Questo articolo descrive un approccio integrato basato su un sistema informativo geografico (GIS) che utilizza i modelli del Fattore Multi-Influenzante (MIF) e del Processo Analitico Gerarchico (AHP) per identificare siti idonei per la raccolta dell'acqua piovana e selezionare le strutture appropriate in bacini fluviali montani, dimostrato nel bacino del Panjkora, nel nord del Pakistan.
Articolo di ricerca
Ottimizzazione dell'idoneità del sito e della struttura per la raccolta dell'acqua piovana mediante approcci geospaziali, a fattori di influenza multipli e di processo di analisi gerarchica
In questo articolo
Sommario
Abstract
L'accumulo dell'acqua piovana (RWH) è una pratica essenziale per la conservazione dell'acqua, il miglioramento della gestione delle risorse idriche e la mitigazione dei rischi idrici nelle aree montuose. La selezione di un sito idoneo e di una struttura appropriata per l'impianto RWH è fondamentale per migliorare la disponibilità di acqua e la produttività agricola in ogni condizione, in particolare a causa dell'incertezza idrologica legata ai cambiamenti climatici. È difficile valutare e analizzare i siti RWH in condizioni diverse in tutto il mondo, specialmente in aree montuose remote e inaccessibili, dove questi siti hanno un impatto significativo sull'ambiente, la società e l'economia della regione e delle zone a valle. In questo studio, il metodo Multi-Influencing Factor (MIF) e il processo di analisi gerarchica (Analytic Hierarchy Process, AHP) sono stati applicati all'interno di un sistema informativo geografico (Geographical Information System, GIS), utilizzando dati tradizionali e di telerilevamento (remote sensing, RS), al fine di selezionare un sito idoneo e le strutture appropriate per l'accumulo dell'acqua piovana nel bacino del fiume Panjkora, nella regione del Kashmir indiano (Hindu Kush) nel nord del Pakistan. Secondo i risultati ottenuti con MIF (e AHP), l'area di studio presenta 80,22 (1572,58) km2 di area poco idonea, 1681,99 (1605,69) km2 di area moderatamente idonea, 3116,10 (1768,62) km2 di area idonea, 844,86 (689,15) km2 di area altamente idonea e 35,10 (122,61) km2 di area molto altamente idonea per le strutture RWH. Le mappe risultanti sono state validate mediante test basati sulla caratteristica operativa del ricevitore e sull'area sotto la curva (Receiver Operating Characteristic and Area Under the Curve, ROC-AUC) (punteggio MIF = 0,724 e punteggio AHP = 0,692) per verificarne l'accuratezza e la robustezza dei modelli. Questa ricerca, che presenta risultati con un'accuratezza promettente, fornirà nuovi spunti tecnici sull'argomento, utili per ulteriori miglioramenti e per valutare l'idoneità e l'applicabilità dei modelli in diverse condizioni idro-meteorologiche e fisografiche. Nel complesso, entrambi i modelli hanno identificato con successo siti adatti per l'accumulo dell'acqua piovana; tuttavia, il modello MIF ha prestato meglio rispetto al modello AHP in termini di accuratezza predittiva e affidabilità spaziale. Il framework proposto basato su GIS può supportare la pianificazione sostenibile dell'accumulo dell'acqua piovana e la gestione delle risorse idriche nei bacini montani.
Introduzione
La scarsità d'acqua, inclusa l'esaurimento delle risorse idriche superficiali e sotterranee, è diventata una sfida importante in molti paesi in via di sviluppo1. La rapida crescita della popolazione, l'urbanizzazione, l'espansione agricola, la complessa topografia e le mutevoli condizioni climatiche hanno intensificato la pressione sulle risorse idriche disponibili2,3. Nelle regioni con carenza idrica, l'eccessivo sfruttamento delle acque sotterranee per soddisfare le esigenze domestiche e agricole ha causato un abbassamento del livello freatico e una riduzione della sicurezza idrica a lungo termine. Pertanto, sono urgentemente necessarie strategie di gestione sostenibile delle risorse idriche, in particolare nelle regioni che registrano una rapida crescita demografica, un'elevata vulnerabilità delle risorse idriche ai cambiamenti climatici e un crescente fabbisogno idrico, come il Pakistan. Tra le varie strategie di adattamento, la raccolta dell'acqua piovana (RWH) si è affermata come un approccio efficace per conservare l'acqua di scorrimento superficiale e integrare le risorse idriche disponibili4. I sistemi RWH raccolgono e immagazzinano l'acqua piovana durante i periodi di pioggia per un uso successivo, fornendo un'alternativa sostenibile per affrontare le carenze idriche su scala locale e regionale5,6. Tuttavia, il successo dei sistemi RWH dipende in larga misura dall'individuazione di siti idonei e di strutture di raccolta appropriate. La selezione del sito è un processo complesso poiché è influenzata da molteplici fattori fisiografici, ambientali, idrologici e socioeconomici che variano spazialmente tra le diverse regioni7,8. Tradizionalmente, sono state utilizzate indagini sul campo per identificare potenziali siti RWH; tuttavia, questi approcci sono spesso costosi, dispendiosi in termini di tempo e impraticabili per aree estese e di difficile accesso, in particolare le regioni montuose. Pertanto, le tecnologie del Sistema Informativo Geografico (GIS) e del Telerilevamento (RS) sono state sempre più adottate come alternative efficienti per la valutazione RWH su scala regionale9. La valutazione multicriterio basata su GIS (MCE) fornisce un quadro efficace per integrare diversi strati tematici, tra cui precipitazioni, deflusso superficiale, pendenza, caratteristiche del suolo, uso del suolo/copertura del suolo, densità di drenaggio e parametri socioeconomici, al fine di identificare zone RWH idonee10,11. I dati provenienti dal telerilevamento migliorano ulteriormente questo approccio fornendo informazioni spaziali economiche su aree estese e di difficile accesso, inclusi copertura del suolo, geomorfologia, caratteristiche del suolo e caratteristiche idrologiche12. Il Pakistan è tra i paesi che affrontano gravi problemi idrici a causa dell'aumento della domanda, della variabilità climatica e della dipendenza da economie basate sull'agricoltura13. L'economia agricola del paese richiede ingenti risorse idriche, mentre il calo dei livelli delle acque sotterranee e l'irregolarità dei modelli di precipitazione hanno aumentato la vulnerabilità alle carenze idriche. Di conseguenza, la conservazione e l'immagazzinamento dell'acqua piovana sono diventati strategie importanti per migliorare la disponibilità idrica, specialmente nelle regioni carenti di acqua e montuose12,14. Studi precedenti hanno dimostrato l'efficacia degli approcci basati su GIS e RS per la selezione dei siti RWH integrando parametri ambientali e socioeconomici15,16,17,18. Diversi ricercatori hanno applicato varie tecniche di decisione multicriterio, tra cui il Processo Analitico Gerarchico (AHP), l'AHP sfocato (Fuzzy AHP) e altri metodi di ponderazione, per identificare siti RWH idonei in diverse condizioni ambientali19. Nonostante i notevoli progressi, le prestazioni di diversi approcci di decisione multicriterio possono variare a seconda delle caratteristiche ambientali regionali, dei set di dati disponibili e dei sistemi di ponderazione basati sull'esperienza. In particolare, sono stati condotti pochi studi comparativi sull'efficacia di diversi approcci in condizioni simili di bacino idrografico. Pertanto, valutare e confrontare tecniche alternative di decisione è essenziale per migliorare l'affidabilità delle valutazioni di idoneità dei siti RWH. Il presente studio colma questa lacuna di ricerca confrontando le tecniche del Fattore Multifattoriale (MIF) e del Processo Analitico Gerarchico (AHP) per identificare siti RWH idonei nel bacino del Panjkora, in Pakistan. Si ipotizza che l'integrazione di diverse variabili come topografia, proprietà geologiche, dinamiche della copertura del suolo, densità delle linee di drenaggio, caratteristiche del suolo e precipitazioni nel GIS, mediante un approccio di decisione multicriterio, possa identificare i siti RWH più idonei in un ambiente montuoso. Lo studio fornisce informazioni preziose sull'applicabilità degli approcci di supporto decisionale basati su GIS per la pianificazione sostenibile delle risorse idriche nelle regioni montuose.
