연구 논문

지형공간, 다중 영향 요인 및 계층화 분석법 접근법을 이용한 빗물 저장소 부지 및 구조 적합성 최적화

28 조회수

⸱

DOI:

10.3791/72363

⸱

2026년 10월 1일

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

본 논문은 파키스탄 북부의 Panjkora 분지를 대상으로, 다중 영향 요인(Multi-Influencing Factor, MIF) 및 계층 분석 과정(Analytic Hierarchy Process, AHP) 모델을 이용한 통합 지리 정보 시스템(Geographic Information System, GIS) 기반 접근법을 통해 산악 하천 분지 내 적절한 빗물 집수 지역을 식별하고 적합한 구조물을 선정하는 방법을 설명합니다.

초록

빗물 수집(RWH)은 산악 지역의 수자원 보존, 수자원 관리 개선 및 수자원 관련 재해 완화를 위한 필수적인 관행입니다. 특히 기후 변화와 관련된 수문학적 불확실성으로 인해, 모든 상황에서 용수 가용성과 농업 생산성을 향상시키기 위해서는 적절한 부지 선정과 적합한 RWH 시설 구조가 매우 중요합니다. 전 세계의 다양한 조건, 특히 환경, 사회 및 지역 및 하류 경제에 상당한 영향을 미치는 접근이 어려운 원격 산악 지역의 RWH 부지를 평가하고 분석하는 것은 매우 어렵습니다. 본 연구에서는 파키스탄 북부 힌두쿠시 지역의 판즈코라 강 유역에서 적합한 RWH 부지와 적절한 구조물을 선정하기 위해, 관례적 데이터와 원격 탐사(RS) 데이터를 활용하여 지리 정보 시스템(GIS) 내에 다중 영향 요인(MIF) 및 계층 분석 과정(AHP)을 적용하였습니다. MIF(및 AHP) 결과에 따르면, 연구 지역의 RWH 구조물 적합도는 부적합 지역 80.22 (1572.58) km2, 보통 적합 지역 1681.99 (1605.69) km2, 적합 지역 3116.10 (1768.62) km2, 높음 적합 지역 844.86 (689.15) km2 및 매우 높음 적합 지역 35.10 (122.61) km2로 나타났습니다. 결과 지도는 모델의 정확성과 견고함을 확인하기 위해 수신자 조작 특성 및 곡선 하 면적(ROC-AUC) 테스트(MIF 점수 = 0.724, AHP 점수 = 0.692)를 통해 검증되었습니다. 유망한 정확도의 결과를 제시하는 본 연구는 다양한 수문 기상 및 지형 조건하에서 모델의 추가적인 개선, 적합성 및 적용 가능성에 대한 새로운 기술적 통찰력을 제공할 것입니다. 전반적으로 두 모델 모두 적합한 빗물 수집 부지를 성공적으로 식별하였으나, 예측 정확도와 공간적 신뢰성 측면에서는 MIF 모델이 AHP 모델보다 우수한 성능을 보였습니다. 제안된 GIS 기반 프레임워크는 산악 유역의 지속 가능한 빗물 수집 계획과 수자원 관리를 지원할 수 있습니다.

서론

지표수와 지하수 자원의 모두 고갈되는 것을 포함한 물 부족 현상은 많은 개발도상국에서 주요한 과제가 되었습니다1. 급격한 인구 증가, 도시화, 농업 확장, 복잡한 지형 및 기후 조건의 변화는 가용 수자원에 대한 압박을 심화시켰습니다2,3. 물 스트레스 지역에서는 가정 및 농업 수요를 충족하기 위해 지하수를 과도하게 추출함으로써 지하수위 저하와 장기적인 물 안보 감소라는 결과를 초래했습니다. 따라서 특히 파키스탄과 같이 인구 증가가 빠르고, 기후 변화로 인해 수자원 취약성이 높으며, 물 수요가 증가하는 지역에서는 지속 가능한 물 관리 전략이 시급히 요구됩니다. 다양한 적응 전략 중에서 빗물 저장(RWH)은 강우 유출수를 보존하고 가용 수자원을 보충하기 위한 효과적인 접근 방식으로 부상했습니다4. RWH 시스템은 강우량이 많은 시기에 빗물을 수집 및 저장하여 추후에 사용할 수 있게 함으로써, 지역 및 광역 규모 모두에서 물 부족 문제를 해결하기 위한 지속 가능한 대안을 제공합니다5,6. 그러나 RWH 시스템의 성공 여부는 적절한 위치 선정과 적합한 저장 구조물을 식별하는 것에 크게 달려 있습니다. 부지 선정은 지역마다 공간적으로 다양하게 나타나는 여러 지형적, 환경적, 수문학적 및 사회경제적 요인의 영향을 받기 때문에 복잡한 과정입니다7,8. 전통적으로는 현장 조사를 통해 잠재적인 RWH 부지를 식별해 왔으나, 이러한 방식은 비용과 시간이 많이 소요되며, 특히 산악 지역과 같이 넓고 접근이 어려운 지역에서는 비현실적입니다. 따라서 지리 정보 시스템(GIS) 및 원격 탐사(RS) 기술이 광역 규모의 RWH 평가를 위한 효율적인 대안으로 점점 더 많이 채택되고 있습니다9. GIS 기반의 다기준 평가(MCE)는 강우량, 유출량, 경사도, 토양 특성, 토지 이용/토지 피복, 배수 밀도 및 사회경제적 매개변수를 포함한 다양한 주제 지도를 통합하여 적합한 RWH 구역을 식별하는 효과적인 프레임워크를 제공합니다10,11. 원격 탐사 데이터셋은 토지 피복, 지형학, 토양 특성 및 수문학적 특징을 포함하여 넓고 접근이 어려운 지역에 대한 비용 효율적인 공간 정보를 제공함으로써 이러한 접근 방식을 더욱 강화합니다12. 파키스탄은 증가하는 물 수요, 기후 변동성 및 농업 기반 생계 의존도로 인해 심각한 물 문제에 직면한 국가 중 하나입니다13. 이 국가의 농업 경제는 상당한 수자원을 필요로 하는 반면, 지하수위 저하와 불규칙한 강수 패턴은 물 부족에 대한 취약성을 증가시켰습니다. 결과적으로, 특히 물이 부족한 지역과 산악 지역에서 물 가용성을 개선하기 위해 빗물 보존 및 저장이 중요한 전략이 되었습니다12,14. 이전 연구들은 환경 및 사회경제적 매개변수를 통합하여 RWH 부지 선정을 위한 GIS 및 RS 기반 접근 방식의 효과를 입증했습니다15,16,17,18. 여러 연구자들은 분석적 계층화 과정(AHP), 퍼지 AHP 및 기타 가중치 부여 방식을 포함한 다양한 다기준 의사결정 기법을 적용하여 다양한 환경 조건에서 적합한 RWH 위치를 식별했습니다19. 상당한 진전이 있었음에도 불구하고, 서로 다른 다기준 의사결정 접근 방식의 성능은 지역적 환경 특성, 가용 데이터셋 및 전문가 기반 가중치 시스템에 따라 다를 수 있습니다. 특히, 유사한 유역 조건에서 서로 다른 접근 방식의 효과를 비교한 연구는 제한적이었습니다. 따라서 RWH 부지 적합성 평가의 신뢰성을 높이기 위해서는 대안적인 의사결정 기법을 평가하고 비교하는 것이 필수적입니다. 본 연구는 파키스탄 Panjkora 분지에서 적합한 RWH 부지를 식별하기 위해 다영향 요인(MIF) 및 분석적 계층화 과정(AHP) 기법을 비교함으로써 이러한 연구 공백을 메우고자 합니다. 지형, 지질 특성, 토지 피복 동태, 배수-선구조 밀도, 토양 특성 및 강우량과 같은 다양한 변수를 다기준 의사결정 접근 방식을 사용하여 GIS에 통합하면 산악 환경에서 최적의 RWH 부지를 식별할 수 있다는 가설을 세웠습니다. 본 연구는 산악 지역의 지속 가능한 수자원 계획을 위한 GIS 기반 의사결정 지원 접근 방식의 적용 가능성에 대한 귀중한 통찰력을 제공합니다.

