Artykuł badawczy

Optymalizacja doboru lokalizacji i odpowiedniości konstrukcji do gromadzenia wody opadowej z wykorzystaniem podejść geoprzestrzennych, wieloczynnikowych oraz procesu analitycznego hierarchii

28 wyświetleń

⸱

DOI:

10.3791/72363

⸱

1 października 2026

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

W tym artykule

Podsumowanie

Niniejsza praca opisuje zintegrowane podejście oparte na systemach informacji geograficznej (GIS), wykorzystujące modele wieloczynnikowego wpływu (MIF) oraz proces hierarchizacji analitycznej (AHP) w celu zidentyfikowania odpowiednich miejsc do gromadzenia wody deszczowej i wyboru właściwych konstrukcji w górzystych dorzeczach rzek, zaprezentowane na przykładzie dorzecza Panjkora w północnym Pakistanie.

Streszczenie

Gromadzenie wody deszczowej (RWH) jest kluczową praktyką w zakresie oszczędzania wody, lepszego zarządzania zasobami wodnymi oraz łagodzenia zagrożeń związanych z wodą na obszarach górskich. Wybór odpowiedniej lokalizacji i właściwej konstrukcji urządzeń RWH ma fundamentalne znaczenie dla zwiększenia dostępności wody i produktywności rolnictwa w każdych warunkach, szczególnie w obliczu niepewności hydrologicznej związanej ze zmianami klimatu. Ocena i analiza miejsc pod RWH w zróżnicowanych warunkach na całym świecie jest trudna, zwłaszcza w odległych, niedostępnych obszarach górskich, gdzie miejsca te mają znaczący wpływ na środowisko, społeczeństwo i gospodarkę regionu oraz obszarów położonych w dolnym biegu rzek. W niniejszym badaniu metodę wielu czynników wpływających (MIF) oraz proces analitycznej hierarchii (AHP) zastosowano w systemie informacji geograficznej (GIS), wykorzystując tradycyjne dane oraz dane z teledetekcji (RS), w celu wyboru odpowiedniej lokalizacji i konstrukcji RWH w dorzeczu rzeki Panjkora w regionie Hindukusz w północnym Pakistanie. Zgodnie z wynikami MIF (i AHP), w badanym regionie obszar mniej odpowiedni pod konstrukcje RWH zajmuje 80,22 (1572,58) km2, obszar umiarkowanie odpowiedni 1681,99 (1605,69) km2, obszar odpowiedni 3116,10 (1768,62) km2, obszar wysoce odpowiedni 844,86 (689,15) km2, a obszar bardzo wysoce odpowiedni 35,10 (122,61) km2. Powstałe mapy zostały zwalidowane za pomocą testów charakterystyki operacyjnej odbiornika i pola pod krzywą (ROC-AUC) (wynik MIF = 0,724 i wynik AHP = 0,692) w celu sprawdzenia dokładności i odporności modeli. Niniejsze badanie, prezentujące wyniki o obiecującej dokładności, dostarczy nowych technicznych spostrzeżeń w tym temacie, co pozwoli na dalsze doskonalenie, dopasowanie i zastosowanie modeli w różnych warunkach hydrometeorologicznych i fizjograficznych. Ogólnie rzecz biorąc, oba modele skutecznie zidentyfikowały odpowiednie miejsca do gromadzenia wody deszczowej; jednak model MIF okazał się lepszy od modelu AHP pod względem dokładności predykcyjnej i niezawodności przestrzennej. Zaproponowane ramy oparte na GIS mogą wspierać zrównoważone planowanie gromadzenia wody deszczowej oraz zarządzanie zasobami wodnymi w górskich zlewniach.

Wprowadzenie

Deficyt wody, w tym wyczerpywanie się zasobów wód powierzchniowych i podziemnych, stał się poważnym wyzwaniem w wielu krajach rozwijających się1. Szybki wzrost populacji, urbanizacja, ekspansja rolnictwa, złożona topografia oraz zmieniające się warunki klimatyczne nasiliły presję na dostępne zasoby wodne2,3. W regionach dotkniętych stresem wodnym nadmierny pobór wód podziemnych w celu zaspokojenia potrzeb bytowych i rolniczych doprowadził do obniżenia zwierciadła wody i ograniczenia długoterminowego bezpieczeństwa wodnego. Dlatego pilnie potrzebne są zrównoważone strategie zarządzania wodą, szczególnie w regionach charakteryzujących się szybkim wzrostem liczby ludności, wysoką podatnością zasobów wodnych na zmiany klimatu oraz rosnącym zapotrzebowaniem na wodę, takich jak Pakistan. Wśród różnych strategii adaptacyjnych zbieranie wody deszczowej (RWH) wyłoniło się jako skuteczna metoda konserwacji spływu opadów i uzupełniania dostępnych zasobów wodnych4. Systemy RWH gromadzą i magazynują wodę opadową w okresach wilgotnych do późniejszego wykorzystania, stanowiąc zrównoważoną alternatywę w rozwiązaniu problemów niedoboru wody w skali lokalnej i regionalnej5,6. Jednak sukces systemów RWH w dużej mierze zależy od zidentyfikowania odpowiednich lokalizacji i właściwych struktur do zbierania wody. Wybór miejsca jest złożonym procesem, ponieważ zależy od wielu czynników fizjograficznych, środowiskowych, hydrologicznych i społeczno-ekonomicznych, które różnią się przestrzennie w obrębie regionów7,8. Tradycyjnie do identyfikacji potencjalnych miejsc RWH stosowano badania terenowe; jednak podejścia te są często kosztowne, czasochłonne i niepraktyczne w przypadku dużych i niedostępnych obszarów, szczególnie w regionach górskich. W związku z tym coraz częściej wdrażane są technologie Systemów Informacji Geograficznej (GIS) i teledetekcji (RS) jako wydajne alternatywy dla oceny RWH w skali regionalnej9. Oparta na GIS wielokryterialna ocena (MCE) zapewnia skuteczne ramy dla integracji różnorodnych warstw tematycznych, w tym opadów, spływu, nachylenia terenu, charakterystyki gleby, użytkowania i pokrycia terenu, gęstości drenażu oraz parametrów społeczno-ekonomicznych, w celu zidentyfikowania odpowiednich stref RWH10,11. Zbiory danych teledetekcyjnych dodatkowo usprawniają to podejście, dostarczając kosztowo efektywnych informacji przestrzennych z dużych i niedostępnych obszarów, obejmujących pokrycie terenu, geomorfologię, charakterystykę gleby i cechy hydrologiczne12. Pakistan znajduje się wśród krajów mierzących się z poważnymi wyzwaniami wodnymi ze względu na rosnące zapotrzebowanie na wodę, zmienność klimatu i zależność od środków utrzymania opartych na rolnictwie13. Gospodarka rolna tego kraju wymaga znacznych zasobów wodnych, podczas gdy spadające poziomy wód podziemnych i nieregularne wzorce opadów zwiększyły podatność na niedobory wody. W konsekwencji konserwacja i magazynowanie wody deszczowej stały się istotnymi strategiami poprawy dostępności wody, zwłaszcza w regionach deficytowych i górskich12,14. Poprzednie badania wykazały skuteczność podejść opartych na GIS i RS w wyborze miejsc RWH poprzez integrację parametrów środowiskowych i społeczno-ekonomicznych15,16,17,18. Kilku badaczy zastosowało różne techniki wielokryterialnego podejmowania decyzji, w tym proces hierarchii analitycznej (AHP), rozmyty AHP oraz inne podejścia wagowe, aby zidentyfikować odpowiednie lokalizacje RWH w zróżnicowanych warunkach środowiskowych19. Mimo znacznych postępów, wydajność różnych podejść wielokryterialnego podejmowania decyzji może się różnić w zależności od regionalnych charakterystyk środowiskowych, dostępnych zbiorów danych i systemów wag opartych na opiniach ekspertów. W szczególności niewiele badań porównywało skuteczność różnych podejść w podobnych warunkach zlewni. Dlatego ocena i porównanie alternatywnych technik podejmowania decyzji jest niezbędne dla poprawy niezawodności ocen przydatności miejsc RWH. Niniejsze badanie wypełnia tę lukę badawczą poprzez porównanie technik wieloczynnikowego wpływu (MIF) i procesu hierarchii analitycznej (AHP) w celu zidentyfikowania odpowiednich miejsc RWH w dorzeczu Panjkora w Pakistanie. Postawiono hipotezę, że włączenie różnych zmiennych, takich jak topografia, właściwości geologiczne, dynamika pokrycia terenu, gęstość linii drenażowo-lineamentowych, charakterystyka gleby i opady w GIS, przy użyciu wielokryterialnego podejścia decyzyjnego, pozwala zidentyfikować najbardziej odpowiednie miejsca RWH w środowisku górskim. Badanie dostarcza cennych informacji na temat możliwości zastosowania podejść wspomagania decyzji opartych na GIS w zrównoważonym planowaniu zasobów wodnych w regionach górskich.