Protocollo
Questo studio ha utilizzato dati geospaziali, di telerilevamento e di validazione sul campo, e non ha coinvolto partecipanti umani, dati personali identificabili, animali o tessuti vertebrati; pertanto, non è stata richiesta l'approvazione etica istituzionale per studi su esseri umani o animali.
Regione di studio
Il bacino del fiume Panjkora è una importante regione fisico-geografica situata nell'est della catena montuosa dell'Hindu Kush, nel nord del Pakistan (Figura 1). Il fiume Panjkora è il corso d'acqua principale del bacino (lungo 113 km, con un'area di drenaggio di 5758,27 km2) e nasce come un torrente dalle montagne coperte di ghiaccio dell'Hindu Kush. Si immette nel fiume Swat presso Chakdara, Dir Inferiore20. Al fiume Panjkora si uniscono cinque importanti torrenti o affluenti: Barawal, Dir, Gawaldai, Jandol e Kohistan. Il bacino si estende da 34°39′30′′ a 35°46′1′′ di latitudine nord e da 71°13′08′′ a 72°22′13′′ di longitudine est. La posizione geografica e la topografia accidentata della regione influenzano notevolmente il clima (di tipo montano e temperato). La zona superiore del bacino (Kumrat, Thal) presenta una stagione invernale più lunga e un'estate più fredda. A partire da novembre, la temperatura diminuisce bruscamente. Tuttavia, nel Dir Inferiore (Timergara, Talaash, Maidan, Samarbagh), la temperatura di solito rimane al di sopra dello zero da dicembre a febbraio. I mesi più caldi a Timergara sono da giugno ad agosto, con temperature massime medie superiori a 35 °C, mentre a Dir Town i mesi più caldi sono giugno e luglio (con temperature massime rispettivamente di 32,4 °C e 31,5 °C). Le piogge estive sono causate dal monsone, mentre quelle invernali derivano dalle depressioni occidentali. L'area oggetto di studio è caratterizzata da un'umidità relativa elevata per tutto l'anno. Inondazioni fluviali e alluvioni improvvise21 si verificano (quasi) ogni anno, in particolare nelle zone a monte e a valle di Wari. Le principali colture coltivate nella regione includono riso, grano, mais, patate e cipolle, mentre i frutti di rilievo prodotti nell'area di studio sono cachi, arance, mele, noci, albicocche, prugne, nespole e gelso.
Figura 1: Mappa dell'area di studio del bacino del fiume Panjkora, Pakistan settentrionale. (A) Posizione del Khyber Pakhtunkhwa all'interno del Pakistan; (B) posizione del bacino del fiume Panjkora all'interno del Khyber Pakhtunkhwa; e (C) bacino del fiume Panjkora che mostra il confine del bacino, la distribuzione dell'elevazione, la rete fluviale e le località principali all'interno dell'area di studio. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Raccolta e preparazione dei dati
Per questo studio, i dati sono stati raccolti da diverse fonti. I dati sulle precipitazioni sono stati scaricati dal Global Precipitation Measurement (GPM) della National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM dal 2014 al 2023. I dati sulla tessitura del suolo sono stati ottenuti dalla Direzione del Rilevamento del Suolo del Khyber Pakhtunkhwa, Pakistan (www.soilconservation.kp.org). I dati geologici sono stati reperiti dall'ufficio regionale del Geological Survey of Pakistan (https://gsp.gov.pk/). Per la raccolta e il calcolo degli scenari territoriali (uso del suolo/copertura del suolo), sono state ottenute immagini Sentinel-2 dall'European Space Agency (ESA) Copernicus Open Access Hub (https://scihub.copernicus.eu/). L'immagine di Sentinel-2B acquisita il 10 settembre 2025 è stata utilizzata per la mappatura dell'uso e della copertura del suolo (LULC). L'immagine è stata elaborata e classificata mediante l'algoritmo di Classificazione a Massima Verosimiglianza (MLC). Sono stati raccolti complessivamente 65 campioni di addestramento distribuiti nell'area di studio, rappresentativi di sette classi LULC: corpi idrici, foreste, terreni agricoli, aree urbane, suolo nudo, neve/gelo e pascoli. I campioni preparati sono stati utilizzati per eseguire una classificazione supervisionata e generare la mappa finale LULC. L'accuratezza della classificazione è stata valutata mediante un approccio di verifica basato su campioni di validazione, inclusa l'accuratezza complessiva e il coefficiente Kappa. Il modello del modello digitale del terreno (DEM) con risoluzione spaziale di 12,5 è stato acquisito dalla Alaska Satellite Facility (ASF) (https://asf.alaska.edu/) il 2/12/2023. Il modello DEM è stato successivamente utilizzato per generare strati di pendenza, rete di drenaggio, densità di drenaggio ed elevazione. I dati sulle strutture esistenti di raccolta dell'acqua piovana sono stati raccolti da dipartimenti competenti per la validazione incrociata.
Tutti i set di dati spaziali sono stati elaborati e analizzati utilizzando un software di sistema informativo geografico (GIS) (vedere Tabella dei Materiali). I dati dei layer tematici GIS sono forniti nel File Supplementare 1. Tutti i set di dati di input sono stati proiettati in un sistema di riferimento cartografico (CRS) comune (WGS 1984 UTM Fuso 42N) per garantire coerenza spaziale e calcoli accurati delle aree. I set di dati raster con diverse risoluzioni spaziali sono stati ricampionati e allineati a una griglia comune mediante il metodo di ricampionamento del vicino più prossimo, mantenendo al contempo le caratteristiche spaziali originali dei set di dati categorici. Il Modello Digitale del Terreno (DEM) con risoluzione spaziale di 12,5 m è stato utilizzato come raster di riferimento per l'allineamento spaziale e tutti i layer tematici sono stati convertiti in formato raster con la stessa dimensione della cella e la stessa estensione. Il confine dell'area di studio del bacino del fiume Panjkora è stato utilizzato come maschera per estrarre tutti i layer di input e mantenere un'estensione spaziale coerente per l'analisi. I pixel mancanti e le aree al di fuori del confine del bacino sono stati esclusi dall'analisi e trattati come valori NoData. I layer tematici (precipitazioni, pendenza, densità di drenaggio, densità di lineamenti, suolo, geologia e uso del suolo/copertura del suolo) sono stati riclassificati in classi di idoneità utilizzando il metodo di classificazione Jenks Natural Breaks e ranghi/pesi corrispondenti sono stati assegnati in base agli approcci MIF e AHP. Tabella 1 mostra le fonti dei dati.
Tabella 1: Fonti di dati e caratteristiche utilizzate per la valutazione dell'idoneità alla raccolta dell'acqua piovana. Cliccare qui per scaricare questa tabella.
Modellizzazione della idoneità del MIF
Inizialmente, la selezione di vari parametri è stata effettuata sulla base di una revisione della letteratura12. Per determinare località adatte alla raccolta delle acque piovane (RWH), sono stati presi in considerazione precipitazione, litologia, densità di lineamenti, densità di drenaggio, tessitura del suolo, pendenza e uso del suolo/copertura del suolo come fattori influenti distinti. A tal fine, è stato effettuato un pre-elaborazione dei parametri per creare la scala di influenza dei parametri; i dati sono stati quindi categorizzati in base alla loro rilevanza per la RWH, e la rilevanza maggiore e minore è stata determinata utilizzando la formula del fattore multi-influenzante (Equazione 1). Tabella 2 mostra la rilevanza maggiore e minore dei diversi fattori22 (vedere il File Supplementare 2)
Tabella 2: Fattori influenti selezionati e i relativi punteggi di influenza maggiore e minore utilizzati nel modello di Fattore Multiplo Influenti (MIF). Cliccare qui per scaricare questa tabella.
I fattori selezionati sono stati classificati utilizzando la relazione,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
dove Y indica l'effetto minore dei fattori, e X indica l'effetto maggiore. L'influenza maggiore e minore di ciascun fattore viene calcolata utilizzando l'Equazione 1.
