研究記事

地理空間アプローチ、多影響因子アプローチ、および階層分析法を用いた雨水貯留施設の設置場所と構造の適合性最適化

28 回視聴

⸱

DOI:

10.3791/72363

⸱

2026年10月1日

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

この記事について

サマリー

本論文では、パキスタン北部のPanjkora流域を事例として、多影響因子（MIF）モデルと階層分析法（AHP）モデルを用いた地理情報システム（GIS）ベースの統合的アプローチにより、山岳河川流域における適切な雨水貯留サイトの特定および適切な構造物の選定を行う手法について述べる。

要約

雨水貯留（RWH）は、山岳地帯における水資源の保全、水資源管理の改善、および水関連災害の軽減に不可欠な手法である。あらゆる状況下、特に気候変動に伴う水文的な不確実性を考慮すると、水の利用可能性と農業生産性を向上させるためには、適切な敷地の選定とRWH施設の適切な構造の決定が極めて重要となる。世界中の多様な条件下で、特に地域社会や下流の環境、社会、経済に大きな影響を与える遠隔でアクセス困難な山岳地帯において、RWHの敷地を評価および分析することは困難である。本研究では、パキスタン北部のヒンドゥクシュ地域に位置するパンジャコーラ川流域において、適切なRWH敷地の選定および適切な構造を決定するため、慣習的なデータとリモートセンシング（RS）データを地理情報システム（GIS）で用い、多影響因子法（MIF）および階層分析法（AHP）を適用した。MIF（およびAHP）の結果によれば、研究地域におけるRWH構造物の適性は、不適地が80.22 (1572.58) km2、中適地が1681.99 (1605.69) km2、適地が3116.10 (1768.62) km2、高適地が844.86 (689.15) km2、および極めて高適地が35.10 (122.61) km2であった。得られたマップは、モデルの精度と堅牢性を検証するために、受信者動作特性および曲線下面積（ROC-AUC）テストを用いて検証された（MIFスコア = 0.724、AHPスコア = 0.692）。有望な精度で結果を示した本研究は、異なる水文気象条件および地形条件下におけるモデルのさらなる改善、適合性、および適用可能性について、新たな技術的知見を提供するものである。全体として、両モデルとも雨水貯留に適した敷地を正常に特定したが、予測精度と空間的な信頼性の点ではMIFモデルがAHPモデルを上回った。提案されたGISベースのフレームワークは、山岳流域における持続可能な雨水貯留計画と水資源管理を支援することができる。

概要

地表水および地下水資源の両方の枯渇を含む水不足は、多くの発展途上国において大きな課題となっています1。急速な人口増加、都市化、農業の拡大、複雑な地形、および気候条件の変化が、利用可能な水資源への負荷を増大させています2,3。水ストレスの高い地域では、家庭用および農業用の需要を満たすための過剰な地下水汲み上げにより、地下水位の低下と長期的な水セキュリティの低下を招いています。したがって、特にパキスタンのように、急速な人口増加、気候変動による水資源の高い脆弱性、および水需要の増加を経験している地域では、持続可能な水管理戦略が急務となっています。さまざまな適応戦略の中で、雨水貯留（RWH）は、降雨流出水を保全し、利用可能な水資源を補完するための効果的なアプローチとして台頭しています4。RWHシステムは、湿潤期に雨水を収集・貯蔵して後で使用することで、局所的および地域的な規模での水不足に対処するための持続可能な代替策を提供します5,6。しかし、RWHシステムの成功は、適切な場所の特定と適切な貯留構造の選定に大きく依存します。サイト選定は、地域によって空間的に変動する複数の地形的、環境的、水文学的、および社会経済的要因に影響されるため、複雑なプロセスとなります7,8。従来、潜在的なRWHサイトの特定には現地調査が用いられてきましたが、これらのアプローチは費用と時間がかかり、特に山岳地帯などの広大でアクセス困難な地域では不実用的であることが多いです。そのため、地域規模のRWH評価のための効率的な代替手段として、地理情報システム（GIS）およびリモートセンシング（RS）技術の採用が進んでいます9。GISベースの多基準評価（MCE）は、降水量、流出量、傾斜、土壌特性、土地利用／土地被覆、排水密度、および社会経済的パラメータを含む多様な主題レイヤーを統合し、適切なRWHゾーンを特定するための効果的な枠組みを提供します10,11。リモートセンシングデータセットは、土地被覆、地形、土壌特性、および水文学的特徴を含む、広大でアクセス困難な地域の費用対効果の高い空間情報を提供することで、このアプローチをさらに強化します12。パキスタンは、水需要の増加、気候の変動性、および農業ベースの生計への依存により、深刻な水課題に直面している国の一つです13。同国の農業経済は多大な水資源を必要としますが、地下水位の低下と不規則な降水パターンにより、水不足に対する脆弱性が高まっています。その結果、特に水不足の地域や山岳地帯において、雨水の保全と貯留が水利用可能性を向上させるための重要な戦略となっています12,14。先行研究では、環境的および社会経済的パラメータを統合することで、RWHサイト選定におけるGISおよびRSベースのアプローチの有効性が実証されています15,16,17,18。多くの研究者が、階層分析法（AHP）、ファジィAHP、およびその他の重み付けアプローチを含むさまざまな多基準意思決定手法を適用し、多様な環境条件下で適切なRWH場所を特定してきました19。大きな進展は見られたものの、異なる多基準意思決定アプローチの性能は、地域の環境特性、利用可能なデータセット、および専門家ベースの重み付けシステムによって異なる可能性があります。特に、同様の流域条件下で異なるアプローチの有効性を比較した研究は限られています。したがって、RWHサイト適合性評価の信頼性を向上させるためには、代替的な意思決定手法を評価し、比較することが不可欠です。本研究では、パキスタンのPanjkora盆地における適切なRWHサイトを特定するために、多影響因子法（MIF）と階層分析法（AHP）を比較することで、この研究上のギャップに対処します。多基準意思決定アプローチを用いて、地形、地質学的特性、土地被覆動態、排水・リニアメント密度、土壌特性、および降水量などの異なる変数をGISに組み込むことで、山岳環境において最適なRWHサイトを特定できるという仮説を立てています。本研究は、山岳地帯における持続可能な水資源計画のためのGISベースの意思決定支援アプローチの適用可能性について、貴重な知見を提供します。

プロトコル

本研究では、地理空間データ、リモートセンシングデータ、およびフィールド検証データを用いており、ヒト被験者、個人特定可能な個人データ、動物、または脊椎動物組織は含まれていないため、機関によるヒトまたは動物の倫理承認は必要ありませんでした。