Protokół

Niniejsze badanie opierało się na danych geoprzestrzennych, teledetekcyjnych oraz walidacji terenowej i nie obejmowało uczestników będących ludźmi, możliwych do zidentyfikowania danych osobowych, zwierząt ani tkanek kręgowców; w związku z powyższym nie było wymagane uzyskanie zgody instytucjonalnej komisji etyki ds. ludzi lub zwierząt.

Obszar badań

Dorzecze rzeki Panjkora to ważny region fizjograficzny położony we wschodniej części gór Hindukusz w północnym Pakistanie (Rycina 1). Rzeka Panjkora jest głównym ciekiem wodnym dorzecza (długość 113 km, powierzchnia zlewni 5758,27 km2) i swój początek ma jako potok wypływający z pokrytych lodowcami szczytów Hindukuszu. Wpływa ona do rzeki Swat w pobliżu miejscowości Chakdara, Dir Lower20. Do rzeki Panjkora wpada pięć istotnych potoków lub strumieni, w tym Barawal, Dir, Gawaldai, Jandol i Kohistan. Obszar ten rozciąga się od 34°39′30′′ do 35°46′1′′ szerokości geograficznej północnej oraz od 71°13′08′′ do 72°22′13′′ długości geograficznej wschodniej. Położenie regionu oraz górzysta topografia znacząco wpływają na jego klimat (górski i umiarkowany). Górna część dorzecza (Kumrat, Thal) charakteryzuje się dłuższą zimą i chłodniejszym latem. Od listopada temperatura gwałtownie spada. Natomiast w Dir Lower (Timergara, Talaash, Maidan, Samarbagh) od grudnia do lutego temperatura zazwyczaj utrzymuje się powyżej punktu zamarzania. Najcieplejszymi miesiącami w Timergara są czerwiec, lipiec i sierpień, z przeciętnymi temperaturami maksymalnymi powyżej 35 °C, podczas gdy w Dir Town najgorętszymi miesiącami są czerwiec i lipiec (z temperaturami maksymalnymi odpowiednio 32,4 °C i 31,5 °C). Źródłem opadów letnich jest monsun, natomiast opady zimowe przynoszą depresje zachodnie. Obszar badań charakteryzuje się wysoką wilgotnością względną przez cały rok. Powodzie rzeczne i nagłe powodzie21 występują (niemal) co roku, szczególnie w obszarach powyżej i poniżej Wari. Główne uprawy w regionie obejmują ryż, pszenicę, kukurydzę, ziemniaki i cebulę, natomiast znaczącymi owocami uprawianymi na obszarze badań są kaki, pomarańcze, jabłka, orzechy włoskie, morele, śliwy, nieszperniki i morwy.

figure-protocol-1
Rysunek 1: Mapa obszaru badań w dorzeczu rzeki Panjkora, północny Pakistan. (A) Położenie prowincji Khyber Pakhtunkhwa w Pakistanie; (B) położenie dorzecza rzeki Panjkora w prowincji Khyber Pakhtunkhwa; oraz (C) dorzecze rzeki Panjkora z zaznaczonymi granicami dorzecza, rozkładem wysokości, siecią rzeczną i głównymi lokalizacjami w obszarze badań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Gromadzenie i przygotowanie danych

W niniejszym badaniu dane zostały zebrane z różnych źródeł. Dane dotyczące opadów deszczu/precypitacji pobrano z Global Precipitation Measurement (GPM) National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM z lat 2014–2023. Dane dotyczące tekstury gleby zebrano z Directorate of Soil Survey Khyber Pakhtunkhwa w Pakistanie (www.soilconservation.kp.org). Dane geologiczne pozyskano z regionalnego biura Geological Survey of Pakistan (https://gsp.gov.pk/). W celu gromadzenia i obliczania scenariuszy gruntowych (użytkowanie i pokrycie terenu) pobrano obrazy Sentinel 2 z European Space Agency (ESA) Copernicus Open Access Hub (https://scihub.copernicus.eu/). Do mapowania użytkowania i pokrycia terenu (LULC) wykorzystano obrazowanie Sentinel-2B z dnia 10 września 2025 r. Obraz został przetworzony i sklasyfikowany przy użyciu algorytmu Maximum Likelihood Classification (MLC). W całym obszarze badań zebrano łącznie 65 próbek uczących reprezentujących siedem klas LULC: zbiorniki wodne, lasy, grunty rolne, obszary miejskie, gołą glebę, śnieg/lód oraz tereny pastwiskowe. Przygotowane próbki uczące wykorzystano do przeprowadzenia klasyfikacji nadzorowanej i wygenerowania końcowej mapy LULC. Dokładność klasyfikacji oceniono za pomocą metody oceny dokładności opartej na próbkach walidacyjnych, w tym ogólnej dokładności oraz współczynnika Kappa. Cyfrowy model wysokościowy (DEM) o rozdzielczości przestrzennej 12,5 pobrano z Alaska Satellite facility (ASF) (https://asf.alaska.edu/) w dniu 2.12.2023 r. Model DEM posłużył następnie do wygenerowania warstw nachylenia terenu, sieci drenażowej, gęstości drenażu oraz wysokości. Dane dotyczące istniejących struktur retencji wody deszczowej zebrano z odpowiednich wydziałów w celu walidacji krzyżowej.

Wszystkie zestawy danych przestrzennych zostały przetworzone i przeanalizowane przy użyciu oprogramowania do systemów informacji geograficznej (GIS) (patrz Tabela materiałów). Dane warstw tematycznych GIS znajdują się w Pliku uzupełniającym 1). Wszystkie wejściowe zestawy danych zostały rzutowane do wspólnego układu współrzędnych (CRS) (WGS 1984 UTM Zone 42N), aby zapewnić spójność przestrzenną i dokładne obliczenia powierzchni. Zestawy danych rastrowych o różnych rozdzielczościach przestrzennych zostały przeinterpolowane i dopasowane do wspólnej siatki przy użyciu metody najbliższego sąsiedztwa, z zachowaniem oryginalnych charakterystyk przestrzennych danych kategorycznych. Cyfrowy Model Terenu (DEM) o rozdzielczości przestrzennej 12,5 m posłużył jako raster referencyjny dla dopasowania przestrzennego, a wszystkie warstwy tematyczne zostały przekonwertowane do formatu rastrowego o tej samej wielkości komórki i zasięgu. Granica obszaru badań dorzecza rzeki Panjkora została wykorzystana jako maska do wyodrębnienia wszystkich warstw wejściowych i utrzymania spójnego zasięgu przestrzennego analizy. Brakujące piksele oraz obszary poza granicami dorzecza zostały wykluczone z analizy i potraktowane jako wartości NoData. Warstwy tematyczne (opady, nachylenie terenu, gęstość drenażu, gęstość lineamentów, gleba, geologia oraz użytkowanie i pokrycie terenu) zostały przeklasyfikowane na klasy przydatności z wykorzystaniem metody klasyfikacji przerw naturalnych Jenksa, a odpowiednie rangi/wagi przypisano w oparciu o podejścia MIF i AHP. Tabela 1 przedstawia źródła danych.

Tabela 1: Źródła danych i charakterystyki wykorzystane do oceny przydatności do gromadzenia wody deszczowej. Kliknij tutaj, aby pobrać tę tabelę.

Modelowanie przydatności MIF

Wstępnie wybór poszczególnych parametrów przeprowadzono na podstawie przeglądu literatury12. Aby wyznaczyć odpowiednie lokalizacje dla RWH, jako odrębne czynniki wpływające przyjęto opady, litologię, gęstość lineamentów, gęstość sieci drenażu, teksturę gleby, nachylenie terenu oraz użytkowanie i pokrycie terenu. W tym celu przeprowadzono wstępne przetwarzanie parametrów w celu utworzenia skali ich wpływu; następnie dane skategoryzowano zgodnie z ich znaczeniem dla RWH, a główną i poboczną wagę określono przy użyciu wzoru na wieloczynnikowy wpływ (Równanie 1). W Tabeli 2 przedstawiono główną i poboczną wagę różnych czynników22 (patrz Plik uzupełniający 2)

Tabela 2: Wybrane czynniki wpływające oraz przypisane im główne i poboczne oceny wpływu użyte w modelu wieloczynnikowym (MIF). Kliknij tutaj, aby pobrać tę tabelę.

Wybrane czynniki uszeregowano zgodnie z zależnością

[(X+Y) ÷ ∑(X+Y)] × 100 (1)

gdzie Y oznacza mniejszy wpływ czynników, a X oznacza główny wpływ. Główny i mniejszy wpływ każdego czynnika oblicza się za pomocą Równania 1.

