Cet article décrit une approche intégrée fondée sur un système d'information géographique (SIG) utilisant les modèles de facteurs multiples influents (MIF) et du processus hiérarchique analytique (AHP) afin d'identifier des sites appropriés pour la collecte des eaux de pluie et de sélectionner des structures adéquates dans les bassins fluviaux de montagne, illustrée dans le bassin de la Panjkora, dans le nord du Pakistan.
Article de recherche
Optimisation de l'adéquation du site et de la structure de collecte des eaux pluviales à l'aide d'approches géospatiales, de facteurs d'influence multiples et du processus d'analyse hiérarchique
Dans cet article
Résumé
Résumé
La collecte des eaux de pluie (RWH) est une pratique essentielle pour la conservation de l'eau, une meilleure gestion des ressources en eau et l'atténuation des risques liés à l'eau dans les zones montagneuses. Le choix d'un site approprié et d'une structure adéquate pour l'installation de collecte des eaux de pluie est crucial pour améliorer la disponibilité en eau et la productivité agricole dans toutes les conditions, particulièrement en raison de l'incertitude hydrologique liée au changement climatique. Il est difficile d'évaluer et d'analyser les sites de collecte des eaux de pluie dans des conditions variées à travers le monde, notamment dans les zones montagneuses reculées et inaccessibles où ces sites ont un impact significatif sur l'environnement, la société et l'économie de la région ainsi que des zones situées en aval. Dans cette étude, la méthode du facteur multi-influent (MIF) et le processus d'analyse hiérarchique (AHP) ont été appliqués dans un système d'information géographique (SIG) à l'aide de données traditionnelles et de télédétection (RS) afin de sélectionner un site approprié et des structures adéquates de collecte des eaux de pluie dans le bassin versant de la rivière Panjkora, située dans la région du Hindu Kush au nord du Pakistan. Selon les résultats du MIF (et de l'AHP), la région étudiée présente une superficie de 80,22 (1572,58) km2 peu adaptée, 1681,99 (1605,69) km2 modérément adaptée, 3116,10 (1768,62) km2 adaptée, 844,86 (689,15) km2 très adaptée et 35,10 (122,61) km2 extrêmement adaptée aux structures de collecte des eaux de pluie. Les cartes obtenues ont été validées à l'aide de tests de caractéristique de fonctionnement du récepteur et de surface sous la courbe (ROC-AUC) (score MIF = 0,724 et score AHP = 0,692) afin de vérifier la précision et la robustesse des modèles. Cette recherche, dont les résultats présentent une précision prometteuse, fournira de nouvelles perspectives techniques sur le sujet, permettant d'améliorer la pertinence et l'applicabilité des modèles dans différentes conditions hydro-météorologiques et physiographiques. Dans l'ensemble, les deux modèles ont permis d'identifier avec succès des sites appropriés pour la collecte des eaux de pluie ; toutefois, le modèle MIF s'est révélé supérieur au modèle AHP en termes de précision prédictive et de fiabilité spatiale. Le cadre proposé, basé sur le SIG, peut soutenir la planification durable de la collecte des eaux de pluie et la gestion des ressources en eau dans les bassins versants montagneux.
Introduction
La pénurie d'eau, y compris l'épuisement des ressources en eau de surface et souterraine, est devenue un défi majeur dans de nombreux pays en développement1. La croissance rapide de la population, l'urbanisation, l'expansion agricole, la topographie complexe et les conditions climatiques changeantes ont accru la pression sur les ressources en eau disponibles2,3. Dans les régions soumises à un stress hydrique, le prélèvement excessif d'eaux souterraines pour répondre aux besoins domestiques et agricoles a entraîné une baisse du niveau de la nappe phréatique et une réduction de la sécurité hydrique à long terme. Par conséquent, des stratégies de gestion durable de l'eau sont urgentes, en particulier dans les régions connaissant une croissance démographique rapide, une forte vulnérabilité des ressources en eau face au changement climatique et une demande croissante en eau, comme au Pakistan. Parmi les diverses stratégies d'adaptation, la collecte des eaux de pluie (RWH) s'est imposée comme une approche efficace pour conserver le ruissellement pluvial et compléter les ressources en eau disponibles4. Les systèmes de RWH collectent et stockent les précipitations pendant les périodes humides pour une utilisation ultérieure, offrant ainsi une alternative durable pour faire face aux pénuries d'eau à la fois à l'échelle locale et régionale5,6. Toutefois, le succès des systèmes de RWH dépend largement de l'identification de sites appropriés et de structures de collecte adaptées. Le choix du site est un processus complexe, car il est influencé par de multiples facteurs physiographiques, environnementaux, hydrologiques et socio-économiques qui varient spatialement selon les régions7,8. Traditionnellement, des relevés sur le terrain ont été utilisés pour identifier des sites potentiels de RWH ; toutefois, ces approches sont souvent coûteuses, longues et peu pratiques pour de vastes zones inaccessibles, notamment les régions montagneuses. Par conséquent, les technologies des Systèmes d'Information Géographique (SIG) et de Télédétection (RS) sont de plus en plus adoptées comme alternatives efficaces pour l'évaluation de la RWH à l'échelle régionale9. L'évaluation multicritère (MCE) basée sur les SIG fournit un cadre efficace pour intégrer diverses couches thématiques, notamment les précipitations, le ruissellement, la pente, les caractéristiques des sols, l'utilisation des terres/couverture terrestre, la densité de drainage et les paramètres socio-économiques, afin d'identifier des zones de RWH appropriées10,11. Les jeux de données de télédétection améliorent encore cette approche en fournissant des informations spatiales rentables sur de vastes zones inaccessibles, y compris la couverture terrestre, la géomorphologie, les caractéristiques des sols et les caractéristiques hydrologiques12. Le Pakistan fait partie des pays confrontés à de graves défis hydriques en raison de la demande croissante en eau, de la variabilité climatique et de sa dépendance à l'égard de modes de subsistance basés sur l'agriculture13. L'économie agricole du pays nécessite d'importantes ressources en eau, tandis que la baisse des niveaux des nappes souterraines et les schémas de précipitations irréguliers ont accru la vulnérabilité aux pénuries d'eau. En conséquence, la conservation et le stockage des eaux de pluie sont devenus des stratégies importantes pour améliorer la disponibilité de l'eau, en particulier dans les régions déficitaires en eau et montagneuses12,14. Des études antérieures ont démontré l'efficacité des approches basées sur les SIG et la RS pour la sélection de sites de RWH en intégrant des paramètres environnementaux et socio-économiques15,16,17,18. Plusieurs chercheurs ont appliqué diverses techniques de prise de décision multicritère, notamment le Processus Hiérarchique Analytique (AHP), l'AHP flou et d'autres méthodes de pondération, pour identifier des emplacements de RWH adaptés dans des conditions environnementales variées19. Malgré des progrès significatifs, les performances des différentes approches de prise de décision multicritère peuvent varier selon les caractéristiques environnementales régionales, les jeux de données disponibles et les systèmes de pondération fondés sur l'expertise. En particulier, peu d'études ont comparé l'efficacité de différentes approches dans des conditions de bassin versant similaires. Par conséquent, évaluer et comparer des techniques alternatives de prise de décision est essentiel pour améliorer la fiabilité des évaluations de l'adéquation des sites de RWH. La présente étude comble cette lacune en comparant les techniques du Facteur Multifluence (MIF) et du Processus Hiérarchique Analytique (AHP) pour identifier des sites de RWH appropriés dans le bassin de la Panjkora, au Pakistan. On suppose que l'intégration de différentes variables telles que la topographie, les propriétés géologiques, la dynamique de la couverture terrestre, la densité des linéaments de drainage, les caractéristiques des sols et les précipitations dans un SIG, au moyen d'une approche multicritère, permet d'identifier les meilleurs sites de RWH adaptés à un environnement montagneux. L'étude fournit des informations précieuses sur l'applicabilité des approches d'aide à la décision basées sur les SIG pour une planification durable des ressources en eau dans les régions montagneuses.