研究地域

パンコラ川流域は、パキスタン北部のヒンドゥークシュ山脈東部に位置する重要な地形領域である (図1)。パンコラ川はこの流域の主要な河川であり（全長113 km、集水面積5758.27 km2）、ヒンドゥークシュ山脈の氷河に覆われた山々から急流として始まる。この川は、Dir LowerのChakdara付近でスワート川に合流する20。パンコラ川には、Barawal、Dir、Gawaldai、Jandol、Kohistanを含む5つの主要な急流または渓流が合流している。地理的範囲は、北緯34°39′30′′から35°46′1′′、東経71°13′08′′から72°22′13′′に及ぶ。この地域の位置と険しい地形は、その気候（山岳地帯および温帯）に大きな影響を与えている。流域の上流地域（Kumrat、Thal）では、冬が長く、夏はより低温である。11月以降、気温は急激に低下する。一方、Dir Lower（Timergara、Talaash、Maidan、Samarbagh）では、通常12月から2月まで気温が氷点上の状態にある。Timergaraで最も暖かい月は6月から8月で、平均最高気温は35 °Cを超える。対して、Dir Townで最も暑い月は6月と7月である（最高気温はそれぞれ32.4 °Cと31.5 °C）。夏季の降雨は季節風（モノスーン）によるものであり、冬季の降雨は西低気圧によってもたらされる。調査地域は、年間を通じて相対湿度が高いことが特徴である。河川氾濫およびフラッシュフラッド（突発的洪水）21が（ほぼ）毎年発生しており、特にWariの上流および下流の地域で顕著である。この地域で栽培されている主要な作物には、米、小麦、トウモロコシ、ジャガイモ、タマネギがあり、調査地域で栽培されている主要な果物には、柿、オレンジ、リンゴ、クルミ、アプリコット、プラム、ビワ、クワがある。

figure-protocol-1
図 1: パキスタン北部のパンコラ川流域の調査地域図。(A) パキスタン国内におけるハイバル・パフトゥンクワ州の位置、(B) ハイバル・パフトゥンクワ州内におけるパンコラ川流域の位置、および(C) 流域境界、標高分布、河川ネットワーク、および調査地域内の主要地点を示すパンコラ川流域図。こちらのリンクをクリックして、この図の拡大版を表示してください。

データの収集と準備

本研究では、さまざまなソースからデータを収集しました。降水量データは、2014年から2023年まで、米国航空宇宙局（NASA）のGlobal Precipitation Measurement (GPM)（https://gpm.nasa.gov/missions/GPM）からダウンロードしました。土壌テクスチャデータは、パキスタンのハイバル・パフトゥンクワ州土壌調査局（www.soilconservation.kp.org）から収集しました。地質データは、パキスタン地質調査所の地域事務所（https://gsp.gov.pk/）から取得しました。土地シナリオ（土地利用/土地被覆）の収集および算出のため、欧州宇宙機関（ESA）のCopernicus Open Access Hub（https://scihub.copernicus.eu/）からSentinel-2画像を取得しました。土地利用/土地被覆（LULC）マッピングには、2025年9月10日に取得したSentinel-2B画像を使用しました。画像は最大尤度分類（MLC）アルゴリズムを用いて処理および分類されました。研究地域全体から、水域、森林、農地、市街地、裸地、雪/氷、および草地の7つのLULCクラスを代表する計65個のトレーニングサンプルを収集しました。作成したトレーニングサンプルを使用して教師あり分類を行い、最終的なLULCマップを生成しました。分類精度は、全体精度およびKappa係数を含む、検証サンプルに基づく精度評価手法を用いて評価しました。空間解像度12.5 mのデジタル標高モデル（DEM）は、2023年2月12日にアラスカ衛星施設（ASF）（https://asf.alaska.edu/）から取得しました。このDEMモデルは、さらに傾斜、排水ネットワーク、排水密度、および標高レイヤーの生成に使用されました。既存の雨水貯留構造物データは、クロスバリデーションのために関連部署から収集しました。

すべての空間データセットは、地理情報システム（GIS）ソフトウェアを用いて処理および分析されました（Table of Materialsを参照）。GISのテーマレイヤデータは、Supplementary File 1に提供されています。空間的な整合性を確保し、正確な面積計算を行うため、すべての入力データセットは共通の投影座標参照系（CRS）（WGS 1984 UTM Zone 42N）に投影されました。空間解像度が異なるラスタデータセットは、カテゴリカルデータセットの元の空間特性を維持しつつ、最近隣法を用いて共通のグリッドに再サンプリングおよびアライメントされました。空間解像度12.5 mの数値標高モデル（DEM）を空間アライメントのリファレンスラスタとして使用し、すべてのテーマレイヤを同一のセルサイズおよび範囲を持つラスタ形式に変換しました。分析において一貫した空間範囲を維持するため、パンコラ川流域の調査地域境界をマスクとして使用し、すべての入力レイヤを抽出しました。欠損ピクセルおよび流域境界外の領域は分析から除外され、NoData値として処理されました。各テーマレイヤ（降水量、傾斜、排水密度、線構造密度、土壌、地質、および土地利用・土地被覆）は、Jenks自然基準分級法を用いて適合性クラスに再分類され、MIFおよびAHPアプローチに基づいて対応するランクと重みが割り当てられました。データソースはTable 1に示しています。

表 1： 雨水貯留の適合性評価に使用したデータソースおよび特性。 こちらのリンクをクリックして、この表をダウンロードしてください。

MIF適合性モデリング

まず、文献レビューに基づいた様々なパラメータの選定が行われました12。RWH（雨水収穫）に適した場所を決定するために、降水量、岩相、線状構造密度、排水密度、土性、傾斜、および土地利用/土地被覆が、個別の影響要因として考慮されました。この目的のため、パラメータの影響スケールを作成するための前処理が行われました。その後、データはRWHへの重要度に応じて分類され、多影響要因式（式1）を用いて主重要度と副重要度が決定されました。表2に、各要因の主重要度と副重要度を示します22（補足ファイル2を参照）。

表2： Multi-Influencing Factor（MIF）モデルで使用される、選択された影響因子およびそれらの主要および補助的な影響スコア。 こちらの表をダウンロードするには、ここをクリックしてください。

選択した要因は、以下の関係を用いて順位付けされました。

[(X+Y) ÷ ∑(X+Y)] × 100 (1)

ここで、Yは因子の微小効果を、Xは主効果を表します。各因子の主影響および微小影響は、式1を用いて算出されます。

主要な（X）および副次的な（Y）影響スコアは、先行研究および、流出生成、浸透、および雨水貯留ポテンシャルを制御する各因子の水文学的重要性に基づいて割り当てられた12。RWHの適合性に直接的な影響を与える因子には主要な影響を割り当て、制御パラメータ間の間接的な関係には副次的な影響を割り当てた。因子ウェイトは、主要および副次的な影響スコアの合計を正規化し、式(1)を用いて算出した。サブクラスウェイトは、流出蓄積、浸透能、保水力、およびRWH構造物の適合性への相対的な寄与度に従って割り当てられた。このアプローチにより、GISベースの適合性分析において、透明性が高く再現可能なウェイト付けフレームワークが確保された。