프로토콜

본 연구는 지형 공간, 원격 탐사 및 현장 검증 데이터를 활용하였으며, 인간 참여자, 식별 가능한 개인 데이터, 동물 또는 척추동물의 조직을 포함하지 않았습니다. 따라서 기관의 인간 또는 동물 윤리 승인이 필요하지 않았습니다.

연구 영역

판즈코라(Panjkora) 강 유역은 파키스탄 북부 힌두쿠시(Hindu Kush) 산맥 동쪽에 위치한 중요한 지형적 지역입니다(그림 1). 판즈코라 강은 이 유역의 주요 하천(길이 113 km, 집수 면적 5758.27 km2)으로, 힌두쿠시의 만년설 산맥에서 급류로 시작됩니다. 이 강은 디르 하위(Dir Lower)의 차크다라(Chakdara) 인근에서 스와트(Swat) 강과 합류합니다20. 판즈코라 강에는 바라왈(Barawal), 디르(Dir), 가왈다이(Gawaldai), 잔돌(Jandol), 코히스탄(Kohistan)을 포함한 5개의 주요 급류 또는 지류가 합류합니다. 위도 34°39′30′′에서 35°46′1′′ 북위, 경도 71°13′08′′에서 72°22′13′′ 동경에 걸쳐 펼쳐져 있습니다. 이 지역의 위치와 험준한 지형은 기후(산악 및 온대)에 상당한 영향을 미칩니다. 유역의 상부(Kumrat, Thal) 지역은 겨울철이 더 길고 여름철이 더 춥습니다. 11월부터는 기온이 급격히 떨어집니다. 반면, 디르 하위(Timergara, Talaash, Maidan, Samarbagh) 지역의 기온은 보통 12월부터 2월까지 빙점 위에 머뭅니다. 타이메르가라(Timergara)의 가장 따뜻한 달은 6월부터 8월까지이며 평균 최고 기온이 35 °C 이상인 반면, 디르 타운(Dir Town)의 가장 더운 달은 6월과 7월(최고 기온 32.4 °C 및 31.5 °C)입니다. 몬순은 여름 강수량의 원천이며, 서부 저기압은 겨울 강수량을 가져옵니다. 연구 지역은 연중 상대 습도가 높은 것이 특징입니다. 하천 범람 및 돌발 홍수21가 (거의) 매년 발생하며, 특히 와리(Wari)의 상류 및 하류 지역에서 두드러집니다. 이 지역에서 재배되는 주요 작물로는 벼, 밀, 옥수수, 감자, 양파가 있으며, 연구 지역에서 생산되는 주요 과일은 감, 오렌지, 사과, 호두, 살구, 자두, 비파, 오디 등이 있습니다.

figure-protocol-1
그림 1: 파키스탄 북부 Panjkora 강 유역의 연구 지역 지도. (A) 파키스탄 내 Khyber Pakhtunkhwa의 위치; (B) Khyber Pakhtunkhwa 내 Panjkora 강 유역의 위치; 그리고 (C) 유역 경계, 고도 분포, 하천망 및 연구 지역 내 주요 지점을 나타내는 Panjkora 강 유역. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

데이터 수집 및 준비

본 연구를 위해 서로 다른 출처로부터 데이터를 수집하였습니다. 강우량/강수량 데이터는 2014년부터 2023년까지 Global Precipitation Measurement (GPM) National Aeronautics and Space Administration (NASA) (https://gpm.nasa.gov/missions/GPM)에서 다운로드하였습니다. 토양 질감 데이터는 파키스탄 Khyber Pakhtunkhwa의 토양 조사국(Directorate of Soil Survey Khyber Pakhtunkhwa, Pakistan) (www.soilconservation.kp.org)에서 수집하였습니다. 지질 데이터는 파키스탄 지질 조사국(Geological Survey of Pakistan) 지역 사무소(https://gsp.gov.pk/)에서 확보하였습니다. 토지 시나리오(토지 이용/토지 피복)의 수집 및 계산을 위해 유럽 우주국(ESA) Copernicus Open Access Hub (https://scihub.copernicus.eu/)에서 Sentinel 2 이미지를 확보하였습니다. 토지 이용/토지 피복(LULC) 매핑에는 2025년 9월 10일에 획득한 Sentinel-2B 영상이 사용되었습니다. 해당 영상은 최대 우도 분류(Maximum Likelihood Classification, MLC) 알고리즘을 사용하여 처리 및 분류되었습니다. 연구 지역 전반에 걸쳐 수역, 산림, 농경지, 도시 지역, 나지, 눈/얼음, 그리고 목초지의 7가지 LULC 클래스를 대표하는 총 65개의 학습 샘플을 수집하였습니다. 준비된 학습 샘플을 사용하여 지도 학습 분류를 수행하고 최종 LULC 지도를 생성하였습니다. 분류 정확도는 전체 정확도와 Kappa 계수를 포함하여 검증 샘플 기반의 정확도 평가 방식을 통해 평가되었습니다. 12.5 공간 해상도의 수치 표고 모델(DEM)은 2023년 2월 12일에 Alaska Satellite facility (ASF) (https://asf.alaska.edu/)에서 획득하였습니다. DEM 모델은 이후 경사도, 배수망, 배수 밀도 및 고도 레이어를 생성하는 데 사용되었습니다. 기존 빗물 저장 시설 데이터는 교차 검증을 위해 관련 부처로부터 수집하였습니다.

모든 공간 데이터 세트는 지리 정보 시스템(GIS) 소프트웨어를 사용하여 처리 및 분석되었습니다(재료 표 참조). GIS 주제도 레이어 데이터는 보충 파일 1에 제공됩니다. 공간적 일관성과 정확한 면적 계산을 보장하기 위해 모든 입력 데이터 세트는 공통 투영 좌표 참조 시스템(CRS)(WGS 1984 UTM Zone 42N)으로 투영되었습니다. 서로 다른 공간 해상도를 가진 래스터 데이터 세트는 범주형 데이터 세트의 원래 공간적 특성을 유지하면서 최근접 이웃 재표집법(nearest neighbor resampling method)을 사용하여 공통 그리드로 재표집 및 정렬되었습니다. 12.5 m 공간 해상도의 수치 표고 모델(DEM)을 공간 정렬을 위한 참조 래스터로 사용하였으며, 모든 주제도는 동일한 셀 크기와 범위의 래스터 형식으로 변환되었습니다. 분석을 위한 일관된 공간 범위를 유지하기 위해 Panjkora 강 유역의 연구 지역 경계를 마스크로 사용하여 모든 입력 레이어를 추출하였습니다. 누락된 픽셀과 유역 경계 외부 영역은 분석에서 제외되었으며 NoData 값으로 처리되었습니다. 주제도(강우량, 경사도, 배수 밀도, 선구조 밀도, 토양, 지질, 토지 이용/토지 피복)는 Jenks Natural Breaks 분류법을 사용하여 적합성 등급으로 재분류되었으며, MIF 및 AHP 접근 방식에 따라 해당하는 순위/가중치가 할당되었습니다. 표 1은 데이터 출처를 보여줍니다.

표 1: 빗물 수집 적합성 평가에 사용된 데이터 소스 및 특성. 여기를 클릭하여 이 표를 다운로드하십시오.

MIF 적합성 모델링

우선, 문헌 검토12를 바탕으로 다양한 매개변수 선택이 수행됩니다. 빗물 저장 시설(RWH)의 적절한 위치를 결정하기 위해 강수량, 암상, 선구조 밀도, 배수 밀도, 토양 질감, 경사 및 토지 이용/토지 피복을 개별 영향 요인으로 고려하였습니다. 이 목적을 위해 매개변수의 영향 척도를 생성하는 매개변수 전처리를 수행하였으며, 데이터를 RWH에 대한 중요도에 따라 분류하고 다중 영향 요인 공식(식 1)을 사용하여 주요 및 부차적 중요도를 결정하였습니다. 표 2는 다양한 요인의 주요 및 부차적 중요도를 나타냅니다22 (보충 자료 2 참조)

표 2: 다중 영향 요인(MIF) 모델에 사용된 주요 영향 요인과 그에 따른 주영향 및 부영향 점수. 이 표를 다운로드하려면 여기를 클릭하십시오.

선택된 요인들은 다음 관계식을 사용하여 순위를 매겼습니다.