Protocole
Cette étude a utilisé des données géospatiales, de télédétection et de validation sur le terrain, et n'a pas impliqué de participants humains, de données personnelles identifiables, d'animaux ou de tissus vertébrés ; par conséquent, aucune approbation éthique institutionnelle relative aux êtres humains ou aux animaux n'était requise.
Région d'étude
Le bassin fluvial de la Panjkora est une région physiographique importante située dans les montagnes de l'Hindu Kush oriental, au nord du Pakistan (Figure 1). La rivière Panjkora est le cours d'eau principal du bassin (113 km de long, avec un bassin versant de 5758,27 km2) et prend sa source sous forme de torrent dans les montagnes enneigées de l'Hindu Kush. Elle rejoint la rivière Swat près de Chakdara, dans le Dir Inférieur20. La rivière Panjkora est alimentée par cinq torrents ou cours d'eau importants : Barawal, Dir, Gawaldai, Jandol et Kohistan. Elle s'étend de 34°39′30′′ à 35°46′1′′ de latitude nord et de 71°13′08′′ à 72°22′13′′ de longitude est. La localisation de la région et sa topographie accidentée influencent fortement son climat (montagneux et tempéré). La région supérieure (Kumrat, Thal) connaît une saison hivernale plus longue et une saison estivale plus froide. À partir de novembre, la température chute brusquement. Toutefois, dans le Dir Inférieur (Timergara, Talaash, Maidan, Samarbagh), la température reste généralement au-dessus du point de congélation de décembre à février. Les mois les plus chauds à Timergara s'étendent de juin à août, avec des températures maximales moyennes supérieures à 35 °C, tandis que juin et juillet sont les mois les plus chauds à Dir Town (avec des températures maximales de 32,4 °C et 31,5 °C). La mousson est à l'origine des précipitations estivales, tandis que les dépressions occidentales apportent les pluies hivernales. La zone d'étude se caractérise par un taux d'humidité relative élevé tout au long de l'année. Des crues fluviales et des crues soudaines21 se produisent (presque) chaque année, en particulier dans les zones en amont et en aval de Wari. Les principales cultures cultivées dans la région incluent le riz, le blé, le maïs, la pomme de terre et l'oignon, tandis que les fruits significatifs cultivés dans la zone d'étude sont la kaki, l'orange, la pomme, les noix, l'abricot, la prune, la néfle et le mûrier.
Figure 1 : Carte de la zone d'étude du bassin de la rivière Panjkora, dans le nord du Pakistan. (A) Situation de la province de Khyber Pakhtunkhwa au sein du Pakistan ; (B) localisation du bassin de la rivière Panjkora dans la province de Khyber Pakhtunkhwa ; et (C) bassin de la rivière Panjkora montrant les limites du bassin, la répartition des altitudes, le réseau hydrographique et les principaux lieux situés dans la zone d'étude. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Collecte et préparation des données
Pour cette étude, les données ont été recueillies à partir de différentes sources. Les données de pluviométrie/précipitations ont été téléchargées auprès du programme de mesure des précipitations mondiales (Global Precipitation Measurement, GPM) de la National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM, pour la période allant de 2014 à 2023. Les données sur la texture du sol ont été obtenues auprès de la Direction de l'inventaire des sols de Khyber Pakhtunkhwa, au Pakistan (www.soilconservation.kp.org). Les données géologiques ont été fournies par le bureau régional de l'Enquête géologique du Pakistan (https://gsp.gov.pk/). Pour la collecte et le calcul des scénarios d'occupation des terres (utilisation des terres/couverture terrestre), des images Sentinel-2 ont été obtenues auprès du hub d'accès ouvert Copernicus de l'Agence spatiale européenne (ESA) (https://scihub.copernicus.eu/). Une image Sentinel-2B acquise le 10 septembre 2025 a été utilisée pour la cartographie de l'occupation et de l'utilisation des terres (LULC). L'image a été traitée et classée à l'aide de l'algorithme de classification par maximum de vraisemblance (Maximum Likelihood Classification, MLC). Un total de 65 échantillons d'apprentissage a été recueilli dans toute la zone d'étude, représentant sept classes LULC : plans d'eau, forêts, terres agricoles, zones urbaines, sol nu, neige/glace et terres pastorales. Les échantillons d'apprentissage préparés ont été utilisés pour effectuer une classification supervisée et produire la carte finale d'occupation et d'utilisation des terres. La précision de la classification a été évaluée selon une méthode d'évaluation de la précision basée sur des échantillons de validation, incluant la précision globale et le coefficient Kappa. Le modèle numérique d'élévation (MNT) avec une résolution spatiale de 12,5 a été obtenu auprès de la structure satellite de l'Alaska (Alaska Satellite Facility, ASF) (https://asf.alaska.edu/) le 2/12/2023. Ce modèle MNT a ensuite été utilisé pour générer des couches de pente, de réseau de drainage, de densité de drainage et d'altitude. Les données existantes sur les structures de collecte des eaux de pluie ont été recueillies auprès des départements compétents afin d'effectuer une validation croisée.
Tous les jeux de données spatiaux ont été traités et analysés à l'aide d'un logiciel de système d'information géographique (SIG) (voir Tableau des matériaux). Les données de couches thématiques SIG sont fournies dans le Fichier supplémentaire 1. Tous les jeux de données d'entrée ont été projetés dans un système de référence de coordonnées projetées commun (CRS) (WGS 1984 UTM Zone 42N) afin d'assurer la cohérence spatiale et le calcul précis des surfaces. Les jeux de données matricielles (raster) ayant des résolutions spatiales différentes ont été rééchantillonnés et alignés sur une grille commune à l'aide de la méthode de rééchantillonnage du plus proche voisin, tout en conservant les caractéristiques spatiales originales des jeux de données catégorielles. Le Modèle Numérique de Terrain (MNT) avec une résolution spatiale de 12,5 m a été utilisé comme raster de référence pour l'alignement spatial, et toutes les couches thématiques ont été converties en format raster avec la même taille de cellule et la même étendue. La limite de la zone d'étude du bassin versant de la rivière Panjkora a été utilisée comme masque pour extraire toutes les couches d'entrée et maintenir une étendue spatiale cohérente pour l'analyse. Les pixels manquants et les zones situées en dehors de la limite du bassin ont été exclus de l'analyse et traités comme des valeurs NoData. Les couches thématiques (précipitations, pente, densité de drainage, densité de linéaments, sol, géologie et occupation/usage des sols) ont été reclassées en classes de convenance à l'aide de la méthode de classification par ruptures naturelles de Jenks, et des rangs/poids correspondants ont été attribués selon les approches MIF et AHP. Tableau 1 indique les sources des données.
Tableau 1 : Sources de données et caractéristiques utilisées pour l'évaluation de l'aptitude à la récupération des eaux de pluie. Veuillez cliquer ici pour télécharger ce tableau.
Modélisation de l'aptitude au MIF
Au départ, la sélection de divers paramètres est effectuée sur la base d'une revue de la littérature12. Afin de déterminer des emplacements appropriés pour la récupération des eaux de pluie (RWH), la précipitation, la lithologie, la densité des linéaments, la densité du drainage, la texture du sol, la pente ainsi que l'occupation et l'utilisation des sols ont été prises en compte comme facteurs d'influence distincts. À cette fin, un prétraitement des paramètres est réalisé afin d'établir l'échelle d'influence des paramètres ; les données ont ensuite été catégorisées selon leur importance relative à la RWH, et les poids d'importance majeure et mineure ont été déterminés à l'aide de la formule du facteur d'influence multiple (Équation 1). Tableau 2 présente l'importance majeure et mineure des différents facteurs22 (voir le Fichier supplémentaire 2).
Tableau 2 : Facteurs influents sélectionnés et leurs scores d'influence majeure et mineure utilisés dans le modèle à facteurs multiples (MIF). Veuillez cliquer ici pour télécharger ce tableau.
Les facteurs sélectionnés ont été classés selon la relation,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
où Y désigne l'effet mineur des facteurs, et X désigne l'effet majeur. Les influences majeure et mineure de chaque facteur sont calculées à l'aide de l'équation 1.