Saatyの尺度に基づく相対的重要性を表3に示します。

表 3： 階層分析法（AHP）解析に使用されるSaatyの相対重要度尺度。 この表をダウンロードするには、ここをクリックしてください。

すべてのパラメータのテーマ別レベルスコアを統合し、MIFパラメータの各サブクラススコアを表4に示します。再分類手法を用いて、雨水貯留（RWH）のためのMIF出力を5つのカテゴリーに分類します。最終的に、チェックダム、農場池、ガリープラグ、およびその他の保全関連構造物など、異なるRWH構造物の設置に推奨される最終的な位置のマップを作成し、分析します。図2に手法のフレームワークを示します。

figure-protocol-2
図 2: GISベースのMIFおよびAHPモデルを用いた雨水貯留サイトの適地評価のための方法論的枠組み. この枠組みは、地質、土壌、ALOS PALSAR DEM、ESA、GPMデータの取得および処理を行い、地質、土壌、傾斜、排水密度、リニアメント密度、土地利用・土地被覆（LULC）、降水量のテーマレイヤーを導出するプロセスを示している。これらのレイヤーを多影響因子（MIF）アプローチを用いて統合してRWH適地マップを生成し、その後、フィールドベースの検証を行うことで最終的な検証済みマップを作成した。こちらのリンクをクリックして、この図の拡大版を表示してください。

表4：雨水貯留適合性マッピングにおける、多影響因子（MIF）法に基づくテーマ因子およびサブクラスのランクとウェイト。 この表をダウンロードするには、ここをクリックしてください。

AHP適格性モデリング

階層分析法（AHP）は、困難な意思決定状況に対処するための効果的な手法であり、意思決定者が優先順位を定め、最適な選択肢を選ぶのに役立ちます23。AHP手法は、数学と専門知識を適用することで、複雑な決定を整理し評価するための体系的な枠組みです24。AHPは、一対比較を通じて複雑な判断を簡素化し、その結果を評価することで、決定における主観的および客観的な側面の両方を特定することを支援します25。比較が主観的または個人の視点に基づいているため、必然的にある程度の不一致が生じます。AHP手法は、整合性比（Consistency Ratio）を算出し、意思決定のバイアスを取り除くことで、意思決定者の判断の整合性を評価し、認識の一貫性を確保するための有用なツールを提供します。AHPの主な利点の一つは整合性比であり、これにより異なる基準の一対比較における整合性の度合いを定量化できます26,27,28,29。地理的なデータ入力は、AHPによって統合・変換され、決定出力となります。Saatyの尺度（表3）を利用し、一対比較行列を作成することで、さまざまなテーマや特性に関する定性的データを定量的なデータに変換します30,31。基本的なプロセスは、目標の設定、最終決定に影響を与える要因または基準の検討および評価、そしてSaatyの尺度を用いて各基準に格付けを行うことで構成されます。割り当てられたウェイトの整合性を確認するため、Saatyが提案した整合性比（CR）23を、式2および式3を用いて算出しました：

CR = CI/RCI (2)

ここで、CIは整合性指標、RCIはランダム整合性指標である。

一貫性指数（CI）は、次の方程式で与えられます：

figure-protocol-3 (3)

ここで、nは判定基準の数、λmaxは最大固有値である。整合性指標の平均値は、ランダム指標によって推定される。

RWH構造の選択

土地被覆・土地利用 (LULC)

土地利用（land use）は土地がどのように利用されているかを特徴づけるものであるのに対し、土地被覆（land cover）は土地の自然的な特徴を記述するものである。流出水の拡散に関する重要な情報は、LULC32に含まれている。植生に覆われた地域では、吸収率と浸透率が高いため流出量は減少するが、裸地や市街地では高い流出形成が促進される33,34。本研究地域の土地利用・土地被覆パターンを作成するために、Sentinel 2b衛星データを使用した。Panjkora川流域の土地利用は、水域、森林、作物および農地、都市地、裸地、雪・氷、および放牧地の7つのクラスに分類された。各土地利用・土地被覆クラスに割り当てられた適合度ウェイトは、流出生成、浸透、および雨水貯留能力への影響に基づいている。農地は、一般的に中程度の流出を生成し、貯水した水を灌漑に直接利用できるため、最も高い適合度評価となった。不毛地（Barren land）も比較的高いウェイトが割り当てられた。これは、植生がまばらで土壌表面が露出しているため、密な植生地域に比べて表面流出が促進されるためである。対照的に、森林地域には低いウェイトが割り当てられた。これは、密な植生が降雨を遮断し、広範な根系を通じて浸透を促進させ、地表流を減少させるためである。都市地域および既存の水域は、追加の雨水貯留（RWH）構造物を建設する機会が限られているか、あるいはすでに不浸透面や既存の水域で占有されているため、適合度は低く設定された（図3A）。

排水密度

ある地域の地下水浸透と表面流出は、排水密度によって記述されます。排水密度には、地下の水文地質形成と地表特性の両方が反映されています。これにより、流路間隔の密接さや地表物質の特性が示されます。排水密度が低下すると流出量は減少し、その逆も同様です12。一般的に、排水密度が低い地域では浸透量と流出量ともに低くなり、その逆も同様です。雨水の収集には密な排水ネットワークが不可欠です。排水密度が高い地域は、水が流れ、収集地点へ迅速に輸送されるシステムを提供するため、雨水貯留（RWH）により適しています34,35。Panjkora川流域の排水密度は、Jenks Natural Breaks分類に基づき、0–9.4907、9.4907–27.207、27.207–48.219、48.219–79.089、および79.089–161.34 km/km2の5つのクラスに分類されました。排水密度が低から中程度のゾーンは、雨水貯留に理想的な場所であると考えられるため、より高い重み付け値が割り当てられました(図 3B)。

線状構造密度

リニアメントとは、通常は地質図から導き出され、衛星画像でも確認できる線状の地下構造のことである。リニアメント（局所的な風化帯または構造的風化帯の下に埋没している）は、空隙率と浸透率が高くなる傾向がある12。本研究では、リモートセンシング画像処理ソフトウェアを用いて、Landsat 8画像からリニアメントを抽出した。次に、ライン密度ツールを用いてリニアメントのラスターレイヤーを作成した。さらに、Jenks自然区分法を用いて、リニアメント密度を0.0072-0.406 km/km2、0.406-0.664 km/km2、0.664-0.921 km/km2、0.921-1.33 km/km2、1.33-2.13 km/km2の5つのクラスに分類した（図 3C）。