Główne (X) i drugorzędne (Y) wartości wpływu przypisano na podstawie wcześniejszych badań oraz hydrologicznego znaczenia każdego czynnika w kontrolowaniu generowania spływu, infiltracji i potencjału gromadzenia wody deszczowej12. Główny wpływ przypisano czynnikom mającym bezpośredni wpływ na przydatność RWH, natomiast wpływ drugorzędny reprezentował pośrednie zależności między parametrami kontrolnymi. Wagi czynników obliczono zgodnie z równaniem (1) poprzez normalizację połączonych wartości wpływu głównego i drugorzędnego. Wagi podklas przypisano zgodnie z ich wzgl innym wkładem w akumulację spływu, zdolność infiltracyjną, retencję wody oraz przydatność dla struktur RWH. Takie podejście zapewniło przejrzyste i powtarzalne ramy ważenia dla analizy przydatności opartej na GIS.

Względna istotność oparta na skali Saaty'ego została przedstawiona w Tabeli 3.

Tabela 3: Skala względnej ważności Saaty'ego stosowana w analizie procesu analitycznej hierarchii (AHP). Kliknij tutaj, aby pobrać tę tabelę.

Wyniki poziomów tematycznych wszystkich parametrów zostają połączone, a wyniki dla każdej podklasy parametrów MIF zestawiono w Tabeli 4. Przy zastosowaniu techniki reklasyfikacji, wynik MIF został podzielony na pięć kategorii dla gospodarki wodą opadową. Na koniec wygenerowano i przeanalizowano mapy ostatecznych lokalizacji sugerowanych do instalacji różnych struktur RWH, takich jak zapory przeciwerozyjne, stawy farmowe, progi w jarach oraz inne struktury związane z ochroną gleb i wód. Rysunek 2 przedstawia schemat metodologii.

figure-protocol-2
Rycina 2: Schemat metodologiczny oceny przydatności miejsc do retencji wody deszczowej z wykorzystaniem modeli MIF i AHP opartych na GIS. Schemat ilustruje pozyskiwanie i przetwarzanie danych z badań terenowych, danych geologicznych, glebowych, ALOS PALSAR DEM, ESA oraz GPM w celu opracowania warstw tematycznych, w tym geologii, gleby, nachylenia terenu, gęstości sieci drenażu, gęstości lineamentów, użytkowania i pokrycia terenu (LULC) oraz opadów. Warstwy te zostały zintegrowane przy użyciu podejścia Multi-Influencing Factor (MIF) w celu wygenerowania mapy przydatności RWH, po czym przeprowadzono walidację terenową w celu stworzenia końcowych zwalidowanych map Prosimy kliknąć tutaj, aby wyświetlić większą wersję tej ryciny.

Tabela 4: Rankingi i wagi czynników tematycznych oraz podklas dla mapowania przydatności do zagospodarowania wody deszczowej, opracowane na podstawie metody MIF (Multi-Influencing Factor). Kliknij tutaj, aby pobrać tę tabelę.

Modelowanie przydatności metodą AHP

Analityczny Proces Hierarchiczny (AHP) jest skuteczną techniką radzenia sobie z trudnymi sytuacjami decyzyjnymi, która pomaga również osobie podejmującej decyzję w ustaleniu priorytetów i wyborze najlepszej opcji23. Technika AHP stanowi systematyczne ramy organizowania i oceny złożonych decyzji poprzez zastosowanie matematyki i wiedzy eksperckiej24. AHP pomaga w identyfikacji zarówno subiektywnych, jak i obiektywnych aspektów decyzji, upraszczając złożone oceny poprzez porównania parami, a następnie analizując wyniki25. Nieuniknione są pewne rozbieżności, ponieważ porównania opierają się na subiektywnych lub indywidualnych punktach widzenia. Poprzez obliczenie współczynnika spójności i eliminację błędów decyzyjnych, technika AHP dostarcza użytecznego narzędzia do oceny spójności sądów osoby decyzyjnej, zapewniając jednolitość percepcji. Jedną z głównych zalet AHP jest współczynnik spójności, który kwantyfikuje stopień zgodności między porównaniami parami różnych kryteriów26,27,28,29. Dane geograficzne są łączone i przekształcane przez AHP w wynik decyzyjny. Wykorzystując skalę Saaty'ego (Tabela 3), dane jakościowe dotyczące różnych tematów i cech są przekształcane w dane ilościowe poprzez utworzenie macierzy porównań parami30,31. Podstawowy proces obejmuje określenie celu, rozważenie i ocenę czynników lub norm wpływających na ostateczną decyzję oraz zastosowanie skali Saaty'ego w celu przypisania oceny każdemu kryterium. Aby sprawdzić spójność przypisanych wag, obliczono współczynnik spójności (CR) zgodnie z sugestią Saaty'ego23, korzystając z równań 2 i 3:

CR = CI/RCI (2)

gdzie CI to indeks spójności, a RCI to losowy indeks spójności.

Wskaźnik konsystencji (CI) jest określany zgodnie z równaniem:

figure-protocol-3 (3)

gdzie n jest liczbą kryteriów, a λmax jest największą wartością własną. Średnią wartość wskaźnika spójności szacuje się za pomocą wskaźnika losowego.

Wybór struktury RWH

Pokrycie i użytkowanie terenu (LULC)

Sposób użytkowania terenu charakteryzuje to, w jaki sposób ziemia jest wykorzystywana, podczas gdy pokrycie terenu opisuje jego naturalne cechy. Ważne informacje dotyczące rozprzestrzeniania się spływu zawarte są w LULC32. Na obszarach pokrytych roślinnością wyższe wskaźniki absorpcji i infiltracji wiążą się z mniejszym spływem, podczas gdy tereny nieużytków oraz obszary zabudowane sprzyjają intensywnemu powstawaniu spływu33,34. Do przygotowania wzorców użytkowania i pokrycia terenu obszaru badań wykorzystano dane satelitarne Sentinel 2b. Użytkowanie terenu dorzecza rzeki Panjkora sklasyfikowano w siedmiu kategoriach: zbiorniki wodne, lasy, tereny upraw i rolnicze, tereny zurbanizowane, nieużytki, śnieg/lód oraz tereny pastwiskowe. Wagi przydatności przypisane poszczególnym klasom użytkowania i pokrycia terenu oparto na ich wpływie na generowanie spływu, infiltrację oraz potencjał retencji wody deszczowej. Tereny rolnicze otrzymały najwyższą ocenę przydatności, ponieważ zazwyczaj generują umiarkowany spływ i bezpośrednio korzystają z zagospodarowanej wody do irygacji. Nieużytkom również przypisano stosunkowo wysoką wagę, ponieważ rzadka roślinność i odsłonięte powierzchnie gleby sprzyjają większemu spływowi powierzchniowemu w porównaniu z obszarami gęsto porośniętymi roślinnością. Z kolei obszarom leśnym przypisano niższe wagi, ponieważ gęsta roślinność przechwytuje opady, zwiększa infiltrację poprzez rozbudowane systemy korzeniowe i redukuje spływ powierzchniowy. Terenom zurbanizowanym i istniejącym zbiornikom wodnym przypisano niższą przydatność, ponieważ oferują one ograniczone możliwości budowy dodatkowych struktur RWH lub są już zajęte przez powierzchnie nieprzepuszczalne bądź istniejące cieki wodne (Ryc. 3A).

Gęstość drenażu

Infiltracja wód gruntowych i spływ powierzchniowy na danym obszarze są opisywane przez gęstość drenażu. Gęstość drenażu odzwierciedla zarówno podpowierzchnią formację hydrologiczną, jak i charakterystykę powierzchni. Wskazuje ona na stopień zagęszczenia sieci kanałów oraz właściwości materiału powierzchniowego. Spływ powierzchniowy maleje wraz ze spadkiem gęstości drenażu i odwrotnie12. W obszarach o niskiej gęstości drenażu zazwyczaj stwierdza się niższą infiltrację i mniejszy spływ, a w obszarach o wysokiej gęstości – odwrotnie. Gęste sieci drenażowe są niezbędne do gromadzenia wody deszczowej. Systemy RWH są lepiej dostosowane do obszarów o wyższej gęstości drenażu, ponieważ zapewniają system umożliwiający przepływ wody i jej szybkie transportowanie do punktu zbiorczego34,35. Gęstość drenażu dorzecza rzeki Panjkora została podzielona na pięć klas na podstawie klasyfikacji przerw naturalnych Jenksa: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 oraz 79,089–161,34 km/km2. Strefom o niskiej do umiarkowanej gęstości drenażu przypisano wyższą wartość wagową, ponieważ są one uznawane za idealne lokalizacje do gromadzenia wody deszczowej (Rycina 3B).

