectada para uso agrícola. Las zonas forestadas obtuvieron una idoneidad menor porque una mayor cobertura vegetal favorece la intercepción de la lluvia y la infiltración, reduciendo así la generación de escorrentía. Las áreas urbanas y los cuerpos de agua existentes recibieron pesos menores porque ofrecen pocas oportunidades para nuevas intervenciones de recolección de agua de lluvia. A las tierras agrícolas y desnudas se les asignó un peso mayor, mientras que a las aguas superficiales y a las zonas urbanas se les dio un peso menor en el contexto de la recolección de agua de lluvia (Figura 4A). A las clases de uso y cobertura del suelo (LULC) se les asignaron pesos según su importancia relativa para la idoneidad en la recolección de agua de lluvia (Tabla 4): cuerpos de agua (1), tierras áridas (6), cobertura forestal (2), áreas urbanas (1) y tierras agrícolas (7).
Densidad de drenaje y RWH
La infiltración del agua subterránea y la escorrentía del agua superficial se describen mediante la densidad de drenaje. Las zonas con baja escorrentía mostraron una alta infiltración, mientras que las áreas con baja densidad de drenaje mostraron una infiltración menor. A las zonas de densidad de drenaje baja y moderada se les asignó una calificación alta (7, 4), mientras que a las densidades de drenaje alta y muy alta se les asignó el peso más bajo (3, 2) según la referencia23 (Figura 4B). Las áreas de densidad de drenaje baja y moderada fueron marcadas como las mejores para la recolección de agua de lluvia (RWH) en la zona.
Densidad de lineamientos y RWH
La densidad de lineamientos del área de estudio se clasificó mediante el método de clasificación de rupturas naturales de Jenks en cinco clases, es decir, aptitud muy alta, aptitud alta, aptitud moderada, aptitud baja y aptitud muy baja, y se asignaron pesos (7, 4, 3, 2, 1) respectivamente (Figura 4C y Tabla 4). En el área de estudio, las zonas de alta densidad se consideraron los lugares menos adecuados para la captación de agua de lluvia, mientras que las zonas de baja densidad se consideraron con alto potencial y se les asignó un valor de ponderación más alto.
Suelo y RWH
Se mapearon cinco tipos de textura del suelo, es decir, (glaciares y casquetes de nieve), (suelo franco arcilloso no calcáreo), (suelo franco superficial no calcáreo), (suelo franco muy superficial) y (afioramientos rocosos) (Figura 4D). Se tuvieron en cuenta la capacidad de retención de agua y la permeabilidad al asignar los pesos. A la capacidad del suelo franco y arcilloso para retener agua en la superficie se le asignó el peso más alto según Saaty23. El suelo franco montano muy superficial tiene un valor de peso bajo debido a su alta porosidad y alta permeabilidad.
Pendiente y RWH
Los datos de pendiente se dividieron en cinco clases según la clasificación de discontinuidades naturales de Jenks, es decir, (0-11,9) grados, (12-22,5) grados, (22,6-31,8) grados, (31,9-42,4) grados y (42,5-82) grados (Figura 4E). En la técnica MIF, a las áreas con pendiente moderada (12-22,5) se les asignó un valor alto, mientras que a las áreas con pendiente muy pronunciada se les asignó un valor bajo. Esto indica que se otorgó ponderación a la pendiente. Se utilizó la fórmula del modelo MIF para determinar los pesos y rangos de las clases.
Lluvia y captación de agua de lluvia
Se utilizaron y clasificaron los datos de precipitación del GPM del período 2014–2023 mediante la clasificación de Junk en cinco clases en (mm), es decir, (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) y (68,646–76,894) (Figura 4F). Los valores se asignaron según las cantidades de precipitación; las áreas con altas tasas de lluvia recibieron pesos mayores, y viceversa.
