Dit artikel beschrijft een geïntegreerde aanpak op basis van een Geografisch Informatie Systeem (GIS), gebruikmakend van Multi-Influencing Factor (MIF) en Analytic Hierarchy Process (AHP) modellen, om geschikte locaties voor regenwateropvang te identificeren en passende structuren te selecteren in bergachtige stroomgebieden, gedemonstreerd in het Panjkora-bekken in Noord-Pakistan.
Onderzoeksartikel
Optimalisatie van de geschiktheid van locaties en structuren voor het opvangen van regenwater met behulp van geospatial analyse, multi-beïnvloedingsfactoren en de Analytic Hierarchy Process-benadering
In dit artikel
Samenvatting
Samenvatting
Het opvangen van regenwater (RWH) is een essentiële praktijk voor waterbesparing, verbeterd waterbeheer en het beperken van watergerelateerde gevaren in berggebieden. De selectie van een geschikte locatie en een passende structuur van de RWH-faciliteit zijn cruciaal voor het verbeteren van de waterbeschikbaarheid en landbouwproductiviteit onder alle omstandigheden, vooral vanwege de hydrologische onzekerheid als gevolg van klimaatverandering. Het is een uitdaging om RWH-locaties te evalueren en analyseren onder diverse omstandigheden wereldwijd, in het bijzonder in afgelegen, ontoegankelijke berggebieden waar deze locaties een aanzienlijke impact hebben op het milieu, de samenleving en de economie van de regio en stroomafwaarts. In deze studie werden de Multi-Influencing Factor (MIF) en het Analytic Hierarchy Process (AHP) toegepast in een Geografisch Informatie Systeem (GIS) met behulp van conventionele gegevens en remote sensing (RS) gegevens voor het selecteren van een geschikte RWH-locatie en passende structuren in het Panjkora-stroomgebied in de Hindu Kush-regio in Noord-Pakistan. Volgens de MIF- (en AHP-) resultaten heeft het studiegebied 80,22 (1572,58) km2 minder geschikt gebied, 1681,99 (1605,69) km2 als matig geschikt, 3116,10 (1768,62) km2 als geschikt, 844,86 (689,15) km2 als zeer geschikt en 35,10 (122,61) km2 als zeer hoog geschikt voor RWH-structuren. De resulterende kaarten werden gevalideerd met Receiver Operating Characteristic en Area Under the Curve (ROC-AUC) tests (MIF-score = 0,724 en AHP-score = 0,692) om de nauwkeurigheid en robuustheid van de modellen te controleren. Dit onderzoek, dat resultaten met een veelbelovende nauwkeurigheid presenteert, zal nieuwe technische inzichten over dit onderwerp bieden voor verdere verbetering, geschiktheid en toepasbaarheid van de modellen onder verschillende hydro-meteorologische en fysiografische omstandigheden. Over het algemeen hebben beide modellen met succes geschikte locaties voor het opvangen van regenwater geïdentificeerd; echter presteerde het MIF-model beter dan het AHP-model in termen van voorspellende nauwkeurigheid en ruimtelijke betrouwbaarheid. Het voorgestelde GIS-gebaseerde raamwerk kan een duurzame planning voor het opvangen van regenwater en waterbeheer in bergachtige stroomgebieden ondersteunen.
Inleiding
Waterschaarste, inclusief de uitputting van zowel oppervlaktewater- als grondwaterbronnen, is een grote uitdaging geworden in veel ontwikkelingslanden1. Snelle bevolkingsgroei, verstedelijking, landbouwuitebreiding, complexe topografie en veranderende klimatologische omstandigheden hebben de druk op de beschikbare watervoorraden verhoogd2,3. In regio's met waterschaarste heeft overmatige grondwateronttrekking om aan huishoudelijke en landbouwvraag te voldoen geleid tot dalende grondwaterstanden en een verminderde waterzekerheid op lange termijn. Daarom zijn duurzame waterbeheerstrategieën dringend nodig, vooral in regio's met een snelle bevolkingsgroei, een hoge kwetsbaarheid van watervoorraden voor klimaatverandering en een toenemende watervraag, zoals in Pakistan. Onder verschillende adaptatiestrategieën is regenwateropvang (RWH) naar voren gekomen als een effectieve aanpak voor het behouden van regenwaterafvoer en het aanvullen van beschikbare watervoorraden4. RWH-systemen verzamelen en slaan regenwater op tijdens natte perioden voor subsequent gebruik, wat een duurzaam alternatief biedt voor het aanpakken van watertekorten op zowel lokale als regionale schaal5,6. Het succes van RWH-systemen hangt echter grotendeels af van het identificeren van geschikte locaties en passende opvangstructuren. Locatieselectie is een complex proces omdat het wordt beïnvloed door meerdere fysiografische, milieu-, hydrologische en sociaaleconomische factoren die ruimtelijk variëren over regio's7,8. Traditioneel werden veldonderzoeken gebruikt om potentiële RWH-locaties te identificeren; deze aanpakken zijn echter vaak duur, tijdrovend en onpraktisch voor grote en ontoegankelijke gebieden, met name berggebieden. Daarom worden Geografische Informatie Systemen (GIS) en Remote Sensing (RS) technologieën steeds vaker ingezet als efficiënte alternatieven voor RWH-beoordeling op regionale schaal9. GIS-gebaseerde multi-criteria evaluatie (MCE) biedt een effectief kader voor het integreren van diverse thematische lagen, waaronder neerslag, afvoer, helling, bodemkenmerken, landgebruik/landbedekking, drainagedichtheid en sociaaleconomische parameters, om geschikte RWH-zones te identificeren10,11. Remote sensing-datasets verbeteren deze aanpak verder door kosteneffectieve ruimtelijke informatie te verschaffen over grote en ontoegankelijke gebieden, inclusief landbedekking, geomorfologie, bodemkenmerken en hydrologische kenmerken12. Pakistan behoort tot de landen die kampen met ernstige wateruitdagingen door een toenemende watervraag, klimaatvariabiliteit en afhankelijkheid van op landbouw gebaseerde levenswijzen13. De landbouweconomie van het land vereist aanzienlijke watervoorraden, terwijl dalende grondwaterstanden en onregelmatige neerslagpatronen de kwetsbaarheid voor watertekorten hebben vergroot. Bijgevolg zijn regenwaterbehoud en -opslag belangrijke strategieën geworden voor het verbeteren van de waterbeschikbaarheid, vooral in waterarme en bergachtige regio's12,14. Vorige studies hebben de effectiviteit aangetoond van GIS- en RS-gebaseerde aanpakken voor de selectie van RWH-locaties door het integreren van milieu- en sociaaleconomische parameters15,16,17,18. Verschillende onderzoekers hebben diverse multi-criteria besluitvormingstechnieken toegepast, waaronder het Analytic Hierarchy Process (AHP), Fuzzy AHP en andere wegingstechnieken, om geschikte RWH-locaties te identificeren onder diverse milieuomstandigheden19. Ondanks aanzienlijke vooruitgang kan de prestatie van verschillende multi-criteria besluitvormingsaanpakken variëren afhankelijk van regionale milieukenmerken, beschikbare datasets en expert-gebaseerde wegingsystemen. In het bijzonder zijn er beperkte studies die de effectiviteit van verschillende aanpakken onder vergelijkbare stroomgebiedcondities hebben vergeleken. Daarom is het evalueren en vergelijken van alternatieve besluitvormingstechnieken essentieel voor het verbeteren van de betrouwbaarheid van geschiktheidsbeoordelingen voor RWH-locaties. De huidige studie pakt dit onderzoeksgat aan door de Multi-Influencing Factor (MIF) en Analytic Hierarchy Process (AHP) technieken te vergelijken voor het identificeren van geschikte RWH-locaties in het Panjkora Basin, Pakistan. Er wordt gehypothetiseerd dat het integreren van verschillende variabelen zoals topografie, geologische eigenschappen, landbedekkingsdynamiek, drainage-lineamentdichtheid, bodemkenmerken en neerslag in GIS met behulp van een multi-criteria besluitvormingsaanpak de best geschikte RWH-locaties in een bergachtige omgeving kan identificeren. De studie biedt waardevolle inzichten in de toepasbaarheid van GIS-gebaseerde beslissingsondersteunende aanpakken voor duurzame planning van watervoorraden in berggebieden.
Protocol
Deze studie maakte gebruik van geospatiale gegevens, gegevens van remote sensing en veldvalidatiegegevens en omvatte geen menselijke deelnemers, identificeerbare persoonsgegevens, dieren of vertebratenweefsels; daarom was institutionele ethische goedkeuring voor menselijke of dierlijke proefpersonen niet vereist.