[(X+Y) ÷ ∑(X+Y)] × 100 (1)

여기서 Y는 인자의 부차적 효과를, X는 주효과를 나타냅니다. 각 인자의 주효과 및 부차적 영향은 식 1을 사용하여 계산합니다.

주요(X) 및 보조(Y) 영향 점수는 이전 연구들과 유출 발생, 침투 및 빗물 수집 잠재력을 제어하는 각 요인의 수문학적 중요성을 바탕으로 할당되었습니다12. 빗물 수집(RWH) 적합성에 직접적인 영향을 미치는 요인에는 주요 영향 점수를 부여하였고, 제어 매개변수 간의 간접적인 관계를 나타내는 요인에는 보조 영향 점수를 부여하였습니다. 요인 가중치는 주요 및 보조 영향 점수의 합계를 정규화하여 식 (1)을 사용하여 계산하였습니다. 세부 항목 가중치는 유출 누적, 침투 용량, 보수력 및 RWH 구조물 적합성에 대한 상대적 기여도에 따라 할당되었습니다. 이러한 접근 방식은 GIS 기반 적합성 분석을 위한 투명하고 재현 가능한 가중치 프레임워크를 보장하였습니다.

Saaty 척도에 기반한 상대적 중요도는 표 3에 나와 있습니다.

표 3: 계층 분석 과정(AHP) 분석에 사용된 Saaty의 상대적 중요도 척도. 이 표를 다운로드하려면 여기를 클릭하십시오.

모든 매개변수의 주제별 수준 점수가 합산되었으며, MIF 매개변수의 각 하위 클래스 점수는 표 4에 나열되어 있습니다. 재분류 기법을 사용하여, MIF 결과물은 빗물 저장(rainwater harvesting)을 위한 다섯 가지 범주로 분류됩니다. 마지막으로 사방댐(check dams), 농장 연못(farm ponds), 구거 플러그(gully plugs) 및 기타 보전 관련 구조물과 같은 다양한 RWH 구조물 설치를 위해 제안된 최종 위치 지도가 생성되고 분석됩니다. 그림 2는 방법론적 프레임워크를 보여줍니다.

figure-protocol-2
그림 2: GIS 기반 MIF 및 AHP 모델을 이용한 빗물 집수지 적지 평가의 방법론적 프레임워크. 이 프레임워크는 현장 조사, 지질, 토양, ALOS PALSAR DEM, ESA 및 GPM 데이터를 수집하고 처리하여 지질, 토양, 경사도, 배수 밀도, 선구조 밀도, 토지 이용/토지 피복(LULC) 및 강수량을 포함한 주제도 레이어를 도출하는 과정을 보여준다. 이러한 레이어들은 다중 영향 요인(MIF) 접근법을 통해 통합되어 RWH 적합성 지도를 생성하였으며, 이후 현장 기반 검증을 거쳐 최종 검증 지도를 제작하였다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 4: 빗물 수집 적지 매핑을 위한 주제별 요인 및 하위 클래스의 다중 영향 요인(MIF) 기반 순위 및 가중치. 이 표를 다운로드하려면 여기를 클릭하십시오.

AHP 적합성 모델링

계층화 분석법(Analytic Hierarchy Process, AHP)은 까다로운 의사결정 상황을 처리하는 데 효과적인 기법으로, 의사결정자가 우선순위를 설정하고 최선의 선택지를 고르는 데 도움을 줍니다23. AHP 기법은 수학적 응용과 전문가 지식을 통해 복잡한 결정을 조직하고 평가하는 체계적인 프레임워크입니다24. AHP는 쌍별 비교를 통해 복잡한 판단을 단순화하고 그 결과를 평가함으로써 의사결정의 주관적 측면과 객관적 측면을 모두 식별하도록 돕습니다25. 비교가 주관적이거나 개인적인 관점에 기반하기 때문에 어느 정도의 차이는 불가피하게 발생합니다. AHP 기법은 일관성 지수를 계산하고 의사결정 편향을 제거함으로써 의사결정자 판단의 일관성을 평가하는 유용한 도구를 제공하며, 이를 통해 인식의 일관성을 보장합니다. AHP의 주요 장점 중 하나는 다양한 기준 간의 쌍별 비교에 대한 일관성 정도를 정량화하는 일관성 지수입니다26,27,28,29. 지리적 데이터 입력값은 AHP에 의해 결합 및 변환되어 의사결정 출력값으로 도출됩니다. Saaty 척도(Table 3)를 활용하여 쌍별 비교 행렬을 생성함으로써 다양한 주제와 특성에 관한 정성적 데이터를 정량적 데이터로 변환합니다30,31. 기본 과정은 목표 설정, 최종 결정에 영향을 미치는 요인이나 기준의 고려 및 평가, 그리고 Saaty 척도를 사용하여 각 기준에 등급을 부여하는 것으로 구성됩니다. 할당된 가중치의 일관성을 확인하기 위해, Saaty가 제안한23 일관성 지수(consistency ratio, CR)를 식 2와 3을 사용하여 계산하였습니다:

CR = CI/RCI (2)

여기서 CI는 일관성 지수이며, RCI는 무작위 일관성 지수입니다.

일관성 지수(CI)는 다음 식과 같습니다:

figure-protocol-3 (3)

여기서 n은 기준의 수이며 λmax는 최대 고유값입니다. 일관성 지수의 평균값은 무작위 지수에 의해 추정됩니다.

RWH 구조 선택

토지 피복 및 토지 이용 (LULC)

토지 이용(Land use)은 토지가 어떻게 사용되는지를 나타내며, 토지 피복(land cover)은 토지의 자연적 특성을 설명합니다. 유출수 확산에 관한 중요한 정보는 LULC32에 포함되어 있습니다. 식생으로 덮인 지역에서는 흡수 및 침투율이 높아 유출량이 적은 반면, 나지 및 시가지 지역은 높은 유출 형성을 촉진합니다33,34. 연구 지역의 토지 이용/토지 피복 패턴을 준비하기 위해 Sentinel 2b 위성 데이터를 사용하였습니다. Panjkora 강 유역의 토지 이용은 수체, 산림, 작물 및 농경지, 시가지, 나지, 눈/얼음, 초지 등 7개 등급으로 분류되었습니다. 서로 다른 토지 이용/토지 피복 등급에 할당된 적합성 가중치는 유출 생성, 침투 및 빗물 저장 잠재력에 미치는 영향을 기반으로 하였습니다. 농경지는 일반적으로 중간 정도의 유출을 생성하며, 수집된 물을 관개에 직접 활용할 수 있기 때문에 가장 높은 적합성 등급을 받았습니다. 나지는 희소한 식생과 노출된 토양 표면이 울창한 식생 지역에 비해 더 큰 지표 유출을 촉진하므로 상대적으로 높은 가중치가 할당되었습니다. 반대로, 산림 지역은 울창한 식생이 강우를 차단하고 광범위한 뿌리 체계를 통해 침투를 증가시키며 지표 유출을 감소시키기 때문에 더 낮은 가중치가 할당되었습니다. 시가지와 기존 수체는 추가적인 RWH 구조물을 건설할 기회가 제한적이거나, 불투수면 또는 기존 수체로 이미 점유되어 있어 낮은 적합성이 할당되었습니다 (그림 3A).

배수 밀도

해당 지역의 지하수 침투와 지표 유출은 배수 밀도에 의해 설명됩니다. 배수 밀도에는 지하 수문 지질 구조와 지표 특성이 모두 반영됩니다. 이는 하도 간격의 밀집도와 지표 물질의 특성을 보여줍니다. 배수 밀도가 감소하면 유출량이 감소하며, 그 반대의 경우도 마찬가지입니다12. 일반적으로 배수 밀도가 낮은 지역에서는 침투와 유출이 모두 낮게 나타나며, 그 반대의 경우도 마찬가지입니다. 밀집된 배수 네트워크는 빗물 수집에 필수적입니다. RWH는 물이 흐르고 수집 지점으로 빠르게 전달될 수 있는 시스템을 제공하므로 배수 밀도가 높은 지역에 더 적합합니다34,35. Panjkora 강 유역의 배수 밀도는 Jenks Natural Breaks 분류법을 기반으로 0–9.4907, 9.4907–27.207, 27.207–48.219, 48.219–79.089 및 79.089–161.34 km/km2의 5개 등급으로 분류되었습니다. 배수 밀도가 낮거나 보통인 구역은 빗물 수집에 이상적인 위치로 간주되어 더 높은 가중치 값이 할당되었습니다 (그림 3B).