Geología e ICR
La mayor parte del área de estudio consiste en rocas metamórficas y sedimentarias. La disponibilidad y la capacidad de almacenamiento están influenciadas significativamente por la litología y el tipo de roca; ciertas rocas pueden permitir el percolado del agua superficial y reabastecer el acuífero. Por otro lado, algunas rocas permiten el paso del agua y ayudan a recargar el agua subterránea. Se asignó una mayor idoneidad a las rocas metamórficas porque su permeabilidad comparativamente baja favorece la generación de escorrentía superficial, aumentando así la disponibilidad de escorrentía para su aprovechamiento. En contraste, las formaciones sedimentarias generalmente poseen mayor permeabilidad y capacidad de infiltración, lo que permite que una proporción mayor de la lluvia se infiltre hacia el subsuelo en lugar de contribuir a la escorrentía superficial. Por lo tanto, se consideró que las rocas metamórficas son más adecuadas para la recolección superficial de agua de lluvia en el área de estudio. Figura 4G muestra el mapa geológico reclasificado.
Asignación de pesos mediante AHP
De acuerdo con las recomendaciones de Wind y Saaty23, el estudio consideró siete capas temáticas, a cada una de las cuales se le asignó un peso que varía entre 1 y 9 según su idoneidad para la recolección de agua de lluvia. El enfoque indica que también se asignaron pesos a las clases de características. Tabla 5 muestra la normalización de los pesos asignados al criterio y a sus clases de características mediante el método AHP30. La opinión de expertos fue fundamental para determinar los pesos asignados a los diferentes factores, los cuales se evaluaron según el impacto de cada factor en el área de estudio. Tras el cálculo, se asignaron pesos normalizados de (0,23) al uso del suelo/cobertura del suelo, precipitación (0,27), densidad de drenaje (0,13), pendiente (0,07), densidad de lineamientos (0,08), geología (0,10) y suelo (0,10). Para las capas temáticas, la razón de consistencia se calculó como 0,08 mediante la Ecuación 3, valor que se encuentra por debajo del umbral de 0,10. Además, la razón de consistencia de las clases de características fue igualmente inferior al valor de 0,10 (Tabla 6). Las capas y características son consistentes, según la razón de consistencia del presente estudio. Para determinar la importancia relativa de las capas temáticas, también se realizó un análisis por pares, como se muestra en la Tabla 5.
Tabla 5: Matriz de comparación por pares y pesos normalizados de los factores temáticos utilizados en el modelo del Proceso Analítico Jerárquico (AHP). Haga clic aquí para descargar esta tabla.
Tabla 6: Pesos y rangos basados en el Proceso Analítico Jerárquico (AHP) de factores temáticos y subclases para el análisis de aptitud para la recolección de agua de lluvia. Haga clic aquí para descargar esta tabla.
Figura 4: Capas temáticas reclasificadas utilizadas para el análisis de idoneidad en la recolección de agua de lluvia en la Cuenca del Río Panjkora. (A) Uso del suelo/cobertura del suelo reclasificados, (B) densidad de drenaje, (C) densidad de lineamientos, (D) textura del suelo, (E) pendiente, (F) precipitación y (G) geología. Las clases fueron reclasificadas de acuerdo con sus puntajes de idoneidad para la selección de sitios para la recolección de agua de lluvia. Los números/colores indican las clases de idoneidad asignadas, que van desde muy baja hasta muy alta idoneidad, según corresponda. Haga clic aquí para ver una versión más grande de esta figura.
Áreas potenciales de captación de agua de lluvia
Los mapas finales utilizando las técnicas de modelos MIF y AHP se desarrollaron aplicando las técnicas de superposición ponderada y suma ponderada. Mediante estos dos modelos, el área de estudio fue clasificada en cinco clases (Figura 5) según clases de idoneidad: sitios menos adecuados, moderadamente adecuados, adecuados, altamente adecuados y muy altamente adecuados. Los resultados del MIF en la cuenca del río Panjkora para la recolección de agua de lluvia muestran que 80,22 km2 el área tiene menor aptitud, 1681,99 km2 es moderadamente adecuado, 3116,1 km2 es adecuado, 844,86 km2 tiene alta idoneidad y 35,10 km2 tiene una idoneidad muy alta para la recolección de agua de lluvia. Aunque los resultados del AHP muestran 1572,58 km2 área con menor aptitud, 1605.69 km2 es moderadamente adecuado, 1768,62 km² es adecuado, 689,15 km2 tiene alta idoneidad y 122,611 km2 tiene una idoneidad muy alta (Tabla 7, Figura 5 y Figura 6) para RWH. Las salidas de los mapas de idoneidad basados en MIF y AHP se proporcionan en Archivo Suplementario 4.