Les scores d'influence majeure (X) et mineure (Y) ont été attribués en fonction d'études antérieures et de la signification hydrologique de chaque facteur dans le contrôle de la production du ruissellement, de l'infiltration et du potentiel de collecte des eaux de pluie12. Une influence majeure a été attribuée aux facteurs ayant un impact direct sur l'adéquation à la collecte des eaux de pluie, tandis qu'une influence mineure représentait des relations indirectes entre les paramètres de contrôle. Les poids des facteurs ont été calculés à l'aide de l'équation (1), en normalisant les scores combinés d'influence majeure et mineure. Les poids des sous-classes ont été attribués en fonction de leur contribution relative à l'accumulation du ruissellement, à la capacité d'infiltration, à la rétention d'eau et à l'adéquation aux structures de collecte des eaux de pluie. Cette approche a permis d'assurer un cadre de pondération transparent et reproductible pour l'analyse de l'adéquation basée sur un système d'information géographique.
L'importance relative selon l'échelle de Saaty est indiquée dans le Tableau 3.
Tableau 3 : Échelle d'importance relative de Saaty utilisée pour l'analyse par processus hiérarchique analytique (AHP). Veuillez cliquer ici pour télécharger ce tableau.
Les scores des niveaux thématiques de tous les paramètres sont combinés ; chaque score de sous-classe des paramètres MIF est indiqué dans le Tableau 4. À l’aide de la technique de reclassification, le résultat MIF est classé en cinq catégories pour la collecte des eaux de pluie. Enfin, des cartes des emplacements définitifs proposés pour l’installation de différentes structures de collecte des eaux de pluie (RWH), telles que des barrages de contrôle, des bassins agricoles, des bouchons de ravines et d'autres structures liées à la conservation, sont produites et analysées. Le Figure 2 présente le cadre méthodologique.
Figure 2 : Cadre méthodologique pour l'évaluation de l'aptitude des sites de récupération des eaux de pluie à l'aide de modèles SIG basés sur la MIF et la AHP. Ce cadre illustre l'acquisition et le traitement des données issues de relevés sur le terrain, de la géologie, des sols, du MNT ALOS PALSAR, de l'ESA et du GPM afin d'élaborer des couches thématiques, notamment la géologie, les sols, la pente, la densité de drainage, la densité de linéaments, l'utilisation des terres et la couverture terrestre (LULC), ainsi que les précipitations. Ces couches ont été intégrées à l'aide de l'approche par facteurs multiples (MIF) pour produire une carte d'aptitude à la récupération des eaux de pluie (RWH), suivie d'une validation sur le terrain afin d'obtenir les cartes finales validées Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Tableau 4 : Rangs et poids fondés sur les facteurs multi-influents (MIF) des facteurs thématiques et de leurs sous-classes pour la cartographie de l'aptitude à la collecte de l'eau de pluie. Veuillez cliquer ici pour télécharger ce tableau.
Modélisation de l'aptitude au PPA
Le processus hiérarchique analytique (AHP) est une technique efficace pour traiter des situations complexes de prise de décision, qui aide également le décideur à établir des priorités et à choisir la meilleure option23. La méthode AHP constitue un cadre systématique pour organiser et évaluer des décisions complexes, en s'appuyant sur des outils mathématiques et des connaissances d'experts24. L'AHP permet d'identifier les aspects subjectifs et objectifs d'une décision en simplifiant les jugements complexes grâce à des comparaisons par paires, puis en analysant les résultats25. Une certaine disparité est inévitable, car les comparaisons reposent sur des points de vue subjectifs ou individuels. En calculant le ratio de cohérence et en éliminant les biais décisionnels, la méthode AHP fournit un outil utile pour évaluer la cohérence des jugements du décideur, garantissant ainsi la consistance des perceptions. L'un des principaux avantages de l'AHP réside dans le ratio de cohérence, qui quantifie le degré de cohérence entre les comparaisons par paires de différents critères26,27,28,29. Les entrées de données géographiques sont combinées et transformées par l'AHP en une sortie décisionnelle. À l’aide de l’échelle de Saaty (Tableau 3), des données qualitatives sur divers thèmes et attributs sont converties en données quantitatives par la création d’une matrice de comparaison par paires30,31. Le processus fondamental comprend la définition de l'objectif, l'examen et l'évaluation des facteurs ou critères influant sur la décision finale, puis l'attribution d'une note à chaque critère selon l'échelle de Saaty. Afin de vérifier la cohérence des poids attribués, le ratio de cohérence (CR) proposé par Saaty23 a été calculé à l’aide des équations 2 et 3 :
CR = CI/RCI (2)
où CI est l'indice de cohérence et RCI est l'indice de cohérence aléatoire.
L'indice de consistance (CI) est donné par l'équation :
(3)
où n est le nombre de critères et λmax est la valeur propre majeure. La valeur moyenne de l'indice de cohérence est estimée par l'indice aléatoire.
Sélection de la structure RWH
Occupation et utilisation des sols (OUS)
L'utilisation des terres caractérise la manière dont les terres sont exploitées, tandis que la couverture des terres décrit les caractéristiques naturelles du terrain. Des informations importantes sur la dispersion du ruissellement sont contenues dans la CUCS32. Dans les zones couvertes de végétation, des taux d'absorption et d'infiltration plus élevés sont associés à un ruissellement réduit, alors que les sols nus et les zones bâties favorisent une forte formation de ruissellement33,34. Des données satellitaires Sentinel 2b ont été utilisées pour établir les motifs d'utilisation et de couverture des terres de la zone d'étude. L'utilisation des terres du bassin versant de la rivière Panjkora a été classée en sept catégories, à savoir : plans d'eau, forêts, cultures et terres agricoles, zones urbaines, sols nus, neige/glace et terres de pâturage. Les poids d'adéquation attribués aux différentes classes d'utilisation/couverture des terres étaient fondés sur leur influence sur la génération de ruissellement, l'infiltration et le potentiel de stockage de l'eau de pluie. Les terres agricoles ont reçu la cote d'adéquation la plus élevée car elles produisent généralement un ruissellement modéré et bénéficient directement de l'eau collectée pour l'irrigation. Les terres arides ont également reçu un poids relativement élevé, car la végétation clairsemée et les surfaces de sol exposées favorisent un ruissellement de surface plus important par rapport aux zones densément végétalisées. En revanche, les zones boisées ont été attribuées à des poids plus faibles, car la végétation dense intercepte les précipitations, augmente l'infiltration grâce à des systèmes racinaires étendus et réduit l'écoulement superficiel. Les zones urbaines et les plans d'eau existants ont été jugés moins appropriés, car ils offrent soit peu de possibilités de construire des structures supplémentaires de collecte des eaux de pluie, soit sont déjà occupés par des surfaces imperméables ou des plans d'eau existants (Figure 3A).
Densité de drainage
L'infiltration des eaux souterraines et le ruissellement d'une zone sont décrits par la densité de drainage. La densité de drainage reflète à la fois la formation hydrologique souterraine et les caractéristiques de surface. Elle indique le degré de resserrement du maillage des cours d'eau et les propriétés du matériau de surface. Le ruissellement diminue lorsque la densité de drainage diminue, et inversement12. On observe généralement une faible infiltration et un faible ruissellement dans les zones à faible densité de drainage, et inversement. Les réseaux de drainage denses sont essentiels à la collecte des eaux pluviales. Les systèmes de récupération des eaux de pluie (RWH) conviennent mieux aux zones à forte densité de drainage, car ils offrent un réseau permettant à l'eau de s'écouler et d'être rapidement acheminée vers un point de collecte34,35. La densité de drainage du bassin versant de la rivière Panjkora a été classée en cinq classes selon la méthode des ruptures naturelles de Jenks : 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 et 79,089–161,34 km/km². Aux zones présentant des densités de drainage faibles à modérées a été attribuée une valeur de pondération plus élevée, car elles sont considérées comme des emplacements idéaux pour la récupération des eaux pluviales (Figure 3B).