선구조 밀도

선구조(Lineaments)는 일반적으로 지질도에서 유도되며 위성 영상에서도 관찰되는 선형의 지하 특징물입니다. (국지적 또는 구조적 풍화대 아래에 매몰된) 선구조는 향상된 공극률과 투과성을 나타냅니다12. 선구조는 원격 탐사 영상 처리 소프트웨어를 사용하여 Landsat 8 영상에서 추출되었습니다. 선 밀도(line-density) 도구를 사용하여 선구조 래스터 레이어를 생성하였습니다. 선구조 밀도는 Jenks Natural Breaks 분류법을 사용하여 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/km2의 5개 등급으로 추가 분류되었습니다 (그림 3C).

토양

토양 질감은 빗물 수확(RWH) 계획 및 부지 선정에 있어 중요한 요소입니다. 토양의 침투 능력은 질감에 의해 결정됩니다. 일반적으로 사질 토양은 점토질 토양에 비해 유출량이 적습니다36. 실트, 모래 및 점토의 함량 비율에 따라 토양의 질감 분류가 정의됩니다. 점토질 토양은 투과성이 낮아 수집된 물을 보유할 수 있으므로, 빗물 수집에는 중간 입자 및 미세 입자 토양 지역이 선호되는 경우가 많았습니다8,37. 연구 지역은 빙하 및 설원, 양토, 비석회질 점토질 토양, 양토성 얕은 비석회질 토양, 양토성 매우 얕은 토양 및 암반 노출지의 다섯 가지 토양 질감으로 특징지어집니다 (그림 3D).

기울기

침투와 유출은 지형의 영향을 크게 받습니다8. 집수 구역의 경사도 변화는 폭우 도중 및 이후의 물 흐름 방식에 뚜렷한 영향을 미칩니다. 경사가 급한 지역에 빗물 저장(RWH) 구조물을 구축하는 것은 상당한 토목 공사가 필요하므로 비용 효율적이지 않습니다38. RWH 잠재력이 높으려면 완만한 경사가 가장 적합한 위치입니다. 경사가 급한 지역(경사도 5% 초과)에서는 RWH 구조물의 내구성이 떨어집니다39. 경사가 더 급한 지역에서는 침식 방지 조치 또한 고려됩니다40. 경사도는 도(degree) 단위로 계산되었으며, 조사 지역은 Jenks Natural Breaks 분류법을 사용하여 0°–11.9°, 12°–22.5°, 22.6°–31.8°, 31.9°–42.4° 및 42.5°–82° 의 다섯 가지 등급으로 나누었습니다(그림 3E).

강우량

강우는 지표 유출을 생성하는 주요 성분입니다. 강우/강수 데이터인 Global Precipitation Measurement (GPM) 데이터를 2014년부터 2023년까지 NASA https://gpm.nasa.gov/missions/GPM 에서 다운로드하였습니다41. 2014-2023년 기간의 GPM 강우 데이터와 Jenks Natural Breaks 분류법을 사용하여 연구 지역을 다섯 가지 강우량(mm) 등급으로 분류하였습니다: 49.93–57.014, 57.014–61.773, 61.773–65.262, 65.262–68.646 및 68.646–76.894 (그림 3F).

지질학

유역의 물리적 구성과 생성되는 토양의 양은 해당 지역의 지질학적 특성에 큰 영향을 받습니다. 지질학적 특징은 지하 대수층으로 유입되는 물의 흐름을 제어합니다40. 현재 연구 지역에서 발견되는 주요 암석의 두 가지 유형은 퇴적암과 변성암입니다. 암석학적 특성은 크게 고생대 하부 암석, 석탄기 퇴적암, 백악기 퇴적암, 중생대 관입암 및 변성암, 트라이아스기 암석, 미분류 고생대 암석, 미분류 고생대 암석 및 미분류 선캄브리아기 암석, 그리고 미분류 실루리아기 암석으로 구분되었습니다. 가용성 및 저장 용량은 암상 유형에 의해 상당한 영향을 받으며, 특정 암석은 지표수를 침투시켜 대수층을 보충하는 능력을 가지고 있습니다41. 반면, 일부 암석은 물이 통과하도록 하여 지하수의 충전을 돕습니다. 암상은 투수성, 공극률 및 침투 능력에 미치는 영향을 통해 유출량 생성을 강력하게 제어합니다. Panjkora 분지에서 치밀한 변성암은 일반적으로 미고결 상태이거나 공극률이 높은 퇴적층보다 일차 공극률과 투수성이 낮게 나타납니다. 결과적으로 강우가 침투할 가능성이 낮고 지표 유출이 발생할 가능성이 더 높으므로, 이러한 지층은 지표 빗물 저장 구조물 설치에 더 적합합니다. 이와 대조적으로, 조립질 또는 사질 물질을 포함하는 퇴적 지층은 일반적으로 침투가 더 원활하여 저장 가능한 지표 유출량을 감소시킵니다. 따라서 변성암에는 더 높은 적합도 가중치를 부여한 반면, 퇴적 지층에는 상대적으로 낮은 가중치를 부여했습니다. 그림 3G는 Panjkora 강 분지의 지질도를 보여줍니다. 모든 데이터는 보충 자료 1 및 3에서 확인할 수 있습니다.

figure-protocol-4
그림 3: Panjkora 강 유역의 빗물 집수지 평가에 사용된 주제별 요인의 공간적 분포. (A) 토지 이용/토지 피복, (B) 배수 밀도, (C) 선구조 밀도, (D) 토성, (E) 경사, (F) 강우량, 그리고 (G) 지질. 서로 다른 색상은 각 주제별 요인의 해당 등급을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

결과

MIF 모델을 위한 주제도 재분류

토지 피복, 토지 이용 및 RWH

Panjkora 강 유역의 토지 이용은 수체, 산림지, 작물 및 농경지, 도시지, 나지, 눈 및 얼음, 그리고 목초지의 7개 등급으로 분류되었습니다. 빗물 저장(RWH)이 생존에 필수적인 지역은 문헌을 근거로 높은 가중치가 부여되었습니다. 농경지와 나지는 일반적으로 울창한 산림 지역보다 지표 유출량이 더 많고, 농업용으로 수집된 물을 저장하기에 유리한 위치를 제공하므로 더 높은 적합성이 부여되었습니다. 산림 지역은 식생 피복도가 높아 강우 차단과 침투가 촉진되어 유출량 생성이 감소하므로 낮은 적합성을 부여받았습니다. 도시 지역과 기존 수체는 새로운 빗물 저장 시설을 도입할 기회가 제한적이므로 낮은 가중치가 부여되었습니다. 즉, 빗물 저장의 관점에서 농경지와 나지에는 더 많은 가중치를, 지표수와 도시 지역에는 더 적은 가중치를 부여하였습니다(그림 4A). LULC 등급은 빗물 저장 적합성에 대한 상대적 중요도에 따라 가중치가 부여되었습니다(표 4): 수체(1), 나지(6), 산림 피복(2), 도시 지역(1), 농경지(7).

배수 밀도 및 RWH

지하수 침투와 지표수 유출은 배수 밀도로 설명됩니다. 유출량이 적은 지역은 침투율이 높게 나타난 반면, 배수 밀도가 낮은 지역은 침투율이 낮게 나타났습니다. 23에 근거하여, 배수 밀도가 낮거나 중간인 구역에는 높은 가중치(7, 4)를 부여했고, 배수 밀도가 높거나 매우 높은 구역에는 가장 낮은 가중치(3, 2)를 부여했습니다(그림 4B). 배수 밀도가 낮거나 중간인 지역이 해당 구역 내 빗물 저장 시설(RWH) 설치에 가장 적합한 곳으로 표시되었습니다.

선구조 밀도 및 RWH

연구 지역의 선구조 밀도는 Jenks Natural Breaks 분류법을 사용하여 매우 높음, 높음, 보통, 낮음, 매우 낮음의 5개 등급으로 분류하였으며, 이에 따라 가중치(7, 4, 3, 2, 1)를 부여하였다(그림 4C 및 표 4). 연구 지역 내에서 밀도가 높은 구역은 빗물 집수를 위한 적합성이 가장 낮은 지역으로 간주한 반면, 밀도가 낮은 구역은 잠재력이 높은 것으로 판단하여 더 높은 가중치 값을 부여하였다.