I punteggi di influenza principale (X) e secondaria (Y) sono stati assegnati sulla base di studi precedenti e del significato idrologico di ciascun fattore nel controllo della generazione della deflussione, dell'infiltrazione e del potenziale di raccolta dell'acqua piovana12. Un'influenza principale è stata assegnata ai fattori che hanno un impatto diretto sull'idoneità alla raccolta dell'acqua piovana, mentre un'influenza secondaria ha rappresentato relazioni indirette tra i parametri di controllo. I pesi dei fattori sono stati calcolati utilizzando l'Equazione (1), normalizzando i punteggi complessivi di influenza principale e secondaria. I pesi delle sottoclassi sono stati assegnati in base al loro contributo relativo all'accumulo di deflusso, alla capacità di infiltrazione, alla ritenzione idrica e all'idoneità per le strutture di raccolta dell'acqua piovana. Questo approccio ha garantito un quadro di pesatura trasparente e riproducibile per l'analisi GIS dell'idoneità.
L'importanza relativa in base alla scala di Saaty è mostrata nella Tabella 3.
Tabella 3: Scala dell'importanza relativa di Saaty utilizzata per l'analisi del Processo Analitico Gerarchico (AHP). Cliccare qui per scaricare questa tabella.
I punteggi dei livelli tematici di tutti i parametri vengono combinati; ogni punteggio delle sottoclassi dei parametri MIF è elencato nella Tabella 4. Mediante la tecnica di riclassificazione, l'output MIF viene suddiviso in cinque categorie per la raccolta dell'acqua piovana. Infine, vengono generate e analizzate mappe delle ubicazioni finali suggerite per l'installazione di diverse strutture per la raccolta dell'acqua piovana (RWH), come dighe di controllo, bacini agricoli, ostruzioni per solchi erosivi e altre strutture legate alla conservazione. Figura 2 mostra il quadro metodologico.
Figura 2: Schema metodologico per la valutazione della idoneità dei siti per la raccolta dell'acqua piovana mediante modelli GIS basati sul MIF e sull'AHP. Lo schema illustra l'acquisizione e l'elaborazione di dati provenienti da rilevamenti sul campo, geologia, suolo, DEM ALOS PALSAR, ESA e GPM, per ottenere strati tematici, tra cui geologia, suolo, pendenza, densità di drenaggio, densità di lineamenti, uso del suolo/copertura del suolo (LULC) e precipitazioni. Questi strati sono stati integrati utilizzando l'approccio del Fattore di Influenza Multipla (MIF) per generare la mappa di idoneità alla raccolta dell'acqua piovana (RWH), seguita da una validazione basata su rilievi sul campo per produrre le mappe finali validate Cliccare qui per visualizzare una versione ingrandita di questa figura.
Tabella 4: Ranks e pesi basati sui fattori multipli influenti (MIF) per i fattori tematici e le sottoclassi nella mappatura della idoneità alla raccolta dell'acqua piovana. Cliccare qui per scaricare questa tabella.
Modellizzazione della idoneità per l'AHP
Il processo di analisi gerarchica (Analytic Hierarchy Process, AHP) è una tecnica efficace per affrontare situazioni complesse di decisione, che aiuta inoltre il decisore a stabilire priorità e a scegliere l'opzione migliore23. La tecnica AHP costituisce un quadro sistematico per organizzare e valutare decisioni complesse, mediante l'applicazione della matematica e della conoscenza esperta24. L'AHP facilita l'identificazione degli aspetti soggettivi e oggettivi di una decisione, semplificando giudizi complessi attraverso confronti a coppie e successivamente valutandone i risultati25. Sarà inevitabilmente presente una certa disparità, poiché i confronti si basano su punti di vista soggettivi o individuali. Calcolando il rapporto di coerenza ed eliminando i bias decisionali, la tecnica AHP fornisce uno strumento utile per valutare la coerenza dei giudizi del decisore, garantendo una percezione coerente. Uno dei principali vantaggi dell'AHP è il rapporto di coerenza, che quantifica il grado di coerenza tra i confronti a coppie di diversi criteri26,27,28,29. I dati geografici in ingresso vengono combinati e trasformati dall'AHP in un output decisionale. Utilizzando la scala di Saaty (Tabella 3), i dati qualitativi su vari temi e caratteristiche vengono trasformati in dati quantitativi generando una matrice di confronto a coppie30,31. Il processo fondamentale comprende la definizione dell'obiettivo, la considerazione e la valutazione dei fattori o standard che influenzano la decisione finale e l'assegnazione di un punteggio a ciascun criterio mediante la scala di Saaty. Per verificare la coerenza dei pesi assegnati, il rapporto di coerenza (CR) proposto da Saaty23 è stato calcolato utilizzando le equazioni 2 e 3:
CR = CI/RCI (2)
dove CI è l'indice di coerenza e RCI è l'indice di coerenza casuale.
L'indice di consistenza (CI) è dato dall'equazione:
(3)
dove n è il numero di criteri e λmax è l'autovalore principale. Il valore medio dell'indice di coerenza è stimato tramite l'indice casuale.
Selezione della struttura RWH
Copertura del suolo e uso del suolo (LULC)
L'uso del suolo caratterizza il modo in cui il suolo viene utilizzato, mentre la copertura del suolo descrive le caratteristiche naturali del terreno. Informazioni importanti sulla diffusione delle acque di ruscellamento sono contenute nella LULC32. Nelle aree coperte da vegetazione, tassi più elevati di assorbimento e infiltrazione sono associati a un minore ruscellamento superficiale, mentre le aree prive di vegetazione e le zone urbanizzate favoriscono la formazione di un elevato ruscellamento33,34. I dati satellitari della missione Sentinel-2b sono stati utilizzati per elaborare i modelli di uso e copertura del suolo dell'area di studio. L'uso del suolo del bacino fluviale del Panjkora è stato classificato in sette categorie: corpi idrici, foreste, coltivi e terreni agricoli, aree urbane, terreni incolti, neve/gelo e pascoli. I pesi di idoneità assegnati alle diverse classi di uso/copertura del suolo si basano sul loro impatto sulla generazione di ruscellamento, sull'infiltrazione e sul potenziale di stoccaggio dell'acqua piovana. Ai terreni agricoli è stato attribuito il punteggio di idoneità più alto perché generalmente producono un ruscellamento moderato e traggono diretto vantaggio dall'acqua raccolta per l'irrigazione. Anche ai terreni incolti è stato assegnato un peso relativamente elevato, poiché la scarsa vegetazione e le superfici di suolo esposto favoriscono un maggiore ruscellamento superficiale rispetto alle aree densamente vegetate. Al contrario, alle aree boschive sono stati assegnati pesi più bassi perché la vegetazione fitta intercetta la pioggia, aumenta l'infiltrazione grazie a estesi sistemi radicali e riduce il deflusso superficiale. Aree urbane e corpi idrici esistenti sono stati considerati meno idonei poiché offrono scarse opportunità per la costruzione di ulteriori strutture per la raccolta dell'acqua piovana o sono già occupati da superfici impermeabili o da corpi idrici preesistenti (Figura 3A).
Densità di drenaggio
L'infiltrazione delle acque sotterranee e il deflusso idrico di un'area sono descritti dalla densità di drenaggio. La densità di drenaggio riflette sia la formazione idrologica sotterranea che le caratteristiche superficiali. Indica la compattezza del reticolo fluviale e le caratteristiche del materiale superficiale. Il deflusso diminuisce al diminuire della densità di drenaggio e viceversa12. In genere, aree con bassa densità di drenaggio presentano un'infiltrazione e un deflusso ridotti, e viceversa. Le reti di drenaggio fitte sono essenziali per la raccolta dell'acqua piovana. I sistemi di raccolta dell'acqua piovana (RWH) sono più adatti ad aree con densità di drenaggio elevate, poiché forniscono un sistema che permette all'acqua di scorrere e di essere rapidamente convogliata verso un punto di raccolta34,35. La densità di drenaggio del bacino del fiume Panjkora è stata classificata in cinque classi sulla base della classificazione Jenks Natural Breaks: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 e 79,089–161,34 km/km². Alle zone con densità di drenaggio da bassa a moderata è stato assegnato un valore di peso maggiore poiché sono considerate ubicazioni ideali per la raccolta dell'acqua piovana (Figura 3B).
Densità delle linee
I lineamenti sono caratteristiche lineari sotterranee che vengono generalmente ricavate da carte geologiche e sono visibili anche su immagini satellitari. I lineamenti (sepolti sotto zone di alterazione localizzata o strutturale) presentano una porosità e una permeabilità aumentate12. I lineamenti sono stati estratti dall'immagine Landsat 8 utilizzando un software di elaborazione delle immagini da telerilevamento. È stato utilizzato lo strumento di densità lineare per generare il layer raster dei lineamenti. La densità dei lineamenti è stata ulteriormente classificata mediante il metodo di classificazione Jenks Natural Breaks in cinque classi: 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 e 1,33-2,13 km/km2 (Figura 3C).