Studieregio
Het Panjkora-stroomgebied is een belangrijke fysiografische regio gelegen in het oostelijke Hindu Kush-gebergte in Noord-Pakistan (Figuur 1). De Panjkora-rivier is de belangrijkste rivier van het stroomgebied (113 km lang met een stroomgebied van 5758,27 km2) en begint als een stroomversnelling vanuit de met ijs bedekte bergen van de Hindu Kush. Deze komt nabij Chakdara, Dir Lower20, samen met de rivier Swat. De Panjkora-rivier wordt gevoed door vijf belangrijke stroomversnellingen of beken, waaronder de Barawal, Dir, Gawaldai, Jandol en Kohistan. Het gebied strekt zich uit van 34°39′30′′ tot 35°46′1′′ noorderbreedte en van 71°13′08′′ tot 72°22′13′′ oosterlengte. De ligging van de regio en de ruige topografie hebben een aanzienlijke invloed op het klimaat (bergachtig en gematigd). De bovenloop (Kumrat, Thal) van het stroomgebied heeft een langer winterseizoen en een koudere zomer. Vanaf november daalt de temperatuur scherp. In Dir Lower (Timergara, Talaash, Maidan, Samarbagh) ligt de temperatuur echter van december tot februari gewoonlijk boven het vriespunt. De warmste maanden in Timergara zijn juni tot en met augustus, met gemiddelde maximumtemperaturen boven de 35 °C, terwijl juni en juli de warmste maanden zijn in Dir Town (met maximumtemperaturen van 32,4 °C en 31,5 °C). De moesson is de bron van de zomerneerslag, terwijl de Westelijke Depressie winterneerslag brengt. Het studiegebied wordt gekenmerkt door een hoge relatieve vochtigheid gedurende het hele jaar. Rivier- en flash-overstromingen21 komen (bijna) elk jaar voor, vooral in gebieden stroomopwaarts en stroomafwaarts van Wari. De belangrijkste gewassen die in de regio worden geteeld zijn rijst, tarwe, maïs, aardappel en ui, terwijl de belangrijkste vruchten in het studiegebied kaki, sinaasappel, appel, walnoot, abrikoos, pruim, loquat en moerbei zijn.
Figuur 1: Kaart van het studiegebied van het Panjkora-rivierbekken, noord-Pakistan. (A) Locatie van Khyber Pakhtunkhwa binnen Pakistan; (B) locatie van het Panjkora-rivierbekken binnen Khyber Pakhtunkhwa; en (C) het Panjkora-rivierbekken met weergave van de bekkenboundary, hoogteverdeling, het riviernetwerk en belangrijke locaties binnen het studiegebied. Klik hier om een grotere versie van deze figuur te bekijken.
Gegevensverzameling en -voorbereiding
Voor deze studie werden de gegevens uit verschillende bronnen verzameld. Neerslaggegevens werden gedownload van de Global Precipitation Measurement (GPM) van de National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM voor de periode 2014 tot 2023. De gegevens over bodemtextuur werden verzameld bij het Directorate of Soil Survey Khyber Pakhtunkhwa, Pakistan (www.soilconservation.kp.org). De geologische gegevens werden verkregen van het regionale kantoor van de Geological Survey of Pakistan (https://gsp.gov.pk/). Voor de verzameling en berekening van landscenario's (landgebruik/landbedekking) werden Sentinel-2 beelden verkregen van de Copernicus Open Access Hub (https://scihub.copernicus.eu/) van het European Space Agency (ESA). Sentinel-2B beelden die zijn vastgelegd op 10 september 2025 werden gebruikt voor de landgebruik/landbedekkingskaart (LULC). Het beeld werd verwerkt en geclassificeerd met behulp van het Maximum Likelihood Classification (MLC) algoritme. In totaal werden er 65 trainingsmonsters verzameld over het studiegebied, die zeven LULC-klassen vertegenwoordigen: waterlichamen, bos, landbouwgrond, stedelijke gebieden, kale bodem, sneeuw/ijs en grasland. De voorbereide trainingsmonsters werden gebruikt om een supervised classification uit te voeren en de definitieve LULC-kaart te genereren. De classificatienauwkeurigheid werd geëvalueerd met een methode voor nauwkeurigheidsbeoordeling op basis van validatiemonsters, inclusief de totale nauwkeurigheid en de Kappa-coëfficiënt. Het digital elevation model (DEM) met een ruimtelijke resolutie van 12.5 werd op 2/12/2023 verkregen van de Alaska Satellite facility (ASF) (https://asf.alaska.edu/). Het DEM-model werd vervolgens gebruikt om lagen voor helling, drainagenetwerk, drainagedichtheid en hoogte te genereren. Gegevens over bestaande structuren voor het opvangen van regenwater werden verzameld bij relevante instanties voor kruisvalidatie.
Alle ruimtelijke datasets werden verwerkt en geanalyseerd met behulp van geografische informatiesysteem (GIS)-software (zie Tabel met Materialen). De GIS-thematische laaggegevens zijn beschikbaar in Aanvullend Bestand 1. Alle input-datasets werden geprojecteerd naar een gemeenschappelijk geprojecteerd coördinatenreferentiesysteem (CRS) (WGS 1984 UTM Zone 42N) om ruimtelijke consistentie en een nauwkeurige oppervlakteberekening te waarborgen. Rasterdatasets met verschillende ruimtelijke resoluties werden geresampled en uitgelijnd op een gemeenschappelijk raster met de nearest neighbor-resamplingmethode, waarbij de oorspronkelijke ruimtelijke kenmerken van categorische datasets behouden bleven. Het Digital Elevation Model (DEM) met een ruimtelijke resolutie van 12.5 m werd gebruikt als referentieraster voor de ruimtelijke uitlijning, en alle thematische lagen werden geconverteerd naar rasterformaat met dezelfde celgrootte en omvang. De grens van het studiegebied van het Panjkora-rivierbekken werd gebruikt als masker om alle inputlagen te extraheren en een consistente ruimtelijke omvang voor de analyse te behouden. Ontbrekende pixels en gebieden buiten de grens van het bekken werden uitgesloten van de analyse en behandeld als NoData-waarden. De thematische lagen (neerslag, helling, drainagedichtheid, lineamentdichtheid, bodem, geologie en landgebruik/landbedekking) werden geherclassificeerd in geschiktheidsklassen met behulp van de Jenks Natural Breaks-classificatiemethode, en de overeenkomstige rangen/gewichten werden toegewezen op basis van de MIF- en AHP-benaderingen. Tabel 1 toont de gegevensbronnen.
Tabel 1: Gegevensbronnen en kenmerken gebruikt voor de beoordeling van de geschiktheid voor regenwateropvang. Klik hier om deze tabel te downloaden.
Geschiktheidsmodellering van MIF
In eerste instantie is de selectie van diverse parameters uitgevoerd op basis van een literatuurstudie12. Om geschikte locaties voor RWH te bepalen, werden neerslag, lithologie, lineamentdichtheid, drainagedichtheid, bodemtextuur, helling en landgebruik/landbedekking meegenomen als afzonderlijke beïnvloedende factoren. Voor dit doel is een voorbewerking van de parameters uitgevoerd om de invloedsschaal van de parameters vast te stellen; de gegevens werden vervolgens gecategoriseerd op basis van hun betekenis voor RWH, en de grote en kleine belangrijkheid werden bepaald met behulp van de formule voor meerdere beïnvloedende factoren (Vergelijking 1). Tabel 2 toont de grote en kleine belangrijkheid van verschillende factoren22 (Zie Aanvullend Bestand 2)
Tabel 2: Geselecteerde beïnvloedende factoren en hun hoofd- en negeninvloedsscores gebruikt in het Multi-Influencing Factor (MIF) model. Klik hier om deze tabel te downloaden.
De geselecteerde factoren werden gerangschikt met behulp van de relatie,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
waarbij Y staat voor het kleine effect van de factoren, en X staat voor het grote effect. De grote en kleine invloeden van elke factor worden berekend met behulp van Vergelijking 1.
De grote (X) en kleine (Y) invloedsscores werden toegekend op basis van eerdere studies en het hydrologische belang van elke factor bij het beheersen van afvoergeneratie, infiltratie en het potentieel voor regenwateropvang12. Een grote invloed werd toegekend aan factoren met een directe impact op de geschiktheid voor RWH, terwijl een kleine invloed indirecte relaties tussen de beheersparameters vertegenwoordigde. De factorgewichten werden berekend met Vergelijking (1) door de gecombineerde grote en kleine invloedsscores te normaliseren. De subklassegewichten werden toegekend op basis van hun relatieve bijdrage aan afvoeraccumulatie, infiltratiecapaciteit, waterretentie en geschiktheid voor RWH-structuren. Deze aanpak zorgde voor een transparant en reproduceerbaar wegingskader voor GIS-gebaseerde geschiktheidsanalyse.