Densité des linéaments
Les linéaments sont des caractéristiques linéaires souterraines généralement dérivées de cartes géologiques et visibles également sur des images satellites. Les linéaments (enfouis sous des zones de météorisation localisée ou structurale) présentent une porosité et une perméabilité accrues12. Les linéaments ont été extraits à partir d'une image Landsat 8 à l'aide d'un logiciel de traitement d'images de télédétection. L'outil de densité linéaire a été utilisé pour générer la couche raster des linéaments. La densité de linéaments a ensuite été classée selon la méthode de classification des ruptures naturelles de Jenks en cinq classes : 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 et 1,33-2,13 km/km2 (Figure 3C).
Sol
La texture du sol est un facteur important en ce qui concerne la planification et le choix des sites pour la récupération des eaux pluviales (RWH). La capacité d'infiltration du sol est déterminée par sa texture. En général, les sols sablonneux produisent moins de ruissellement par rapport aux sols argileux36. Les pourcentages de limon, de sable et d'argile définissent la classe texturale du sol. Le sol argileux possède une faible perméabilité et peut retenir l'eau collectée, c'est pourquoi les zones à sol de texture moyenne ou fine sont souvent privilégiées pour la collecte de l'eau de pluie8,37. La région étudiée se caractérise par cinq types de texture du sol : glaciers et calottes glaciaires, sols limoneux, sol argileux non calcaire, sol limoneux peu profond non calcaire, sol limoneux très peu profond, et affleurements rocheux (Figure 3D).
Pente
L'infiltration et le ruissellement sont fortement influencés par la topographie8. La variation de la pente du bassin versant a un impact évident sur l'écoulement de l'eau pendant et après une averse. La construction de structures de récupération des eaux de pluie (RWH) dans les zones à forte pente n'est pas rentable en raison de la quantité importante de terrassement nécessaire38. Pour un potentiel élevé de RWH, un terrain en pente douce constitue l'emplacement le plus approprié. Les structures de RWH ne sont pas durables dans les zones à forte pente (pentes supérieures à 5 %)39. Des mesures de contrôle de l'érosion sont également prises en compte dans les zones à pentes plus accentuées40. La pente a été calculée en degrés, et la zone d'étude a été divisée en cinq classes à l'aide de la classification Jenks Natural Breaks : 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° et 42,5°–82° (Figure 3E).
Précipitations
Les précipitations constituent le composant principal à l'origine du ruissellement de surface. Les données de pluviométrie ou de précipitations, issues de la mission de mesure mondiale des précipitations (Global Precipitation Measurement, GPM), ont été téléchargées depuis le site de la NASA https://gpm.nasa.gov/missions/GPM pour la période allant de 2014 à 202341. Les données pluviométriques du GPM couvrant la période 2014–2023 et la classification par classes naturelles de Jenks ont été utilisées pour diviser la zone d'étude en cinq classes de précipitations (mm) : 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 et 68,646–76,894 (Figure 3F).
Géologie
La composition physique d'un bassin versant et la quantité de sol qu'il produit sont fortement influencées par la géologie de la région. Les caractéristiques géologiques contrôlent l'écoulement de l'eau vers les aquifères souterrains40. Les roches sédimentaires et métamorphiques constituent les deux principaux types de roches présents dans la zone d'étude actuelle. La lithologie a été largement divisée en roches du Paléozoïque inférieur, roches sédimentaires du Carbonifère, roches sédimentaires du Crétacé, roches intrusives et métamorphiques du Mésozoïque, roches du Trias, roches paléozoïques non différenciées, roches paléozoïques non différenciées et roches précambriennes non différenciées, ainsi que roches siluriennes non différenciées. La disponibilité et la capacité de stockage sont fortement influencées par le type de lithologie ; certaines roches ont la capacité de laisser percoler l'eau de surface et de recharger l'aquifère41. En revanche, certaines roches permettent le passage de l'eau et contribuent à la recharge des eaux souterraines. La lithologie contrôle fortement la production de ruissellement par ses effets sur la perméabilité, la porosité et la capacité d'infiltration. Dans le bassin de la Panjkora, les roches métamorphiques compactes présentent généralement une porosité et une perméabilité primaires plus faibles que les dépôts sédimentaires non consolidés ou très poreux. Par conséquent, les précipitations ont moins tendance à s'infiltrer et plus à générer un ruissellement de surface, ce qui rend ces formations plus adaptées aux structures de collecte des eaux de pluie de surface. En revanche, les formations sédimentaires contenant des matériaux grossiers ou sablonneux permettent généralement une infiltration plus importante, réduisant ainsi le ruissellement de surface disponible pour le stockage. Ainsi, des poids de pertinence plus élevés ont été attribués aux roches métamorphiques, tandis que des poids relativement plus faibles ont été attribués aux formations sédimentaires. Figure 3G présente la carte géologique du bassin versant de la rivière Panjkora. Toutes les données sont disponibles dans les Fichiers supplémentaires 1 et 3.
Figure 3 : Répartition spatiale des facteurs thématiques utilisés pour l'évaluation des sites de récupération de l'eau de pluie dans le bassin du fleuve Panjkora. (A) Occupation et couverture des sols, (B) densité de drainage, (C) densité de linéaments, (D) texture du sol, (E) pente, (F) précipitations et (G) géologie. Différentes couleurs représentent les classes respectives de chaque facteur thématique. Veuillez cliquer ici pour consulter une version agrandie de cette figure.
Résultats
Reclassification de la carte thématique pour le modèle MIF
Couverture et utilisation des terres et RWH
L'utilisation des terres du bassin versant de la rivière Panjkora a été classée en sept catégories, à savoir, les plans d'eau, les terres forestières, les cultures et terres agricoles, les zones urbaines, les terres nues, la neige et la glace, ainsi que les zones de pâturage. Les régions où la collecte des eaux de pluie (RWH) est essentielle à la vie se sont vu attribuer un poids élevé, selon la littérature. Les terres agricoles et les terres stériles ont reçu une aptitude plus élevée, car ces types d'occupation des sols génèrent généralement un ruissellement de surface plus important que les zones densément boisées et offrent des emplacements favorables pour stocker l'eau recueillie à des fins agricoles. Les zones boisées ont obtenu une aptitude plus faible, car une couverture végétale dense favorise l'interception des précipitations et l'infiltration, réduisant ainsi la production de ruissellement. Les zones urbaines et les plans d'eau existants se sont vu attribuer des poids plus faibles, car ils offrent peu de possibilités de nouvelles interventions de collecte des eaux de pluie. Les terres agricoles et les terres nues ont été valorisées davantage, tandis que les eaux de surface et les zones urbaines ont été moins prises en compte dans le contexte de la collecte des eaux de pluie (Figure 4A). Les classes d'occupation et d'utilisation des sols (LULC) ont été pondérées selon leur importance relative pour l'aptitude à la collecte des eaux de pluie (Tableau 4) : plans d'eau (1), terres nues (6), couverture forestière (2), zones urbaines (1) et terres agricoles (7).
Densité de drainage et RWH
L'infiltration des eaux souterraines et le ruissellement des eaux de surface sont décrits par la densité de drainage. Les zones à faible ruissellement ont montré une forte infiltration, tandis que les zones à faible densité de drainage ont montré une infiltration plus faible. Les zones de densité de drainage faible et modérée ont reçu une cote élevée (7, 4), tandis que les densités de drainage élevée et très élevée ont reçu les poids les plus faibles (3, 2) selon23 (Figure 4B). Les zones de densité de drainage faible et modérée ont été identifiées comme les plus favorables à la collecte des eaux pluviales dans la région.
Densité de linéaments et SRP
La densité de linéaments de la zone d'étude a été classée à l'aide de la méthode de classification par classes naturelles de Jenks en cinq catégories, à savoir une aptitude très élevée, élevée, modérée, faible et très faible, et des poids respectifs ont été attribués (7, 4, 3, 2, 1) en conséquence (Figure 4C et Tableau 4). Dans la zone d'étude, les zones à forte densité ont été considérées comme les emplacements les moins adaptés à la collecte de l'eau de pluie, tandis que les zones à faible densité ont été jugées posséder un fort potentiel et se sont vu attribuer une valeur de pondération plus élevée.