Terreno
La tessitura del suolo è un fattore importante per la pianificazione e la selezione del sito per la raccolta dell'acqua piovana (RWH). La capacità di infiltrazione del suolo è determinata dalla sua tessitura. In generale, i terreni sabbiosi producono un deflusso superficiale inferiore rispetto ai terreni argillosi36. Le percentuali di limo, sabbia e argilla definiscono la classe tessiturale del suolo. Il terreno argilloso ha una scarsa permeabilità e può trattenere l'acqua raccolta, pertanto le aree con suoli a grana media e fine sono state spesso preferite per la raccolta dell'acqua piovana8,37. La regione oggetto dello studio è caratterizzata da cinque tipi di tessitura del suolo: ghiacciai e calotte nevose, suolo limoso, suolo argilloso non calcareo, suolo limoso superficiale non calcareo, suolo limoso molto superficiale e affioramenti rocciosi (Figura 3D).
Pendenza
L'infiltrazione e il ruscellamento sono notevolmente influenzati dalla topografia8. La variazione della pendenza del bacino ha un impatto evidente sul deflusso dell'acqua durante e dopo un acquazzone. Costruire strutture per la raccolta dell'acqua piovana (RWH) in aree con pendenze elevate non è economicamente vantaggioso a causa della notevole quantità di movimento terra necessaria38. Per un'elevata potenzialità di raccolta dell'acqua piovana, la posizione più adatta è quella con pendenza dolce. Le strutture per la raccolta dell'acqua piovana non sono durature in aree con pendenze elevate (superiori al 5%)39. Inoltre, in aree con pendenze più accentuate si prendono in considerazione misure di controllo dell'erosione40. La pendenza è stata calcolata in gradi, e l'area di studio è stata suddivisa in cinque classi mediante la classificazione Jenks Natural Breaks: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° e 42,5°–82° (Figura 3E).
Precipitazioni
La pioggia è il componente principale che genera il deflusso superficiale. I dati sulle precipitazioni, ovvero i dati del Global Precipitation Measurement (GPM), sono stati scaricati da NASA https://gpm.nasa.gov/missions/GPM dal 2014 al 202341. I dati pluviometrici GPM relativi al periodo 2014-2023 e la classificazione Jenks Natural Breaks sono stati utilizzati per suddividere l'area di studio in cinque classi di precipitazione (mm): 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 e 68,646–76,894 (Figura 3F).
Geologia
La composizione fisica di un bacino idrografico e la quantità di suolo che produce sono fortemente influenzate dalla geologia dell'area. Le caratteristiche geologiche controllano il flusso dell'acqua verso gli acquiferi sotterranei40. Le rocce sedimentarie e metamorfiche sono i due principali tipi di rocce presenti nell'area oggetto dello studio attuale. La litologia è stata suddivisa in modo generale in rocce del Paleozoico inferiore, rocce sedimentarie del Carbonifero, rocce sedimentarie del Cretacico, rocce intrusive e metamorfiche del Mesozoico, rocce del Triassico, rocce paleozoiche non suddivise, rocce paleozoiche non suddivise e rocce precambriane non suddivise, e rocce siluriane non suddivise. La disponibilità e la capacità di accumulo sono significativamente influenzate dal tipo di litologia; alcune rocce hanno la capacità di far percolare l'acqua superficiale e ricaricare l'acquifero41. D'altro canto, alcune rocce permettono il passaggio dell'acqua e contribuiscono al ricaricamento delle acque sotterranee. La litologia controlla fortemente la generazione di ruscellamento superficiale attraverso i suoi effetti sulla permeabilità, porosità e capacità di infiltrazione. Nel bacino del Panjkora, le rocce metamorfiche compatte mostrano generalmente una porosità e permeabilità primaria inferiori rispetto ai depositi sedimentari incoerenti o altamente porosi. Di conseguenza, le precipitazioni hanno minore probabilità di infiltrarsi e maggiore tendenza a generare ruscellamento superficiale, rendendo queste formazioni più adatte a strutture per la raccolta dell'acqua piovana superficiale. Al contrario, le formazioni sedimentarie contenenti materiali a grana grossa o sabbiosi consentono generalmente una maggiore infiltrazione, riducendo così il ruscellamento superficiale disponibile per l'accumulo. Per questo motivo, sono stati assegnati pesi di idoneità più elevati alle rocce metamorfiche, mentre pesi relativamente più bassi sono stati assegnati alle formazioni sedimentarie. Figura 3G mostra la carta geologica del bacino fluviale del Panjkora. Tutti i dati sono disponibili nei File Supplementari 1 e 3.
Figura 3: Distribuzione spaziale dei fattori tematici utilizzati per la valutazione dei siti di raccolta dell'acqua piovana nel bacino del fiume Panjkora. (A) Uso del suolo/copertura del suolo, (B) densità di drenaggio, (C) densità di lineamenti, (D) tessitura del suolo, (E) pendenza, (F) precipitazioni e (G) geologia. Diversi colori rappresentano le rispettive classi di ciascun fattore tematico. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Risultati
Riclassificazione della mappa tematica per il modello MIF
Copertura del suolo, uso del suolo e raccolta dell'acqua piovana
L'uso del suolo del bacino del fiume Panjkora è stato classificato in sette categorie, ovvero: corpi idrici, terreni boschivi, terreni coltivati e agricoli, aree urbane, terreni spogli, neve e ghiaccio, e zone pascolive. Le regioni in cui la raccolta dell'acqua piovana (RWH) è fondamentale per la vita sono state assegnate a un peso elevato sulla base della letteratura. Ai terreni agricoli e incolti è stata attribuita una maggiore idoneità, poiché queste classi di copertura del suolo generano in genere un deflusso superficiale maggiore rispetto alle aree densamente boschive e offrono posizioni favorevoli per l'accumulo dell'acqua raccolta a fini agricoli. Le aree boschive hanno ricevuto un'adeguatezza inferiore perché una copertura vegetale più elevata favorisce l'intercettazione e l'infiltrazione delle precipitazioni, riducendo così la formazione del deflusso. Le aree urbane e i corpi idrici esistenti sono stati assegnati a pesi inferiori poiché offrono opportunità limitate per nuove interventi di raccolta dell'acqua piovana. Ai terreni agricoli e incolti è stato attribuito un peso maggiore, mentre ai corsi d'acqua superficiali e alle aree urbane è stato attribuito un peso minore nel contesto della raccolta dell'acqua piovana (Figura 4A). Le classi LULC sono state assegnate pesi in base alla loro importanza relativa per l'idoneità alla raccolta dell'acqua piovana (Tabella 4): corpi idrici (1), terreni incolti (6), copertura boschiva (2), aree urbane (1) e terreni agricoli (7).
Densità di drenaggio e RWH
L'infiltrazione delle acque sotterranee e il ruscellamento delle acque superficiali sono descritti dalla densità di drenaggio. Le aree con basso ruscellamento hanno mostrato un'elevata infiltrazione, mentre le aree con bassa densità di drenaggio hanno mostrato un'infiltrazione inferiore. Alle zone con densità di drenaggio bassa e moderata è stato assegnato un punteggio elevato (7, 4), mentre alla densità di drenaggio alta e molto alta è stato assegnato il peso più basso (3, 2) in base a23 (Figura 4B). Le aree con densità di drenaggio bassa e moderata sono state identificate come le migliori per la raccolta delle acque meteoriche (RWH) nella zona.
Densità delle linee e RWH
La densità di lineamenti dell'area di studio è stata classificata mediante il metodo di classificazione Jenks Natural Breaks in cinque classi, ovvero idoneità molto elevata, idoneità elevata, idoneità moderata, idoneità bassa e idoneità molto bassa, e sono stati assegnati pesi corrispondenti (7, 4, 3, 2, 1) (Figura 4C e Tabella 4). All'interno dell'area di studio, le zone ad alta densità sono state considerate le località meno idonee per la raccolta dell'acqua piovana, mentre le zone a bassa densità sono state ritenute dotate di elevato potenziale e sono state assegnate un valore di peso maggiore.