De relatieve belangrijkheid op basis van de schaal van Saaty wordt weergegeven in Tabel 3.
Tabel 3: De relatieve belangrijkheidsschaal van Saaty die wordt gebruikt voor de Analytic Hierarchy Process (AHP) analyse. Klik hier om deze tabel te downloaden.
De scores van de thematische niveaus van alle parameters worden gecombineerd, waarbij de score van elke subklasse van de MIF-parameters is vermeld in Tabel 4. Met behulp van de herclassificatietechniek wordt de MIF-output ingedeeld in vijf categorieën voor regenwateropvang. Tot slot worden kaarten gegenereerd en geanalyseerd van de uiteindelijke locaties die worden gesuggereerd voor de installatie van verschillende RWH-structuren, zoals check dams, boerenvijvers, gully plugs en andere natuurbehoudsstructuren. Figuur 2 toont het methodologisch kader.
Figuur 2: Methodologisch kader voor de geschiktheidsbeoordeling van locaties voor het opvangen van regenwater met behulp van GIS-gebaseerde MIF- en AHP-modellen. Het kader illustreert de acquisitie en verwerking van gegevens uit veldonderzoek, geologie, bodem, ALOS PALSAR DEM, ESA en GPM om thematische lagen af te leiden, waaronder geologie, bodem, helling, drainagedichtheid, lineamentdichtheid, landgebruik/landbedekking (LULC) en neerslag. Deze lagen werden geïntegreerd met behulp van de Multi-Influencing Factor (MIF)-benadering om de geschiktheidskaart voor RWH te genereren, gevolgd door veldvalidatie om de uiteindelijke gevalideerde kaarten te produceren Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 4: Op Multi-Influencing Factor (MIF) gebaseerde rangschikkingen en gewichten van thematische factoren en subklassen voor het in kaart brengen van de geschiktheid voor regenwateropvang. Klik hier om deze tabel te downloaden.
AHP-geschiktheidsmodellering
Het Analytic Hierarchy Process (AHP) is een effectieve techniek voor het beheren van complexe besluitvormingssituaties, die de beslisser bovendien helpt bij het stellen van prioriteiten en het kiezen van de beste optie23. De AHP-techniek is een systematisch kader voor het organiseren en evalueren van ingewikkelde beslissingen door de toepassing van wiskunde en deskundigheid24. AHP helpt bij het identificeren van zowel de subjectieve als objectieve aspecten van een beslissing door complexe oordelen te vereenvoudigen via paarsgewijze vergelijkingen en vervolgens de resultaten te evalueren25. Er zal onvermijdelijk enige discrepantie zijn, aangezien de vergelijkingen gebaseerd zijn op subjectieve of individuele standpunten. Door de consistentieratio te berekenen en besluitvormingsbias te verwijderen, biedt de AHP-techniek een nuttig instrument om de consistentie van de oordelen van de beslisser te evalueren, waardoor de consistentie van de percepties wordt gewaarborgd. Een van de belangrijkste voordelen van AHP is de consistentieratio, die de mate van consistentie tussen paarsgewijze vergelijkingen van verschillende criteria kwantificeert26,27,28,29. Geografische data-inputs worden door AHP gecombineerd en getransformeerd tot een besluitvormingsoutput. Met behulp van de schaal van Saaty (Tabel 3) worden kwalitatieve gegevens over verschillende thema's en kwaliteiten omgezet in kwantitatieve gegevens door een paarsgewijze vergelijkingsmatrix te genereren30,31. Het fundamentele proces omvat het vaststellen van het doel, het overwegen en beoordelen van de factoren of normen die de uiteindelijke beslissing beïnvloeden, en het gebruik van de schaal van Saaty om een score aan elk criterium toe te kennen. Om de consistentie van de toegekende gewichten te controleren, werd de consistentieratio (CR), zoals voorgesteld door Saaty23, berekend met behulp van Vergelijkingen 2 en 3:
CR = CI/RCI (2)
waarbij CI de consistentie-index is en RCI de willekeurige consistentie-index.
De consistentie-index (CI) wordt gegeven door de vergelijking:
(3)
waarbij n het aantal criteria is en λmax de grootste eigenwaarde. De gemiddelde waarde van de consistentie-index wordt geschat aan de hand van de random index.
Selectie van de RWH-structuur
Landbedekking en landgebruik (LULC)
Landgebruik karakteriseert hoe het land wordt gebruikt, terwijl landbedekking de natuurlijke kenmerken van het land beschrijft. Belangrijke informatie over de verspreiding van afvloeiing is vervat in de LULC32. In gebieden met vegetatie zijn hogere absorptie- en infiltratiesnelheden gekoppeld aan minder afvloeiing, terwijl kale grond en bebouwde gebieden een hoge afvloeiingsvorming bevorderen33,34. Sentinel 2b satellietgegevens werden gebruikt om de landgebruiks- en landbedekkingspatronen van het studiegebied voor te bereiden. Het landgebruik van het Panjkora-stroomgebied werd ingedeeld in zeven klassen, namelijk: waterlichamen, bos, gewas- en landbouwgrond, stedelijk gebied, kale grond, sneeuw/ijs en grazige weidegrond. De geschiktheidsgewichten die aan de verschillende landgebruiks-/landbedekkingsklassen werden toegewezen, waren gebaseerd op hun invloed op de generatie van afvloeiing, infiltratie en het potentieel voor regenwateropslag. Landbouwgrond kreeg de hoogste geschiktheidsscore omdat het over het algemeen een matige afvloeiing produceert en direct profiteert van opgevangen water voor irrigatie. Braakliggend land kreeg ook een relatief hoog gewicht omdat schaarse vegetatie en blootgestelde bodemoppervlakken een grotere oppervlakkige afvloeiing bevorderen in vergelijking met dichtbegroeide gebieden. In contrast werden aan beboste gebieden lagere gewichten toegekend omdat dichte vegetatie neerslag onderschept, infiltratie door uitgebreide wortelsystemen verhoogt en oppervlakkige afstroming vermindert. Stedelijke gebieden en bestaande waterlichamen kregen een lagere geschiktheid omdat ze ofwel beperkte mogelijkheden hebben voor de constructie van aanvullende RWH-structuren, ofwel al bezet zijn door ondoordringbare oppervlakken of bestaande waterlichamen (Figuur 3A).
Drainingsdichtheid
De grondwaterinfiltratie en waterafvoer van een gebied worden beschreven door de drainagedichtheid. In de drainagedichtheid zijn zowel de ondergrondse hydrologische formatie als de oppervlaktekenmerken weerspiegeld. Het geeft de nauwheid van de kanaalafstand en de kenmerken van het oppervlaktemateriaal aan. De afvoer neemt af bij een lagere drainagedichtheid en vice versa12. In gebieden met een lage drainagedichtheid worden over het algemeen een lagere infiltratie en een lagere afvoer gevonden, en vice versa. Dichte drainagenetwerken zijn essentieel voor het opvangen van regenwater. RWH is beter geschikt voor gebieden met hogere drainagedichtheden, omdat ze een systeem bieden waardoor water kan stromen en snel naar een verzamelpunt kan worden getransporteerd34,35. De drainagedichtheid van het Panjkora-rivierbekken werd op basis van de Jenks Natural Breaks-classificatie ingedeeld in vijf klassen: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 en 79,089–161,34 km/km2. Zones met lage tot matige drainagedichtheden kregen een hogere wegingswaarde omdat ze worden beschouwd als ideale locaties voor het opvangen van regenwater (Figuur 3B).
Lineamentsdichtheid
Lineamenten zijn lineaire ondergrondse kenmerken die gewoonlijk zijn afgeleid van geologische kaarten en ook zichtbaar zijn op satellietbeelden. Lineamenten (begraven onder zones van lokale of structurele verwering) vertonen een verhoogde porositeit en permeabiliteit12. De lineamenten werden geëxtraheerd uit een Landsat 8-beeld met behulp van software voor de verwerking van remote-sensingbeelden. De line-density tool werd gebruikt om de lineament-rasterlaag te genereren. De lineamentdichtheid werd vervolgens met de Jenks Natural Breaks-classificatiemethode ingedeeld in vijf klassen: 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 en 1,33-2,13 km/km2 (Figuur 3C).