Gęstość lineamentów

Lineamenty to liniowe struktury podpowierzchniowe, które są zazwyczaj wyznaczane na podstawie map geologicznych i są również widoczne na obrazach satelitarnych. Lineamenty (znajdujące się pod strefami lokalnego lub strukturalnego wietrzenia) charakteryzują się zwiększoną porowatością i przepuszczalnością12. Lineamenty wyekstrahowano z obrazu Landsat 8 przy użyciu oprogramowania do przetwarzania obrazów z teledetekcji. Do wygenerowania rastrowej warstwy lineamentów wykorzystano narzędzie gęstości linii (line-density tool). Gęstość lineamentów została następnie podzielona na pięć klas zgodnie z metodą klasyfikacji naturalnych przerw Jenksa: 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 oraz 1,33-2,13 km/km2 (Rycina 3C).

Gleba

Tekstura gleby jest istotnym czynnikiem w planowaniu RWH i wyborze lokalizacji. Zdolność gleby do infiltracji jest określona przez jej teksturę. Ogólnie gleby piaszczyste generują mniejszy odpływ w porównaniu do gleb gliniastych36. Procentowa zawartość pyłu, piasku i gliny definiuje klasę teksturalną gleby. Gleba gliniasta charakteryzuje się słabą przepuszczalnością i może zatrzymywać zgromadzoną wodę, dlatego do gromadzenia deszczówki często preferowano obszary z glebami średnio- i drobnoziarnistymi8,37. Region badawczy charakteryzuje się pięcioma teksturami gleby: lodowcami i czapami śnieżnymi, gliniastą, niewapienną glebą gliniastą, gliniastą płytką glebą niewapienną, gliniastą glebą bardzo płytką oraz odsłonietymi skałami (Rysunek 3D).

Nachylenie

Infiltracja i spływ powierzchniowy są w znacznym stopniu uzależnione od topografii8. Zmienność nachylenia terenu w zlewni ma wyraźny wpływ na sposób przepływu wody podczas i po intensywnych opadach. Budowa struktur RWH na obszarach o dużym nachyleniu nie jest opłacalna ze względu na ogromny zakres niezbędnych prac ziemnych38. Dla wysokiego potencjału RWH najodpowiedniejszymi lokalizacjami są tereny o łagodnym nachyleniu. Struktury RWH nie są trwałe na obszarach o dużym nachyleniu (nachylenie powyżej 5%)39. Na obszarach o większym nachyleniu bierze się pod uwagę również środki kontroli erozji40. Nachylenie obliczono w stopniach, a obszar badań podzielono na pięć klas przy użyciu klasyfikacji naturalnych przerw Jenksa: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° oraz 42,5°–82° (Rycina 3E).

Opady deszczu

Opady są głównym składnikiem generującym spływ powierzchniowy. Dane dotyczące opadów pochodzą z Global Precipitation Measurement (GPM) i zostały pobrane z NASA https://gpm.nasa.gov/missions/GPM dla okresu od 2014 do 2023 roku41. Wykorzystując dane GPM z okresu 2014–2023 oraz klasyfikację Jenks Natural Breaks, podzielono obszar badań na pięć klas opadów (mm): 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 oraz 68,646–76,894 (Rysunek 3F).

Geologia

Budowa fizyczna zlewni oraz ilość produkowanej przez nią gleby są w dużym stopniu zależne od geologii danego obszaru. Cechy geologiczne kontrolują przepływ wody do podziemnych warstw wodonośnych40. W badanym obszarze występują dwa główne typy skał: osadowe oraz metamorficzne. Litologię podzielono szeroko na skały dolnego paleozoiku, osadowe skały karbonu, osadowe skały kredy, mezozoiczne skały intruzywne i metamorficzne, skały triasu, niepodzielone skały paleozoiku oraz niepodzielone skały prekambryjskie, a także niepodzielone skały syluru. Dostępność i pojemność retencyjna są w znacznym stopniu zależne od rodzaju litologii; niektóre skały mają zdolność do przesiąkania wód powierzchniowych i zasilania warstw wodonośnych41. Z kolei inne rodzaje skał umożliwiają przepływ wody, pomagając w odnawianiu wód podziemnych. Litologia silnie kontroluje generowanie spływu poprzez wpływ na przepuszczalność, porowatość i zdolność infiltracyjną. W basenie Panjkora zwarte skały metamorficzne wykazują zazwyczaj niższą pierwotną porowatość i przepuszczalność niż niezwiązane lub wysoce porowate osady sedymentacyjne. W konsekwencji opady rzadziej infiltrują w głąb profilu, a częściej generują spływ powierzchniowy, co czyni te formacje bardziej odpowiednimi dla powierzchniowych struktur retencji wody deszczowej. Przeciwnie, formacje osadowe zawierające materiały gruboziarniste lub piaszczyste zazwyczaj umożliwiają większą infiltrację, co redukuje ilość spływu powierzchniowego dostępnego do magazynowania. Dlatego wyższe wagi przydatności przypisano skałom metamorficznym, natomiast stosunkowo niższe wagi przypisano formacjom osadowym. Rycina 3G przedstawia mapę geologiczną dorzecza rzeki Panjkora. Wszystkie dane są dostępne w plikach uzupełniających 1 i 3.

figure-protocol-4
Rysunek 3: Rozkład przestrzenny czynników tematycznych wykorzystanych do oceny miejsc gromadzenia wody deszczowej w dorzeczu rzeki Panjkora. (A) użytkowanie i pokrycie terenu, (B) gęstość drenażu, (C) gęstość lineamentów, (D) tekstura gleby, (E) nachylenie terenu, (F) opady i (G) budowa geologiczna. Różne kolory reprezentują odpowiednie klasy każdego czynnika tematycznego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki

Reklasyfikacja mapy tematycznej dla modelu MIF

Pokrywa terenu, użytkowanie gruntów i RWH

Sposób użytkowania terenu w dorzeczu rzeki Panjkora został podzielony na siedem klas: zbiorniki wodne, tereny leśne, tereny upraw i rolnicze, tereny zurbanizowane, tereny nieużytków, obszary pokryte śniegiem i lodem oraz tereny pastwiskowe. Regiony, w których RWH jest kluczowe dla życia, otrzymały wysoką wagę na podstawie literatury. Terenom rolniczym i nieużytkom przypisano wyższą przydatność, ponieważ te klasy pokrycia terenu zazwyczaj generują większy spływ powierzchniowy niż obszary gęsto zalesione i stanowią korzystne lokalizacje do przechowywania zagospodarowanej wody na potrzeby rolnictwa. Obszary zalesione otrzymały niższą przydatność, ponieważ gęstsza pokrywa roślinna sprzyja przechwytywaniu opadów i infiltracji, co zmniejsza generowanie spływu. Terenom zurbanizowanym i istniejącym zbiornikom wodnym przypisano niższe wagi, ponieważ oferują one ograniczone możliwości wprowadzania nowych interwencji w zakresie zagospodarowania wody deszczowej. W kontekście zagospodarowania wody deszczowej większą wagę nadano terenom rolniczym i nieużytkom, natomiast mniejszą wagą obarczono wody powierzchniowe i obszary zurbanizowane (Ryc. 4A). Klasom LULC przypisano wagi zgodnie z ich względną istotnością dla przydatności do zagospodarowania wody deszczowej (Tabela 4): zbiorniki wodne (1), nieużytki (6), pokrywa leśna (2), obszary zurbanizowane (1) i tereny rolnicze (7).

Gęstość drenażu a RWH

Infiltracja wód gruntowych i spływ wód powierzchniowych są opisywane przez gęstość drenażu. Obszary o niskim spływie wykazały wysoką infiltrację, natomiast obszary o niskiej gęstości drenażu wykazały niższą infiltrację. Strefom o niskiej i umiarkowanej gęstości drenażu przypisano wysoką rangę (7, 4), natomiast gęstości drenażu wysokiej i bardzo wysokiej przypisano najniższe wagi (3, 2) na podstawie 23 (Rysunek 4B). Obszary o niskiej i umiarkowanej gęstości drenażu zostały oznaczone jako najlepsze dla RWH na badanym obszarze.

Gęstość lineamentów a RWH

Gęstość lineamentów w obszarze badań została podzielona na pięć klas przy użyciu metody klasyfikacji Jenks Natural Breaks, tj. bardzo wysoka przydatność, wysoka przydatność, umiarkowana przydatność, niska przydatność oraz bardzo niska przydatność, a następnie przypisano im odpowiednio wagi (7, 4, 3, 2, 1) (Rycyna 4C oraz Tabela 4). W obszarze badań strefy o wysokiej gęstości uznano za lokalizacje najmniej odpowiednie do zbierania wody deszczowej, natomiast strefy o niskiej gęstości uznano za miejsca o wysokim potencjale i przypisano im wyższą wartość wagi.