토양 및 빗물 저장 시스템(RWH)

다섯 가지 유형의 토성, 즉 (빙하 및 설원), (양토, 점토질 비석회질 토양), (양토성 천층 비석회질 토양), (양토성 매우 천층 토양) 및 (암반 노출지)를 매핑하였다(그림 4D). 가중치를 할당할 때 보수력과 투수성을 고려하였다. Saaty23에 따라 양토 및 점토질 토양의 표면 수분 보유 능력에 가장 높은 가중치를 부여하였다. 매우 천층의 산악 양토성 토양은 높은 공극률과 높은 투수성으로 인해 낮은 가중치 값을 가진다.

경사 및 RWH

경사도 데이터는 Jenks Natural Breaks 분류법을 기반으로 (0–11.9)도, (12–22.5)도, (22.6–31.8)도, (31.9–42.4)도 및 (42.5–82)도의 다섯 가지 클래스로 나누었습니다(그림 4E). MIF 기법에서 완만한 경사(12–22.5)를 가진 지역에는 높은 값을 할당했고, 매우 가파른 경사 지역에는 낮은 값을 할당했습니다. 이는 경사도에 가중치를 부여했음을 나타냅니다. 각 클래스의 가중치와 순위를 결정하기 위해 MIF 모델 공식이 사용되었습니다.

강우량 및 빗물 저장(RWH)

2014~2023년 기간의 GPM 강수량 데이터를 사용하였으며, 이를 Junk의 분류법에 따라 (mm) 단위의 다섯 가지 등급, 즉 (49.93–57.014), (57.014–61.773), (61.773–65.262), (65.262–68.646) 및 (68.646–76.894)로 분류하였습니다(그림 4F). 강수량에 따라 값을 할당하였으며, 강수율이 높은 지역에는 높은 가중치를 부여하고 그 반대의 경우는 낮은 가중치를 부여하였습니다.

지질학 및 빗물 저장 시스템(RWH)

연구 지역의 대부분은 변성암과 퇴적암으로 구성되어 있습니다. 가용성과 저장 용량은 암석의 암상 및 종류에 의해 상당한 영향을 받으며, 특정 암석은 지표수를 투과시켜 대수층을 보충할 수 있습니다. 반면, 일부 암석은 물을 통과시켜 지하수의 충전을 돕습니다. 변성암은 상대적으로 낮은 투수성으로 인해 지표 유출 생성의 촉진되어 유출수 수집을 위한 가용성을 높이므로 더 높은 적합성이 부여되었습니다. 이와 대조적으로, 퇴적층은 일반적으로 더 높은 투수성과 침투 능력을 갖추고 있어 강우의 더 많은 비율이 지표 유출에 기여하기보다는 지하로 침투하게 됩니다. 따라서 연구 지역 내 지표 빗물 수집에는 변성암이 더 적합한 것으로 판단되었습니다. 그림 4G는 재분류된 지질도를 보여줍니다.

AHP를 이용한 가중치 할당

Wind와 Saaty의 권고 사항23에 따라, 본 연구에서는 7개의 주제 레이어를 고려하였으며, 각 레이어에는 빗물 집수 적합성에 따라 1에서 9까지의 가중치를 할당하였습니다. 이러한 접근 방식은 피처 클래스(feature classes)에도 가중치가 할당되었음을 나타냅니다. 표 5는 AHP 방식30을 사용하여 기준 및 해당 피처 클래스에 할당된 가중치의 정규화를 보여줍니다. 서로 다른 요인에 할당된 가중치를 결정하는 데 있어 전문가의 판단이 결정적이었으며, 이는 연구 지역에 미치는 각 요인의 영향을 기반으로 평가되었습니다. 계산 결과, 정규화된 가중치는 토지 이용/토지 피복(0.23), 강우량(0.27), 배수 밀도(0.13), 경사도(0.07), 선구조 밀도(0.08), 지질(0.10), 토양(0.10) 순으로 부여되었습니다. 주제 레이어의 경우, 식 3을 사용하여 계산한 일관성 비율(consistency ratio)은 0.08로 나타났으며, 이는 임계값인 0.10 미만입니다. 또한, 피처 클래스의 일관성 비율 역시 0.10 범위 내에 있었습니다(표 6). 본 연구의 일관성 비율에 따르면 레이어와 피처는 일관성이 있는 것으로 판단됩니다. 주제 레이어의 상대적 중요도를 확인하기 위해 표 5에 나타난 바와 같이 쌍별 분석(pairwise analysis) 또한 수행되었습니다.

표 5: 계층 분석 과정(AHP) 모델에 사용된 주제별 요인의 쌍체 비교 행렬 및 정규화된 가중치. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 6: 빗물 수집 적합성 분석을 위한 주제별 요인 및 하위 클래스의 계층 분석 과정(AHP) 기반 가중치와 순위. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-1
그림 4: Panjkora 강 유역의 빗물 집수 적합성 분석에 사용된 재분류된 주제 레이어. (A) 재분류된 토지 이용/토지 피복, (B) 배수 밀도, (C) 선구조 밀도, (D) 토성, (E) 경사, (F) 강우량, (G) 지질. 각 클래스는 빗물 집수지 선정을 위한 적합성 점수에 따라 재분류되었다. 숫자/색상은 해당되는 경우 매우 낮음에서 매우 높음까지 할당된 적합성 클래스를 나타낸다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

잠재적 빗물 수집(RWH) 구역

MIF 및 AHP 모델 기법을 이용한 최종 지도는 가중 중첩(weighted overlay) 및 가중 합산(weighted sum) 기법을 적용하여 작성되었습니다. 이 두 모델을 사용하여 연구 지역을 적합성 등급인 부적합, 보통 적합, 적합, 고적합, 매우 고적합 부지의 다섯 가지 등급으로 분류하였습니다(그림 5). Panjkora 강 유역의 빗물 집수(RWH)에 대한 MIF 결과에 따르면, 80.22 km2 면적은 적합성이 낮고, 1681.99 km2는 보통 적합, 3116.1 km2는 적합, 844.86 km2는 고적합, 35.10 km2는 RWH에 대해 매우 고적합한 것으로 나타났습니다. 반면 AHP 결과에서는 1572.58 km2 면적이 적합성이 낮고, 1605.69 km2는 보통 적합, 1768.62 km2는 적합, 689.15 km2는 고적합, 122.611 km2는 RWH에 대해 매우 고적합한 것으로 나타났습니다(표 7, 그림 5 및 그림 6). MIF 및 AHP 기반 적합성 지도 결과물은 보충 자료 4에 제공되어 있습니다.

표 7: 다중영향인자(MIF) 및 계층분석과정(AHP) 모델을 통해 도출된 빗물 집수 적합성 등급 비교. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-2
그림 5: Panjkora 강 유역에서 (A) MIF 방법과 (B) AHP 방법을 사용하여 식별한 잠재적 빗물로 수집 지점의 공간적 분포. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

figure-results-3
그림 6: 다중 영향 요인(MIF) 및 계층 분석 과정(AHP) 방법을 사용하여 서로 다른 빗물 저장 적합성 등급으로 분류된 면적의 비교. 막대는 부적합, 보통 적합, 적합, 매우 적합 및 최적 적합 구역을 포함하여 각 적합성 등급 내의 면적(km2)을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