Tabla 7: Comparación de las clases de aptitud para la recolección de agua de lluvia derivadas de los modelos de Factores Múltiples de Influencia (MIF) y del Proceso Analítico Jerárquico (AHP). Haga clic aquí para descargar esta tabla.
Figura 5: Distribución espacial de los sitios potenciales para la recolección de agua de lluvia identificados mediante (A) el método MIF y (B) el método AHP en la cuenca del río Panjkora. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Comparación de las áreas clasificadas en diferentes clases de aptitud para la recolección de agua de lluvia utilizando los métodos del Factor de Influencia Múltiple (MIF) y del Proceso Analítico Jerárquico (AHP). Las barras muestran el área (km2) dentro de cada clase de aptitud, incluyendo zonas menos aptas, moderadamente aptas, aptas, altamente aptas y muy altamente aptas. Haga clic aquí para ver una versión más grande de esta figura.
Selección de estructuras adecuadas de captación de agua de lluvia
Los criterios de ingeniería utilizados para seleccionar ubicaciones adecuadas para estructuras de captación de agua de lluvia (RWH), incluyendo diques de control, estanques agrícolas y tapones de cárcavas, fueron adoptados del Manual de Captación de Agua de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO)42. De acuerdo con las directrices de la FAO, la selección de estructuras RWH apropiadas debe considerar la topografía (pendiente), las características de drenaje, el potencial de escorrentía, la textura del suelo, la litología, el uso del suelo/cobertura terrestre y las condiciones de la cuenca, con el fin de garantizar la viabilidad técnica, la estabilidad estructural y el rendimiento a largo plazo de los sistemas de captación. Estos criterios de ingeniería reconocidos internacionalmente se integraron en el marco de evaluación multicriterio basado en SIG utilizado en este estudio. El objetivo principal de la conservación del agua de lluvia mediante estructuras de conservación de escorrentía (zanjas a curva de nivel, diques de relleno rocoso, tapones de cárcavas y diques de control) es reducir o detener el flujo de agua. La zanjado a curva de nivel y los diques subterráneos son dos métodos eficaces mediante los cuales la RWH puede emplearse en zonas propensas a sequías para abordar los graves problemas de sequía y escasez de agua43. Tras la identificación de sitios potenciales para RWH, se determinaron las ubicaciones óptimas para la construcción de estas estructuras. Los estanques agrícolas, los diques de control y los tapones de cárcavas son las únicas tres estructuras RWH que se consideraron viables tras un análisis de las condiciones del área de estudio (Tabla 8). Los estanques agrícolas son pequeñas barreras de tierra con una pendiente que varía entre el 1 % y el 6 %. El objetivo de construir estanques agrícolas es dividir una pendiente larga en varias pendientes más cortas y menos inclinadas, con el fin de reducir la velocidad del flujo y la erosión causada por el agua de escorrentía. Los diques de control son más significativos que otros tipos de estructuras porque pueden reducir la erosión del suelo y almacenar agua de lluvia. La distancia entre dos diques de control al construir una cadena a lo largo de un cauce debe ser mayor que la extensión del agua almacenada. La erosión por agua de lluvia del suelo superficial provoca la formación de cárcavas. Gradualmente, la erosión aumenta y una cárcava adquiere una forma más definida. Luego, a intervalos específicos, se colocan barreras o tapones hechos de diversos materiales a través de la cárcava para detener la erosión y almacenar agua de lluvia para su uso posterior. El mapa (Figura 7) muestra las ubicaciones para la captación de agua de lluvia en la cuenca del río Panjkora. Los metadatos de las ubicaciones RWH adecuadas identificadas se proporcionan en el Archivo Suplementario 5.
Tabla 8: Estructuras propuestas de captación de agua de lluvia y sus características geográficas en la Cuenca del Río Panjkora. Haga clic aquí para descargar esta tabla.
Figura 7: Distribución espacial de las estructuras potenciales de captación de agua de lluvia en la cuenca del río Panjkora. El mapa muestra las ubicaciones de diques de control, estanques agrícolas y tapones de cárcavas propuestos dentro de las áreas adecuadas identificadas. También se muestran los límites de la cuenca y la red de drenaje. Haga clic aquí para ver una versión más grande de esta figura.