Gleba i RWH

Zmapowano pięć typów tekstury gleby, tj. (lodowce i czapy śnieżne), (gleby gliniasto-piaszczyste i gliniaste nieotwapiowione), (płytkie gleby gliniasto-piaszczyste nieotwapiowione), (bardzo płytkie gleby gliniasto-piaszczyste) oraz (odsłonięcia skalne) (Rysunek 4D). Przy przypisywaniu wag wzięto pod uwagę pojemność wodną i przepuszczalność. Najwyższą wagę, zgodnie z metodą Saaty23, nadano zdolności gleb gliniasto-piaszczystych i gliniastych do zatrzymywania wody na powierzchni. Bardzo płytkie górskie gleby gliniasto-piaszczyste otrzymały niską wartość wagi ze względu na wysoką porowatość i wysoką przepuszczalność.

Nachylenie i RWH

Dane dotyczące nachylenia terenu podzielono na pięć klas na podstawie klasyfikacji naturalnych przerw Jenksa, tj. (0–11,9) stopnia, (12–22,5) stopnia, (22,6–31,8) stopnia, (31,9–42,4) stopnia oraz (42,5–82) stopnia (Rysunek 4E). W technice MIF obszarom o umiarkowanym nachyleniu (12–22,5) przypisano wysoką wartość, natomiast obszarom o bardzo dużym nachyleniu przypisano niską wartość. Wskazuje to, że nachylenie zostało uwzględnione w wagach. Do wyznaczenia wag i rang klas wykorzystano wzór modelu MIF.

Opady deszczu i RWH

Wykorzystano dane o opadach z GPM z okresu 2014–2023, które sklasyfikowano zgodnie z klasyfikacją Junka na pięć klas (w mm): (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) oraz (68,646–76,894) (Rycina 4F). Wartości przypisano na podstawie ilości opadów; obszary o wysokim natężeniu opadów otrzymały wysokie wagi i odwrotnie.

Geologia i RWH

Większość obszaru badań składa się z skał metamorficznych i osadowych. Dostępność i pojemność retencyjna są w znacznym stopniu uzależnione od litologii i rodzaju skały; niektóre skały mogą filtrować wodę powierzchniową i zasilać poziom wodonośny. Z drugiej strony, niektóre skały pozwalają na przepływ wody i wspomagają zasilanie wód podziemnych. Skałom metamorficznym przypisano wyższą przydatność, ponieważ ich względnie niska przepuszczalność sprzyja generowaniu spływu powierzchniowego, zwiększając tym samym ilość wód odpływowych dostępnych do zagospodarowania. W przeciwieństwie do nich, formacje osadowe zazwyczaj charakteryzują się wyższą przepuszczalnością i zdolnością do infiltracji, co pozwala większej części opadów przeniknąć do podłoża, zamiast zasilać spływ powierzchniowy. W związku z tym skały metamorficzne uznano za bardziej odpowiednie do powierzchniowego gromadzenia wody deszczowej na badanym obszarze. Rycina 4G przedstawia reklasyfikowaną mapę geologiczną.

Wyznaczanie wag z wykorzystaniem metody AHP

Zgodnie z zaleceniami Wind i Saaty23, w badaniu uwzględniono siedem warstw tematycznych, z których każdej przypisano wagę w zakresie od 1 do 9 na podstawie jej przydatności do gromadzenia wody deszczowej. Przyjęte podejście wskazuje, że wagi przypisano również do klas cech. Tabela 5 przedstawia normalizację wag przypisanych do kryterium oraz ich klas cech z zastosowaniem metody AHP30. Ocena ekspercka była kluczowa w określaniu wag przypisanych poszczególnym czynnikom, które oceniano na podstawie wpływu każdego z nich na obszar badań. Po obliczeniach wagi znormalizowane przypisano do następujących parametrów: użytkowanie terenu/pokrycie terenu (0,23), opady (0,27), gęstość drenażu (0,13), nachylenie terenu (0,07), gęstość lineamentów (0,08), geologia (0,10) oraz gleba (0,10). Dla warstw tematycznych współczynnik spójności obliczony zgodnie z równaniem 3 wyniósł 0,08, co mieści się poniżej progu 0,10. Ponadto współczynnik spójności klas cech znajdował się analogicznie w zakresie 0,10 (Tabela 6). Zgodnie ze współczynnikiem spójności dla niniejszego badania, warstwy i cechy są spójne. W celu ustalenia względnej istotności warstw tematycznych przeprowadzono również analizę parową, co przedstawiono w Tabeli 5.

Tabela 5: Macierz porównań parzystych i znormalizowane wagi czynników tematycznych wykorzystanych w modelu Procesu Hierarchii Analitycznej (AHP). Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Tabela 6: Wagi i rangi czynników tematycznych oraz podklas dla analizy przydatności do gromadzenia wody deszczowej, opracowane na podstawie Procesu Hierarchii Analitycznej (AHP). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-1
Rysunek 4: Przeklasyfikowane warstwy tematyczne wykorzystane do analizy przydatności do gromadzenia wody deszczowej w dorzeczu rzeki Panjkora. (A) Przeklasyfikowane użytkowanie i pokrycie terenu, (B) gęstość sieci drenażowej, (C) gęstość lineamentów, (D) tekstura gleby, (E) nachylenie terenu, (F) opady i (G) geologia. Klasy zostały przeklasyfikowane zgodnie z ich ocenami przydatności do wyboru miejsc gromadzenia wody deszczowej. Liczby/kolory wskazują przypisane klasy przydatności, od bardzo niskiej do bardzo wysokiej, w zależności od przypadku. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Potencjalne obszary RWH

Końcowe mapy z wykorzystaniem technik modeli MIF i AHP zostały opracowane poprzez zastosowanie technik nakładania ważonego i sumowania ważonego. Przy użyciu tych dwóch modeli obszar badań podzielono na pięć klas (Rycina 5) w oparciu o klasy przydatności: tereny mniej przydatne, umiarkowanie przydatne, przydatne, wysoce przydatne i bardzo wysoce przydatne. Wyniki MIF dla zlewni rzeki Panjkora pod kątem retencji wody deszczowej wskazują, że obszar o powierzchni 80,22 km2 wykazuje mniejszą przydatność, 1681,99 km2 jest umiarkowanie przydatny, 3116,1 km2 jest przydatny, 844,86 km2 wykazuje wysoką przydatność, a 35,10 km2 bardzo wysoką przydatność dla RWH. Z kolei wyniki AHP wykazują, że obszar o powierzchni 1572,58 km2 ma mniejszą przydatność, 1605,69 km2 jest umiarkowanie przydatny, 1768,62 km2 jest przydatny, 689,15 km2 wykazuje wysoką przydatność, a 122,611 km2 bardzo wysoką przydatność (Tabela 7, Rycina 5 oraz Rycina 6) dla RWH. Wyniki map przydatności opartych na MIF i AHP znajdują się w Pliku uzupełniającym 4.

Tabela 7: Porównanie klas przydatności do gromadzenia wody deszczowej wyprowadzonych z modeli wieloczynnikowych (MIF) oraz procesu analitycznej hierarchii (AHP). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-2
Rysunek 5: Rozkład przestrzenny potencjalnych miejsc gromadzenia wody deszczowej zidentyfikowanych przy użyciu (A) metody MIF oraz (B) metody AHP w dorzeczu rzeki Panjkora. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

figure-results-3
Rycina 6: Porównanie obszarów zaklasyfikowanych do różnych klas przydatności do gromadzenia wody deszczowej przy użyciu metod Multi-Influencing Factor (MIF) oraz Analytic Hierarchy Process (AHP). Słupki przedstawiają powierzchnię (km2) w każdej klasie przydatności, w tym strefy mniej przydatne, umiarkowanie przydatne, przydatne, wysoce przydatne i bardzo wysoce przydatne. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wybór odpowiednich struktur RWH