土壌

土壌テクスチャは、雨水貯留（RWH）の計画およびサイト選定において重要な要因である。土壌の浸透能は、そのテクスチャによって決定される。一般的に、砂質土は粘土質土に比べて流出量が少ない36。シルト、砂、および粘土の含有率によって、土壌のテクスチャクラスが定義される。粘土質土は透水性が低く、集水した水を保持できるため、雨水収集には中粒および細粒土壌の地域が好まれることが多い8,37。本研究地域は、氷河および氷帽、ローム質、非石灰質粘土質土、ローム質浅層非石灰質土、ローム質極浅層土、および岩石露出部の5つの土壌テクスチャによって特徴づけられる（図 3D）。

勾配

浸透と流出は地形の影響を大きく受けます8。集水域の傾斜の変動は、豪雨中および豪雨後の水の流れ方に明確な影響を及ぼします。急傾斜地へのRWH構造物の設置は、膨大な土木工事が必要となるため費用対効果が高くありません38。RWHの潜在能力を高めるには、緩やかな傾斜地が最も適した場所となります。急傾斜地（傾斜5%超）では、RWH構造物の耐久性が得られません39。また、より急な傾斜地では浸食防止策も検討されます40。傾斜は度単位で算出し、研究対象エリアをJenksの自然ブレーク最適化法を用いて、0°–11.9°、12°–22.5°、22.6°–31.8°、31.9°–42.4° および42.5°–82° の5つのクラスに分類しました（図 3E）。

降雨量

降雨は地表流出を生じさせる主要な要因である。2014年から2023年までの降雨量／降水データとして、NASAのGlobal Precipitation Measurement (GPM) データ（https://gpm.nasa.gov/missions/GPM）をダウンロードした41。2014年から2023年の期間のGPM降雨データとJenks自然分級法を用い、調査地域を降雨量 (mm) に基づいて5つのクラス（49.93–57.014、57.014–61.773、61.773–65.262、65.262–68.646、および68.646–76.894）に分類した（図 3F）。

地質学

流域の物理的構成および生成される土壌量は、その地域の地質に大きく影響される。地質学的特徴は、地下帯水層への水の流れを制御している40。本研究地域で見られる主要な岩石の2つのタイプは、堆積岩と変成岩である。岩相は、大きく分けて古生代下部岩類、石炭紀堆積岩、白亜紀堆積岩、中生代貫入岩および変成岩、三畳紀岩類、未分化の古生代岩類、未分化の古生代岩類および未分化の先カンブリア時代岩類、そして未分化のシルル紀岩類に分類された。利用可能性および貯留能力は岩相の種類に大きく影響され、特定の岩石は地表水を浸透させ、帯水層を補充する能力を持つ41。一方で、水を通しやすく地下水の涵養を助ける岩石もある。岩相は、浸透能、孔隙率、および浸透能への影響を通じて、流出水の生成を強く制御する。パンジコーラ盆地において、緻密な変成岩は一般に、未固結または高孔隙の堆積層よりも一次孔隙率および浸透率が低い。その結果、降雨が浸透しにくく地表流出が発生しやすいため、これらの地層は地表の雨水貯留施設にとってより適している。対照的に、粗粒物や砂質材料を含む堆積層は一般に浸透能が高く、それによって貯留に利用可能な地表流出量が減少する。したがって、変成岩には高い適合性ウェイトが割り当てられ、堆積層には相対的に低いウェイトが割り当てられた。図 3Gにパンジコーラ川流域の地質図を示す。すべてのデータは補足ファイル 1 および 3で利用可能である。

figure-protocol-4
図3パンジャコラ川流域における雨水貯留サイト評価に用いられた主題因子の空間分布. (A) 土地利用/土地被覆、(B) 排水密度、(C) 線状構造密度、(D) 土壌テクスチャ、(E) 傾き、(F）降雨量、および（G) 地質。異なる色は、各テーマ因子のそれぞれのクラスを表している。 こちらの図の拡大版を表示するには、ここをクリックしてください。

結果

MIFモデルのための主題図の再分類

土地被覆、土地利用および雨水貯留浸透（RWH）

Panjkora川流域の土地利用は、水域、森林地、作物・農地、市街地、裸地、雪氷、および牧草地の7つのクラスに分類されました。雨水貯留（RWH）が生命にとって不可欠な地域には、文献に基づき高い重みが割り当てられました。農地および裸地には高い適合性が割り当てられたが、これはこれらの土地被覆クラスが一般に密な森林地帯よりも大きな地表流出を発生させ、農業利用のために貯留した水を蓄えるのに適した場所を提供するためです。森林地帯は、植生被覆率が高いことで降雨の遮断と浸透が促進され、その結果、流出量の生成が減少するため、適合性は低く設定されました。市街地および既存の水域は、新たな雨水貯留対策を講じる機会が限られているため、低い重みが割り当てられました。つまり、雨水貯留の観点から、農地と裸地にはより大きな重みが、地表水と市街地にはより小さな重みが与えられました（図4A）。LULCクラスには、雨水貯留適合性における相対的な重要性に応じて以下の重みが割り当てられました（表4）：水域（1）、裸地（6）、森林被覆（2）、市街地（1）、および農地（7）。

排水密度とRWH

地下水の浸透と地表水の流出は、排水密度によって説明されます。流出量の少ない地域では高い浸透能が示され、一方で排水密度の低い地域では浸透能が低いことが示されました。文献23に基づき、排水密度が低および中程度のゾーンには高いランク（7, 4）を、排水密度が高および非常に高いゾーンには最も低いウェイト（3, 2）を割り当てました（図4B）。排水密度が低および中程度の地域が、当該エリアにおける雨水貯留（RWH）に最適であると判断されました。

線状構造密度とRWH

研究地域の線状構造密度は、Jenks自然分級法を用いて、「非常に高い適性」、「高い適性」、「中程度の適性」、「低い適性」、「非常に低い適性」の5つのクラスに分類され、それぞれに（7, 4, 3, 2, 1）の重みが割り当てられた（図 4C および 表 4）。本研究地域において、高密度地帯は雨水貯留に最も不適な場所と見なされ、一方で低密度地帯は高い潜在能力を持つと考え、より高い重み付けの値を与えた。

土壌および雨水貯留（RWH）

5種類の土壌テクスチャがマッピングされました。すなわち、（氷河および積雪）、（ローム質・粘土質非石灰質土壌）、（ローム質浅層非石灰質土壌）、（ローム質極浅層土壌）、および（岩石露頭）です（図 4D）。ウェイトの割り当てには、保水力と透過性が考慮されました。Saaty23に基づき、地表におけるローム質および粘土質土壌の保水力に最大のウェイトを与えました。山地の極浅層ローム質土壌は、空隙率が高く透過性が高いため、ウェイト値が低くなっています。