Validación del modelo
Los resultados del modelo basado en SIG siempre requerirán una verificación con datos de campo. Después de extraer los datos, se realizó un extenso levantamiento del área y se contrastaron los resultados con las estructuras existentes de captación de agua de lluvia en la zona de estudio. Durante el levantamiento se descubrió que algunas estructuras de captación de agua de lluvia ya habían sido construidas en ubicaciones adecuadas; sin embargo, estas no eran suficientes para el área. La verificación de los resultados del MIF y del AHP se realizó mediante la técnica de verificación cruzada. Las zonas más adecuadas son aquellas donde se ubican las intervenciones viables. Además, durante el levantamiento físico se identificaron diversas ubicaciones para futuras intervenciones de captación de agua de lluvia. Los puntos de validación del levantamiento de campo y sus coordenadas geográficas se proporcionan en Archivo Suplementario 6. La validación estadística del modelo se llevó a cabo utilizando el área bajo la curva de la característica operativa del receptor (ROC AUC). Los datos y resultados del análisis ROC para el modelo AHP se proporcionan en Archivo Suplementario 7. El análisis ROC se realizó con puntos de validación de campo del Sistema de Posicionamiento Global (GPS) (Figura 8A) y los resultados de los modelos AHP y MIF. Los datos y resultados correspondientes del análisis ROC para el modelo MIF se proporcionan en Archivo Suplementario 8. Los modelos MIF presentan una curva AUC de 0,72 (Figura 8B), y el modelo AHP muestra un valor de 0,69 (Figura 8C). Según los criterios comúnmente aceptados de interpretación de ROC-AUC, los valores de AUC se clasifican como: sin discriminación (0,50), pobre (0,50 a 0,60), regular (0,60 a 0,70), buena (0,70 a 0,80), muy buena (0,80 a 0,90) y sobresaliente (0,90 y superiores) para indicar el rendimiento predictivo. En consecuencia, el modelo MIF demostró una capacidad predictiva buena (0,72), mientras que el modelo AHP mostró un rendimiento predictivo regular (cercano a bueno) (0,69). Aunque ambos modelos tuvieron un desempeño considerablemente mejor que las predicciones aleatorias (AUC = 0,50), el valor más alto de AUC obtenido por el modelo MIF indica una mayor concordancia con las ubicaciones observadas de captación de agua de lluvia, y sugiere que el enfoque MIF es más confiable para identificar sitios adecuados de RWH en el terreno montañoso de la Cuenca Panjkora. No obstante, el MIF es un modelo comparativamente mejor que el AHP en el área de estudio. El mejor desempeño del modelo MIF en comparación con el modelo AHP puede atribuirse a las complejas características ambientales y geográficas de la Cuenca Panjkora. La cuenca se caracteriza por un terreno montañoso accidentado, pendientes altamente variables, formaciones litológicas heterogéneas y diversos patrones de uso del suelo/cobertura terrestre, todos los cuales influyen fuertemente en la generación de escorrentía y en el potencial de captación de agua de lluvia. A diferencia del método AHP, que se basa principalmente en comparaciones por pares derivadas de expertos, el enfoque MIF considera la influencia relativa y la interacción entre múltiples factores ambientales de manera más flexible. Esto permite que el modelo represente mejor la variabilidad espacial de los procesos hidrológicos dentro de la cuenca. En consecuencia, el modelo MIF produjo patrones de idoneidad más realistas, lo que resultó en un valor de AUC más alto y una mejor concordancia con las ubicaciones de las estructuras existentes de captación de agua de lluvia. Además, la Cuenca Panjkora presenta una considerable heterogeneidad espacial en la distribución de la precipitación, densidad de drenaje, pendiente, textura del suelo y condiciones geológicas. Estos factores interactúan de forma diferente a lo largo de la cuenca, haciendo que la influencia de los parámetros individuales no sea uniforme. El enfoque MIF es más adecuado para captar estas variaciones porque evalúa la influencia acumulativa de múltiples factores condicionantes en lugar de depender únicamente de juicios subjetivos por pares. Esto probablemente ha contribuido a su mejor desempeño predictivo en comparación con el modelo AHP.