Kryteria inżynieryjne wykorzystane do wyboru odpowiednich lokalizacji dla struktur retencji wody deszczowej (RWH), w tym zapór przeciwerozyjnych, stawów gospodarskich i progów w wąwozach, przyjęto z podręcznika organizacji ds. wyżywienia i rolnictwa (FAO) dotyczącego retencji wody42. Zgodnie z wytycznymi FAO, wybór odpowiednich struktur RWH powinien uwzględniać topografię (nachylenie), charakterystykę drenażu, potencjał odpływu, teksturę gleby, litologię, użytkowanie i pokrycie terenu oraz warunki zlewni, aby zapewnić techniczną wykonalność, stabilność strukturalną i długoterminową wydajność systemów retencyjnych. Te międzynarodowo uznane kryteria inżynieryjne zostały zintegrowane z ramami wielokryterialnej oceny opartej na systemach informacji geograficznej (GIS) zastosowanymi w niniejszym badaniu. Głównym celem ochrony wód opadowych przy użyciu struktur konserwacji odpływu (rowy konturowe, zapory nasypowe z kamienia, progi w wąwozach i zapory przeciwerozyjne) jest ograniczenie lub zatrzymanie przepływu wody. Rowy konturowe i zapory podziemne to dwa skuteczne sposoby wykorzystania RWH w obszarach podatnych na susze w celu rozwiązania poważnych problemów związanych z suszą i niedoborem wody43. Po zidentyfikowaniu potencjalnych obszarów RWH wyznaczono optymalne lokalizacje pod budowę struktur retencyjnych. Po analizie warunków obszaru badań stwierdzono, że jedynie trzy typy struktur RWH – stawy gospodarskie, zapory przeciwerozyjne i progi w wąwozach – zasługują na rozważenie (Tabela 8). Stawy gospodarskie to niewielkie bariery ziemne przy nachyleniu terenu od 1% do 6%. Celem budowy stawów gospodarskich jest podział długiego stoku na wiele krótszych, mniej stromych odcinków w celu zmniejszenia prędkości przepływu i erozji wywołanej przez wodę odpływową. Zapory przeciwerozyjne są ważniejsze od innych typów konstrukcji, ponieważ mogą ograniczać erozję gleby i magazynować wodę deszczową. Odległość między dwiema zaporami przeciwerozyjnymi podczas budowy ich łańcucha wzdłuż koryta strumienia powinna być większa niż ich rozlew wody. Erozja wierzchniej warstwy gleby przez wodę deszczową prowadzi do powstawania wąwozów. Stopniowo erozja postępuje, a wąwóz przybiera bardziej wyraźny kształt. Następnie w określonych odstępach czasu w poprzek wąwozu umieszcza się bariery lub progi wykonane z różnych materiałów, aby zatrzymać erozję i zmagazynować wodę deszczową do późniejszego wykorzystania. Na mapie (Rycina 7) przedstawiono lokalizacje retencji wody deszczowej w dorzeczu rzeki Panjkora. Metadane dla zidentyfikowanych odpowiednich lokalizacji RWH znajdują się w Pliku uzupełniającym 5.

Tabela 8: Proponowane konstrukcje do zbierania wody deszczowej i ich charakterystyka geograficzna w dorzeczu rzeki Panjkora. Kliknij tutaj, aby pobrać tę tabelę.

figure-results-4
Rysunek 7: Przestrzenny rozkład potencjalnych struktur do zbierania wody deszczowej w dorzeczu rzeki Panjkora. Mapa przedstawia lokalizacje proponowanych zapór przeciwerozyjnych, stawów gospodarczych i progów w wąwozach w obrębie zidentyfikowanych obszarów odpowiednich. Wyznaczono również granice dorzecza oraz sieć odwadniającą. Proszę kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Walidacja modelu

Wyniki modelu opartego na GIS zawsze wymagają weryfikacji na podstawie danych terenowych. Po wyekstrahowaniu danych przeprowadzono obszerny przegląd terenu i porównano wyniki z istniejącymi strukturami RWH w badanym obszarze. W trakcie przeglądu odkryto, że niektóre struktury do zbierania wody deszczowej zostały już zbudowane w odpowiednich lokalizacjach; nie było one jednak wystarczające dla tego obszaru. Weryfikacja wyników MIF i AHP została przeprowadzona przy użyciu techniki weryfikacji krzyżowej. Najbardziej odpowiednie strefy to te, w których mieszczą się możliwe do realizacji interwencje. Dodatkowo podczas przeglądu terenowego zidentyfikowano różne lokalizacje dla przyszłych interwencji w zakresie zbierania wody deszczowej. Punkty walidacji z przeglądu terenowego oraz współrzędne geograficzne znajdują się w Pliku uzupełniającym 6. Statystyczna walidacja modelu została przeprowadzona przy użyciu powierzchni pod krzywą charakterystyki operacyjnej odbiornika (ROC AUC). Dane i wyniki analizy ROC dla modelu AHP znajdują się w Pliku uzupełniającym 7. Analizę ROC przeprowadzono na punktach walidacyjnych z Globalnego Systemu Pozycjonowania (GPS) (Ryc. 8A) oraz wynikach modeli AHP i MIF. Odpowiadające im dane i wyniki analizy ROC dla modelu MIF znajdują się w Pliku uzupełniającym 8. Modele MIF wykazują krzywą AUC o wartości 0,72 (Ryc. 8B), a model AHP wykazuje wartość 0,69 (Ryc. 8C). Zgodnie z powszechnie przyjętymi kryteriami interpretacji ROC-AUC, wartości AUC klasyfikuje się jako brak dyskryminacji (0,50), słabe (0,50 do 0,60), przeciętne (0,60 do 0,70), dobre (0,70 do 0,80), bardzo dobre (0,80 do 0,90) i wybitne (0,90 i powyżej), aby określić wydajność predykcyjną. W związku z tym model MIF wykazał dobrą zdolność predykcyjną (0,72), podczas gdy model AHP wykazał przeciętną (bliską dobrej) wydajność predykcyjną (0,69). Chociaż oba modele sprawdziły się znacznie lepiej niż przewidywania losowe (AUC = 0,50), wyższa wartość AUC uzyskana przez model MIF wskazuje na większą zgodność z obserwowanymi lokalizacjami zbierania wody deszczowej i sugeruje, że podejście MIF jest bardziej niezawodne w identyfikacji odpowiednich miejsc RWH w górzystym terenie dorzecza Panjkora. Niemniej jednak MIF jest modelem porównawczo lepszym niż AHP w badanym obszarze. Wyższą wydajność modelu MIF w porównaniu z modelem AHP można przypisać złożonym charakterystykom środowiskowym i geograficznym dorzecza Panjkora. Dorzecze charakteryzuje się skalistym, górzystym terenem, bardzo zmiennym nachyleniem, heterogennymi formacjami litologicznymi oraz zróżnicowanymi wzorcami użytkowania i pokrycia terenu, z których wszystkie silnie wpływają na generowanie spływu i potencjał zbierania wody deszczowej. W przeciwieństwie do metody AHP, która opiera się przede wszystkim na porównaniach parowych opracowanych przez ekspertów, podejście MIF rozważa wzglupły wpływ i interakcje między wieloma czynnikami środowiskowymi w bardziej elastyczny sposób. Pozwala to modelowi lepiej odwzorować zmienność przestrzenną procesów hydrologicznych w obrębie zlewni. W rezultacie model MIF wygenerował bardziej realistyczne wzorce przydatności, co przełożyło się na wyższą wartość AUC i lepszą zgodność z lokalizacjami istniejących struktur do zbierania wody deszczowej. Co więcej, dorzecze Panjkora wykazuje znaczną heterogenność przestrzenną w rozkładzie opadów, gęstości drenażu, nachyleniu, teksturze gleby i warunkach geologicznych. Czynniki te oddziałują w różny sposób w całej zlewni, co sprawia, że wpływ poszczególnych parametrów jest niejednolity. Podejście MIF lepiej nadaje się do uchwycenia tych zmienności, ponieważ ocenia skumulowany wpływ wielu czynników warunkujących, zamiast polegać wyłącznie na subiektywnych ocenach parowych. Prawdopodobnie przyczyniło się to do poprawy jego wydajności predykcyjnej w porównaniu z modelem AHP.

figure-results-5
Rycina 8: Walidacja modeli przydatności do zagospodarowania wody deszczowej z wykorzystaniem analizy charakterystyki operacyjnej odbiornika (ROC). (A) Rozkład przestrzenny terenowych punktów walidacyjnych wykorzystanych do weryfikacji modelu; (B) krzywa ROC oraz pole pod krzywą (AUC) dla modelu wieloczynnikowego (MIF); oraz (C) krzywa ROC i AUC dla modelu procesu analitycznej hierarchii (AHP). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dostępność danych:

Zbiory danych wykorzystane w niniejszym badaniu są ogólnodostępne lub mogą zostać pozyskane z odpowiednich organizacji. Dane dotyczące opadów z misji Global Precipitation Measurement (GPM) są dostępne w repozytorium misji NASA GPM (https://gpm.nasa.gov/missions/GPM). Obrazy satelitarne Sentinel-2 zostały pobrane z ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/). Cyfrowy model wysokościowy (DEM) został pobrany z Alaska Satellite Facility (ASF) Distributed Active Archive Center (https://asf.alaska.edu/). Wyodrębnione dane (walidacja, wszystkie dane rastrowe, wszystkie metadane, obliczenia modelu) znajdują się w Plikach uzupełniających 1–8.

Plik uzupełniający 1: Dane warstw tematycznych GIS. Dane przestrzenne wykorzystane do wygenerowania tematycznych warstw GIS uwzględnionych w analizie przydatności do gromadzenia wody deszczowej, w tym czynniki środowiskowe i hydrologiczne oceniane w badaniu.Prosimy kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Obliczenia MIF.Obliczenia służące do określenia wpływu względnego, wag czynników oraz wyników zastosowanych w analizie przydatności gromadzenia wody deszczowej opartej na metodzie MIF.Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 3: Przeklasyfikowane warstwy GIS i progi przydatności. Przeklasyfikowane warstwy tematyczne oraz odpowiadające im zakresy klas, wartości progowe, rangi i wyniki przydatności wykorzystane w analizach MIF i AHP.Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 4: Wyniki mapy przydatności opracowanej na podstawie MIF i AHP.Produkty przestrzenne analiz MIF i AHP przedstawiające wynikową klasyfikację przydatności do gromadzenia wody deszczowej dla dorzecza rzeki Panjkora.Aby pobrać ten plik, kliknij tutaj.