勾配と雨水貯留施設（RWH）

斜面データは、Jenks自然分級法に基づき、(0–11.9)度、(12–22.5)度、(22.6–31.8)度、(31.9–42.4)度、(42.5–82)度の5つのクラスに分類されました（図 4E）。MIF法では、中程度の傾斜（12–22.5）を持つエリアに高い値を割り当て、非常に急峻な傾斜のエリアには低い値を割り当てました。これは、傾斜に重み付けを行ったことを示しています。各クラスの重みと順位を決定するために、MIFモデル式が用いられました。

降雨量と雨水貯留（RWH）

2014年から2023年の期間のGPM降水量データを使用し、Junkの分類法を用いて、(mm)単位で(49.93–57.014)、(57.014–61.773)、(61.773–65.262)、(65.262–68.646)、(68.646–76.894)の5つのクラスに分類しました(図4F)。値は降水量に基づいて割り当てられ、降水量の多い地域には高いウェイトを、少ない地域には低いウェイトを付与しました。

地質学と雨水貯留（RWH）

調査地域の大部分は変成岩および堆積岩で構成されています。可用性と貯留能力は、岩相および岩石の種類に大きく影響されます。特定の岩石は地表水を浸透させ、帯水層を補充することができます。一方で、一部の岩石は水の通過を許容し、地下水の涵養を促進します。変成岩は、透過性が比較的低いために地表流出の発生が促進され、その結果、集水可能な流出量が増加するため、適合度を高く設定しました。対照的に、堆積岩層は一般に透過性と浸透能が高く、降雨のより大きな割合が地表流出に寄与せず地下へ浸透します。したがって、本調査地域においては、変成岩が地表雨水集水に適していると考えられました。図 4Gに再分類した地質図を示します。

AHPを用いた重み付けの割り当て

WindおよびSaatyの推奨事項23に基づき、本研究では7つの主題レイヤーを検討し、雨水貯留への適合性に基づいてそれぞれ1から9までの重みを割り当てた。この手法では、フィーチャクラスにも重みが割り当てられている。AHP手法30を用いて、基準およびそのフィーチャクラスに割り当てられた重みの正規化をTable 5に示す。異なる要因に割り当てる重みの決定には専門家の判断が不可欠であり、各要因が研究地域に与える影響に基づいて評価を行った。計算の結果、正規化された重みは、土地利用/土地被覆（0.23）、降水量（0.27）、排水密度（0.13）、傾斜（0.07）、リニアメント密度（0.08）、地質（0.10）、土壌（0.10）となった。主題レイヤーについて、式3を用いて算出した整合性比は0.08であり、閾値の0.10を下回った。さらに、フィーチャクラスの整合性比も同様に0.10の範囲内であった（Table 6）。本研究の整合性比によれば、レイヤーおよびフィーチャは整合している。主題レイヤーの相対的な重要性を確認するため、Table 5に示すように一対比較分析も実施した。

表5：階層分析法（AHP）モデルに使用したテーマ因子の一対比較行列および正規化重み。 こちらのリンクから本表をダウンロードしてください。

表6：雨水貯留の適合性分析における、階層分析法（AHP）に基づくテーマ別要因およびサブクラスの重みと順位。 こちらのリンクから本表をダウンロードしてください。

figure-results-1
図 4: パンコラ川流域における雨水貯留適地分析に使用した再分類済みの主題レイヤー。(A) 再分類された土地利用/土地被覆、(B) 排水密度、(C) リニアメント密度、(D) 土性、(E) 傾斜、(F) 강雨量、(G) 地質。各クラスは、雨水貯留地の選定に関する適正スコアに基づいて再分類された。数値/色は、適用可能な場合、非常に低いから非常に高いまでの適合度クラスを示している。こちらのリンクをクリックして、この図の拡大版を表示してください。

潜在的なRWH領域

MIFおよびAHPモデル手法を用いた最終的なマップは、加重オーバーレイおよび加重和の手法を適用して作成されました。これら2つのモデルを用いて、調査地域を適正性のクラスに基づき、不適、適度に適正、適正、高度に適正、および極めて高度に適正な部位の5つのクラスに分類しました（図 5）。パンコラ川流域における雨水貯留（RWH）に関するMIFの結果では、80.22 km2の面積が不適、1681.99 km2が適度に適正、3116.1 km2が適正、844.86 km2が高度に適正、そして35.10 km2が極めて高度に適正であることを示しています。一方、AHPの結果では、RWHに対して1572.58 km2の面積が不適、1605.69 km2が適度に適正、1768.62 km2 が適正、689.15 km2が高度に適正、および122.611 km2が極めて高度に適正であることを示しています（表 7、図 5および 図 6）。MIFおよびAHPに基づく適正性マップの出力は、補足資料 4に記載されています。

表7：多影響因子（MIF）モデルおよび階層分析法（AHP）モデルから導出された雨水貯留適地クラスの比較。 こちらのリンクから本表をダウンロードしてください。

figure-results-2
図5: Panjkora川流域において、(A) MIF法および(B) AHP法を用いて特定された潜在的な雨水貯留サイトの空間分布。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-3
図6多影響要因（MIF）法および階層分析法（AHP）を用いて分類された、異なる雨水貯留適合性クラスの面積の比較。 棒グラフは面積（km²）を示している。2）各適正クラス内（適正度が低い、中程度に適正、適正、高度に適正、および極めて高度に適正なゾーンを含む）。 この図の拡大版を表示するには、ここをクリックしてください。