Figura 8: Validación de los modelos de idoneidad para la recolección de agua de lluvia mediante el análisis de Característica Operativa del Receptor (ROC). (A) Distribución espacial de los puntos de validación basados en campo utilizados para la verificación del modelo; (B) Curva ROC y Área Bajo la Curva para el modelo de Factor de Influencia Múltiple (MIF); y (C) Curva ROC y AUC para el modelo del Proceso Analítico Jerárquico (AHP). Haga clic aquí para ver una versión más grande de esta figura.
DISPONIBILIDAD DE LOS DATOS:
Los conjuntos de datos utilizados en este estudio están disponibles públicamente o pueden obtenerse de las organizaciones correspondientes. Los datos de precipitación de la Misión de Medición de Precipitación Global (GPM) están disponibles en el repositorio de la misión GPM de la NASA (https://gpm.nasa.gov/missions/GPM). Las imágenes satelitales de Sentinel-2 se obtuvieron del Centro de Acceso Abierto de Copernicus de la ESA (https://scihub.copernicus.eu/). El modelo digital de elevación (DEM) se descargó del Centro Distribuido de Archivos Activos de la Instalación de Satélites de Alaska (ASF) (https://asf.alaska.edu/). Los datos extraídos (validación, todos los datos ráster, todos los metadatos, cálculos del modelo) se proporcionan en Archivos Suplementarios 1–8.
Archivo complementario 1: Datos de capas temáticas SIG. Datos espaciales utilizados para generar las capas temáticas SIG incluidas en el análisis de idoneidad para la recolección de agua de lluvia, incluidos los factores ambientales e hidrológicos evaluados en el estudio.Haga clic aquí para descargar este archivo.
Archivo complementario 2: Cálculos del MIF. Cálculos utilizados para determinar la influencia relativa, los pesos de los factores y las puntuaciones aplicadas en el análisis de idoneidad para la recolección de agua de lluvia basado en el MIF. Haga clic aquí para descargar este archivo.
Archivo suplementario 3: Capas SIG reclasificadas y umbrales de idoneidad. Capas temáticas reclasificadas y los rangos de clase correspondientes, valores umbrales, rangos y puntuaciones de idoneidad utilizados en los análisis MIF y AHP. Haga clic aquí para descargar este archivo.
Archivo suplementario 4: Resultados del mapa de aptitud basado en MIF y AHP. Resultados espaciales de los análisis MIF y AHP que muestran las clasificaciones resultantes de aptitud para la recolección de agua de lluvia en la cuenca del río Panjkora.Haga clic aquí para descargar este archivo.
Archivo Suplementario 5: Metadatos de las ubicaciones identificadas como adecuadas para la recolección de agua de lluvia. Metadatos asociados con las ubicaciones identificadas como adecuadas para estructuras de recolección de agua de lluvia, que incluyen la información espacial y relativa al sitio disponible.Haga clic aquí para descargar este archivo.
Archivo suplementario 6: Puntos de validación del levantamiento de campo. Datos de validación del levantamiento de campo, incluidas las coordenadas geográficas de los puntos de validación utilizados para evaluar los mapas de aptitud para la captación de agua de lluvia derivados del MIF y del AHP.Haga clic aquí para descargar este archivo.
Archivo suplementario 7: Análisis ROC para el modelo AHP. Datos y resultados del análisis de característica operativa del receptor (ROC) utilizados para evaluar el rendimiento predictivo del modelo del Proceso Analítico Jerárquico (AHP).Haga clic aquí para descargar este archivo.
Archivo suplementario 8: Análisis ROC para el modelo MIF. Datos y resultados del análisis ROC utilizados para evaluar el desempeño predictivo del modelo de múltiples factores influyentes (MIF). Haga clic aquí para descargar este archivo.