Plik uzupełniający 5: Metadane dla zidentyfikowanych odpowiednich lokalizacji do zbierania wody deszczowej.Metadane powiązane z lokalizacjami zidentyfikowanymi jako odpowiednie dla struktur do zbierania wody deszczowej, obejmujące dostępne informacje przestrzenne i terenowe.Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 6: Punkty walidacji z badań terenowych. Dane walidacyjne z badań terenowych, w tym współrzędne geograficzne punktów walidacyjnych wykorzystanych do oceny map przydatności do gromadzenia wody deszczowej opracowanych metodą MIF oraz AHP.Prosimy kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 7: Analiza ROC dla modelu AHP. Dane i wyniki analizy charakterystyki operacyjnej odbiornika (ROC) wykorzystane do oceny wydajności prognostycznej modelu analitycznego procesu hierarchicznego (AHP).Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 8: Analiza ROC dla modelu MIF. Dane i wyniki analizy ROC wykorzystane do oceny wydajności predykcyjnej modelu czynników wielostronnie wpływających (Multi-Influencing Factor, MIF).Proszę kliknąć tutaj, aby pobrać ten plik.

Dyskusja

W niniejszym badaniu porównano dwa powszechnie stosowane podejścia do wielokryterialnego podejmowania decyzji oparte na GIS, mianowicie metodę czynnika wielowpływowego (MIF) oraz proces analitycznej hierarchii (AHP), w celu identyfikacji odpowiednich miejsc do gromadzenia wody deszczowej (RWH) w górzystym dorzeczu rzeki Panjkora w północnym Pakistanie. Chociaż oba modele pomyślnie wyznaczyły potencjalne strefy gromadzenia wody, zaobserwowano zauważalne różnice w ich prognozach przestrzennych i wydajności walidacji. Analiza ROC-AUC wykazała, że model MIF (AUC = 0,724) wypadł lepiej niż model AHP (AUC = 0,692), co wskazuje, że oba modele wykazują akceptowalną zdolność prognostyczną, podczas gdy podejście MIF zapewnia większą zgodność z rozmieszczeniem istniejących struktur do gromadzenia wody deszczowej oraz obserwacjami terenowymi. Wyższą wydajność modelu MIF można wyjaśnić złożoną charakterystyką hydrologiczną i geomorfologiczną dorzecza Panjkora. Dorzecze charakteryzuje się trudnym, górzystym terenem, bardzo zmiennymi nachyleniami stoków, heterogenną litologią, zróżnicowanymi wzorcami użytkowania gruntów oraz przestrzennie zmiennymi opadami. Zmienne środowiskowe te oddziałują jednocześnie, kontrolując generowanie spływu, infiltrację i potencjał magazynowania wody. W przeciwieństwie do podejścia AHP, które opiera się przede wszystkim na wyprowadzonych przez ekspertów porównaniach parzystych kryteriów, technika MIF ocenia zarówno względną ważność, jak i skumulowane interakcje między wieloma czynnikami warunkującymi. W konsekwencji MIF lepiej oddaje heterogeniczność przestrzenną górzystych zlewni, w których generowanie spływu jest sterowane łącznym wpływem topografii, geologii, tekstury gleby, charakterystyki drenażu i pokrycia terenu, a nie tylko przez poszczególne czynniki. Podobne obserwacje wykazały, że podejścia do ważenia oparte na wpływie sprawdzają się dobrze w środowiskach heterogennych hydrologicznie, ponieważ lepiej reprezentują interakcje między zmiennymi środowiskowymi22,34,41. Przestrzenny rozkład stref o wysokiej przydatności do RWH odzwierciedla fizyczne cechy zlewni. Zachodnie i południowe części dorzecza zostały zidentyfikowane jako najbardziej korzystne lokalizacje, ponieważ łączą one umiarkowane nachylenie stoków, odpowiednią gęstość drenażu, korzystną teksturę gleby, względnie wyższe opady oraz warunki użytkowania gruntów sprzyjające generowaniu spływu, pozostając jednocześnie technicznie wykonalnymi pod kątem budowy struktur gromadzących wodę. Umiarkowane nachylenia stoków wystarczająco zmniejszają prędkość przepływu, aby ułatwić zbieranie spływu, minimalizując jednocześnie nadmierną erozję i koszty budowy. Z kolei bardzo strome stoki powodują szybki spływ, oferują ograniczone możliwości magazynowania i zwiększają niestabilność strukturalną, co czyni je mniej odpowiednimi do budowy zapór przeciwerozyjnych lub stawów hodowlanych. Wyniki te są zgodne z poprzednimi badaniami, w których nachylenie stoku zidentyfikowano jako dominujący czynnik kontrolujący przydatność RWH w środowiskach górzystych8,36,39. Geologia również odegrała istotną rolę w określaniu przydatności RWH. W dorzeczu Panjkora skały metamorficzne wykazują zazwyczaj niższą pierwotną porowatość i przepuszczalność niż wiele formacji osadowych, co zmniejsza straty infiltracyjne i zwiększa spływ powierzchniowy dostępny do gromadzenia. W konsekwencji formacje te otrzymały wyższe wagi przydatności, ponieważ zwiększały one akumulację spływu, która jest niezbędna dla powierzchniowych struktur magazynowych, takich jak zapory przeciwerozyjne i stawy hodowlane. Przeciwnie, formacje osadowe o względnie wyższej przepuszczalności umożliwiają większą infiltrację i zasilanie wód podziemnych, redukując objętość spływu powierzchniowego dostępnego do gromadzenia. Podobne zależności między litologią, generowaniem spływu a przydatnością gromadzenia wody deszczowej raportowano wcześniej12,40. Użytkowanie i pokrycie terenu oraz tekstura gleby dodatkowo wpłynęły na przestrzenny rozkład odpowiednich miejsc gromadzenia wody. Grunty rolne i nieużytki wykazały większą przydatność, ponieważ powierzchnie te zazwyczaj generują umiarkowany lub wysoki spływ, jednocześnie zapewniając bezpośrednie możliwości rolniczego magazynowania i wykorzystania wody. Z kolei obszary zalesione wykazały porównawczo niższą przydatność, ponieważ gęsta roślinność przechwytuje opady, poprawia strukturę gleby i zwiększa infiltrację poprzez rozbudowane systemy korzeniowe, redukując tym samym spływ powierzchniowy. Podobnie gleby bogate w glinę i gleby gliniaste uznano za bardziej korzystne ze względu na ich względnie niską przepuszczalność i większą pojemność wodną, podczas gdy płytkie gleby kamieniste sprzyjają szybkiej infiltracji lub nadmiernemu spływowi z ograniczonym potencjałem magazynowania. Porównywalne wyniki zgłoszono w poprzednich badaniach RWH opartych na GIS przeprowadzonych w Etiopii, Iraku i Pakistanie9,18. Porównanie MIF i AHP wykazuje również wpływ strategii ważenia na mapowanie przydatności. Podejście AHP przypisuje wagi kryteriom głównie poprzez osąd ekspercki i porównania parzyste, wprowadzając pewien stopień subiektywizmu mimo akceptowalnych wskaźników spójności. W przeciwieństwie do tego, MIF ocenia zarówno główne, jak i drugorzędne interakcje między czynnikami wpływającymi, a dodatkowo pozwala na ważenie podklas parametrów zgodnie z ich znaczeniem hydrologicznym. Ta elastyczna struktura ważenia pozwala MIF lepiej reprezentować zmienność przestrzenną warunków generujących spływ, szczególnie w górzystych zlewniach, gdzie czynniki środowiskowe znacznie różnią się na krótkich dystansach. Podobne badania porównawcze wykazały, że podejścia wielokryterialne oparte na wpływie lub hybrydowe często przewyższają konwencjonalne techniki ważenia oparte na ekspertach w złożonych warunkach fizjograficznych19,44,45. Walidacja ROC-AUC dodatkowo potwierdza te obserwacje. Chociaż oba modele osiągnęły akceptowalną wydajność prognostyczną (AUC > 0,5), wyższa wartość AUC modelu MIF wskazuje na większą zgodność między przewidywanymi odpowiednimi lokalizacjami a istniejącymi strukturami gromadzenia wody deszczowej zaobserwowanymi podczas weryfikacji terenowej. Dowodzi to, że uwzględnienie interakcji między wieloma zmiennymi hydrologicznymi i środowiskowymi poprawia wiarygodność ocen przydatności. Podobne podejścia walidacyjne z wykorzystaniem analizy ROC zostały z sukcesem zastosowane do oceny potencjału wód podziemnych, podatności na powodzie oraz modeli przydatności gromadzenia wody deszczowej34,41,45. Ogólnie rzecz biorąc, wyniki potwierdzają, że integracja GIS, teledetekcji i wielokryterialnych technik podejmowania decyzji zapewnia niezawodną strukturę planowania gromadzenia wody deszczowej w górzystych zlewniach. Poza identyfikacją odpowiednich lokalizacji, przedstawiona tutaj ewaluacja porównawcza dostarcza praktycznych dowodów na to, że wybór modelu znacząco wpływa na jakość prognoz przydatności. Poprawiona wydajność modelu MIF sugeruje, że podejścia do ważenia oparte na wpływie są szczególnie odpowiednie dla regionów charakteryzujących się silną zmiennością przestrzenną topografii, litologii, opadów i pokrycia terenu. W konsekwencji metodologia opracowana w niniejszym badaniu może służyć jako przenaszalna struktura wsparcia decyzji dla zrównoważonego planowania zasobów wodnych w innych górzystych i niedoborowych wodnie regionach o podobnych warunkach hydrometeorologicznych i fizjograficznych.