Sol et RWH
Cinq types de texture du sol ont été cartographiés, à savoir (glaciers et calottes neigeuses), (sol limono-argileux non calcaire), (sol limoneux peu profond non calcaire), (sol limoneux très peu profond) et (affleurements rocheux) (Figure 4D). La capacité de rétention d'eau et la perméabilité ont été prises en compte lors de l'attribution des poids. La capacité du sol limono-argileux à retenir l'eau en surface s'est vue attribuer le poids le plus élevé selon Saaty23. Le sol limoneux de montagne très peu profond a une valeur de poids faible en raison de sa forte porosité et de sa grande perméabilité.
Pente et RWH
Les données de pente ont été divisées en cinq classes selon la classification par ruptures naturelles de Jenks, soit (0–11,9) degrés, (12–22,5) degrés, (22,6–31,8) degrés, (31,9–42,4) degrés et (42,5–82) degrés (Figure 4E). Dans la technique MIF, les zones à pente modérée (12–22,5) se sont vu attribuer une valeur élevée, tandis que les zones à forte pente ont reçu une valeur faible. Cela indique que la pente a été pondérée. La formule du modèle MIF a été utilisée pour déterminer les poids et les rangs des classes.
Précipitations et récupération des eaux de pluie
Les données de précipitations du GPM sur la période 2014–2023 ont été utilisées et classées selon la classification de Junk en cinq classes en (mm), soit (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) et (68,646–76,894) (Figure 4F). Des valeurs ont été attribuées en fonction des quantités de précipitations ; les zones à forte pluviométrie ont reçu des poids élevés, et inversement.
Géologie et RWH
La majeure partie de la zone d'étude est composée de roches métamorphiques et sédimentaires. La disponibilité et la capacité de stockage sont fortement influencées par la lithologie et le type de roche ; certaines roches peuvent laisser percoler l'eau de surface et recharger la nappe aquifère. En revanche, d'autres roches permettent à l'eau de s'écouler et contribuent au réapprovisionnement des eaux souterraines. Les roches métamorphiques ont été jugées plus appropriées, car leur perméabilité relativement faible favorise la génération d'écoulement de surface, augmentant ainsi la disponibilité de l'écoulement pour la collecte. En revanche, les formations sédimentaires possèdent généralement une perméabilité et une capacité d'infiltration plus élevées, permettant à une plus grande proportion des précipitations de s'infiltrer en profondeur plutôt que de contribuer à l'écoulement de surface. Par conséquent, les roches métamorphiques ont été considérées comme plus adaptées à la collecte des eaux de pluie de surface dans la zone d'étude. Figure 4G présente la carte géologique reclassée.
Attribution des poids à l'aide de la méthode AHP
Conformément aux recommandations de Wind et Saaty23, l'étude a pris en compte sept couches thématiques, chacune dotée d'un poids variant de 1 à 9 selon son adéquation au captage des eaux de pluie. Cette approche indique que des poids ont également été attribués aux classes de caractéristiques. Le Tableau 5 présente la normalisation des poids attribués au critère et à leurs classes de caractéristiques selon la méthode AHP30. Le jugement d'experts a joué un rôle essentiel dans la détermination des poids attribués aux différents facteurs, évalués en fonction de l'impact de chaque facteur sur la zone d'étude. Après calcul, des poids normalisés de 0,23 ont été attribués à l'occupation des sols / couverture terrestre, 0,27 aux précipitations, 0,13 à la densité de drainage, 0,07 à la pente, 0,08 à la densité de linéaments, 0,10 à la géologie et 0,10 aux sols. Pour les couches thématiques, le rapport de cohérence a été calculé à 0,08 à l'aide de l'Équation 3, ce qui se situe en dessous du seuil de 0,10. De plus, le rapport de cohérence des classes de caractéristiques se situait également dans la plage de 0,10 (Tableau 6). Les couches et caractéristiques sont cohérentes, selon le rapport de cohérence de la présente étude. Afin de déterminer l'importance relative des couches thématiques, une analyse par paires a également été réalisée, comme le montre le Tableau 5.
Tableau 5 : Matrice de comparaison par paires et poids normalisés des facteurs thématiques utilisés dans le modèle du processus hiérarchique analytique (AHP). Veuillez cliquer ici pour télécharger ce tableau.
Tableau 6 : Poids et rangs fondés sur le processus hiérarchique analytique (AHP) des facteurs thématiques et de leurs sous-classes pour l'analyse de l'aptitude à la collecte de l'eau de pluie. Veuillez cliquer ici pour télécharger ce tableau.
Figure 4 : Couches thématiques reclassées utilisées pour l'analyse de l'aptitude à la collecte des eaux de pluie dans le bassin versant de la rivière Panjkora. (A) Occupation des sols/couverture terrestre reclassée, (B) densité de drainage, (C) densité de linéaments, (D) texture du sol, (E) pente, (F) précipitations et (G) géologie. Les classes ont été reclassées selon leurs scores d'aptitude à la sélection de sites de collecte des eaux de pluie. Les nombres/couleurs indiquent les classes d'aptitude attribuées, allant d'une aptitude très faible à très élevée, selon les cas. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Zones potentielles de récupération des eaux de pluie
Les cartes finales utilisant les techniques de modélisation MIF et AHP ont été élaborées en appliquant les méthodes de superposition pondérée et de somme pondérée. À l'aide de ces deux modèles, la zone d'étude a été classée en cinq classes (Figure 5) selon des classes d'aptitude : sites peu adaptés, modérément adaptés, adaptés, très adaptés et extrêmement adaptés. Les résultats de la MIF dans le bassin versant de la rivière Panjkora pour la collecte de l'eau de pluie montrent que 80,22 km2 la zone présente une moindre adéquation, 1681,99 km2 est modérément adapté, 3116,1 km2 convient, 844,86 km2 présente une forte adéquation et 35,10 km2 présente une très grande adéquation pour la récupération des eaux de pluie. Bien que les résultats de la AHP montrent 1572,58 km2 zone avec une moindre adéquation, 1605,69 km2 est modérément adapté, 1768,62 km² est adapté, 689,15 km2 présente une grande adéquation et 122,611 km2 présente une très grande adéquation (Tableau 7, Figure 5 et Figure 6) pour RWH. Les cartes de pertinence basées sur MIF et AHP sont fournies en Fichier supplémentaire 4.
Tableau 7 : Comparaison des classes d'aptitude à la récupération des eaux de pluie dérivées des modèles à facteurs multiples (MIF) et du processus hiérarchique analytique (AHP). Veuillez cliquer ici pour télécharger ce tableau.