適切なRWH構造の選択

チェックダム、農場池（ファームポンド）、ガリープラグを含む雨水貯留（RWH）構造物の適切な設置場所を選択するために使用した工学的基準は、国連食糧農業機関（FAO）のWater Harvesting Manual42から採用した。FAOのガイドラインに従い、貯留システムの技術的な実現可能性、構造的な安定性、および長期的な性能を確保するため、適切なRWH構造物の選択においては、地形（傾斜）、排水特性、流出ポテンシャル、土壌組織、岩相、土地利用・土地被覆、および集水域の条件を考慮すべきである。これらの国際的に認められた工学的基準を、本研究で使用したGISベースの多基準評価フレームワークに統合した。流出抑制構造物（ベンチトレンチング、ロックフィルダム、ガリープラグ、チェックダム）を用いた雨水保全の主な目的は、水の流れを減少または停止させることである。等高線トレンチングと地下ダムは、干ばつが発生しやすい地域において、深刻な干ばつと水不足の問題に対処するためにRWHを利用できる2つの効果的な方法である43。潜在的なRWHサイトの特定後、RWH建設に最適な場所を決定した。調査地域の条件を分析した結果、検討に値すると判断されたRWH構造物は、農場池、チェックダム、ガリープラグの3種類のみであった（Table 8）。農場池は、1%から6%の傾斜を持つ小さな土製バリケードである。農場池を建設する目的は、長い斜面を複数の短い緩やかな斜面に分割することで、流速と流出水による浸食を軽減することである。チェックダムは、土壌浸食を減少させ雨水を貯留できるため、他の形式の構造物よりも重要である。河川沿いにチェックダムを連鎖的に建設する場合、2つのダムの間の距離は、その浸水範囲よりも広く設定する必要がある。表土の雨水浸食によりガリー（浸食溝）が形成される。徐々に浸食が進むにつれて、ガリーはより明確な形状となる。その後、浸食を停止させ、後で使用するために雨水を貯留するため、様々な材料で作られたバリケードやプラグをガリーに一定の間隔で配置する。地図（Figure 7）は、パンジョコラ川流域における雨水貯留の場所を示している。特定された適切なRWH場所のメタデータは、Supplementary File 5に提供されている。

表 8: パンジャコーラ川流域における雨水採取構造物の提案とその地理的特性。 こちらのリンクからこの表をダウンロードしてください。

figure-results-4
図 7: パンジャコラ川流域における潜在的な雨水貯留構造物の空間分布。 地図は、特定された適地内における提案されたチェックダム、農場池、およびガリープラグの位置を示している。また、流域境界と排水ネットワークも示されている。 こちらのリンクをクリックして、この図の拡大版を表示してください。

モデルの検証

GISベースのモデル結果には、常に地上データによる検証が必要です。データの抽出後、当該地域を広範囲にわたって調査し、研究エリア内の既存のRWH（雨水貯留）構造物と結果を照合しました。調査を通じて、いくつかの雨水貯留構造物が適切な場所にすでに建設されていたことが判明しましたが、それらはこのエリアにとって十分ではありませんでした。MIFおよびAHPの結果の検証は、クロス検証手法を用いて行われました。最も適したゾーンは、調整可能な介入策が該当する場所です。さらに、現地調査において、今後の雨水貯留介入のためのさまざまな場所が特定されました。フィールド調査の検証点および地理座標は、Supplementary File 6に記載されています。モデルの統計的検証は、受信者動作特性曲線下面積（ROC AUC）を用いて行われました。AHPモデルのROC分析データおよび結果は、Supplementary File 7に提供されています。ROCは、フィールド検証のグローバルポジショニングシステム（GPS）ポイント（Figure 8A）およびAHPとMIFモデルの結果に対して実行されました。MIFモデルの対応するROC分析データおよび結果は、Supplementary File 8に提供されています。MIFモデルは0.72のAUC曲線（Figure 8B）を示し、AHPモデルは0.69（Figure 8C）を示しました。一般的に受け入れられているROC-AUCの解釈基準によれば、予測性能を示すAUC値は、識別なし（0.50）、不十分（0.50～0.60）、可（0.60～0.70）、良好（0.70～0.80）、非常に良好（0.80～0.90）、および極めて良好（0.90以上）に分類されます。したがって、MIFモデルは良好な予測能力（0.72）を示したのに対し、AHPモデルは可（良好に近い）予測性能（0.69）を示しました。どちらのモデルもランダムな予測（AUC = 0.50）より大幅に優れた性能を示しましたが、MIFモデルで得られたより高いAUC値は、観察された雨水貯留場所との一致度が高いことを示しており、パンコラ盆地の山岳地帯において適切なRWHサイトを特定するにはMIFアプローチの方がより信頼性が高いことを示唆しています。それゆえ、本研究エリアにおいては、MIFはAHPよりも比較的優れたモデルであると言えます。AHPモデルと比較してMIFモデルの性能が優れている理由は、パンコラ盆地の複雑な環境的および地理的特性に起因すると考えられます。この盆地は、険しい山岳地形、変動の激しい斜面、不均一な岩相構成、および多様な土地利用・土地被覆パターンを特徴としており、これらすべてが流出生成と雨水貯留ポテンシャルに強く影響します。主に専門家によるペア比較に依存するAHP法とは異なり、MIFアプローチは複数の環境要因間の相対的な影響と相互作用をより柔軟に考慮します。これにより、モデルは流域内の水文プロセスの空間的変動をより適切に表現することが可能になります。その結果、MIFモデルはより現実的な適合パターンを生成し、その結果AUC値が高くなり、既存の雨水貯留構造物の位置との一致度が向上しました。さらに、パンコラ盆地では、降雨分布、排水密度、斜面、土壌質感、および地質条件にかなりの空間的な不均一性が認められます。これらの要因は流域全体で異なる相互作用を示すため、個々のパラメータの影響は一様ではありません。MIFアプローチは、主観的なペア判断のみに頼るのではなく、複数の条件付け要因の累積的な影響を評価するため、これらの変動を捉えるのに適しています。これが、AHPモデルと比較して予測性能が向上した要因であると考えられます。

figure-results-5
図8: 受信者動作特性（ROC）分析を用いた雨水集水適地モデルの検証。 (A) モデル検証に使用したフィールドベースの検証点の空間分布； (B) 多影響因子（MIF）モデルのROC曲線および曲線下面積（AUC）； (C) 階層分析法（AHP）モデルのROC曲線およびAUC。 こちらのリンクをクリックして、この図の拡大版を表示してください。

データの可用性：

本研究で使用したデータセットは、公開されているか、あるいは respective な組織から入手可能です。全球降水観測（GPM）の降水データは、NASA GPMミッションリポジトリ（https://gpm.nasa.gov/missions/GPM）から入手できます。Sentinel-2衛星画像は、ESA Copernicus Open Access Hub（https://scihub.copernicus.eu/）から取得しました。数値標高モデル（DEM）は、Alaska Satellite Facility（ASF）Distributed Active Archive Center（https://asf.alaska.edu/）からダウンロードしました。抽出されたデータ（検証データ、すべてのラスターデータ、すべてのメタデータ、モデル計算結果）は、Supplementary Files 1–8に提供されています。

補足ファイル 1：GIS主題レイヤーデータ。本研究で評価した環境要因および水文要因を含む、雨水貯留適合性分析に組み込まれたGIS主題レイヤーの作成に使用された空間データ。こちらのリンクからファイルをダウンロードしてください。

補足ファイル 2：MIF計算MIFに基づく雨水貯留適合性分析に適用された、相対的影響度、要因ウェイト、およびスコアを決定するために使用した計算内容。こちらをクリックしてファイルをダウンロードしてください。