Bodem
Bodemtextuur is een belangrijke factor bij de planning en locatiekeuze voor RWH. Het infiltratievermogen van de bodem wordt bepaald door de textuur. Over het algemeen genereren zandgronden minder afvloeiing in vergelijking met kleigronden36. De percentages slib, zand en klei bepalen de textuurklasse van de bodem. Kleigrond heeft een geringe doorlatendheid en kan het opgevangen water vasthouden, waardoor gebieden met medium- en fijnkorrelige bodems vaak de voorkeur kregen voor regenwateropvang8,37. Het studiegebied wordt gekenmerkt door vijf bodemtexturen: gletsjers en sneeuwkappen, leemhoudend, niet-kalkhoudende kleigrond, leemhoudende ondiepe niet-kalkhoudende bodem, leemhoudende zeer ondiepe bodem en rotspartijen (Figuur 3D).
Helling
Infiltratie en afvloeiing worden significant beïnvloed door de topografie8. De variatie in hellingshoek van het stroomgebied heeft een duidelijke impact op de waterstroom tijdens en na een hevige regenbui. Het bouwen van RWH-structuren in gebieden met steile hellingen is niet kosteneffectief vanwege de aanzienlijke hoeveelheid grondverzet die nodig is38. Voor een hoog RWH-potentieel is een flauwe helling de meest geschikte locatie. RWH-structuren zijn niet duurzaam in gebieden met steile hellingen (hellingen groter dan 5%)39. In gebieden met steilere hellingen worden ook maatregelen voor erosiebestrijding overwogen40. De hellingshoek werd berekend in graden, en het studiegebied werd onderverdeeld in vijf klassen met behulp van de Jenks Natural Breaks-classificatie: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° en 42,5°–82° (Figuur 3E).
Neerslag
Neerslag is de primaire component die zorgt voor oppervlakkige afstroming. Neerslaggegevens van de Global Precipitation Measurement (GPM) werden gedownload van NASA https://gpm.nasa.gov/missions/GPM voor de periode van 2014 tot 202341. De GPM-neerslaggegevens uit de periode 2014-2023 en de Jenks Natural Breaks-classificatie werden gebruikt om het studiegebied in vijf klassen van neerslag (mm) in te delen: 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 en 68,646–76,894 (Figuur 3F).
Geologie
De fysieke samenstelling van een stroomgebied en de hoeveelheid bodem die het produceert, worden sterk beïnvloed door de geologie van het gebied. Geologische kenmerken bepalen de stroom van water naar ondergrondse aquifers40. Sedimentaire en metamorfe gesteenten zijn de twee belangrijkste soorten gesteenten die in het huidige studiegebied worden aangetroffen. De lithologie werd breed onderverdeeld in gesteenten uit het vroege Paleozoïcum, sedimentaire gesteenten uit het Carboon, sedimentaire gesteenten uit het Krijt, intrusieve en metamorfe gesteenten uit het Mesozoïcum, gesteenten uit het Trias, ongedifferentieerde Paleozoïsche gesteenten, ongedifferentieerde Precambrian-gesteenten en ongedifferentieerde Silurische gesteenten. De beschikbaarheid en opslagcapaciteit worden aanzienlijk beïnvloed door het type lithologie; bepaalde gesteenten hebben het vermogen om oppervlaktewater te laten percoleren en de aquifer aan te vullen41. Aan de andere kant laten sommige gesteenten water door, wat helpt bij de aanvulling van het ondergrondse water. Lithologie bepaalt sterk de generatie van afvloeiing door de effecten op permeabiliteit, porositeit en infiltratiecapaciteit. In het Panjkora-bekken vertonen compacte metamorfe gesteenten over het algemeen een lagere primaire porositeit en permeabiliteit dan niet-geconsolideerde of zeer poreuze sedimentaire afzettingen. Bijgevolg is de kans kleiner dat regenval infiltreert en groter dat er oppervlakkige afvloeiing ontstaat, waardoor deze formaties geschikter zijn voor bovengrondse structuren voor het opvangen van regenwater. In contrast hiermee staan sedimentaire formaties die grofkorrelig of zanderig materiaal bevatten over het algemeen een grotere infiltratie toe, waardoor de voor opslag beschikbare oppervlakkige afvloeiing afneemt. Daarom werden hogere geschiktheidsgewichten toegekend aan metamorfe gesteenten, terwijl relatief lagere gewichten werden toegekend aan sedimentaire formaties. Figuur 3G toont de geologische kaart van het stroomgebied van de Panjkora-rivier. Alle gegevens zijn beschikbaar in Aanvullende Bestanden 1 en 3.
Figuur 3: Ruimtelijke distributie van de thematische factoren gebruikt voor de beoordeling van locaties voor regenwateropvang in het Panjkora-rivierbekken. (A) Landgebruik/landbedekking, (B) drainagedichtheid, (C) lineamentdichtheid, (D) bodemtextuur, (E) helling, (F) neerslag en (G) geologie. Verschillende kleuren vertegenwoordigen de respectievelijke klassen van elke thematische factor. Klik hier om een grotere versie van deze figuur te bekijken.
Resultaten
Herclassificatie van thematische kaarten voor het MIF-model
Landbedekking, landgebruik en RWH
Het landgebruik van het Panjkora-stroomgebied werd ingedeeld in zeven klassen, namelijk: waterlichamen, bosland, gewas- en landbouwgrond, stedelijk gebied, braakliggend land, sneeuw en ijs, en weidegebieden. Gebieden waar RWH essentieel is voor het leven, hebben op basis van literatuur een hoog gewicht gekregen. Landbouwgrond en braakliggend land kregen een hogere geschiktheid toegewezen, omdat deze landbedekkingsklassen over het algemeen een grotere oppervlakkige afvoer genereren dan dichtbeboste gebieden en gunstige locaties bieden voor het opslaan van geoogst water voor landbouwkundig gebruik. Beboste gebieden kregen een lagere geschiktheid omdat een hogere vegetatiedekking neerslaginterceptie en infiltratie bevordert, waardoor de afvoergeneratie afneemt. Stedelijke gebieden en bestaande waterlichamen kregen lagere gewichten toegewezen omdat zij beperkte mogelijkheden bieden voor nieuwe interventies voor het oogsten van regenwater. In de context van het oogsten van regenwater kregen landbouw- en braakliggend land meer gewicht, terwijl oppervlaktewater en stedelijke gebieden minder gewicht kregen (Figuur 4A). Aan de LULC-klassen werden gewichten toegewezen op basis van hun relatieve belang voor de geschiktheid van het oogsten van regenwater (Tabel 4): waterlichamen (1), braakliggend land (6), bosbedekking (2), stedelijke gebieden (1) en landbouwgrond (7).
Drainingdichtheid en RWH
De infiltratie van grondwater en de afvloeiing van oppervlaktewater worden beschreven door de drainagedichtheid. Gebieden met een lage afvloeiing vertoonden een hoge infiltratie, terwijl gebieden met een lage drainagedichtheid een lagere infiltratie vertoonden. Zones met een lage en matige drainagedichtheid kregen een hoge rangschikking (7, 4), terwijl een hoge en zeer hoge drainagedichtheid de laagste weging kreeg (3, 2) op basis van23 (Figuur 4B). Gebieden met een lage en matige drainagedichtheid werden aangemerkt als het meest geschikt voor RWH in het gebied.
Lineamentdichtheid en RWH
De lineamentdichtheid van het studiegebied werd met de Jenks Natural Breaks-classificatiemethode ingedeeld in vijf klassen, namelijk zeer hoge geschiktheid, hoge geschiktheid, matige geschiktheid, lage geschiktheid en zeer lage geschiktheid, waarbij de gewichten dienovereenkomstig werden toegewezen (7, 4, 3, 2, 1) (Figuur 4C en Tabel 4). In het studiegebied werden zones met een hoge dichtheid beschouwd als de minst geschikte locaties voor het opvangen van regenwater, terwijl zones met een lage dichtheid werden beschouwd als locaties met een hoog potentieel en een hogere wegingswaarde kregen.
Bodem en RWH
Vijf soorten bodemtextuur werden in kaart gebracht, namelijk: (gletsjers en sneeuwkappen), (leemrijke, kleiige niet-kalkhoudende bodem), (leemrijke ondiepe niet-kalkhoudende bodem), (leemrijke zeer ondiepe bodem) en (rotsuittredingen) (Figuur 4D). Het waterhoudend vermogen en de doorlatendheid zijn meegewogen bij het toekennen van de gewichten. Aan het vermogen van leem- en kleigrond om water aan het oppervlak vast te houden, werd volgens Saaty23 het hoogste gewicht toegekend. Zeer ondiepe bergachtige leembodem heeft een lage gewichtswaarde vanwege de hoge porositeit en hoge doorlatendheid.