Terreno e raccolta dell'acqua piovana
Sono stati mappati cinque tipi di tessitura del suolo, cioè (ghiacciai e calotte nevose), (suolo franco-argilloso non calcareo), (suolo franco superficiale non calcareo), (suolo franco molto superficiale) e (affioramenti rocciosi) (Figura 4D). La capacità di ritenzione idrica e la permeabilità sono state prese in considerazione durante l'assegnazione dei pesi. Alla capacità del suolo franco-argilloso di trattenere acqua sulla superficie è stato attribuito il peso più alto secondo Saaty23. Il suolo franco montano molto superficiale ha un valore di peso basso a causa della sua elevata porosità e della elevata permeabilità.
Pendenza e RWH
I dati relativi alla pendenza sono stati suddivisi in cinque classi sulla base della classificazione Jenks Natural Breaks, ovvero (0–11,9) gradi, (12–22,5) gradi, (22,6–31,8) gradi, (31,9–42,4) gradi e (42,5–82) gradi (Figura 4E). Nella tecnica MIF, alle aree con pendenza moderata (12–22,5) è stato assegnato un valore elevato, mentre alle aree con pendenza molto ripida è stato assegnato un valore basso. Ciò indica che alla pendenza è stata attribuita un'importanza specifica. Per determinare i pesi e i ranghi delle classi è stata utilizzata la formula del modello MIF.
Precipitazioni e raccolta dell'acqua piovana
I dati sulle precipitazioni GPM relativi al periodo 2014–2023 sono stati utilizzati e classificati secondo la classificazione di Junk in cinque classi espresse in mm, ovvero (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) e (68,646–76,894) (Figura 4F). I valori sono stati assegnati in base alle quantità di pioggia; alle aree con elevate precipitazioni sono stati attribuiti pesi maggiori, e viceversa.
Geologia e raccolta dell'acqua piovana
La maggior parte dell'area di studio è composta da rocce metamorfiche e sedimentarie. La disponibilità e la capacità di stoccaggio sono fortemente influenzate dalla litologia e dal tipo di roccia; alcune rocce possono permettere il percolamento dell'acqua superficiale e ricaricare l'acquifero. D'altro canto, alcune rocce consentono il passaggio dell'acqua e contribuiscono al ricaricamento delle acque sotterranee. Alle rocce metamorfiche è stata assegnata una maggiore idoneità poiché la loro permeabilità relativamente bassa favorisce la generazione di deflusso superficiale, aumentando così la disponibilità di acqua di deflusso da raccogliere. Al contrario, le formazioni sedimentarie generalmente presentano una permeabilità e una capacità di infiltrazione più elevate, permettendo a una maggiore proporzione di precipitazioni di infiltrarsi nel sottosuolo anziché contribuire al deflusso superficiale. Per questo motivo, le rocce metamorfiche sono state considerate più adatte alla raccolta superficiale dell'acqua piovana nell'area di studio. Figura 4G mostra la mappa geologica riclassificata.
Assegnazione dei pesi mediante AHP
Secondo le raccomandazioni di Wind e Saaty23, lo studio ha preso in considerazione sette livelli tematici, a ciascuno dei quali è stato assegnato un peso compreso tra 1 e 9 in base alla sua idoneità per la raccolta dell'acqua piovana. L'approccio indica che i pesi sono stati assegnati anche alle classi di elementi. Tabella 5 mostra la normalizzazione dei pesi assegnati al criterio e alle loro classi di elementi mediante l'approccio AHP30. Il giudizio degli esperti è stato fondamentale per determinare i pesi assegnati ai diversi fattori, valutati in base all'impatto di ciascun fattore sull'area di ricerca. Dopo il calcolo, i pesi normalizzati (0,23) sono stati assegnati all'uso del suolo/copertura del suolo, alle precipitazioni (0,27), alla densità di drenaggio (0,13), alla pendenza (0,07), alla densità di lineamenti (0,08), alla geologia (0,10) e al suolo (0,10). Per i livelli tematici, il rapporto di coerenza è stato calcolato pari a 0,08 mediante l'Equazione 3, valore inferiore alla soglia di 0,10. Inoltre, il rapporto di coerenza delle classi di elementi era anch'esso entro il limite di 0,10 (Tabella 6). I livelli e le caratteristiche risultano coerenti, secondo il rapporto di coerenza dello studio attuale. Per determinare l'importanza relativa dei livelli tematici, è stata effettuata anche un'analisi pairwise, come mostrato in Tabella 5.
Tabella 5: Matrice di confronto a coppie e pesi normalizzati dei fattori tematici utilizzati nel modello del Processo Analitico Gerarchico (AHP). Fare clic qui per scaricare questa tabella.
Tabella 6: Pesi e ranghi basati sul Processo Analitico Gerarchico (AHP) dei fattori tematici e delle sottoclassi per l'analisi della idoneità alla raccolta dell'acqua piovana. Cliccare qui per scaricare questa tabella.
Figura 4: Livelli tematici riclassificati utilizzati per l'analisi di idoneità alla raccolta dell'acqua piovana nel bacino del fiume Panjkora. (A) Uso del suolo/copertura del suolo riclassificato, (B) densità di drenaggio, (C) densità di lineamenti, (D) tessitura del suolo, (E) pendenza, (F) precipitazioni e (G) geologia. Le classi sono state riclassificate in base ai loro punteggi di idoneità per la selezione dei siti di raccolta dell'acqua piovana. I numeri/colore indicano le classi di idoneità assegnate, che vanno da idoneità molto bassa a molto alta, laddove applicabile. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Zone potenziali per la raccolta dell'acqua piovana
Le mappe finali, ottenute mediante le tecniche modellistiche MIF e AHP, sono state sviluppate applicando le tecniche di sovrapposizione pesata e di somma pesata. Utilizzando questi due modelli, l'area di studio è stata classificata in cinque classi (Figura 5) in base alle classi di idoneità: siti poco idonei, moderatamente idonei, idonei, altamente idonei e molto altamente idonei. I risultati del MIF nel bacino del fiume Panjkora per la raccolta dell'acqua piovana mostrano che 80,22 km2 l'area ha una minore idoneità, 1681,99 km2 è moderatamente adatto, 3116,1 km2 è adatto, 844,86 km2 ha un'elevata idoneità e 35,10 km2 ha un'adeguatezza molto elevata per la raccolta dell'acqua piovana. Sebbene i risultati dell'AHP mostrino 1572,58 km2 area con minore idoneità, 1605,69 km2 è moderatamente adatto, 1768,62 km² è adatto, 689,15 km2 ha un'elevata idoneità e 122,611 km2 ha un'adeguatezza molto elevata (Tabella 7, Figura 5 e Figura 6) per RWH. Le mappe di idoneità basate su MIF e AHP sono fornite in File Supplementare 4.
Tabella 7: Confronto delle classi di idoneità al recupero dell'acqua piovana derivate dai modelli a fattori multipli (MIF) e dal processo di gerarchia analitica (AHP). Cliccare qui per scaricare questa tabella.