적절한 빗물 저장(RWH) 구조물의 선정

사방댐, 농업용 저수지 및 구거 플러그를 포함하여 빗물 저장(RWH) 구조물의 적절한 위치를 선정하는 데 사용된 공학적 기준은 유엔 식량농업기구(FAO)의 빗물 저장 매뉴얼42을 채택하였습니다. FAO 가이드라인에 따르면, 저장 시스템의 기술적 타당성, 구조적 안정성 및 장기적인 성능을 보장하기 위해 적절한 RWH 구조물 선정 시 지형(경사), 배수 특성, 유출 잠재력, 토양 질감, 암석학, 토지 이용/피복 및 집수 구역 조건을 고려해야 합니다. 이러한 국제적으로 인정된 공학적 기준은 본 연구에서 사용된 GIS 기반의 다기준 평가 체계에 통합되었습니다. 유출 보존 구조물(등고선 도랑, 사석 댐, 구거 플러그 및 사방댐)을 이용한 빗물 보존의 주된 목적은 물의 흐름을 줄이거나 차단하는 것입니다. 등고선 도랑 굴착과 지하 댐은 가뭄 취약 지역에서 가뭄과 물 부족이라는 심각한 문제를 해결하기 위해 RWH가 활용될 수 있는 두 가지 효과적인 방법입니다43. 잠재적인 RWH 부지를 식별한 후, RWH 건설을 위한 최적의 위치를 결정하였습니다. 연구 지역의 조건 분석 결과, 농업용 저수지, 사방댐, 구거 플러그의 세 가지 RWH 구조물만이 고려할 가치가 있는 것으로 나타났습니다(Table 8). 농업용 저수지는 1%에서 6% 범위의 경사를 가진 소규모 흙 제방입니다. 농업용 저수지 건설의 목적은 긴 경사면을 여러 개의 짧고 덜 가파른 경사면으로 나누어 유속과 유출수에 의한 침식을 줄이는 것입니다. 사방댐은 토양 침식을 줄이고 빗물을 저장할 수 있어 다른 유형의 구조물보다 더 중요합니다. 하천 경로를 따라 사방댐 체인을 건설할 때, 두 사방댐 사이의 거리는 물의 확산 범위보다 커야 합니다. 표토의 빗물 침식은 구거(gully)를 형성합니다. 점차 침식이 심해지면 구거는 더 뚜렷한 형태를 갖추게 됩니다. 이후 특정 간격으로 다양한 재료로 만든 차단벽이나 플러그를 구거를 가로질러 설치하여 침식을 방지하고 빗물을 저장해 나중에 사용할 수 있게 합니다. 지도(Figure 7)는 Panjkora 강 유역의 빗물 저장 위치를 보여줍니다. 식별된 적절한 RWH 위치에 대한 메타데이터는 Supplementary File 5에 제공됩니다.

표 8: Panjkora 강 유역의 제안된 빗물 집수 구조물 및 지리적 특성. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-4
그림 7: Panjkora 강 유역 내 잠재적 빗물 집수 구조물의 공간적 분포. 지도는 식별된 적합 지역 내에 제안된 체크 댐, 농업용 연못 및 굴리 플러그의 위치를 보여준다. 유역 경계와 배수망 또한 표시되어 있다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

모델 검증

GIS 기반 모델 결과는 항상 지상 데이터(ground data)를 통한 검증이 필요합니다. 데이터를 추출한 후, 해당 지역을 광범위하게 조사하였으며 연구 지역 내 기존 RWH 구조물과 결과를 교차 확인하였습니다. 조사 과정에서 일부 빗물 집수 구조물이 이미 적절한 위치에 구축되어 있음을 발견했으나, 이는 해당 지역에 충분하지 않았습니다. MIF 및 AHP 결과의 검증은 교차 검증 기법을 사용하여 수행되었습니다. 가장 적합한 구역은 협의 가능한 개입(negotiable interventions)이 발생하는 곳입니다. 또한, 현장 조사를 통해 향후 빗물 집수 개입을 위한 다양한 위치가 식별되었습니다. 현장 조사 검증 지점 및 지리 좌표는 보충 파일 6에 제공되어 있습니다. 모델의 통계적 검증은 수신자 조작 특성 곡선 아래 면적(ROC AUC)을 사용하여 수행되었습니다. AHP 모델에 대한 ROC 분석 데이터 및 결과는 보충 파일 7에 제공되어 있습니다. ROC는 현장 검증 GPS 지점(그림 8A)과 AHP 및 MIF 모델의 결과를 바탕으로 실행되었습니다. MIF 모델에 해당하는 ROC 분석 데이터 및 결과는 보충 파일 8에 제공되어 있습니다. MIF 모델은 0.72의 AUC 곡선을 나타내며(그림 8B), AHP 모델은 0.69를 나타냅니다(그림 8C). 일반적으로 인정되는 ROC-AUC 해석 기준에 따르면, 예측 성능을 나타내는 AUC 값은 변별력 없음(0.50), 낮음(0.50 ~ 0.60), 보통(0.60 ~ 0.70), 좋음(0.70 ~ 0.80), 매우 좋음(0.80 ~ 0.90), 탁월함(0.90 이상)으로 분류됩니다. 이에 따라 MIF 모델은 좋은 예측 능력(0.72)을 보인 반면, AHP 모델은 보통(좋음에 가까운) 예측 성능(0.69)을 보였습니다. 두 모델 모두 무작위 예측(AUC = 0.50)보다 상당히 더 나은 성능을 보였으나, MIF 모델에서 얻은 더 높은 AUC 값은 관찰된 빗물 집수 위치와 더 높은 일치도를 나타내며, 이는 Panjkora Basin의 산악 지형에서 적합한 RWH 부지를 식별하는 데 MIF 접근 방식이 더 신뢰할 수 있음을 시사합니다. 그럼에도 불구하고, 연구 지역에서는 MIF가 AHP보다 상대적으로 더 나은 모델입니다. AHP 모델과 비교하여 MIF 모델의 우수한 성능은 Panjkora Basin의 복잡한 환경적 및 지리적 특성 때문인 것으로 분석됩니다. 이 분지는 험준한 산악 지형, 매우 가변적인 경사, 불균질한 암상 구성, 다양한 토지 이용/토지 피복 패턴이 특징이며, 이 모든 요소가 유출 생성 및 빗물 집수 잠재력에 강력한 영향을 미칩니다. 주로 전문가가 도출한 쌍별 비교(pairwise comparisons)에 의존하는 AHP 방법과 달리, MIF 접근 방식은 여러 환경 요인 간의 상대적 영향과 상호작용을 더 유연한 방식으로 고려합니다. 이를 통해 모델은 유역 내 수문학적 과정의 공간적 변동성을 더 잘 표현할 수 있습니다. 결과적으로 MIF 모델은 더 현실적인 적합성 패턴을 생성하여 더 높은 AUC 값과 기존 빗물 집수 구조물 위치와의 향상된 일치도를 나타냈습니다. 또한, Panjkora Basin은 강우 분포, 배수 밀도, 경사, 토양 질감 및 지질 조건에서 상당한 공간적 불균질성을 보입니다. 이러한 요인들은 유역 전체에서 서로 다르게 상호작용하므로 개별 매개변수의 영향이 균일하지 않습니다. MIF 접근 방식은 주관적인 쌍별 판단에만 의존하기보다 여러 조건 요인의 누적 영향을 평가하므로 이러한 변동성을 포착하는 데 더 적합합니다. 이것이 AHP 모델에 비해 향상된 예측 성능에 기여했을 가능성이 큽니다.

figure-results-5
그림 8: 수신자 조작 특성(ROC) 분석을 이용한 빗물 집수 적합성 모델의 검증. (A) 모델 검증에 사용된 현장 기반 검증 지점의 공간적 분포; (B) 다중 영향 요인(MIF) 모델의 ROC 곡선 및 곡선 아래 면적(AUC); (C) 계층 분석 과정(AHP) 모델의 ROC 곡선 및 AUC. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

데이터 가용성:

본 연구에 사용된 데이터 세트는 공개적으로 이용 가능하거나 해당 기관을 통해 얻을 수 있습니다. Global Precipitation Measurement (GPM) 강수 데이터는 NASA GPM 미션 저장소(https://gpm.nasa.gov/missions/GPM)에서 이용 가능합니다. Sentinel-2 위성 영상은 ESA Copernicus Open Access Hub(https://scihub.copernicus.eu/)에서 수집하였습니다. 수치 표고 모델(DEM)은 Alaska Satellite Facility (ASF) Distributed Active Archive Center(https://asf.alaska.edu/)에서 다운로드하였습니다. 추출된 데이터(검증 데이터, 모든 래스터 데이터, 모든 메타데이터, 모델 계산 값)는 보충 파일 1–8에 제공됩니다.