補足ファイル 3：再分類されたGISレイヤーおよび適合性しきい値。MIFおよびAHP分析に使用した再分類済みの主題レイヤーと、それに対応するクラス範囲、しきい値、ランク、および適合性スコア。こちらのリンクからファイルをダウンロードしてください。

補足ファイル 4：MIFおよびAHPに基づく適合性マップの結果。Panjkora川流域における雨水貯留の適合性分類の結果を示す、MIFおよびAHP分析の空間出力。こちらをクリックしてファイルをダウンロードしてください。

補足ファイル5：特定された適切な雨水貯留場所のメタデータ利用可能な空間情報およびサイト関連情報を含む、雨水貯留構造物に適切であると特定された場所に関連するメタデータです。こちらのリンクからファイルをダウンロードしてください。

補足ファイル 6：現地調査検証地点。MIFおよびAHPから導出された雨水貯留適合性マップを評価するために使用した検証地点の地理座標を含む、現地調査検証データ。こちらのリンクからファイルをダウンロードしてください。

補足ファイル 7: AHPモデルのROC分析階層分析法（AHP）モデルの予測性能を評価するために使用した、受信機動作特性（ROC）分析のデータおよび結果。こちらをクリックしてファイルをダウンロードしてください。

補足ファイル 8：MIFモデルのROC分析Multi-Influencing Factor (MIF) モデルの予測性能を評価するために使用したROC分析のデータおよび結果。こちらのリンクからファイルをダウンロードしてください。

ディスカッション

本研究では、パキスタン北部の山岳地帯であるパンジョーラ川流域において、適切な雨水貯留（RWH）サイトを特定するために、広く用いられている2つのGISベースの多基準意思決定アプローチ、すなわち多影響因子法（MIF）と分析的階層プロセス（AHP）を比較しました。両モデルともに潜在的な貯留ゾーンの抽出には成功しましたが、空間的な予測と検証性能に顕著な差が認められました。ROC-AUC分析の結果、MIFモデル（AUC = 0.724）はAHPモデル（AUC = 0.692）よりも優れた性能を示し、両モデルともに許容可能な予測能を有している一方で、MIFアプローチの方が既存の雨水貯留構造物の分布およびフィールド観察結果との整合性が高いことが示されました。MIFモデルの優れた性能は、パンジョーラ流域の複雑な水文および地形学的特性によって説明できます。この流域は、険しい山岳地形、変動の激しい斜面、不均質な岩相、多様な土地利用パターン、および空間的に変動する降水量によって特徴付けられています。これらの環境変数が同時に相互作用し、流出生成、浸透、および貯水ポテンシャルを制御しています。基準間の専門家による一対比較に主に依存するAHPアプローチとは異なり、MIF手法は、複数の条件因子の相対的な重要性と累積的な相互作用の両方を評価します。その結果、MIFは、流出生成が個々の因子単独ではなく、地形、地質、土性、排水特性、および土地被覆の複合的な影響によって支配される山岳集水域の空間的不均一性をより適切に捉えることができます。同様の観察結果から、影響ベースの重み付けアプローチは、環境変数間の相互作用をより適切に表現できるため、水文的に不均質な環境において良好な性能を発揮することが実証されています22,34,41。高度に適したRWHゾーンの空間分布は、流域の物理的特性を反映しています。流域の西部および南部は、緩やかな斜面、適切な排水密度、好ましい土性、比較的多い降水量、および流出生成を促進しつつ貯留構造物の建設に技術的に適した土地利用条件が組み合わさっているため、最も好ましい場所として特定されました。緩やかな斜面は、流速を十分に低下させて流出の収集を容易にする一方で、過度な浸食と建設コストを最小限に抑えます。対照的に、非常に急峻な斜面は急速な流出を引き起こし、貯留機会が限られ、構造的な不安定性を増大させるため、チェックダムや農用池の建設には適していません。これらの知見は、山岳環境におけるRWHの適正性に斜面が支配的な制御因子であることを特定した先行研究と一致しています8,36,39。地質もRWHの適正性を決定する上で重要な役割を果たしました。パンジョーラ流域において、変成岩は一般に多くの堆積形成よりも一次空隙率と浸透能が低いため、浸透損失が減少し、貯留に利用可能な地表流出量が増加します。その結果、これらの形成は流出の蓄積を促進するため、チェックダムや農用池などの地表貯留構造物にとって高い適性重みが割り当てられました。逆に、浸透能が比較的高い堆積形成は、浸透と地下水涵養を促進し、貯留に利用可能な地表流出量を減少させます。岩相、流出生成、および雨水貯留適性の間の同様の関係は、以前に報告されています12,40。土地利用・土地被覆および土性も、適切な貯留サイトの空間分布に影響を与えました。農地および不毛地は、一般に中程度から高い流出を生成し、同時に農業用水の貯留と利用の直接的な機会を提供するため、高い適性を示しました。対照的に、森林地帯は、密な植生が降雨を遮断し、土壌構造を改善し、広範な根系を通じて浸透を増加させるため、地表流出が減少して適性が比較的低くなりました。同様に、粘土質およびローム質の土壌は、浸透能が比較的低く保水能が高いため、より好ましいと見なされましたが、浅い岩質土壌は急速な浸透または限定的な貯留ポテンシャルを伴う過度な流出を促進します。同様の知見が、エチオピア、イラク、パキスタンで実施された過去のGISベースのRWH調査で報告されています9,18。MIFとAHPの比較は、重み付け戦略が適正マップに与える影響も示しています。AHPアプローチは、主に専門家の判断と一対比較を通じて基準の重みを割り当てるため、許容可能な整合性比（CR）であっても、ある程度の主観性が導入されます。対照的に、MIFは影響因子の間の主要な相互作用と副次的な相互作用の両方を評価し、さらにパラメータのサブクラスを水文学的な重要性に基づいて重み付けすることを可能にします。この柔軟な重み付けフレームワークにより、MIFは、特に環境因子が短距離で大きく変化する山岳流域において、流出生成条件の空間的変動をより適切に表現できます。同様の比較研究により、影響ベースまたはハイブリッドな多基準アプローチは、複雑な地形条件下において、従来の専門家ベースの重み付け手法をしばしば上回ることが報告されています19,44,45。ROC-AUC検証は、これらの観察結果をさらに裏付けています。両モデルとも許容可能な予測性能（AUC > 0.5）を達成しましたが、MIFモデルのAUCが高いことは、予測された適地とフィールド検証で観察された既存の雨水貯留構造物との一致度がより高いことを示しています。これは、複数の水文および環境変数の間の相互作用を組み込むことで、適正性評価の信頼性が向上することを証明しています。ROC分析を用いた同様の検証アプローチは、地下水ポテンシャル、洪水感受性、および雨水貯留適性モデルの評価にうまく適用されてきました34,41,45。全体として、本研究の結果は、GIS、リモートセンシング、および多基準意思決定技術を統合することが、山岳流域における雨水貯留計画のための信頼できるフレームワークを提供することを裏付けています。適地の特定だけでなく、ここでの比較評価は、モデルの選択が適正予測の質に大きく影響するという実証的な証拠を提供しています。MIFモデルの性能向上は、地形、岩相、降水量、および土地被覆の空間的変動が激しい地域において、影響ベースの重み付けアプローチが特に適切であることを示唆しています。したがって、本研究で開発された手法は、同様の水文気象的および地形的条件を持つ他の山岳地帯や水不足地域における持続可能な水資源計画のための、転用可能な意思決定支援フレームワークとして活用できます。