Figura 5: Distribuzione spaziale dei siti potenziali per la raccolta dell'acqua piovana identificati utilizzando (A) il metodo MIF e (B) il metodo AHP nel bacino del fiume Panjkora. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 6: Confronto tra le aree classificate in diverse classi di idoneità al recupero dell'acqua piovana utilizzando i metodi del Fattore Multi-Influenzante (MIF) e del Processo Analitico Gerarchico (AHP). Le barre mostrano l'area (km2) all'interno di ciascuna classe di idoneità, inclusi le zone poco idonee, moderatamente idonee, idonee, altamente idonee e molto altamente idonee. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Selezione di strutture RWH adatte
I criteri ingegneristici utilizzati per selezionare ubicazioni idonee per le strutture di raccolta dell'acqua piovana (RWH), tra cui dighe di ritenzione, bacini agricoli e ostruzioni di calanchi, sono stati adottati dal Manuale della Raccolta dell'Acqua dell'Organizzazione delle Nazioni Unite per l'Alimentazione e l'Agricoltura (FAO)42. Secondo le linee guida della FAO, la selezione di strutture RWH appropriate deve considerare la topografia (pendenza), le caratteristiche del drenaggio, il potenziale di scorrimento superficiale, la tessitura del suolo, la litologia, l'uso del suolo/il tipo di copertura vegetale e le condizioni del bacino idrografico, al fine di garantire la fattibilità tecnica, la stabilità strutturale e le prestazioni a lungo termine dei sistemi di raccolta. Questi criteri ingegneristici riconosciuti a livello internazionale sono stati integrati nel quadro di valutazione multicriteriale basato su GIS utilizzato in questo studio. L'obiettivo principale della conservazione dell'acqua piovana mediante strutture di conservazione dello scorrimento superficiale (scavamento di gradoni, dighe in pietrame, ostruzioni di calanchi e dighe di ritenzione) è ridurre o arrestare il deflusso dell'acqua. Lo scavamento lungo le linee di livello e le dighe sotterranee rappresentano due metodi efficaci con cui la RWH può essere applicata in zone soggette a siccità, per affrontare i gravi problemi legati alla siccità e alla scarsità d'acqua43. Dopo l'individuazione dei siti potenziali per la RWH, sono state determinate le ubicazioni ottimali per la costruzione delle strutture. I bacini agricoli, le dighe di ritenzione e le ostruzioni di calanchi sono le uniche tre tipologie di strutture RWH ritenute idonee dopo un'analisi delle condizioni dell'area di studio (Tabella 8). I bacini agricoli sono piccole barriere in terra con una pendenza compresa tra l'1% e il 6%. L'obiettivo della costruzione di bacini agricoli è suddividere una pendenza lunga in più tratti più brevi e meno ripidi, riducendo così la velocità del flusso e l'erosione causata dall'acqua di scorrimento. Le dighe di ritenzione sono più significative rispetto ad altri tipi di opere poiché sono in grado di ridurre l'erosione del suolo e di accumulare acqua piovana. La distanza tra due dighe di ritenzione durante la costruzione di una catena lungo un alveo deve essere maggiore rispetto all'estensione della superficie liquida. L'erosione del terreno superficiale causata dall'acqua piovana porta alla formazione di calanchi. Gradualmente, l'erosione aumenta e un calanco assume una forma più definita. A questo punto, a intervalli specifici, vengono posizionati attraverso il calanco dei diaframmi o ostruzioni realizzati con diversi materiali, al fine di arrestare l'erosione e accumulare acqua piovana per un uso successivo. La mappa (Figura 7) mostra le ubicazioni per la raccolta dell'acqua piovana nel bacino del fiume Panjkora. I metadati relativi alle ubicazioni RWH idonee individuate sono forniti nel File Supplementare 5.
Tabella 8: Strutture proposte per la raccolta dell'acqua piovana e le loro caratteristiche geografiche nel bacino del fiume Panjkora. Cliccare qui per scaricare questa tabella.
Figura 7: Distribuzione spaziale delle potenziali strutture per la raccolta dell'acqua piovana nel bacino del fiume Panjkora. La mappa mostra le ubicazioni proposte per dighe di trattenuta, stagni agricoli e ostruzioni di calanchi all'interno delle aree idonee individuate. Sono inoltre mostrati il confine del bacino e la rete di drenaggio. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Convalida del modello
I risultati del modello basato su GIS richiederanno sempre una verifica con dati di campo. Dopo l'estrazione dei dati, l'area è stata ampiamente ispezionata e i risultati sono stati incrociati con le strutture esistenti di raccolta dell'acqua piovana nell'area di studio. È emerso durante il rilevamento che alcune strutture per la raccolta dell'acqua piovana erano già state costruite in posizioni appropriate; tuttavia, queste non erano sufficienti per l'area. La verifica dei risultati ottenuti con il metodo MIF e con il metodo AHP è stata effettuata mediante la tecnica di verifica incrociata. Le zone più idonee sono quelle in cui ricadono gli interventi praticabili. Inoltre, durante il rilevamento fisico sono stati identificati diversi siti potenziali per futuri interventi di raccolta dell'acqua piovana. I punti di validazione del rilevamento sul campo e le relative coordinate geografiche sono riportati nel File Supplementare 6. La validazione statistica del modello è stata eseguita utilizzando l'area sotto la curva della caratteristica operativa del ricevitore (ROC AUC). I dati e i risultati dell'analisi ROC per il modello AHP sono disponibili nel File Supplementare 7. L'analisi ROC è stata eseguita sui punti GPS di validazione sul campo (Figura 8A) e sui risultati dei modelli AHP e MIF. I corrispondenti dati e risultati dell'analisi ROC per il modello MIF sono forniti nel File Supplementare 8. I modelli MIF mostrano una curva AUC di 0,72 (Figura 8B), mentre il modello AHP mostra un valore di 0,69 (Figura 8C). Secondo i criteri comunemente accettati per l'interpretazione dell'ROC-AUC, i valori di AUC sono classificati come: nessuna discriminazione (0,50), scarsa (0,50–0,60), accettabile (0,60–0,70), buona (0,70–0,80), molto buona (0,80–0,90) ed eccezionale (0,90 e oltre), a indicare la capacità predittiva. Di conseguenza, il modello MIF ha dimostrato una capacità predittiva buona (0,72), mentre il modello AHP ha mostrato una prestazione predittiva accettabile (vicina alla buona) (0,69). Sebbene entrambi i modelli abbiano prestato notevolmente meglio delle previsioni casuali (AUC = 0,50), il valore AUC più elevato ottenuto dal modello MIF indica una maggiore concordanza con le posizioni osservate delle strutture di raccolta dell'acqua piovana e suggerisce che l'approccio MIF sia più affidabile per identificare siti idonei per la raccolta dell'acqua piovana (RWH) nel terreno montuoso del bacino del Panjkora. Tuttavia, il modello MIF risulta comparativamente migliore rispetto al modello AHP nell'area di studio. La superiore prestazione del modello MIF rispetto al modello AHP può essere attribuita alle complesse caratteristiche ambientali e geografiche del bacino del Panjkora. Il bacino è caratterizzato da un terreno montuoso accidentato, pendenze altamente variabili, formazioni litologiche eterogenee e diversi modelli di uso e copertura del suolo, tutti fattori che influenzano fortemente la generazione di deflussi e il potenziale di raccolta dell'acqua piovana. A differenza del metodo AHP, che si basa principalmente su confronti a coppie derivati da esperti, l'approccio MIF considera l'influenza relativa e le interazioni tra multipli fattori ambientali in modo più flessibile. Ciò consente al modello di rappresentare meglio la variabilità spaziale dei processi idrologici all'interno del bacino imbrifero. Di conseguenza, il modello MIF ha prodotto schemi di idoneità più realistici, ottenendo un valore AUC più elevato e una migliore concordanza con le posizioni delle strutture esistenti di raccolta dell'acqua piovana. Inoltre, il bacino del Panjkora presenta una notevole eterogeneità spaziale nella distribuzione delle precipitazioni, nella densità di drenaggio, nella pendenza, nella tessitura del suolo e nelle condizioni geologiche. Questi fattori interagiscono in modo diverso all'interno del bacino, rendendo l'influenza dei singoli parametri non uniforme. L'approccio MIF è più adatto a cogliere tali variazioni poiché valuta l'influenza cumulativa di multipli fattori condizionanti, piuttosto che basarsi esclusivamente su giudizi soggettivi a coppie. Ciò ha probabilmente contribuito alla sua migliore prestazione predittiva rispetto al modello AHP.
Figura 8: Convalida dei modelli di idoneità per la raccolta dell'acqua piovana mediante analisi della Curva Operativa del Ricevitore (ROC). (A) Distribuzione spaziale dei punti di convalida basati su rilevamenti sul campo utilizzati per la verifica del modello; (B) Curva ROC e Area Sotto la Curva (AUC) per il modello del Fattore Multi-Influenzante (MIF); e (C) Curva ROC e AUC per il modello del Processo di Gerarchia Analitica (AHP). Cliccare qui per visualizzare una versione ingrandita di questa figura.
DISPONIBILITÀ DEI DATI:
I set di dati utilizzati in questo studio sono disponibili pubblicamente o possono essere ottenuti dalle rispettive organizzazioni. I dati sulle precipitazioni del Global Precipitation Measurement (GPM) sono disponibili nel repository della missione NASA GPM (https://gpm.nasa.gov/missions/GPM). Le immagini satellitari di Sentinel-2 sono state ottenute dall'ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/). Il modello digitale del terreno (DEM) è stato scaricato dal Distributed Active Archive Center (DAAC) dell'Alaska Satellite Facility (ASF) (https://asf.alaska.edu/). I dati estratti (Validazione, tutti i dati raster, tutti i metadati, calcoli del modello) sono forniti nei File Supplementari 1–8.