Figure 5 : Répartition spatiale des sites potentiels de récupération des eaux de pluie identifiés à l'aide de (A) la méthode MIF et (B) la méthode AHP dans le bassin versant de la rivière Panjkora. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 6 : Comparaison des zones classées dans différentes catégories de potentiel de collecte de l'eau de pluie selon les méthodes du facteur d'influence multiple (MIF) et du processus hiérarchique analytique (AHP). Les barres indiquent la superficie (km2) de chaque classe de potentiel, incluant les zones peu adaptées, modérément adaptées, adaptées, très adaptées et extrêmement adaptées. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Sélection de structures de récupération des eaux de pluie adaptées
Les critères d'ingénierie utilisés pour sélectionner des emplacements appropriés pour les structures de collecte des eaux de pluie (RWH), notamment les digues de retenue, les bassins agricoles et les bouchons de ravines, ont été adoptés à partir du manuel de collecte des eaux de la FAO42. Selon les directives de la FAO, le choix des structures RWH adéquates doit prendre en compte la topographie (pente), les caractéristiques du drainage, le potentiel de ruissellement, la texture du sol, la lithologie, l'utilisation des terres et la couverture du sol, ainsi que les conditions du bassin versant, afin d'assurer la faisabilité technique, la stabilité structurelle et le bon fonctionnement à long terme des systèmes de collecte. Ces critères d'ingénierie reconnus internationalement ont été intégrés dans le cadre d'évaluation multicritère basé sur un système d'information géographique (SIG) utilisé dans cette étude. L'objectif principal de la conservation des eaux de pluie à l'aide de structures de conservation du ruissellement (tranchées en courbes de niveau, digues en enrochement, bouchons de ravines et digues de retenue) est de réduire ou d'arrêter l'écoulement de l'eau. Les tranchées en courbes de niveau et les digues souterraines constituent deux méthodes efficaces par lesquelles la RWH peut être utilisée dans les zones sujettes à la sécheresse afin de répondre aux problèmes graves de sécheresse et de pénurie d'eau43. Après l'identification des sites potentiels pour la RWH, les emplacements optimaux pour la construction des structures ont été déterminés. Les bassins agricoles, les digues de retenue et les bouchons de ravines sont les trois seules structures RWH jugées pertinentes après analyse des conditions de la zone d'étude (Tableau 8). Les bassins agricoles sont de petites digues en terre ayant une pente comprise entre 1 % et 6 %. L'objectif de la construction de bassins agricoles est de diviser une pente longue en plusieurs pentes plus courtes et moins inclinées afin de réduire la vitesse d'écoulement et l'érosion provoquée par les eaux de ruissellement. Les digues de retenue sont plus importantes que les autres types de structures car elles permettent de réduire l'érosion des sols et de stocker l'eau de pluie. La distance entre deux digues de retenue lors de la construction d'une chaîne le long d'un chenal doit être supérieure à l'étendue de l'eau retenue. L'érosion des terres arables par les eaux de pluie entraîne la formation de ravines. Progressivement, l'érosion s'accentue et une ravine prend une forme plus définie. Ensuite, à intervalles réguliers, des barrières ou bouchons constitués de divers matériaux sont installés en travers de la ravine afin d'arrêter l'érosion et de stocker l'eau de pluie pour une utilisation ultérieure. La carte (Figure 7) indique les emplacements de collecte des eaux de pluie dans le bassin versant de la rivière Panjkora. Les métadonnées relatives aux emplacements RWH identifiés comme appropriés sont fournies dans le Fichier supplémentaire 5.
Tableau 8 : Structures proposées de récupération des eaux de pluie et leurs caractéristiques géographiques dans le bassin versant de la rivière Panjkora. Veuillez cliquer ici pour télécharger ce tableau.
Figure 7 : Répartition spatiale des structures potentielles de collecte des eaux de pluie dans le bassin versant de la rivière Panjkora. La carte montre les emplacements proposés pour les digues de retenue, les étangs agricoles et les bouchons de ravines dans les zones jugées appropriées. La limite du bassin versant et le réseau de drainage sont également indiqués. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Validation du modèle
Les résultats du modèle basé sur un SIG nécessiteront toujours une vérification par des données de terrain. Après l'extraction des données, une enquête approfondie a été menée sur le site, et les résultats ont été croisés avec les structures existantes de récupération des eaux de pluie (RWH) dans la zone d'étude. L'enquête a révélé que certaines structures de récupération des eaux de pluie avaient déjà été construites à des emplacements appropriés ; toutefois, celles-ci étaient insuffisantes pour couvrir la zone. La vérification des résultats obtenus par les méthodes MIF et AHP a été effectuée à l'aide d'une technique de vérification croisée. Les zones les plus favorables correspondent aux emplacements où peuvent être mises en œuvre des interventions réalisables. En outre, divers emplacements potentiels pour de futures interventions de récupération des eaux de pluie ont été identifiés lors de l'enquête sur le terrain. Les points de validation du relevé sur le terrain et leurs coordonnées géographiques sont fournis dans Fichier Supplémentaire 6. La validation statistique du modèle a été réalisée à l'aide de l'analyse de la courbe ROC (receiver operating characteristic) et du calcul de l'aire sous la courbe (AUC). Les données et résultats de l'analyse ROC pour le modèle AHP sont fournis dans Fichier Supplémentaire 7. L'analyse ROC a été effectuée à partir des points de validation sur le terrain obtenus par le système de positionnement global (GPS) (Figure 8A) et des résultats des modèles AHP et MIF. Les données et résultats correspondants de l'analyse ROC pour le modèle MIF sont fournis dans Fichier Supplémentaire 8. Le modèle MIF présente une courbe AUC de 0,72 (Figure 8B), tandis que le modèle AHP affiche une valeur de 0,69 (Figure 8C). Selon les critères d'interprétation couramment admis pour l'AUC-ROC, les valeurs d'AUC sont classées comme suit : aucune discrimination (0,50), faible (0,50 à 0,60), acceptable (0,60 à 0,70), bonne (0,70 à 0,80), très bonne (0,80 à 0,90) et exceptionnelle (0,90 et plus), afin d'indiquer la performance prédictive. En conséquence, le modèle MIF a démontré une capacité prédictive bonne (0,72), tandis que le modèle AHP a montré une performance prédictive acceptable (proche de bonne) (0,69). Bien que les deux modèles aient une performance nettement supérieure à des prédictions aléatoires (AUC = 0,50), la valeur d'AUC plus élevée obtenue par le modèle MIF indique une meilleure concordance avec les emplacements observés de récupération des eaux de pluie, suggérant ainsi que l'approche MIF est plus fiable pour identifier les sites RWH appropriés dans le relief montagneux du bassin de la Panjkora. Néanmoins, le modèle MIF s'avère comparativement meilleur que le modèle AHP dans la zone d'étude. La performance supérieure du modèle MIF par rapport au modèle AHP peut être attribuée aux caractéristiques environnementales et géographiques complexes du bassin de la Panjkora. Ce bassin se caractérise par un relief montagneux accidenté, des pentes très variables, des formations lithologiques hétérogènes et des motifs diversifiés d'utilisation et de couverture des sols, tous facteurs qui influencent fortement la production de ruissellement et le potentiel de récupération des eaux de pluie. Contrairement à la méthode AHP, qui repose principalement sur des comparaisons par paires définies par des experts, l'approche MIF prend en compte l'influence relative et les interactions entre plusieurs facteurs environnementaux de manière plus flexible. Cela permet au modèle de mieux représenter la variabilité spatiale des processus hydrologiques au sein du bassin versant. Par conséquent, le modèle MIF a produit des cartes de pertinence plus réalistes, conduisant à une valeur d'AUC plus élevée et à une meilleure concordance avec les emplacements des structures existantes de récupération des eaux de pluie. De plus, le bassin de la Panjkora présente une hétérogénéité spatiale considérable en ce qui concerne la répartition des précipitations, la densité du réseau hydrographique, la pente, la texture du sol et les conditions géologiques. Ces facteurs interagissent différemment selon les zones du bassin versant, rendant l'influence des paramètres individuels non uniforme. L'approche MIF est mieux adaptée à la prise en compte de ces variations, car elle évalue l'influence cumulative de plusieurs facteurs conditionnants, plutôt que de s'appuyer uniquement sur des jugements subjectifs par paires. Cela a probablement contribué à sa performance prédictive améliorée par rapport au modèle AHP.
Figure 8 : Validation des modèles d'adéquation à la récupération des eaux de pluie à l'aide d'une analyse de la caractéristique de fonctionnement du récepteur (ROC). (A) Répartition spatiale des points de validation basés sur le terrain utilisés pour la vérification du modèle ; (B) Courbe ROC et surface sous la courbe (AUC) pour le modèle du facteur d'influence multiple (MIF) ; et (C) Courbe ROC et AUC pour le modèle du processus hiérarchique analytique (AHP). Veuillez cliquer ici pour consulter une version agrandie de cette figure.