Discusión
Este estudio comparó dos enfoques ampliamente utilizados de toma de decisiones multicriterio basados en SIG, específicamente el Factor de Múltiples Influencias (MIF) y el Proceso Analítico Jerárquico (AHP), para identificar sitios adecuados para la recolección de agua de lluvia (RWH) en la cuenca montañosa del río Panjkora, en el norte de Pakistán. Aunque ambos modelos delimitaron con éxito zonas potenciales de recolección, se observaron diferencias notables en sus predicciones espaciales y en su desempeño de validación. El análisis ROC-AUC demostró que el modelo MIF (AUC = 0,724) tuvo un mejor desempeño que el modelo AHP (AUC = 0,692), lo que indica que ambos modelos presentan una capacidad predictiva aceptable, mientras que el enfoque MIF muestra una mayor concordancia con la distribución de las estructuras existentes de recolección de agua de lluvia y con las observaciones de campo. El mejor desempeño del modelo MIF puede explicarse por las complejas características hidrológicas y geomorfológicas de la cuenca del Panjkora. La cuenca se caracteriza por un terreno montañoso accidentado, pendientes altamente variables, litología heterogénea, patrones diversos de uso del suelo y precipitación espacialmente variable. Estas variables ambientales interactúan simultáneamente para controlar la generación de escorrentía, la infiltración y el potencial de almacenamiento de agua. A diferencia del enfoque AHP, que depende principalmente de comparaciones por pares derivadas de expertos entre criterios, la técnica MIF evalúa tanto la importancia relativa como las interacciones acumulativas entre múltiples factores condicionantes. En consecuencia, MIF es más capaz de capturar la heterogeneidad espacial de cuencas montañosas, donde la generación de escorrentía está gobernada por la influencia combinada de la topografía, la geología, la textura del suelo, las características de drenaje y la cobertura terrestre, más que por factores individuales aislados. Observaciones similares han demostrado que los enfoques de ponderación basados en influencia funcionan bien en entornos hidrológicamente heterogéneos porque representan mejor las interacciones entre variables ambientales22,34,41. La distribución espacial de las zonas altamente adecuadas para RWH refleja las características físicas de la cuenca. Las partes occidental y sur de la cuenca se identificaron como las ubicaciones más favorables porque combinan pendientes moderadas, densidad de drenaje adecuada, textura del suelo favorable, precipitación relativamente más alta y condiciones de uso del suelo que favorecen la generación de escorrentía, al tiempo que siguen siendo técnicamente factibles para la construcción de estructuras de recolección. Las pendientes moderadas reducen suficientemente la velocidad del flujo para facilitar la recolección de escorrentía, al mismo tiempo que minimizan la erosión excesiva y los costos de construcción. En contraste, las pendientes muy pronunciadas generan escorrentía rápida, ofrecen pocas oportunidades de almacenamiento y aumentan la inestabilidad estructural, lo que las hace menos adecuadas para la construcción de diques de retención o estanques agrícolas. Estos hallazgos coinciden con estudios previos que identificaron la pendiente como un control dominante en la idoneidad para RWH en entornos montañosos8,36,39. La geología también desempeñó un papel significativo en la determinación de la idoneidad para RWH. En la cuenca del Panjkora, las rocas metamórficas generalmente presentan una porosidad primaria y permeabilidad más bajas que muchas formaciones sedimentarias, reduciendo así las pérdidas por infiltración y aumentando la escorrentía superficial disponible para su recolección. En consecuencia, estas formaciones recibieron mayores ponderaciones de idoneidad porque favorecieron la acumulación de escorrentía, necesaria para estructuras de almacenamiento superficial como diques de retención y estanques agrícolas. Por el contrario, las formaciones sedimentarias con permeabilidad relativamente más alta permiten una mayor infiltración y recarga de agua subterránea, reduciendo el volumen de escorrentía superficial disponible para recolección. Relaciones similares entre litología, generación de escorrentía e idoneidad para la recolección de agua de lluvia ya han sido reportadas anteriormente12,40. El uso del suelo/cobertura terrestre y la textura del suelo influyeron además en la distribución espacial de los sitios adecuados para la recolección. Las tierras agrícolas y áridas mostraron una mayor idoneidad porque estas superficies generalmente generan escorrentía moderada a alta, al tiempo que ofrecen oportunidades directas para el almacenamiento y uso del agua en agricultura. En contraste, las zonas forestadas mostraron una idoneidad comparativamente menor porque la vegetación densa intercepta la lluvia, mejora la estructura del suelo y aumenta la infiltración mediante extensos sistemas radiculares, reduciendo así el flujo superficial. Asimismo, los suelos ricos en arcilla y los suelos franco-arcillosos se consideraron más favorables debido a su permeabilidad relativamente baja y mayor capacidad de retención de agua, mientras que los suelos rocosos poco profundos favorecen una infiltración rápida o escorrentía