File supplementare 1: Dati dei livelli tematici GIS. Dati spaziali utilizzati per generare i livelli tematici GIS inclusi nell'analisi di idoneità per la raccolta dell'acqua piovana, compresi i fattori ambientali e idrologici valutati nello studio.Cliccare qui per scaricare questo file.
File supplementare 2: Calcoli del MIF. Calcoli utilizzati per determinare l'influenza relativa, i pesi dei fattori e i punteggi applicati nell'analisi di idoneità per la raccolta dell'acqua piovana basata sul MIF. Cliccare qui per scaricare il file.
File Supplementare 3: Livelli GIS riclassificati e soglie di idoneità. Livelli tematici riclassificati e relativi intervalli di classe, valori soglia, ranghi e punteggi di idoneità utilizzati nelle analisi MIF e AHP. Cliccare qui per scaricare questo file.
File supplementare 4: Risultati della mappa di idoneità basata su MIF e AHP. Output spaziali delle analisi MIF e AHP che mostrano le classificazioni risultanti di idoneità per la raccolta dell'acqua piovana nel bacino del fiume Panjkora.Cliccare qui per scaricare il file.
File Supplementare 5: Metadati per le località individuate come adatte alla raccolta dell'acqua piovana. Metadati associati alle località identificate come adatte alla realizzazione di strutture per la raccolta dell'acqua piovana, inclusa l'informazione spaziale e relativa al sito disponibile.Cliccare qui per scaricare questo file.
File supplementare 6: Punti di validazione del rilevamento sul campo. Dati di validazione del rilevamento sul campo, inclusi le coordinate geografiche dei punti di validazione utilizzati per valutare le mappe di idoneità al recupero dell'acqua piovana derivate da MIF e AHP.Cliccare qui per scaricare questo file.
File supplementare 7: Analisi ROC per il modello AHP. Dati e risultati dell'analisi della caratteristica operativa del ricevitore (ROC) utilizzati per valutare le prestazioni predittive del modello del processo analitico gerarchico (AHP).Clicca qui per scaricare questo file.
File supplementare 8: Analisi ROC per il modello MIF. Dati e risultati dell'analisi ROC utilizzati per valutare le prestazioni predittive del modello a fattori multipli (MIF).Cliccare qui per scaricare il file.
Discussione
Questo studio ha confrontato due approcci diffusi di analisi decisionale multicriterio basati su GIS, ovvero il metodo del Fattore di Influenza Multipla (MIF) e il Processo Analitico Gerarchico (AHP), al fine di identificare siti idonei per la raccolta dell'acqua piovana (RWH) nel bacino montuoso del fiume Panjkora nel nord del Pakistan. Sebbene entrambi i modelli abbiano correttamente delimitato le zone potenzialmente idonee alla raccolta, si sono osservate differenze significative nelle loro previsioni spaziali e nelle prestazioni di validazione. L'analisi ROC-AUC ha dimostrato che il modello MIF (AUC = 0,724) ha prestazioni migliori rispetto al modello AHP (AUC = 0,692), indicando che entrambi i modelli presentano un'adeguata capacità predittiva, mentre l'approccio MIF mostra una maggiore concordanza con la distribuzione delle strutture esistenti per la raccolta dell'acqua piovana e con le osservazioni di campo. Le migliori prestazioni del modello MIF possono essere spiegate dalle complesse caratteristiche idrologiche e geomorfologiche del bacino del Panjkora. Il bacino idrografico è caratterizzato da un terreno montuoso accidentato, pendenze altamente variabili, litologia eterogenea, diversi modelli di uso del suolo e precipitazioni variabili nello spazio. Queste variabili ambientali interagiscono simultaneamente per controllare la generazione di deflusso superficiale, l'infiltrazione e il potenziale di accumulo idrico. A differenza dell'approccio AHP, che si basa principalmente su confronti a coppie derivati da esperti tra i diversi criteri, la tecnica MIF valuta sia l'importanza relativa sia le interazioni cumulative tra multipli fattori condizionanti. Di conseguenza, il metodo MIF è in grado di cogliere meglio l'eterogeneità spaziale dei bacini montani, dove la generazione di deflusso superficiale è governata dall'influenza combinata di topografia, geologia, tessitura del suolo, caratteristiche di drenaggio e copertura del suolo, piuttosto che da singoli fattori isolati. Osservazioni simili hanno dimostrato che gli approcci di pesatura basati sull'influenza prestano bene in ambienti idrologicamente eterogenei poiché rappresentano in modo più accurato le interazioni tra le variabili ambientali22,34,41. La distribuzione spaziale delle zone RWH altamente idonee rispecchia le caratteristiche fisiche del bacino. Le parti occidentale e meridionale del bacino sono state identificate come le località più favorevoli poiché combinano pendenze moderate, densità di drenaggio adeguata, tessitura del suolo favorevole, precipitazioni relativamente più elevate e condizioni di uso del suolo che favoriscono la generazione di deflusso superficiale, mantenendo al contempo una fattibilità tecnica per la costruzione delle strutture di raccolta. Pendenze moderate riducono sufficientemente la velocità del flusso, facilitando la raccolta del deflusso e minimizzando al contempo l'erosione eccessiva e i costi di costruzione. Al contrario, pendenze molto ripide generano un deflusso rapido, offrono scarse opportunità di accumulo e aumentano l'instabilità strutturale, risultando quindi meno adatte alla costruzione di sbarramenti o stagni agricoli. Questi risultati sono in linea con studi precedenti che hanno identificato la pendenza come il fattore dominante nella valutazione dell'idoneità alla raccolta dell'acqua piovana in ambienti montuosi8,36,39. Anche la geologia ha svolto un ruolo significativo nella determinazione dell'idoneità alla RWH. Nel bacino del Panjkora, le rocce metamorfiche mostrano generalmente una porosità e permeabilità primaria inferiori rispetto a molte formazioni sedimentarie, riducendo così le perdite per infiltrazione e aumentando il deflusso superficiale disponibile per la raccolta. Di conseguenza, queste formazioni hanno ricevuto pesi di idoneità più elevati poiché favoriscono l'accumulo di deflusso superficiale, necessario per strutture di accumulo come sbarramenti e stagni agricoli. Al contrario, le formazioni sedimentarie con permeabilità relativamente più elevata consentono una maggiore infiltrazione e ricarica della falda, riducendo il volume di deflusso superficiale disponibile per la raccolta. Relazioni simili tra litologia, generazione di deflusso e idoneità alla raccolta dell'acqua piovana sono state riportate in precedenza12,40. L'uso del suolo/copertura del suolo e la tessitura del suolo hanno ulteriormente influenzato la distribuzione spaziale dei siti idonei alla raccolta. Terreni agricoli e aree prive di vegetazione hanno mostrato un'idoneità maggiore poiché queste superfici generano generalmente un deflusso superficiale da moderato ad alto e offrono al contempo opportunità dirette per l'accumulo e l'utilizzo dell'acqua in agricoltura. Al contrario, le aree boscate hanno mostrato un'idoneità relativamente inferiore poiché la vegetazione densa intercetta le precipitazioni, migliora la struttura del suolo e aumenta l'infiltrazione attraverso estesi sistemi radicali, riducendo così il deflusso superficiale. Analogamente, suoli ricchi di argilla e suoli limosi sono stati considerati più favorevoli grazie alla loro permeabilità relativamente bassa e alla maggiore capacità di ritenzione idrica, mentre suoli rocciosi superficiali favoriscono un'infiltrazione rapida o un deflusso eccessivo con scarse potenzialità di accumulo. Risultati comparabili sono stati riportati in precedenti indagini GIS-based sulla RWH condotte in Etiopia, Iraq e Pakistan9,18. Il confronto tra MIF e AHP evidenzia anche l'influenza della strategia di pesatura sulla mappatura dell'idoneità. L'approccio AHP assegna i pesi ai criteri principalmente attraverso giudizi di esperti e confronti a coppie, introducendo un certo grado di soggettività nonostante rapporti di coerenza accettabili. Al contrario, il metodo MIF valuta sia le interazioni principali sia quelle secondarie tra i fattori influenti e permette inoltre di pesare le sottoclassi dei parametri in base al loro significato idrologico. Questo schema flessibile di pesatura consente al metodo MIF di rappresentare meglio la variabilità spaziale delle condizioni di generazione del deflusso, in particolare nei bacini montani dove i fattori ambientali variano notevolmente su brevi distanze. Studi comparativi simili hanno riportato che approcci multicriterio basati sull'influenza o ibridi superano spesso le tecniche tradizionali di pesatura basate sull'esperto in condizioni fisiografiche complesse19,44,45. La validazione tramite ROC-AUC supporta ulteriormente queste osservazioni. Sebbene entrambi i modelli abbiano raggiunto prestazioni predittive accettabili (AUC > 0,5), l'AUC più elevato del modello MIF indica una maggiore concordanza tra le località idonee previste e le strutture esistenti per la raccolta dell'acqua piovana osservate durante la verifica sul campo. Ciò dimostra che l'inclusione delle interazioni tra multipli fattori idrologici e ambientali migliora l'affidabilità delle valutazioni di idoneità. Approcci di validazione simili basati sull'analisi ROC sono stati applicati con successo per valutare il potenziale di acqua sotterranea, la suscettibilità alle inondazioni e i modelli di idoneità alla raccolta dell'acqua piovana34,41,45. Nel complesso, i risultati confermano che l'integrazione di GIS, telerilevamento e tecniche di analisi decisionale multicriterio fornisce un quadro affidabile per la pianificazione della raccolta dell'acqua piovana in bacini montani. Oltre all'identificazione di località idonee, la valutazione comparativa presentata in questo studio fornisce evidenze pratiche del fatto che la scelta del modello influisce significativamente sulla qualità delle previsioni di idoneità. Le migliori prestazioni del modello MIF suggeriscono che gli approcci di pesatura basati sull'influenza sono particolarmente adatti per regioni caratterizzate da forte variabilità spaziale di topografia, litologia, precipitazioni e copertura del suolo. Di conseguenza, la metodologia sviluppata in questo studio può fungere da quadro di supporto decisionale trasferibile per la pianificazione sostenibile delle risorse idriche in altre regioni montane e con scarsità idrica, con condizioni idro-meteorologiche e fisiografiche simili.