Helling en RWH
De hellingsgegevens werden verdeeld in vijf klassen op basis van de Jenks Natural Breaks-classificatie, namelijk (0–11,9) graden, (12–22,5) graden, (22,6–31,8) graden, (31,9–42,4) graden en (42,5–82) graden (Figuur 4E). In de MIF-techniek kregen gebieden met een matige helling (12–22,5) een hoge waarde, terwijl zeer steile hellingsgebieden een lage waarde kregen. Dit geeft aan dat er een weging aan de helling is toegekend. De MIF-modelformule werd gebruikt om de gewichten en rangen van de klassen te bepalen.
Neerslag en RWH
De GPM-neerslaggegevens uit de periode 2014–2023 werden gebruikt en via de classificatie van Junk ingedeeld in vijf klassen in (mm), namelijk (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) en (68,646–76,894) (Figuur 4F). Waarden werden toegewezen op basis van de neerslaghoeveelheden; gebieden met hoge neerslagcijfers kregen hoge gewichten, en vice versa.
Geologie en RWH
Het grootste deel van het studiegebied bestaat uit metamorfe en sedimentaire gesteenten. De beschikbaarheid en opslagcapaciteit worden sterk beïnvloed door de lithologie en het type gesteente; bepaalde gesteenten kunnen oppervlaktewater percoleren en het aquifer aanvullen. Aan de andere kant laten sommige gesteenten water door, wat bijdraagt aan de aanvulling van het grondwater. Aan metamorfe gesteenten werd een hogere geschiktheid toegekend omdat hun relatief lage permeabiliteit de generatie van oppervlakkige afvoer bevordert, waardoor de beschikbaarheid van afvoer voor opvang wordt vergroot. In tegenstelling hiermee bezitten sedimentaire formaties over het algemeen een hogere permeabiliteit en infiltratiecapaciteit, waardoor een groter deel van de neerslag in de ondergrond infiltreert in plaats van bij te dragen aan de oppervlakkige afvoer. Daarom werden metamorfe gesteenten als geschikter beschouwd voor het opvangen van oppervlakkig regenwater in het studiegebied. Figuur 4G toont de geclassificeerde geologische kaart.
Toewijzing van gewichten met behulp van AHP
Volgens de aanbevelingen van Wind en Saaty23 werden in de studie zeven thematische lagen beschouwd, waarbij aan elke laag een gewicht van 1 tot 9 werd toegekend op basis van de geschiktheid voor het opvangen van regenwater. De benadering geeft aan dat er ook gewichten werden toegekend aan de kenmerkklassen. Tabel 5 toont de normalisatie van de gewichten die zijn toegewezen aan het criterium en de bijbehorende kenmerkklassen met behulp van de AHP-methode30. Deskundigenoordeel was cruciaal bij het bepalen van de gewichten voor de verschillende factoren, die werden geëvalueerd op basis van de impact van elke factor op het onderzoeksgebied. Na berekening werden genormaliseerde gewichten toegekend aan landgebruik/landbedekking (0,23), neerslag (0,27), drainagedichtheid (0,13), helling (0,07), lineamentdichtheid (0,08), geologie (0,10) en bodem (0,10). Voor de thematische lagen werd de consistentieratio berekend op 0,08 met behulp van vergelijking 3, wat onder de drempelwaarde van 0,10 ligt. Bovendien lag de consistentieratio van de kenmerkklassen op soortgelijke wijze binnen het bereik van 0,10 (Tabel 6). Op basis van de consistentieratio voor de huidige studie zijn de lagen en kenmerken consistent. Om het relatieve belang van de thematische lagen vast te stellen, is er ook een paarsgewijze analyse uitgevoerd, zoals weergegeven in Tabel 5.
Tabel 5: Paarsgewijze vergelijkingsmatrix en genormaliseerde gewichten van thematische factoren gebruikt in het Analytic Hierarchy Process (AHP)-model. Klik hier om deze tabel te downloaden.
Tabel 6: Op het Analytic Hierarchy Process (AHP) gebaseerde gewichten en rangschikkingen van thematische factoren en subklassen voor de geschiktheidsanalyse van regenwateropvang. Klik hier om deze tabel te downloaden.
Figuur 4: Hergeclassificeerde thematische lagen gebruikt voor de analyse van laagschiktgeschiktheid voor het opvangen van regenwater in het Panjkora-stroomgebied. (A) Hergeclassificeerd landgebruik/landbedekking, (B) drainagedichtheid, (C) lineamentdichtheid, (D) bodemtextuur, (E) hellingshoek, (F) neerslag en (G) geologie. De klassen zijn hergeclassificeerd op basis van hun geschiktheidsscores voor de selectie van locaties voor het opvangen van regenwater. Getallen/kleuren geven de toegewezen geschiktheidsklassen aan, variërend van zeer lage tot zeer hoge geschiktheid, waar van toepassing. Klik hier om een grotere versie van deze figuur te bekijken.
Potentiële RWH-gebieden
De uiteindelijke kaarten met behulp van MIF- en AHP-modeltechnieken werden ontwikkeld door het toepassen van gewogen overlay- en gewogen somtechnieken. Met behulp van deze twee modellen werd het studiegebied ingedeeld in vijf klassen (Figuur 5>) op basis van geschiktheidsklassen: minder geschikt, matig geschikt, geschikt, zeer geschikt en zeer hoog geschikt. De MIF-resultaten voor regenwateropvang in het stroomgebied van de rivier de Panjkora laten zien dat een gebied van 80,22 km2 minder geschikt is, 1681,99 km2 matig geschikt is, 3116,1 km2 geschikt is, 844,86 km2 een hoge geschiktheid heeft en 35,10 km2 een zeer hoge geschiktheid heeft voor RWH. De AHP-resultaten tonen daarentegen een gebied van 1572,58 km2 met minder geschiktheid, 1605,69 km2 is matig geschikt, 1768,62 km2 is geschikt, 689,15 km2 heeft een hoge geschiktheid en 122,611 km2 heeft een zeer hoge geschiktheid (Tabel 7, Figuur 5 en Figuur 6>) voor RWH. De resultaten van de op MIF en AHP gebaseerde geschiktheidskaarten zijn opgenomen in Aanvullend Bestand 4.
Tabel 7: Vergelijking van geschiktheidsklassen voor regenwateropvang afgeleid uit Multi-Influencing Factor (MIF) en Analytic Hierarchy Process (AHP) modellen. Klik hier om deze tabel te downloaden.
Figuur 5: Ruimtelijke verspreiding van potentiële locaties voor regenwateropvang geïdentificeerd met behulp van (A) de MIF-methode en (B) de AHP-methode in het Panjkora-stroomgebied. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: Vergelijking van de gebieden ingedeeld in verschillende geschiktheidsklassen voor regenwateropvang met behulp van de Multi-Influencing Factor (MIF) en Analytic Hierarchy Process (AHP) methoden. De balken tonen het oppervlak (km2) binnen elke geschiktheidsklasse, waaronder minder geschikte, matig geschikte, geschikte, zeer geschikte en uiterst geschikte zones. Klik hier om een grotere versie van deze figuur te bekijken.