DISPONIBILITÉ DES DONNÉES :
Les ensembles de données utilisés dans cette étude sont accessibles publiquement ou peuvent être obtenus auprès des organisations respectives. Les données de précipitation du programme de mesure mondiale des précipitations (Global Precipitation Measurement, GPM) sont disponibles dans le référentiel de la mission GPM de la NASA (https://gpm.nasa.gov/missions/GPM). Les images satellites Sentinel-2 ont été obtenues à partir du hub d'accès ouvert Copernicus de l'ESA (https://scihub.copernicus.eu/). Le modèle numérique d'élévation (MNE) a été téléchargé depuis le centre de diffusion de données actives (Distributed Active Archive Center, DAAC) de l'Alaska Satellite Facility (ASF) (https://asf.alaska.edu/). Les données extraites (validation, toutes les données raster, toutes les métadonnées, calculs du modèle) sont fournies dans les fichiers supplémentaires 1–8.
Fichier supplémentaire 1 : Données des couches thématiques SIG. Données spatiales utilisées pour générer les couches SIG thématiques incluses dans l'analyse de l'aptitude à la collecte des eaux de pluie, comprenant les facteurs environnementaux et hydrologiques évalués dans l'étude.Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 2 : Calculs du MIF. Calculs utilisés pour déterminer l'influence relative, les poids des facteurs et les scores appliqués dans l'analyse de l'adéquation à la récupération des eaux de pluie fondée sur le MIF. Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 3 : Couches SIG reclassifiées et seuils de convenance. Couches thématiques reclassifiées, plages de classes correspondantes, valeurs seuils, rangs et scores de convenance utilisés dans les analyses MIF et AHP.Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 4 : Résultats des cartes de pertinence basées sur la MIF et la AHP. Sorties spatiales des analyses MIF et AHP montrant les classifications de pertinence pour la collecte des eaux de pluie dans le bassin versant de la rivière Panjkora.Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 5 : Métadonnées relatives aux emplacements propices à la récupération des eaux de pluie. Métadonnées associées aux emplacements identifiés comme adaptés à la mise en place de structures de récupération des eaux de pluie, incluant les informations spatiales et relatives au site disponibles.Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 6 : Points de validation par enquête sur le terrain. Données de validation par enquête sur le terrain, incluant les coordonnées géographiques des points de validation utilisés pour évaluer les cartes de potentiel de récupération de l'eau de pluie dérivées des méthodes MIF et AHP.Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 7 : Analyse ROC pour le modèle AHP. Données et résultats de l'analyse de la caractéristique de fonctionnement du récepteur (ROC) utilisés pour évaluer la performance prédictive du modèle du processus hiérarchique analytique (AHP).Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 8 : Analyse ROC pour le modèle MIF. Données et résultats de l'analyse ROC utilisés pour évaluer la performance prédictive du modèle à facteurs d'influence multiples (MIF).Veuillez cliquer ici pour télécharger ce fichier.
Discussion
Cette étude a comparé deux approches courantes de prise de décision multicritère basées sur les SIG, à savoir le facteur d'influence multiple (MIF) et le processus de hiérarchie analytique (AHP), afin d'identifier des sites appropriés pour la collecte des eaux de pluie (RWH) dans le bassin montagneux de la rivière Panjkora, dans le nord du Pakistan. Bien que les deux modèles aient correctement délimité des zones de captage potentielles, des différences notables ont été observées dans leurs prédictions spatiales et leurs performances de validation. L'analyse ROC-AUC a montré que le modèle MIF (AUC = 0,724) présentait de meilleures performances que le modèle AHP (AUC = 0,692), indiquant que les deux modèles possèdent une capacité prédictive acceptable, tandis que l'approche MIF s'accorde davantage avec la répartition des structures existantes de récupération des eaux de pluie et les observations de terrain. La performance supérieure du modèle MIF s'explique par les caractéristiques hydrologiques et géomorphologiques complexes du bassin de Panjkora. Le bassin versant est caractérisé par un relief montagneux accidenté, des pentes très variables, une lithologie hétérogène, des motifs d'utilisation des sols diversifiés et des précipitations spatialement variables. Ces variables environnementales interagissent simultanément pour contrôler la génération de ruissellement, l'infiltration et le potentiel de stockage d'eau. Contrairement à l'approche AHP, qui repose principalement sur des comparaisons par paires définies par des experts entre les critères, la technique MIF évalue à la fois l'importance relative et les interactions cumulatives entre plusieurs facteurs conditionnants. Par conséquent, MIF est plus apte à capturer l'hétérogénéité spatiale des bassins montagneux, où la génération de ruissellement est régie par l'influence combinée de la topographie, de la géologie, de la texture du sol, des caractéristiques du drainage et de la couverture terrestre, plutôt que par des facteurs isolés. Des observations similaires ont montré que les approches de pondération fondées sur l'influence fonctionnent bien dans des environnements hydrologiquement hétérogènes, car elles représentent mieux les interactions entre les variables environnementales22,34,41. La répartition spatiale des zones très favorables à la RWH reflète les caractéristiques physiques du bassin versant. Les parties occidentale et méridionale du bassin ont été identifiées comme les emplacements les plus favorables, car elles combinent des pentes modérées, une densité de drainage appropriée, une texture du sol favorable, des précipitations relativement plus élevées et des conditions d'utilisation des sols favorisant le ruissellement, tout en restant techniquement réalisables pour la construction de structures de captage. Des pentes modérées réduisent suffisamment la vitesse d'écoulement pour faciliter la collecte du ruissellement, tout en minimisant l'érosion excessive et les coûts de construction. En revanche, les pentes très abruptes produisent un ruissellement rapide, offrent peu d'opportunités de stockage et augmentent l'instabilité structurelle, ce qui les rend moins adaptées à la construction de digues de retenue ou d'étangs agricoles. Ces résultats concordent avec des études antérieures ayant identifié la pente comme un facteur prédominant dans l'aptitude à la RWH dans les environnements montagneux8,36,39. La géologie a également joué un rôle important dans la détermination de l'aptitude à la RWH. Dans le bassin de Panjkora, les roches métamorphiques présentent généralement une porosité et une perméabilité primaires plus faibles que de nombreuses formations sédimentaires, réduisant ainsi les pertes par infiltration et augmentant le ruissellement de surface disponible pour la collecte. Par conséquent, ces formations ont reçu des poids d'aptitude plus élevés, car elles favorisent l'accumulation de ruissellement, nécessaire pour des structures de stockage en surface telles que les digues de retenue et les étangs agricoles. En revanche, les formations sédimentaires, ayant une perméabilité relativement plus élevée, permettent une infiltration plus importante et une recharge des eaux souterraines, réduisant ainsi le volume de ruissellement de surface disponible pour la collecte. Des relations similaires entre lithologie, génération de ruissellement et aptitude à la récupération des eaux de pluie ont déjà été signalées12,40. L'utilisation des sols/la couverture terrestre et la texture du sol ont également influencé la répartition spatiale des sites de captage favorables. Les terres agricoles et les sols nus ont montré une plus grande aptitude, car ces surfaces génèrent généralement un ruissellement modéré à élevé tout en offrant directement des opportunités de stockage et d'utilisation de l'eau pour l'agriculture. En revanche, les zones boisées ont montré une aptitude relativement plus faible, car la végétation dense intercepte les précipitations, améliore la structure du sol et augmente l'infiltration grâce à des systèmes racinaires étendus, réduisant ainsi le ruissellement de surface. De même, les sols riches en argile et les sols limoneux ont été jugés plus favorables en raison de leur perméabilité relativement faible et de leur plus grande capacité de rétention d'eau, tandis que les sols rocheux peu profonds favorisent une infiltration rapide ou un ruissellement excessif avec un potentiel de stockage limité. Des résultats comparables ont été rapportés dans des études antérieures basées sur les SIG concernant la RWH en Éthiopie, en Irak et au Pakistan9,18. La comparaison entre MIF et AHP illustre également l'influence de la stratégie de pondération sur la cartographie de l'aptitude. L'approche AHP attribue les poids des critères principalement par jugement d'expert et par comparaison par paires, introduisant ainsi un certain degré de subjectivité, malgré des rapports de cohérence acceptables. En revanche, MIF évalue à la fois les interactions majeures et mineures entre les facteurs influents et permet en outre de pondérer les sous-classes de paramètres selon leur importance hydrologique. Ce cadre de pondération souple permet à MIF de mieux représenter la variabilité spatiale des conditions de production de ruissellement, particulièrement dans les bassins montagneux où les facteurs environnementaux varient considérablement sur de courtes distances. Des études comparatives similaires ont signalé que les approches multicritères fondées sur l'influence ou hybrides surpassent fréquemment les techniques conventionnelles de pondération basées sur l'expertise dans des conditions physiographiques complexes19,44,45. La validation par ROC-AUC soutient davantage ces observations. Bien que les deux modèles aient atteint une performance prédictive acceptable (AUC > 0,5), l'AUC plus élevée du modèle MIF indique un meilleur accord entre les emplacements prédits comme favorables et les structures existantes de récupération des eaux de pluie observées lors de la vérification sur le terrain. Cela démontre que l'intégration des interactions entre plusieurs variables hydrologiques et environnementales améliore la fiabilité des évaluations d'aptitude. Des approches de validation similaires utilisant l'analyse ROC ont été appliquées avec succès pour évaluer le potentiel des eaux souterraines, la vulnérabilité aux inondations et les modèles d'aptitude à la récupération des eaux de pluie34,41,45. Dans l'ensemble, ces résultats confirment que l'intégration des SIG, de la télédétection et des techniques de prise de décision multicritère fournit un cadre fiable pour la planification de la récupération des eaux de pluie dans les bassins montagneux. Au-delà de l'identification des emplacements appropriés, l'évaluation comparative présentée ici fournit une preuve pratique que le choix du modèle influence significativement la qualité des prédictions d'aptitude. La performance améliorée du modèle MIF suggère que les approches de pondération fondées sur l'influence sont particulièrement adaptées aux régions caractérisées par une forte variabilité spatiale de la topographie, de la lithologie, des précipitations et de la couverture terrestre. Par conséquent, la méthodologie développée dans cette étude peut servir de cadre transférable d'aide à la décision pour la planification durable des ressources en eau dans d'autres régions montagneuses et arides présentant des conditions hydro-météorologiques et physiographiques similaires.