excesiva con escaso potencial de almacenamiento. Hallazgos comparables han sido reportados en investigaciones previas basadas en SIG sobre RWH realizadas en Etiopía, Irak y Pakistán9,18. La comparación entre MIF y AHP también demuestra la influencia de la estrategia de ponderación en la cartografía de idoneidad. El enfoque AHP asigna los pesos de los criterios principalmente mediante juicio de expertos y comparación por pares, introduciendo un grado de subjetividad a pesar de ratios de consistencia aceptables. En contraste, MIF evalúa tanto las interacciones principales como secundarias entre factores influyentes y además permite ponderar subclases de parámetros según su significado hidrológico. Este marco flexible de ponderación permite a MIF representar mejor la variabilidad espacial en las condiciones generadoras de escorrentía, particularmente en cuencas montañosas donde los factores ambientales varían considerablemente en distancias cortas. Estudios comparativos similares han reportado que los enfoques multicriterio basados en influencia o híbridos superan con frecuencia a las técnicas convencionales de ponderación basadas en expertos en condiciones fisiográficas complejas19,44,45. La validación mediante ROC-AUC respalda además estas observaciones. Aunque ambos modelos alcanzaron un desempeño predictivo aceptable (AUC > 0,5), el AUC más alto del modelo MIF indica una mayor concordancia entre las ubicaciones adecuadas predichas y las estructuras existentes de recolección de agua de lluvia observadas durante la verificación de campo. Esto demuestra que la incorporación de interacciones entre múltiples variables hidrológicas y ambientales mejora la fiabilidad de las evaluaciones de idoneidad. Enfoques de validación similares que utilizan análisis ROC se han aplicado con éxito para evaluar el potencial de agua subterránea, la susceptibilidad a inundaciones y los modelos de idoneidad para la recolección de agua de lluvia34,41,45. En general, los hallazgos confirman que la integración de SIG, teledetección y técnicas de toma de decisiones multicriterio proporciona un marco confiable para la planificación de la recolección de agua de lluvia en cuencas montañosas. Más allá de identificar ubicaciones adecuadas, la evaluación comparativa presentada aquí ofrece evidencia práctica de que la selección del modelo influye significativamente en la calidad de las predicciones de idoneidad. El mejor desempeño del modelo MIF sugiere que los enfoques de ponderación basados en influencia son particularmente apropiados para regiones caracterizadas por una fuerte variabilidad espacial en topografía, litología, precipitación y cobertura terrestre. En consecuencia, la metodología desarrollada en este estudio puede servir como un marco de apoyo a la decisión transferible para la planificación sostenible de recursos hídricos en otras regiones montañosas y con escasez de agua que presenten condiciones hidrometeorológicas y fisiográficas similares.
Este estudio comparativo evalúa los enfoques AHP y MIF como modelos espaciales basados en SIG mediante el análisis de diversos factores de control directos e indirectos para identificar áreas con diferentes niveles de idoneidad para la construcción de estructuras de captación de agua de lluvia. Aunque el MIF y el AHP por separado tienen beneficios únicos para la toma de decisiones espaciales, su comparación permite un análisis multicriterio más sofisticado que mejora la precisión y solidez de las evaluaciones de adecuación de sitios de estas técnicas. Para la selección de los sitios de captación de agua de lluvia, se analizaron como factores responsables la precipitación, la geología, el suelo, la densidad de lineamientos, la densidad de drenaje, el uso/cobertura del suelo y la topografía. Algunos factores adicionales, como la distancia a caminos, la distancia a corrientes principales y la distancia a asentamientos urbanos, también se procesaron según los criterios de la FAO. El objetivo de desarrollar sitios adecuados para la captación de agua de lluvia es mejorar la disponibilidad de recursos hídricos en el área de estudio. Con respecto a la construcción de estructuras de captación de agua de lluvia, el área de estudio se clasificó en cinco clases según el grado de idoneidad: sitios poco adecuados, moderadamente adecuados, adecuados, altamente adecuados y muy altamente adecuados. Durante la visita de campo, se encontró que los resultados del MIF fueron más precisos que los del modelo AHP en el terreno montañoso de la región. Los resultados del modelo MIF fueron más precisos y localmente relevantes debido a su capacidad de adaptación para manejar variables topográficas complejas y su habilidad para combinar pesos y rangos de subclases. El MIF permite a los usuarios clasificar cada subclase para la toma de decisiones, mientras que, por otro lado, el AHP asigna rangos y pesos a los parámetros en lugar de a las subclases de los parámetros. Una comparación entre MIF y AHP proporciona una comprensión más profunda de cómo diferentes estrategias de asignación de pesos y criterios de decisión afectan los resultados del análisis espacial. Un mejor desempeño del enfoque MIF frente al enfoque AHP también fue confirmado por la puntuación ROC-AUC de 0,724 para MIF y 0,692 para AHP.