Selectie van geschikte RWH-structuren
De technische criteria die zijn gebruikt voor het selecteren van geschikte locaties voor regenwateropvangsystemen (RWH), waaronder check dams, boerenvijvers en gully plugs, zijn overgenomen uit de Water Harvesting Manual van de Food and Agriculture Organization (FAO)42. Volgens de FAO-richtlijnen moet bij de selectie van geschikte RWH-structuren rekening worden gehouden met de topografie (helling), drainagekenmerken, afvoerpotentieel, bodemtextuur, lithologie, landgebruik/landbedekking en stroomgebiedcondities om de technische haalbaarheid, structurele stabiliteit en prestaties op lange termijn van de opvangsystemen te waarborgen. Deze internationaal erkende technische criteria zijn geïntegreerd in het GIS-gebaseerde multi-criteria evaluatiekader dat in deze studie is gebruikt. Het hoofddoel van regenwaterbehoud met behulp van afvoerbehoudstructuren (bench trenching, steenstortdammen, gully plugs en check dams) is het verminderen of stoppen van de waterstroom. Contour trenching en ondergrondse dammen zijn twee effectieve manieren waarop RWH kan worden ingezet in droogtegevoelige gebieden om de ernstige problemen van droogte en waterschaarste aan te pakken43. Na de identificatie van potentiële RWH-locaties werden de optimale locaties voor de constructie van RWH bepaald. Na een analyse van de condities in het studiegebied bleken boerenvijvers, check dams en gully plugs de enige drie RWH-structuren die in aanmerking kwamen (Tabel 8). Boerenvijvers zijn kleine aarden barrières met een helling variërend van 1% tot 6%. Het doel van de aanleg van boerenvijvers is om een lange helling op te delen in meerdere kortere, minder steile hellingen om de stroomsnelheid en de erosie door afvoerwater te verminderen. Check dams zijn belangrijker dan andere typen constructies omdat ze bodemerosie kunnen verminderen en regenwater kunnen opslaan. De afstand tussen twee check dams bij de aanleg van een keten langs een stroomgeul moet groter zijn dan hun waterverspreidingsgebied. Regenwatererosie van de bovenlaag resulteert in de vorming van geulen (gullies). Geleidelijk neemt de erosie toe en krijgt een geul een meer gedefinieerde vorm. Vervolgens worden er op specifieke intervallen barrières of plugs van diverse materialen over de geul geplaatst om erosie te stoppen en regenwater op te slaan voor later gebruik. De kaart (Figuur 7) toont de locaties voor regenwateropvang in het Panjkora-stroomgebied. Metadata voor de geïdentificeerde geschikte RWH-locaties zijn opgenomen in Aanvullend Bestand 5.
Tabel 8: Voorgestelde structuren voor het opvangen van regenwater en hun geografische kenmerken in het Panjkora-rivierbekken. Klik hier om deze tabel te downloaden.
Figuur 7: Ruimtelijke verdeling van potentiële structuren voor het opvangen van regenwater in het Panjkora-rivierbekken. De kaart toont de locaties van voorgestelde check-dammen, boerderijvijvers en geulafdammingen binnen de geïdentificeerde geschikte gebieden. De begrenzing van het bekken en het drainagenetwerk zijn ook weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.
Modelvalidatie
De resultaten van het GIS-gebaseerde model vereisen altijd een verificatie met veldgegevens. Na het extraheren van de gegevens is het gebied uitgebreid in kaart gebracht en zijn de resultaten gecontroleerd aan de hand van bestaande RWH-structuren in het studiegebied. Tijdens de survey bleek dat er op sommige geschikte locaties al regenwateropvangstructuren waren gebouwd; deze waren echter onvoldoende voor het gebied. De verificatie van de MIF- en AHP-resultaten werd uitgevoerd met behulp van de cross-verificatietechniek. De meest geschikte zones zijn die waar de onderhandelbare interventies vallen. Daarnaast zijn tijdens de fysieke survey verschillende locaties voor toekomstige regenwateropvanginterventies geïdentificeerd. De validatiepunten van de veldsurvey en de geografische coördinaten zijn opgenomen in Supplementary File 6. De statistische validatie van het model werd uitgevoerd met behulp van de receiver operating characteristic area under the curve (ROC AUC). De ROC-analysedata en resultaten voor het AHP-model zijn opgenomen in Supplementary File 7. De ROC werd uitgevoerd op Global Positioning System (GPS)-validatiepunten in het veld (Figure 8A) en de resultaten van de AHP- en MIF-modellen. De overeenkomstige ROC-analysedata en resultaten voor het MIF-model zijn opgenomen in Supplementary File 8. De MIF-modellen vertonen een AUC-curve van 0,72 (Figure 8B) en het AHP-model vertoont 0,69 (Figure 8C). Volgens algemeen aanvaarde ROC-AUC-interpretatiecriteria worden AUC-waarden geclassificeerd als geen discriminatie (0,50), matig (0,50 tot 0,60), redelijk (0,60 tot 0,70), goed (0,70 tot 0,80), zeer goed (0,80 tot 0,90) en uitstekend (0,90 en hoger) om de voorspellende prestatie aan te geven. Bijgevolg toonde het MIF-model een goede voorspellende capaciteit (0,72), terwijl het AHP-model een redelijke (bijna goede) voorspellende prestatie vertoonde (0,69). Hoewel beide modellen aanzienlijk beter presteerden dan willekeurige voorspellingen (AUC = 0,50), wijst de hogere AUC-waarde van het MIF-model op een grotere overeenstemming met de waargenomen locaties voor regenwateropvang en suggereert dit dat de MIF-benadering betrouwbaarder is voor het identificeren van geschikte RWH-locaties in het bergachtige terrein van het Panjkora-bekken. Desalniettemin is MIF een relatief beter model dan AHP in het studiegebied. De superieure prestaties van het MIF-model vergeleken met het AHP-model kunnen worden toegeschreven aan de complexe ecologische en geografische kenmerken van het Panjkora-bekken. Het bekken wordt gekenmerkt door ruig bergterrein, zeer variabele hellingen, heterogene lithologische formaties en diverse landgebruik-/landbedekkingspatronen, die allemaal een sterke invloed hebben op de afvoergeneratie en het potentieel voor regenwateropvang. In tegenstelling tot de AHP-methode, die primair vertrouwt op door experts afgeleide paarsgewijze vergelijkingen, houdt de MIF-benadering de relatieve invloed en interactie tussen meerdere omgevingsfactoren op een flexibelere manier rekening. Hierdoor kan het model de ruimtelijke variabiliteit van hydrologische processen binnen het stroomgebied beter representeren. Bijgevolg produceerde het MIF-model realistischere geschiktheidspatronen, wat leidde tot een hogere AUC-waarde en een betere overeenstemming met de locaties van bestaande regenwateropvangstructuren. Bovendien vertoont het Panjkora-bekken aanzienlijke ruimtelijke heterogeniteit in neerslagverdeling, drainagedichtheid, helling, bodemtextuur en geologische omstandigheden. Deze factoren interageren verschillend over het stroomgebied, waardoor de invloed van individuele parameters niet uniform is. De MIF-benadering is beter geschikt om deze variaties vast te leggen omdat het de cumulatieve invloed van meerdere conditionerende factoren evalueert in plaats van uitsluitend te vertrouwen op subjectieve paarsgewijze oordelen. Dit heeft waarschijnlijk bijgedragen aan de verbeterde voorspellende prestaties in vergelijking met het AHP-model.
Figuur 8: Validatie van de geschiktheidsmodellen voor regenwateropvang met behulp van Receiver Operating Characteristic (ROC)-analyse. (A) Ruimtelijke distributie van veldgebaseerde validatiepunten gebruikt voor modelverificatie; (B) ROC-curve en Area Under the Curve voor het Multi-Influencing Factor (MIF)-model; en (C) ROC-curve en AUC voor het Analytic Hierarchy Process (AHP)-model. Klik hier om een grotere versie van deze figuur te bekijken.
DATABESCHIKBAARHEID:
De datasets die in deze studie zijn gebruikt, zijn openbaar beschikbaar of kunnen worden verkregen bij de respectievelijke organisaties. De neerslaggegevens van de Global Precipitation Measurement (GPM) zijn beschikbaar via de NASA GPM-missierepository (https://gpm.nasa.gov/missions/GPM). Sentinel-2 satellietbeelden zijn verkregen via de ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/). Het digitale hoogtemodel (DEM) is gedownload van het Alaska Satellite Facility (ASF) Distributed Active Archive Center (https://asf.alaska.edu/). De geëxtraheerde gegevens (validatie, alle rastergegevens, alle metadata, modelberekeningen) zijn opgenomen in Aanvullende Bestanden 1–8.
Aanvullend bestand 1: GIS-thematische laaggegevens. Ruimtelijke gegevens die zijn gebruikt voor het genereren van de thematische GIS-lagen die zijn opgenomen in de geschiktheidsanalyse voor regenwateropvang, inclusief de in de studie geëvalueerde milieu- en hydrologische factoren.Klik hier om dit bestand te downloaden.
Aanvullend bestand 2: MIF-berekeningen. Berekeningen die zijn gebruikt om de relatieve invloed, factorwegingen en scores te bepalen die zijn toegepast in de op MIF gebaseerde geschiktheidsanalyse voor regenwateropvang.Klik hier om dit bestand te downloaden.
Aanvullend bestand 3: Hergeclassificeerde GIS-lagen en geschiktheidsdrempels. Hergeclassificeerde thematische lagen en de bijbehorende klassenbereiken, drempelwaarden, rangen en geschiktheidsscores die zijn gebruikt in de MIF- en AHP-analyses.Klik hier om dit bestand te downloaden.