Niniejsze badanie porównawcze ocenia podejścia AHP i MIF jako modele przestrzenne oparte na GIS poprzez analizę różnych bezpośrednich i pośrednich czynników kontrolnych w celu zidentyfikowania obszarów o różnym stopniu przydatności do budowy struktur do gromadzenia wody deszczowej. Chociaż MIF i AHP stosowane osobno oferują unikalne korzyści w podejmowaniu decyzji przestrzennych, ich porównanie umożliwia bardziej zaawansowaną analizę wielokryterialną, która zwiększa precyzję i wiarygodność ocen przydatności lokalizacji przeprowadzanych tymi technikami. W celu wyboru miejsc do budowy RWH przeanalizowano następujące czynniki sprawcze: opady, geologię, glebę, gęstość lineamentów, gęstość sieci drenażowej, użytkowanie i pokrycie terenu oraz topografię. Uwzględniono również dodatkowe czynniki, takie jak odległość od dróg, odległość od głównych cieków wodnych oraz odległość od osiedli miejskich, zgodnie z kryteriami FAO. Celem wyznaczenia odpowiednich miejsc na RWH jest poprawa dostępności zasobów wodnych na obszarze badań. W odniesieniu do budowy RWH obszar badań podzielono na pięć klas na podstawie stopnia przydatności: lokalizacje mniej przydatne, umiarkowanie przydatne, przydatne, wysoce przydatne oraz bardzo wysoce przydatne. Podczas wizyt terenowych stwierdzono, że wyniki MIF były dokładniejsze niż model AHP w górzystym terenie regionu. Wyniki modelu MIF okazały się bardziej precyzyjne i relewantne lokalnie ze względu na jego zdolność do zarządzania złożonymi zmiennymi topograficznymi oraz możliwość łączenia wag i rang podklas. MIF pozwala użytkownikom na nadawanie rang każdej podklasie w procesie podejmowania decyzji, podczas gdy AHP przypisuje rangi i wagi parametrom zamiast do ich podklas. Porównanie MIF i AHP zapewnia głębsze zrozumienie tego, jak różne strategie przypisywania wag i kryteria decyzyjne wpływają na wyniki analizy przestrzennej. Lepsza skuteczność podejścia MIF w stosunku do podejścia AHP została również potwierdzona wynikiem ROC-AUC wynoszącym 0,724 dla MIF i 0,692 dla AHP.

Metody te umożliwiają bardziej efektywne podejmowanie decyzji w zakresie zrównoważonego zarządzania zasobami wodnymi przy jednoczesnym minimalizowaniu kosztów, nakładów pracy i czasu. Jest to szczególnie istotne, ponieważ zrównoważone zarządzanie światowymi zasobami wodnymi będzie wymagało kreatywnych rozwiązań w obliczu zmian klimatu, rosnącej urbanizacji i niedoboru wody. Poprzez wykazanie efektywności tych technologii w regionie o zróżnicowanej topografii, takim jak basen rzeki Panjkora, badanie to stanowi model dla podobnych zastosowań w innych obszarach o zbliżonych ograniczeniach środowiskowych. Tym samym oba modele sprawdziły się i potwierdziły swoją przydatność dla innych regionów geograficznych, środowiskowych i społeczno-ekonomicznych, poza obszarem objętym badaniem. W celu zwiększenia skalowalności i dokładności podejść MIF oraz AHP można wprowadzić nowe techniki, takie jak uczenie maszynowe i wysokorozdzielcze dane przestrzenne. Rozwiązania te umożliwiłyby analizę w czasie rzeczywistym oraz automatyzację, co jest niezbędne dla dynamicznych i rozszerzonych zastosowań.

Oświadczenia

Autorzy nie zgłaszają żadnych konfliktów interesów. Żadne z obrazów i rysunków nie zostały wygenerowane przez sztuczną inteligencję.

Wkład autorów:
Shazia Gulzar: koncepcja, metodologia, zarządzanie danymi, analiza formalna, badania, wizualizacja, przygotowanie oryginalnego projektu tekstu. Muhammad Ali: koncepcja, nadzór, metodologia, weryfikacja, przygotowanie tekstu – recenzja i edycja, zarządzanie projektem. Abid Sarwar: analiza formalna, analiza GIS i teledetekcyjna, interpretacja danych, weryfikacja, wizualizacja, przygotowanie tekstu – recenzja & edycja. Hammad Gilani: Metodologia, Weryfikacja, Pisanie, recenzja & edycja. Hassan Alsberi: pisanie, recenzja i edycja, wizualizacja. Abdulqader M. Almars: pisanie, recenzja i edycja, analiza formalna. Hasan Hashim: weryfikacja, pisanie, recenzja & edycja. El-Sayed Atlam: analiza formalna, przygotowanie tekstu, recenzja i edycja. Ayman El Sabagh: nadzór, przygotowanie tekstu, recenzja & edycja, pozyskiwanie finansowania

Podziękowania

Autorzy chcieliby podziękować Dziekanatowi Studiów Podyplomowych i Badań Naukowych Uniwersytetu w Taif w Arabii Saudyjskiej za sfinansowanie tej pracy.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
ArcGIS DesktopEsriWersja 10.3.1Wykorzystywany do wstępnego przetwarzania przestrzennych danych GIS, generowania warstw tematycznych, reklasyfikacji, analizy nakładkowej ważonej oraz mapowania przydatności.
Cyfrowy model wysokościowy (DEM), 12,5 mAlaska Satellite Facility (ASF) Distributed Active Archive CenterN/ADEM o rozdzielczości przestrzennej 12,5 m wykorzystany jako raster referencyjny oraz do wyprowadzenia warstw nachylenia terenu, sieci drenażowej, gęstości drenażu i wysokości; data pozyskania podana w manuskrypcie jako 2/12/2023 powinna zostać jednoznacznie określona.
Dane geologiczneGeological Survey of PakistanN/ADane geologiczne/litologiczne wykorzystane do wygenerowania tematycznej warstwy geologii.
Dane o opadach Global Precipitation Measurement (GPM)National Aeronautics and Space Administration (NASA)zbiór danych 2014-2023Dane o opadach wykorzystane do wygenerowania tematycznej warstwy opadów. Autorzy powinni określić dokładny produkt/wersję GPM oraz statystykę czasową.
Punkty walidacji terenowej Global Positioning System (GPS)Nie określonoN/ALokalizacje walidacji terenowej wykorzystane do weryfikacji krzyżowej i oceny ROC-AUC. Producent i model odbiornika/aplikacji GPS nie zostały określone w manuskrypcie.
Obrazy Landsat 8Źródło nie określonoID produktu/sceny nie określonoWykorzystywane do ekstrakcji lineamentów. Autorzy powinni podać repozytorium źródłowe, datę pozyskania, ID produktu/sceny, rozdzielczość przestrzenną oraz szczegóły wstępnego przetwarzania.
Obrazy satelitarne Sentinel-2BEuropean Space Agency (ESA), CopernicusPozyskane 10 września 2025Wykorzystywane do mapowania użytkowania i pokrycia terenu za pomocą nadzorowanej klasyfikacji metodą największej wiarygodności (Maximum Likelihood Classification). Autorzy powinni dodać dokładny identyfikator produktu/sceny oraz poziom przetwarzania.
Dane o teksturze glebyDirectorate of Soil Survey, Khyber Pakhtunkhwa, PakistanN/AWykorzystywane do wygenerowania tematycznej warstwy tekstury gleby. Edycja lub identyfikator zbioru danych/mapy nie zostały określone w manuskrypcie.

Bibliografia

  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.

Przedruki i uprawnienia

Tagi

przydatność terenuanaliza geoprzestrzennamapowanie GISteledetekcjazarządzanie zasobami wodnymigórskie zlewniewalidacja ROC-AUC
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.