Estos métodos permiten una toma de decisiones más eficiente para la gestión sostenible de los recursos hídricos, al tiempo que minimizan los costos, la mano de obra y el tiempo. Esto es especialmente crucial porque la gestión sostenible de los recursos hídricos del mundo requerirá soluciones creativas ante el cambio climático, la creciente urbanización y la escasez de agua. Al demostrar la eficiencia de estas tecnologías en una región topográficamente diversa como la Cuenca de Panjkora, el estudio ofrece un modelo para usos similares en otras áreas con restricciones ambientales análogas. Por lo tanto, ambos modelos funcionaron bien y confirmaron su aplicabilidad en otras regiones geográficas, ambientales y socioeconómicas más allá de la región estudiada. Nuevas técnicas como el aprendizaje automático y los datos espaciales de alta resolución podrían incorporarse para mejorar la escalabilidad y precisión de los enfoques MIF y AHP. Estos avances posibilitarían análisis en tiempo real y automatizados, lo cual es esencial para aplicaciones dinámicas y ampliadas.
Divulgaciones
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.
Agradecimientos
Los autores desean agradecer a la Dirección de Estudios de Posgrado e Investigación Científica de la Universidad de Taif, Arabia Saudita, por financiar este trabajo.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| ArcGIS Desktop | Esri | Version 10.3.1 | Utilizado para el preprocesamiento de datos espaciales basado en SIG, generación de capas temáticas, reclasificación, análisis de superposición ponderada y elaboración de mapas de aptitud. |
| Modelo digital de elevación (DEM), 12,5 m | Centro de Archivo Activo Distribuido del Alaska Satellite Facility (ASF) | N/A | DEM con resolución espacial de 12,5 m utilizado como ráster de referencia y para derivar capas de pendiente, red de drenaje, densidad de drenaje y elevación; la fecha de adquisición indicada en el manuscrito es 2/12/2023 y debe aclararse sin ambigüedad. |
| Datos geológicos | Geological Survey of Pakistan | N/A | Datos geológicos/litológicos utilizados para generar la capa temática de geología. |
| Datos de precipitación del Global Precipitation Measurement (GPM) | Administración Nacional de Aeronáutica y del Espacio (NASA) | Conjunto de datos 2014-2023 | Datos de precipitación utilizados para generar la capa temática de lluvia. Los autores deben especificar el producto/version exacto de GPM y la estadística temporal. |
| Puntos de validación de campo del Sistema de Posicionamiento Global (GPS) | No especificado | N/A | Ubicaciones de validación de campo utilizadas para verificación cruzada y evaluación ROC-AUC. No se especificaron en el manuscrito el fabricante ni el modelo del receptor/aplicación GPS. |
| Imágenes Landsat 8 | Fuente no especificada | ID del producto/escena no especificado | Utilizadas para la extracción de lineamientos. Los autores deben proporcionar el repositorio de origen, la fecha de adquisición, el ID del producto/escena, la resolución espacial y los detalles de preprocesamiento. |
| Imágenes satelitales Sentinel-2B | Agencia Espacial Europea (ESA), Copernicus | Adquiridas el 10 de septiembre de 2025 | Utilizadas para la cartografía de uso y cobertura del suelo mediante clasificación supervisada de Máxima Verosimilitud. Los autores deben incluir el identificador exacto del producto/escena y el nivel de procesamiento. |
| Datos de textura del suelo | Dirección de Estudios de Suelos, Khyber Pakhtunkhwa, Pakistán | N/A | Utilizados para generar la capa temática de textura del suelo. No se especificó en el manuscrito la edición o identificador del conjunto de datos/mapa. |
Referencias
- 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.