Aanvullend bestand 4: Resultaten van de geschiktheidskaart op basis van MIF en AHP. Ruimtelijke output van de MIF- en AHP-analyses die de resulterende classificaties van de geschiktheid voor regenwateropvang voor het Panjkora-stroomgebied tonen.Klik hier om dit bestand te downloaden.
Aanvullend bestand 5: Metadata voor geïdentificeerde geschikte locaties voor regenwateropvang. Metadata gekoppeld aan de locaties die als geschikt zijn geïdentificeerd voor regenwateropvangstructuren, inclusief de beschikbare ruimtelijke en locatiegebonden informatie.Klik hier om dit bestand te downloaden.
Aanvullend bestand 6: Validatiepunten van het veldonderzoek. Validatiegegevens van het veldonderzoek, inclusief de geografische coördinaten van de validatiepunten die zijn gebruikt om de op MIF- en AHP-gebaseerde geschiktheidskaarten voor regenwateropvang te beoordelen.Klik hier om dit bestand te downloaden.
Aanvullend bestand 7: ROC-analyse voor het AHP-model. Gegevens en resultaten van de receiver operating characteristic (ROC)-analyse die zijn gebruikt om de voorspellende prestaties van het Analytical Hierarchy Process (AHP)-model te evalueren.Klik hier om dit bestand te downloaden.
Aanvullend bestand 8: ROC-analyse voor het MIF-model. ROC-analysedata en resultaten die zijn gebruikt om de voorspellende prestaties van het Multi-Influencing Factor (MIF)-model te evalueren.Klik hier om dit bestand te downloaden.
Discussie
Deze studie vergeleek twee veelgebruikte GIS-gebaseerde multi-criteria besluitvormingsbenaderingen, namelijk de Multi-Influencing Factor (MIF) en het Analytic Hierarchy Process (AHP), voor het identificeren van geschikte locaties voor regenwateropvang (RWH) in het bergachtige Panjkora-rivierbekken in Noord-Pakistan. Hoewel beide modellen succesvol potentiële opvangzones afbakenden, werden merkbare verschillen waargenomen in hun ruimtelijke voorspellingen en validatieprestaties. De ROC-AUC-analyse toonde aan dat het MIF-model (AUC = 0,724) beter presteerde dan het AHP-model (AUC = 0,692), wat aangeeft dat beide modellen een acceptabel voorspellend vermogen vertonen, terwijl de MIF-benadering een grotere overeenstemming biedt met de distributie van bestaande regenwateropvangstructuren en veldobservaties. De superieure prestaties van het MIF-model kunnen worden verklaard door de complexe hydrologische en geomorfologische kenmerken van het Panjkora-bekken. Het stroomgebied wordt gekenmerkt door ruig bergterrein, sterk variërende hellingen, heterogene lithologie, diverse landgebruikspatronen en ruimtelijk variabele neerslag. Deze omgevingsvariabelen interageren gelijktijdig om de generatie van afvloeiing, infiltratie en het wateropslagpotentieel te beheersen. In tegenstelling tot de AHP-benadering, die primair vertrouwt op door experts afgeleide paarsgewijze vergelijkingen tussen criteria, evalueert de MIF-techniek zowel het relatieve belang als de cumulatieve interacties tussen meerdere conditionerende factoren. Bijgevolg is MIF beter in staat om de ruimtelijke heterogeniteit van bergachtige stroomgebieden vast te leggen, waar de generatie van afvloeiing wordt beheerst door de gecombineerde invloed van topografie, geologie, bodemtextuur, drainagekenmerken en landbedekking in plaats van door individuele factoren alleen. Vergelijkbare observaties hebben aangetoond dat invloedsgebaseerde weegbenaderingen goed presteren in hydrologisch heterogene omgevingen omdat ze interacties tussen omgevingsvariabelen beter representeren22,34,41. De ruimtelijke distributie van zeer geschikte RWH-zones weerspiegelt de fysieke kenmerken van het stroomgebied. De westelijke en zuidelijke delen van het bekken werden geïdentificeerd als de meest gunstige locaties omdat ze matige hellingen, een geschikte drainagedichtheid, een gunstige bodemtextuur, relatief hogere neerslag en landgebruiksomstandigheden combineren die de generatie van afvloeiing bevorderen, terwijl ze technisch haalbaar blijven voor de constructie van opvangstructuren. Matige hellingen verminderen de stroomsnelheid voldoende om de verzameling van afvloeiing te vergemakkelijken, terwijl overmatige erosie en constructiekosten worden geminimaliseerd. In contrast hiermee produceren zeer steile hellingen een snelle afvloeiing, bieden ze beperkte opslagmogelijkheden en verhogen ze de structurele instabiliteit, waardoor ze minder geschikt zijn voor de constructie van stuwdammen of vijvers. Deze bevindingen komen overeen met eerdere studies die helling identificeerden als een dominante controle op RWH-geschiktheid in bergachtige omgevingen8,36,39. Geologie speelde ook een significante rol bij het bepalen van de RWH-geschiktheid. In het Panjkora-bekken vertonen metamorfe gesteenten over het algemeen een lagere primaire porositeit en permeabiliteit dan veel sedimentaire formaties, waardoor infiltratieverliezen worden verminderd en de oppervlakkige afvloeiing beschikbaar voor opvang toeneemt. Bijgevolg kregen deze formaties hogere geschiktheidsgewichten omdat ze de accumulatie van afvloeiing versterkten, wat vereist is voor oppervlakkige opslagstructuren zoals stuwdammen en vijvers. Omgekeerd laten sedimentaire formaties met een relatief hogere permeabiliteit grotere infiltratie en grondwateraanvulling toe, waardoor het volume aan oppervlakkige afvloeiing beschikbaar voor opvang afneemt. Vergelijkbare relaties tussen lithologie, generatie van afvloeiing en RWH-geschiktheid zijn eerder gerapporteerd12,40. Landgebruik/landbedekking en bodemtextuur beïnvloedden de ruimtelijke distributie van geschikte opvanglocaties verder. Landbouwgronden en braakliggende gronden vertoonden een grotere geschiktheid omdat deze oppervlakken over het algemeen een matige tot hoge afvloeiing genereren en tegelijkertijd directe mogelijkheden bieden voor agrarische wateropslag en -benutting. In contrast hiermee vertoonden beboste gebieden een relatief lagere geschiktheid omdat dichte vegetatie neerslag onderschept, de bodemstructuur verbetert en infiltratie verhoogt via uitgebreide wortelsystemen, waardoor de oppervlakkige afvloeiing wordt verminderd. Evenzo werden kleirijke en leemhoudende bodems als gunstiger beschouwd vanwege hun relatief lage permeabiliteit en grotere watervasthoudend vermogen, terwijl ondiepe rotsachtige bodems snelle infiltratie of overmatige afvloeiing met beperkt opslagpotentieel bevorderen. Vergelijkbare bevindingen zijn gerapporteerd in eerdere GIS-gebaseerde RWH-onderzoeken uitgevoerd in Ethiopië, Irak en Pakistan9,18. De vergelijking tussen MIF en AHP demonstreert ook de invloed van de weegstrategie op de geschiktheidsmapping. De AHP-benadering wijst gewichten aan criteria primair toe via expertbeoordeling en paarsgewijze vergelijking, wat een zekere mate van subjectiviteit introduceert ondanks acceptabele consistentieratio's. In contrast hiermee evalueert MIF zowel grote als kleine interacties tussen beïnvloedende factoren en staat het bovendien toe om subklassen van parameters te wegen volgens hun hydrologische significantie. Dit flexibele weegkader stelt MIF in staat om ruimtelijke variabiliteit in afvloeiingscondities beter te representeren, vooral in bergachtige stroomgebieden waar omgevingsfactoren aanzienlijk variëren over korte afstanden. Vergelijkbare comparatieve studies hebben gerapporteerd dat invloedsgebaseerde of hybride multi-criteria benaderingen vaak beter presteren dan conventionele expert-gebaseerde weegtechnieken onder complexe fysiografische omstandigheden19,44,45. De ROC-AUC-validatie ondersteunt deze observaties verder. Hoewel beide modellen een acceptabele voorspellende prestatie behaalden (AUC > 0,5), wijst de hogere AUC van het MIF-model op een grotere overeenstemming tussen de voorspelde geschikte locaties en de bestaande regenwateropvangstructuren die tijdens veldverificatie zijn waargenomen. Dit demonstreert dat het integreren van interacties tussen meerdere hydrologische en omgevingsvariabelen de betrouwbaarheid van geschiktheidsbeoordelingen verbetert. Vergelijkbare validatiebenaderingen met gebruik van ROC-analyse zijn succesvol toegepast voor het evalueren van grondwaterpotentieel, overstromingsgevoeligheid en RWH-geschiktheidsmodellen34,41,45. Over het geheel genomen bevestigen de bevindingen dat de integratie van GIS, remote sensing en multi-criteria besluitvormingstechnieken een betrouwbaar kader biedt voor de planning van regenwateropvang in bergachtige stroomgebieden. Naast het identificeren van geschikte locaties biedt de hier gepresenteerde comparatieve evaluatie praktisch bewijs dat modelselectie de kwaliteit van geschiktheidsvoorspellingen significant beïnvloedt. De verbeterde prestaties van het MIF-model suggereren dat invloedsgebaseerde weegbenaderingen bijzonder geschikt zijn voor regio's die worden gekenmerkt door een sterke ruimtelijke variabiliteit in topografie, lithologie, neerslag en landbedekking. Bijgevolg kan de in deze studie ontwikkelde methodologie dienen als een overdraagbaar besluitondersteunend kader voor duurzame waterbronplanning in andere bergachtige en waterarme regio's met vergelijkbare hydro-meteorologische en fysiografische omstandigheden.