Questo studio comparativo valuta gli approcci AHP e MIF come modelli spaziali basati su GIS analizzando diversi fattori di controllo diretti e indiretti per identificare aree con diversi livelli di idoneità alla costruzione di strutture per la raccolta dell'acqua piovana. Sebbene MIF e AHP presentino singolarmente vantaggi unici per prendere decisioni spaziali, il loro confronto consente un'analisi multicriterio più sofisticata che migliora la precisione e la robustezza delle valutazioni sull'idoneità dei siti per queste tecniche. Per la selezione dei siti RWH, sono stati analizzati come fattori determinanti: precipitazioni, geologia, suolo, densità di lineamenti, densità di drenaggio, uso/copertura del suolo e topografia. Alcuni fattori aggiuntivi, come la distanza dalle strade, la distanza dai corsi d'acqua principali e la distanza dagli insediamenti urbani, sono stati elaborati secondo i criteri della FAO. L'obiettivo dello sviluppo di siti RWH idonei è migliorare la disponibilità di risorse idriche nell'area di studio. Rispetto alla costruzione di RWH, l'area di studio è stata classificata in cinque categorie in base al grado di idoneità: siti poco idonei, moderatamente idonei, idonei, altamente idonei e molto altamente idonei. Durante la visita in campo, si è riscontrato che i risultati del modello MIF erano più accurati rispetto al modello AHP nel terreno montuoso della regione. I risultati del modello MIF si sono rivelati più precisi e localmente pertinenti grazie alla sua capacità adattativa nella gestione di variabili topografiche complesse e alla sua capacità di combinare pesi e ranghi delle sottoclassi. MIF consente agli utenti di assegnare un rango a ciascuna sottoclasse ai fini della decisione, mentre AHP assegna ranghi e pesi ai parametri invece che alle sottoclassi dei parametri. Un confronto tra MIF e AHP fornisce una comprensione più approfondita di come diverse strategie di assegnazione dei pesi e criteri decisionali influenzino i risultati dell'analisi spaziale. Le prestazioni migliori dell'approccio MIF rispetto all'approccio AHP sono state confermate anche dal punteggio ROC-AUC di 0,724 per MIF e di 0,692 per AHP.
Questi metodi consentono una presa di decisione più efficiente per la gestione sostenibile delle risorse idriche, minimizzando costi, manodopera e tempo. Ciò è particolarmente cruciale poiché la gestione sostenibile delle risorse idriche mondiali richiederà soluzioni innovative di fronte ai cambiamenti climatici, all'urbanizzazione crescente e alla scarsità di acqua. Dimostrando l'efficienza di queste tecnologie in una regione topograficamente diversificata come il bacino del Panjkora, lo studio offre un modello per utilizzi simili in altre aree con analoghe limitazioni ambientali. Pertanto, entrambi i modelli hanno mostrato buone prestazioni e hanno confermato la loro applicabilità in altre regioni geografiche, ambientali e socioeconomiche al di là della zona oggetto di studio. Nuove tecniche come il machine learning e dati spaziali ad alta risoluzione potrebbero essere integrate per migliorare la scalabilità e l'accuratezza degli approcci MIF e AHP. Sviluppi di questo tipo renderebbero possibile un'analisi in tempo reale e automatizzata, fondamentale per applicazioni dinamiche ed estese.
Dichiarazioni
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.
Ringraziamenti
Gli autori desiderano ringraziare il Deanship of Graduate Studies and Scientific Research dell'Università di Taif, Arabia Saudita, per il finanziamento di questo lavoro.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| ArcGIS Desktop | Esri | Versione 10.3.1 | Utilizzato per la pre-elaborazione dei dati spaziali basata su GIS, la generazione di layer tematici, la riclassificazione, l'analisi di sovrapposizione pesata e la creazione di mappe di idoneità. |
| Modello digitale di elevazione (DEM), 12,5 m | Alaska Satellite Facility (ASF) Distributed Active Archive Center | N/D | DEM con risoluzione spaziale di 12,5 m utilizzato come raster di riferimento e per derivare i layer di pendenza, rete di drenaggio, densità di drenaggio ed elevazione; la data di acquisizione indicata nel manoscritto è 12/02/2023 e dovrebbe essere resa inequivocabile. |
| Dati geologici | Geological Survey of Pakistan | N/D | Dati geologici/litologici utilizzati per generare il layer tematico geologico. |
| Dati pluviometrici del Global Precipitation Measurement (GPM) | National Aeronautics and Space Administration (NASA) | Dati 2014-2023 | Dati di precipitazione utilizzati per generare il layer tematico relativo alle precipitazioni. Gli autori dovrebbero specificare esattamente il prodotto/versione GPM e la statistica temporale utilizzata. |
| Punti di validazione sul campo del sistema di posizionamento globale (GPS) | Non specificato | N/D | Posizioni di validazione sul campo utilizzate per la verifica incrociata e la valutazione ROC-AUC. Nel manoscritto non sono stati specificati il produttore e il modello del ricevitore/app GPS. |
| Immagini Landsat 8 | Fonte non specificata | ID del prodotto/scena non specificato | Utilizzate per l'estrazione delle lineazioni. Gli autori dovrebbero indicare il repository di origine, la data di acquisizione, l'ID del prodotto/scena, la risoluzione spaziale e i dettagli della pre-elaborazione. |
| Immagini satellitari Sentinel-2B | European Space Agency (ESA), Copernicus | Acquisite il 10 settembre 2025 | Utilizzate per la mappatura dell'uso e della copertura del suolo mediante classificazione supervisionata a massima verosimiglianza. Gli autori dovrebbero aggiungere l'identificatore esatto del prodotto/scena e il livello di elaborazione. |
| Dati sulla tessitura del suolo | Direzione del Rilevamento del Suolo, Khyber Pakhtunkhwa, Pakistan | N/D | Utilizzati per generare il layer tematico relativo alla tessitura del suolo. Nel manoscritto non è stato specificato l'edizione o l'identificatore del dataset/mape. |
Riferimenti
- 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.