Cette étude comparative évalue les approches AHP et MIF en tant que modèles spatiaux basés sur les SIG en analysant divers facteurs de contrôle directs et indirects afin d'identifier des zones présentant différents niveaux d'adéquation pour la construction de structures de collecte des eaux de pluie. Bien que les méthodes MIF et AHP offrent chacune des avantages uniques pour la prise de décisions spatiales, leur comparaison permet une analyse multicritère plus sophistiquée, améliorant ainsi la précision et la robustesse des évaluations d'adéquation des sites selon ces techniques. Pour la sélection des sites de RWH, les précipitations, la géologie, les sols, la densité de linéaments, la densité de drainage, l'utilisation/occupation des sols et la topographie ont été analysées comme facteurs déterminants. Certains facteurs supplémentaires tels que la distance par rapport aux routes, la distance par rapport aux cours d'eau principaux et la distance par rapport aux zones d'habitat urbain ont également été traités conformément aux critères de la FAO. L'objectif de la conception de sites RWH adaptés est d'améliorer la disponibilité des ressources en eau dans la zone d'étude. En ce qui concerne la construction de structures RWH, la zone d'étude a été classée en cinq catégories selon le degré d'adéquation : sites peu adaptés, modérément adaptés, adaptés, très adaptés et extrêmement adaptés. Lors de la visite sur le terrain, il a été constaté que les résultats du modèle MIF étaient plus précis que ceux du modèle AHP dans le terrain montagneux de la région. Les résultats du modèle MIF se sont avérés plus précis et plus pertinents localement en raison de son adaptabilité à la gestion de variables topographiques complexes et de sa capacité à combiner les poids et les rangs des sous-classes. La méthode MIF permet aux utilisateurs de classer chaque sous-classe pour la prise de décision, tandis que, d'un autre côté, l'AHP attribue des rangs et des poids aux paramètres plutôt qu'aux sous-classes de ces paramètres. Une comparaison entre MIF et AHP permet une compréhension approfondie de la manière dont différentes stratégies d'attribution de poids et critères de décision influencent les résultats de l'analyse spatiale. La supériorité de l'approche MIF par rapport à l'approche AHP a également été confirmée par le score ROC-AUC de 0,724 pour MIF et de 0,692 pour AHP.
Ces méthodes permettent une prise de décision plus efficace pour la gestion durable des ressources en eau, tout en minimisant les coûts, la main-d'œuvre et le temps. Cela revêt une importance particulière car la gestion durable des ressources en eau à l'échelle mondiale exigera des solutions innovantes face aux changements climatiques, à l'urbanisation croissante et à la pénurie d'eau. En démontrant l'efficacité de ces technologies dans une région topographiquement diverse comme le bassin de la Panjkora, l'étude propose un modèle applicable à d'autres zones confrontées à des contraintes environnementales similaires. Ainsi, les deux modèles ont bien fonctionné et ont confirmé leur pertinence pour d'autres régions géographiques, environnementales et socio-économiques au-delà de la zone étudiée. De nouvelles techniques, telles que l'apprentissage automatique et les données spatiales à haute résolution, pourraient être intégrées afin d'améliorer l'évolutivité et la précision des approches MIF et AHP. Ces avancées rendraient possible une analyse en temps réel et automatisée, ce qui est essentiel pour des applications dynamiques et élargies.
Déclarations de divulgation
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.
Remerciements
Les auteurs tiennent à remercier la Doyenné des études supérieures et de la recherche scientifique de l'Université de Taïf, Arabie Saoudite, pour le financement de ce travail.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| ArcGIS Desktop | Esri | Version 10.3.1 | Utilisé pour le prétraitement des données spatiales basé sur un SIG, la génération de couches thématiques, la reclassement, l’analyse par superposition pondérée et l’établissement de cartes de potentiel. |
| Modèle numérique d'élévation (MNE), 12,5 m | Alaska Satellite Facility (ASF) Distributed Active Archive Center | N/A | MNE de résolution spatiale 12,5 m utilisé comme raster de référence et pour dériver les couches de pente, de réseau hydrographique, de densité de drainage et d’altitude ; la date d’acquisition indiquée dans le manuscrit (12/02/2023) doit être précisée sans ambiguïté. |
| Données géologiques | Service géologique du Pakistan | N/A | Données géologiques/lithologiques utilisées pour générer la couche thématique de géologie. |
| Données de précipitations du système de mesure des précipitations globales (GPM) | Administration nationale de l'aéronautique et de l'espace (NASA) | jeu de données 2014-2023 | Données de précipitations utilisées pour générer la couche thématique des précipitations. Les auteurs doivent préciser le produit/version exact du GPM ainsi que la statistique temporelle utilisée. |
| Points de validation sur le terrain par système de positionnement global (GPS) | Non spécifié | N/A | Localisations de validation sur le terrain utilisées pour la vérification croisée et l’évaluation ROC-AUC. Le fabricant et le modèle du récepteur/appareil GPS n’ont pas été précisés dans le manuscrit. |
| Images Landsat 8 | Source non spécifiée | ID du produit/du cliché non spécifié | Utilisées pour l’extraction de linéaments. Les auteurs doivent fournir le dépôt source, la date d’acquisition, l’ID du produit/du cliché, la résolution spatiale et les détails du prétraitement. |
| Images satellitaires Sentinel-2B | Agence spatiale européenne (ESA), Copernicus | Acquises le 10 septembre 2025 | Utilisées pour la cartographie de l’occupation et de l’utilisation des sols par classification supervisée du maximum de vraisemblance. Les auteurs doivent préciser l’identifiant exact du produit/du cliché et le niveau de traitement. |
| Données de texture des sols | Direction de l'inventaire des sols, Khyber Pakhtunkhwa, Pakistan | N/A | Utilisées pour générer la couche thématique de texture des sols. L’édition ou l’identifiant du jeu de données/la carte n’a pas été précisé dans le manuscrit. |
Références
- 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.