本比較研究では、雨水貯留施設の建設に適した場所を特定するため、様々な直接的および間接的な制御要因を分析し、GISベースの空間モデルとしてAHP（階層分析法）とMIF（マルチフネクション・オーバーレイ法）のアプローチを評価しています。MIFとAHPはそれぞれ単独でも空間的な意思決定において独自の利点を有していますが、両者を比較することで、より高度な多基準分析が可能となり、これらの手法によるサイト適合性評価の精度と堅牢性が向上します。RWH（雨水貯留）サイトの選定にあたり、降水量、地質、土壌、リニアメント密度、排水密度、土地利用・被覆、および地形を要因として分析しました。また、道路からの距離、主要河川からの距離、市街地からの距離などの追加要因についても、FAOの基準に従って処理を行いました。適切なRWHサイトを開発する目的は、研究地域の水資源の可用性を向上させることです。RWH建設に関して、研究地域は適合度のレベルに基づき、不適、中適、適、高適、極めて高適の5つのクラスに分類されました。フィールド調査の結果、当該地域の山岳地帯においては、MIFの結果がAHPモデルよりも正確であることが判明しました。MIFモデルの結果は、複雑な地形変数を管理する適応力が高く、サブクラスの重みとランクを統合できる能力があるため、より正確で局所的な状況に即したものとなりました。MIFは意思決定のために各サブクラスをランク付けできるのに対し、AHPはパラメータのサブクラスではなく、パラメータ自体にランクと重みを割り当てます。MIFとAHPの比較により、異なる重み付け戦略や決定基準が空間分析結果にどのように影響するかについて、より深い理解が得られます。また、ROC-AUCスコアにおいてMIFが0.724、AHPが0.692であったことから、AHPアプローチよりもMIFアプローチの性能が優れていることが確認されました。

これらの手法により、コスト、労力、時間を最小限に抑えながら、水資源の持続可能な管理に向けたより効率的な意思決定が可能になります。気候変動、都市化の進行、水不足が進む中で、世界の水資源を持続可能に管理するには創造的な解決策が必要となるため、この点は特に重要です。パンジャコーラ盆地のような地形的に多様な地域でこれらの技術の効率性を実証することにより、本研究は同様の環境制約を持つ他の地域における同様の利用へのモデルを提示しています。したがって、これら両方のモデルは良好な性能を示し、調査対象地域以外の他の地理的、環境的、社会経済的な地域への適用可能性が確認されました。MIFおよびAHPアプローチの拡張性と精度を高めるために、機械学習や高解像度空間データなどの新しい技術を追加することが考えられます。これらの発展により、動的かつ広範なアプリケーションに不可欠な、リアルタイムかつ自動化された分析が可能になります。

開示事項

著者らは利益相反を宣言しない。 画像や図はいずれもAI生成ではなく、実際のデータや観察結果に基づいて作成されています。

著者貢献：
シャジア・グルザル：アイデアの立案、方法論、データ管理、正式な分析、調査、可視化、原稿作成（初稿）。ムハンマド・アリ：アイデアの立案、指導、方法論、妥当性確認、原稿作成・レビューおよび編集、プロジェクト管理。アビド・サルワール：正式な分析、GISおよびリモートセンシング分析、データ解釈、妥当性確認、可視化、原稿作成 – レビュー & 編集。Hammad Gilani：方法論、検証、執筆、レビュー & 編集。Hassan Alsberi：執筆、レビューおよび編集、可視化。Abdulqader M. Almars：執筆、レビューおよび編集、形式的解析。Hasan Hashim：検証、執筆、レビュー & 編集。El-Sayed Atlam：データ解析、原稿執筆、レビューおよび編集。Ayman El Sabagh：指導、原稿執筆、レビュー & 編集、資金獲得

謝辞

著者は、本研究への資金提供を行ったサウジアラビアのタイフ大学大学院研究・科学研究学部（Deanship of Graduate Studies and Scientific Research of Taif University）に感謝いたします。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
ArcGIS DesktopEsriVersion 10.3.1GISベースの空間データ前処理、主題レイヤーの生成、再分類、重み付きオーバーレイ解析、および適地マップの作成に使用。
デジタル標高モデル (DEM), 12.5 mAlaska Satellite Facility (ASF) Distributed Active Archive CenterN/A参照ラスタとして、また、傾斜、排水ネットワーク、排水密度、および標高レイヤーを導出するために使用した空間解像度 12.5 m の DEM。原稿では取得日が 2/12/2023 と報告されており、明確にする必要がある。
地質データGeological Survey of PakistanN/A地質主題レイヤーを生成するために使用した地質・岩相データ。
全球降水観測 (GPM) 降水量データNational Aeronautics and Space Administration (NASA)2014-2023 dataset降雨主題レイヤーを生成するために使用した降水量データ。具体的な GPM プロダクト/バージョンおよび時間統計量は著者によって指定されるべきである。
全地球測位システム (GPS) 現地検証ポイント未指定N/A相互検証および ROC-AUC 評価に使用した現地検証地点。GPS レシーバー/アプリのメーカーおよびモデルは原稿に記載されていない。
Landsat 8 画像ソース未指定プロダクト/シーン ID 未指定線構造の抽出に使用。著者はソースリポジトリ、取得日、プロダクト/シーン ID、空間解像度、および前処理の詳細を提示すべきである。
Sentinel-2B 衛星画像European Space Agency (ESA), Copernicus2025年9月10日取得教師あり最大尤度分類を用いた土地利用/土地被覆マッピングに使用。著者は正確なプロダクト/シーン識別子および処理レベルを追加すべきである。
土性データDirectorate of Soil Survey, Khyber Pakhtunkhwa, PakistanN/A土性主題レイヤーを生成するために使用。データセット/地図版または識別子は原稿に記載されていない。

参考文献

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

再版と許可

タグ

適地選定地理空間分析GISマッピングリモートセンシング水資源管理山岳流域ROC-AUC検証
お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。