보충 파일 1: GIS 주제도 레이어 데이터. 본 연구에서 평가된 환경 및 수문학적 요인을 포함하여, 빗물 수집 적합성 분석에 포함된 주제별 GIS 레이어를 생성하는 데 사용된 공간 데이터입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2: MIF 계산. MIF 기반 빗물 저장 적합성 분석에 적용된 상대적 영향력, 요인 가중치 및 점수를 결정하는 데 사용된 계산식입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 3: 재분류된 GIS 레이어 및 적합성 임계값.MIF 및 AHP 분석에 사용된 재분류된 주제 레이어와 그에 해당하는 클래스 범위, 임계값, 순위 및 적합성 점수입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 4: MIF 및 AHP 기반 적합성 지도 결과.Panjkora 강 유역의 빗물 집수 적합성 분류 결과를 보여주는 MIF 및 AHP 분석의 공간 출력물입니다.여기에서 파일을 다운로드하십시오.

보충 파일 5: 식별된 적합한 빗물 집수 위치에 대한 메타데이터. 가용한 공간 및 부지 관련 정보를 포함하여, 빗물 집수 구조물 설치에 적합한 것으로 식별된 위치와 관련된 메타데이터입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 6: 현장 조사 검증 지점.MIF 및 AHP 기반 빗물 수집 적합성 지도를 평가하는 데 사용된 검증 지점의 지리적 좌표를 포함한 현장 조사 검증 데이터입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 7: AHP 모델에 대한 ROC 분석. 분석적 계층화 과정(AHP) 모델의 예측 성능을 평가하는 데 사용된 수신자 조작 특성(ROC) 분석 데이터 및 결과입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 8: MIF 모델에 대한 ROC 분석. 다중 영향 요인(MIF) 모델의 예측 성능을 평가하는 데 사용된 ROC 분석 데이터 및 결과입니다.여기에서 파일을 다운로드하십시오.

토론

본 연구에서는 파키스탄 북부의 산악 지형인 Panjkora 강 유역에서 적합한 빗물 수집(RWH) 부지를 선정하기 위해 널리 사용되는 두 가지 GIS 기반 다기준 의사결정 방식인 다영향 요인(MIF) 분석과 계층화 분석법(AHP)을 비교하였다. 두 모델 모두 잠재적 수집 구역을 성공적으로 획정하였으나, 공간적 예측과 검증 성능에서는 뚜렷한 차이가 관찰되었다. ROC-AUC 분석 결과, MIF 모델(AUC = 0.724)이 AHP 모델(AUC = 0.692)보다 우수한 성능을 보였으며, 이는 두 모델 모두 수용 가능한 예측 능력을 갖추고 있으나 MIF 방식이 기존 빗물 수집 구조물의 분포 및 현장 관찰 결과와 더 높은 일치도를 보임을 나타낸다. MIF 모델의 이러한 우수한 성능은 Panjkora 유역의 복잡한 수문학적 및 지형학적 특성으로 설명될 수 있다. 해당 유역은 험준한 산악 지형, 매우 가변적인 경사도, 불균질한 암상, 다양한 토지 이용 패턴 및 공간적으로 가변적인 강우량을 특징으로 한다. 이러한 환경 변수들은 동시에 상호작용하여 유출 발생, 침투 및 저수 잠재력을 제어한다. 주로 기준 간의 전문가 유도 쌍체 비교에 의존하는 AHP 방식과 달리, MIF 기법은 여러 조건 요인 간의 상대적 중요도와 누적 상호작용을 모두 평가한다. 결과적으로 MIF는 지형, 지질, 토양 질감, 배수 특성 및 지표 덮개의 결합된 영향에 의해 유출 발생이 결정되는 산악 유역의 공간적 불균질성을 개별 요인만으로 평가할 때보다 더 잘 포착할 수 있다. 이와 유사한 관찰 결과들은 영향 기반 가중치 부여 방식이 환경 변수 간의 상호작용을 더 잘 표현하기 때문에 수문학적으로 불균질한 환경에서 우수한 성능을 보인다는 점을 입증해 왔다22,34,41. 매우 적합한 RWH 구역의 공간적 분포는 유역의 물리적 특성을 반영한다. 유역의 서부와 남부 지역은 완만한 경사, 적절한 배수 밀도, 유리한 토양 질감, 상대적으로 높은 강우량 및 유출 발생을 촉진하면서도 수집 구조물 건설이 기술적으로 가능한 토지 이용 조건을 모두 갖추고 있어 가장 유리한 위치로 선정되었다. 완만한 경사는 유속을 충분히 감소시켜 유출 수집을 용이하게 하는 동시에 과도한 침식과 건설 비용을 최소화한다. 반면, 매우 가파른 경사는 급격한 유출을 유발하고 저수 기회가 제한적이며 구조적 불안정성을 증가시켜 사방댐이나 농업용 저수지 건설에 덜 적합하다. 이러한 결과는 경사도를 산악 환경에서 RWH 적합성의 지배적인 제어 요인으로 식별한 이전 연구들과 일치한다8,36,39. 지질 또한 RWH 적합성을 결정하는 데 중요한 역할을 하였다. Panjkora 유역의 변성암은 일반적으로 많은 퇴적층보다 1차 공극률과 투수성이 낮아 침투 손실을 줄이고 수집 가능한 지표 유출량을 증가시킨다. 따라서 이러한 지층은 사방댐 및 농업용 저수지와 같은 지표 저수 구조물에 필요한 유출 축적을 강화하므로 더 높은 적합성 가중치를 부여받았다. 반대로, 상대적으로 투수성이 높은 퇴적층은 침투와 지하수 함양을 더 많이 허용하여 수집 가능한 지표 유출량을 감소시킨다. 암상, 유출 발생 및 빗물 수집 적합성 사이의 유사한 관계가 이전에 보고된 바 있다12,40. 토지 이용/지표 덮개 및 토양 질감 또한 적합한 수집 부지의 공간적 분포에 영향을 미쳤다. 농경지와 황무지는 일반적으로 중간에서 높은 수준의 유출을 발생시키는 동시에 농업용수 저수 및 활용의 직접적인 기회를 제공하므로 더 높은 적합성을 보였다. 이와 대조적으로 산림 지역은 울창한 식생이 강우를 차단하고 토양 구조를 개선하며 광범위한 뿌리 체계를 통해 침투를 증가시켜 지표 유출을 감소시키기 때문에 상대적으로 낮은 적합성을 보였다. 마찬가지로 점토질 및 미사질 토양은 상대적으로 낮은 투수성과 더 높은 보수력 덕분에 더 유리한 것으로 간주된 반면, 얕은 암석질 토양은 급격한 침투를 촉진하거나 저수 잠재력이 제한된 상태에서 과도한 유출을 일으킨다. 에티오피아, 이라크, 파키스탄에서 수행된 이전의 GIS 기반 RWH 조사에서도 유사한 결과가 보고되었다9,18. MIF와 AHP의 비교는 적합성 매핑에 있어 가중치 전략의 영향 또한 보여준다. AHP 방식은 주로 전문가의 판단과 쌍체 비교를 통해 기준 가중치를 할당하므로, 수용 가능한 일관성 비율에도 불구하고 어느 정도의 주관성이 개입된다. 반면, MIF는 영향 요인 간의 주요 및 보조 상호작용을 모두 평가하며, 추가적으로 매개변수 하위 분류의 수문학적 중요도에 따라 가중치를 부여할 수 있게 한다. 이러한 유연한 가중치 프레임워크를 통해 MIF는 특히 환경 요인이 짧은 거리 내에서 상당히 변하는 산악 유역에서 유출 발생 조건의 공간적 변동성을 더 잘 표현할 수 있다. 유사한 비교 연구들은 복잡한 지형 조건 하에서 영향 기반 또는 하이브리드 다기준 방식이 전통적인 전문가 기반 가중치 기법보다 자주 우수한 성능을 보인다고 보고하였다19,44,45. ROC-AUC 검증은 이러한 관찰 결과를 더욱 뒷받침한다. 두 모델 모두 수용 가능한 예측 성능(AUC > 0.5)을 달성했지만, MIF 모델의 더 높은 AUC 값은 예측된 적합 위치와 현장 검증 중에 관찰된 기존 빗물 수집 구조물 사이의 일치도가 더 높음을 나타낸다. 이는 여러 수문 및 환경 변수 간의 상호작용을 통합하는 것이 적합성 평가의 신뢰도를 향상시킨다는 것을 입증한다. ROC 분석을 이용한 유사한 검증 방식은 지하수 잠재력, 홍수 취약성 및 빗물 수집 적합성 모델을 평가하는 데 성공적으로 적용되어 왔다34,41,45. 종합적으로, 본 결과는 GIS, 원격 탐사 및 다기준 의사결정 기법을 통합하는 것이 산악 유역의 빗물 수집 계획을 위한 신뢰할 수 있는 프레임워크를 제공함을 확인시켜 준다. 적합한 위치를 식별하는 것을 넘어, 본 연구에서 제시한 비교 평가 분석은 모델 선택이 적합성 예측의 품질에 상당한 영향을 미친다는 실질적인 증거를 제공한다. MIF 모델의 향상된 성능은 지형, 암상, 강우량 및 지표 덮개의 공간적 변동성이 강한 지역에 영향 기반 가중치 부여 방식이 특히 적합함을 시사한다. 따라서 본 연구에서 개발된 방법론은 유사한 수문-기상 및 지형 조건을 가진 다른 산악 및 물 부족 지역의 지속 가능한 수자원 계획을 위한 전이 가능한 의사결정 지원 프레임워크로 활용될 수 있다.