Deze vergelijkende studie evalueert de AHP- en MIF-benaderingen als GIS-gebaseerde ruimtelijke modellen door diverse directe en indirecte bepalende factoren te analyseren om gebieden met verschillende geschiktheidsniveaus voor de constructie van systemen voor regenwateropvang te identificeren. Hoewel MIF en AHP afzonderlijk unieke voordelen bieden voor het nemen van ruimtelijke beslissingen, maakt hun vergelijking een meer geavanceerde multi-criteria-analyse mogelijk die de precisie en robuustheid van de evaluaties van de geschiktheid van de locaties bij deze technieken verbetert. Voor de selectie van de locaties voor regenwateropvang werden neerslag, geologie, bodem, lineamentdichtheid, drainagedichtheid, landgebruik/bodembedekking en topografie geanalyseerd als bepalende factoren. Enkele aanvullende factoren, zoals de afstand tot wegen, de afstand tot hoofdwaterlopen en de afstand tot stedelijke nederzettingen, werden eveneens verwerkt volgens de FAO-criteria. Het doel van het ontwikkelen van geschikte locaties voor regenwateropvang is het verbeteren van de beschikbaarheid van waterbronnen in het studiegebied. Met betrekking tot de constructie van regenwateropvang werd het studiegebied ingedeeld in vijf klassen op basis van de graad van geschiktheid: minder geschikt, matig geschikt, geschikt, zeer geschikt en uitermate geschikt. Tijdens het veldbezoek bleek dat de MIF-resultaten nauwkeuriger waren dan het AHP-model in het bergachtige terrein van de regio. De resultaten van het MIF-model waren nauwkeuriger en lokaal relevanter vanwege de aanpasbaarheid bij het beheren van complexe topografische variabelen en het vermogen om gewichten en rangordes van subklassen te combineren. MIF stelt gebruikers in staat om elke subklasse te rangschikken voor de besluitvorming, terwijl AHP daarentegen rangordes en gewichten toewijst aan parameters in plaats van aan de subklassen van de parameters. Een vergelijking tussen MIF en AHP biedt een dieper inzicht in hoe verschillende strategieën voor gewichtstoewijzing en besluitvormingscriteria de resultaten van de ruimtelijke analyse beïnvloeden. De betere prestaties van de MIF-benadering ten opzichte van de AHP-benadering werden bevestigd door de ROC-AUC-score van 0,724 voor MIF en 0,692 voor AHP.
Deze methoden maken een efficiëntere besluitvorming mogelijk voor het duurzame beheer van waterbronnen, terwijl de kosten, arbeid en tijd worden geminimaliseerd. Dit is vooral cruciaal omdat het duurzaam beheren van de wereldwijde waterbronnen creatieve oplossingen vereist te midden van klimaatverandering, toenemende urbanisatie en waterschaarste. Door de efficiëntie van deze technologieën aan te tonen in een topografisch diverse regio zoals het Panjkora-bekken, biedt de studie een model voor vergelijkbare toepassingen in andere gebieden met soortgelijke milieubeperkingen. Bijgevolg presteerden beide modellen goed en bevestigden ze hun toepasbaarheid voor andere geografische, ecologische en sociaaleconomische regio's buiten het onderzochte gebied. Nieuwe technieken, zoals machine learning en ruimtelijke data met een hoge resolutie, zouden kunnen worden toegevoegd om de schaalbaarheid en nauwkeurigheid van de MIF- en AHP-benaderingen te verbeteren. Deze ontwikkelingen zouden realtime en geautomatiseerde analyse mogelijk maken, wat essentieel is voor dynamische en uitgebreidere toepassingen.
Openbaarmakingen
De auteurs verklaren dat er geen belangenconflicten zijn. Geen van de afbeeldingen en figuren is met kunstmatige intelligentie gegenereerd.
Auteursbijdragen:
Shazia Gulzar: Conceptualisatie, Methodologie, Datamanagement, Formele analyse, Onderzoek, Visualisatie, Schrijven – originele versie. Muhammad Ali: Conceptualisatie, Begeleiding, Methodologie, Validatie, Schrijven – revisie en redactie, Projectleiding. Abid Sarwar: Formele analyse, GIS- en Remote Sensing-analyse, Data-interpretatie, Validatie, Visualisatie, Schrijven – beoordeling & bewerking. Hammad Gilani: Methodologie, Validatie, Schrijven, beoordeling & bewerken. Hassan Alsberi: schrijven, beoordelen en bewerken, visualisatie. Abdulqader M. Almars: schrijven, beoordelen en bewerken, formele analyse. Hasan Hashim: validatie, schrijven, beoordelen & bewerking. El-Sayed Atlam: formele analyse, schrijven, beoordeling en bewerking. Ayman El Sabagh: begeleiding, schrijven, beoordeling & bewerking, aanvraag financiering
Dankbetuigingen
De auteurs willen het Decanaat voor Graduate Studies en Wetenschappelijk Onderzoek van de Taif Universiteit, Saoedi-Arabië, bedanken voor de financiering van dit werk.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| ArcGIS Desktop | Esri | Version 10.3.1 | Gebruikt voor GIS-gebaseerde ruimtelijke datapreprocessing, generatie van thematische lagen, herclassificatie, gewogen-overlayanalyse en geschiktheidsmapping. |
| Digitaal hoogtemodel (DEM), 12.5 m | Alaska Satellite Facility (ASF) Distributed Active Archive Center | N/A | DEM met een ruimtelijke resolutie van 12.5 m gebruikt als referentieraster en om lagen voor helling, drainagenetwerk, drainagedichtheid en hoogte af te leiden; de acquisitiedatum wordt in het manuscript vermeld als 2/12/2023 en moet eenduidig worden gemaakt. |
| Geologische gegevens | Geological Survey of Pakistan | N/A | Geologische/lithologische gegevens gebruikt om de geologische thematische laag te genereren. |
| Global Precipitation Measurement (GPM) neerslaggegevens | National Aeronautics and Space Administration (NASA) | 2014-2023 dataset | Neerslaggegevens gebruikt om de neerslag-thematische laag te genereren. Het exacte GPM-product/versie en de temporele statistiek moeten door de auteurs worden gespecificeerd. |
| Global Positioning System (GPS) veldvalidatiepunten | Niet gespecificeerd | N/A | Veldvalidatielocaties gebruikt voor kruisverificatie en ROC-AUC-beoordeling. De fabrikant en het model van de GPS-ontvanger/app werden niet gespecificeerd in het manuscript. |
| Landsat 8-beelden | Bron niet gespecificeerd | Product/scene ID niet gespecificeerd | Gebruikt voor lineamentextractie. Auteurs dienen de bronrepository, acquisitiedatum, product/scene ID, ruimtelijke resolutie en preprocessingdetails te verstrekken. |
| Sentinel-2B satellietbeelden | European Space Agency (ESA), Copernicus | Verworven 10 september 2025 | Gebruikt voor landgebruik/landbedekkingsmapping met supervised Maximum Likelihood Classification. Auteurs dienen de exacte product/scene-identifier en het verwerkingsniveau toe te voegen. |
| Bodemtextuurgegevens | Directorate of Soil Survey, Khyber Pakhtunkhwa, Pakistan | N/A | Gebruikt om de bodemtextuur-thematische laag te genereren. De dataset/kaarteditie of identifier werd niet gespecificeerd in het manuscript. |
Referenties
- 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.