본 비교 연구는 빗물 저장 시설 구축에 대한 적합도 수준이 서로 다른 지역을 식별하기 위해 다양한 직접 및 간접 제어 요인을 분석함으로써 GIS 기반 공간 모델로서 AHP 및 MIF 접근법을 평가합니다. MIF와 AHP는 각각 공간적 의사결정을 내리는 데 있어 고유한 이점이 있지만, 두 기법을 비교함으로써 더욱 정교한 다기준 분석이 가능해지며, 이를 통해 부지 적합성 평가의 정밀도와 견고성을 향상시킬 수 있습니다. RWH 부지 선정을 위해 강수량, 지질, 토양, 선구조 밀도, 배수 밀도, 토지 이용/피복 및 지형을 영향 요인으로 분석하였습니다. 또한 도로와의 거리, 주요 하천과의 거리, 도시 정착지와의 거리와 같은 추가 요인들을 FAO 기준에 따라 처리하였습니다. 적합한 RWH 부지를 개발하는 목적은 연구 지역의 수자원 가용성을 개선하는 것입니다. RWH 구축과 관련하여 연구 지역은 적합도 정도에 따라 부적합, 보통 적합, 적합, 매우 적합, 최적 적합의 다섯 가지 등급으로 분류되었습니다. 현장 방문 결과, 해당 지역의 산악 지형에서는 MIF 결과가 AHP 모델보다 더 정확한 것으로 나타났습니다. MIF 모델 결과는 복잡한 지형 변수를 관리하는 적응성과 서브클래스의 가중치 및 순위를 결합하는 능력 덕분에 더 정확하고 지역적으로 유의미했습니다. MIF는 사용자가 의사결정을 위해 각 서브클래스의 순위를 매길 수 있게 하는 반면, AHP는 매개변수의 서브클래스가 아닌 매개변수 자체에 순위와 가중치를 할당합니다. MIF와 AHP의 비교는 서로 다른 가중치 할당 전략과 의사결정 기준이 공간 분석 결과에 어떤 영향을 미치는지에 대한 더 깊은 이해를 제공합니다. MIF의 ROC-AUC 점수는 0.724, AHP는 0.692로 나타나, MIF 접근법이 AHP 접근법보다 성능이 더 우수함이 확인되었습니다.

이러한 방법들은 비용, 노동력 및 시간을 최소화하는 동시에 수자원의 지속 가능한 관리를 위한 더욱 효율적인 의사결정을 가능하게 합니다. 이는 기후 변화, 도시화 증가 및 물 부족 상황 속에서 전 세계 수자원을 지속 가능하게 관리하기 위해 창의적인 해결책이 필요하기 때문에 특히 중요합니다. 판즈코라 분지(Panjkora Basin)와 같이 지형적으로 다양한 지역에서 이러한 기술의 효율성을 입증함으로써, 본 연구는 유사한 환경적 제약이 있는 다른 지역에서도 유사하게 활용할 수 있는 모델을 제시합니다. 따라서 두 모델 모두 우수한 성능을 보였으며, 조사 대상 지역을 넘어 다른 지리적, 환경적 및 사회경제적 지역에 대한 적용 가능성을 확인했습니다. MIF 및 AHP 접근 방식의 확장성과 정확성을 높이기 위해 머신러닝 및 고해상도 공간 데이터와 같은 새로운 기술을 추가할 수 있습니다. 이러한 발전은 동적이고 확장된 응용 분야에 필수적인 실시간 및 자동화 분석을 가능하게 할 것입니다.

공개 사항

저자들은 이해 상충이 없음을 밝힌다. 모든 이미지와 그림은 인공지능으로 생성한 것이 아닙니다.

저자 기여도:
샤지아 굴자르: 개념화, 방법론, 데이터 관리, 정식 분석, 조사, 시각화, 원고 작성(초안). 무함마드 알리: 개념화, 감독, 방법론, 타당성 검증, 원고 작성, 검토 및 편집, 프로젝트 관리. 아비드 사르와르: 정식 분석, GIS 및 원격 탐사 분석, 데이터 해석, 타당성 검증, 시각화, 원고 작성 – 리뷰 & 편집. 함마드 질라니: 방법론, 검증, 글쓰기, 검토 & 편집. 하산 알스베리: 글쓰기, 검토 및 편집, 시각화. 압둘카데르 M. 알마르스: 글쓰기, 검토 및 편집, 정식 분석. 하산 하şim: 검증, 글쓰기, 검토 & 편집. 엘-사예드 아틀람: 정형 분석, 글쓰기, 검토 및 편집. 아이만 엘 사바그: 감독, 글쓰기, 검토 & 편집, 기금 취득

감사의 글

저자들은 본 연구에 자금을 지원해 준 사우디아라비아 타이프 대학교(Taif University)의 대학원 및 과학 연구 학장실에 감사를 표합니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
ArcGIS DesktopEsri버전 10.3.1GIS 기반 공간 데이터 전처리, 주제도 생성, 재분류, 가중 중첩 분석 및 적지 분석 맵핑에 사용됩니다.
수치 표고 모델 (DEM), 12.5 m알래스카 위성 시설(ASF) 분산 능동 아카이브 센터해당 사항 없음참조 래스터로 사용되었으며 경사도, 배수망, 배수 밀도 및 고도 층을 도출하는 데 사용된 12.5m 공간 해상도 DEM; 원고에 2023년 2월 12일로 보고된 취득 날짜는 모호하지 않게 명시되어야 함.
지질 데이터파키스탄 지질조사국제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.지질 주제 레이어 생성에 사용된 지질/암상 데이터.
전지구 강수 관측(Global Precipitation Measurement, GPM) 강수 데이터미국 항공우주국 (NASA)2014-2023 데이터 세트강우 주제도를 생성하는 데 사용된 강수 데이터입니다. 저자는 정확한 GPM 제품/버전 및 시간적 통계량을 명시해야 합니다.
글로벌 포지셔닝 시스템(GPS) 현장 검증 지점제시된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.교차 검증 및 ROC-AUC 평가에 사용된 현장 검증 지점. GPS 수신기/앱의 제조사 및 모델은 원고에 명시되지 않았음.
Landsat 8 영상번역할 소스 텍스트가 제공되지 않았습니다. 번역할 내용을 입력해 주시기 바랍니다.제품/장면 ID가 지정되지 않았습니다.선구조 추출에 사용됨. 저자는 소스 저장소, 획득 날짜, 제품/장면 ID, 공간 해상도 및 전처리 세부 사항을 제공해야 함.
Sentinel-2B 위성 영상유럽우주국 (ESA), 코페르니쿠스2025년 9월 10일 취득지도 학습 기반의 최대 우도 분류법(Maximum Likelihood Classification)을 이용한 토지 이용/토지 피복 매핑에 사용되었습니다. 저자는 정확한 제품/장면 식별자와 처리 수준을 추가해야 합니다.
토양 질감 데이터파키스탄 카이베르 파크툰크와 토양조사국입력된 텍스트가 없습니다. 번역할 내용을 제공해 주세요.토양 질감 주제도 생성에 사용되었습니다. 원고에 데이터셋/지도의 판본 또는 식별자가 명시되지 않았습니다.

참고문헌

  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.

재인쇄 및 허가

태그

부지 적합성지형공간 분석GIS 매핑원격 탐사수자원 관리산악 유역ROC-AUC 검증
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.