Este artigo descreve uma abordagem integrada baseada em Sistema de Informação Geográfica (SIG), utilizando os modelos de Fator de Múltiplas Influências (FMI) e Processo Analítico Hierárquico (PAH), para identificar locais adequados para captação de água da chuva e selecionar estruturas apropriadas em bacias fluviais montanhosas, demonstrada na bacia do Panjkora, no norte do Paquistão.
Artigo de investigação
Otimização da Adequação do Local e da Estrutura de Captação de Água da Chuva Utilizando Abordagens Geoespaciais, de Múltiplos Fatores de Influência e do Processo Hierárquico Analítico
Neste artigo
Resumo
Resumo
A captação de água da chuva (RWH) é uma prática essencial para a conservação da água, melhoria da gestão dos recursos hídricos e mitigação de riscos relacionados à água em áreas montanhosas. A seleção de um local adequado e de uma estrutura apropriada para a instalação de sistemas de captação é fundamental para aumentar a disponibilidade de água e a produtividade agrícola em todas as circunstâncias, especialmente diante da incerteza hidrológica associada às mudanças climáticas. É desafiador avaliar e analisar locais para captação de água da chuva em diversas condições ao redor do mundo, particularmente em áreas montanhosas remotas e de difícil acesso, onde esses locais têm impactos significativos sobre o meio ambiente, a sociedade e a economia da região e de áreas a jusante. Neste estudo, o método do Fator de Múltiplas Influências (MIF) e o Processo Analítico Hierárquico (AHP) foram aplicados em um Sistema de Informação Geográfica (GIS), utilizando dados convencionais e de sensoriamento remoto (RS), com o objetivo de selecionar locais adequados e estruturas apropriadas para captação de água da chuva na bacia do rio Panjkora, na região do Hindu Kush, no norte do Paquistão. De acordo com os resultados do MIF (e do AHP), a região de estudo possui 80,22 (1572,58) km2 de área menos adequada, 1681,99 (1605,69) km2 moderadamente adequada, 3116,10 (1768,62) km2 adequada, 844,86 (689,15) km2 altamente adequada e 35,10 (122,61) km2 muito altamente adequada para estruturas de RWH. Os mapas resultantes foram validados por meio de testes da Curva Característica de Operação do Receptor e Área Sob a Curva (ROC-AUC) (pontuação MIF = 0,724 e pontuação AHP = 0,692) para verificar a precisão e a robustez dos modelos. Esta pesquisa, que apresenta resultados com precisão promissora, fornecerá novas perspectivas técnicas sobre o tema, contribuindo para aprimoramentos futuros, bem como para a adequação e aplicabilidade dos modelos sob diferentes condições hidrometeorológicas e fisiográficas. De modo geral, ambos os modelos identificaram com sucesso locais adequados para captação de água da chuva; no entanto, o modelo MIF superou o modelo AHP em termos de precisão preditiva e confiabilidade espacial. A estrutura proposta baseada em GIS pode apoiar o planejamento sustentável da captação de água da chuva e a gestão dos recursos hídricos em bacias montanhosas.
Introdução
A escassez de água, incluindo o esgotamento dos recursos hídricos superficiais e subterrâneos, tornou-se um desafio importante em muitos países em desenvolvimento1. O rápido crescimento populacional, a urbanização, a expansão agrícola, a topografia complexa e as condições climáticas em mudança intensificaram a pressão sobre os recursos hídricos disponíveis2,3. Em regiões com estresse hídrico, a extração excessiva de águas subterrâneas para atender às demandas domésticas e agrícolas resultou na queda dos níveis freáticos e na redução da segurança hídrica a longo prazo. Portanto, estratégias sustentáveis de gestão da água são urgentemente necessárias, especialmente em regiões que enfrentam crescimento populacional acelerado, alta vulnerabilidade dos recursos hídricos às mudanças climáticas e aumento da demanda por água, como no Paquistão. Entre várias estratégias de adaptação, a captação de água da chuva (RWH) emergiu como uma abordagem eficaz para conservar o escoamento pluvial e complementar os recursos hídricos disponíveis4. Os sistemas de captação de água da chuva coletam e armazenam a água da chuva durante os períodos chuvosos para uso posterior, oferecendo uma alternativa sustentável para enfrentar a escassez de água em escalas locais e regionais5,6. No entanto, o sucesso dos sistemas de captação de água da chuva depende amplamente da identificação de locais adequados e de estruturas de captação apropriadas. A seleção de locais é um processo complexo, pois é influenciada por múltiplos fatores fisiográficos, ambientais, hidrológicos e socioeconômicos que variam espacialmente entre as regiões7,8. Tradicionalmente, levantamentos de campo têm sido utilizados para identificar potenciais locais para captação de água da chuva; no entanto, essas abordagens são frequentemente caras, demoradas e impraticáveis em áreas extensas e de difícil acesso, especialmente em regiões montanhosas. Por isso, as tecnologias de Sistema de Informação Geográfica (SIG) e Sensoriamento Remoto (SR) têm sido cada vez mais adotadas como alternativas eficientes para avaliação de captação de água da chuva em escala regional9. A avaliação multicritério baseada em SIG fornece uma estrutura eficaz para integrar diversas camadas temáticas, incluindo precipitação, escoamento, declividade, características do solo, uso do solo/cobertura do solo, densidade de drenagem e parâmetros socioeconômicos, a fim de identificar zonas adequadas para captação de água da chuva10,11. Conjuntos de dados de sensoriamento remoto aprimoram ainda mais essa abordagem, fornecendo informações espaciais economicamente viáveis em áreas extensas e de difícil acesso, incluindo cobertura do solo, geomorfologia, características do solo e feições hidrológicas12. O Paquistão está entre os países que enfrentam sérios desafios hídricos devido ao aumento da demanda por água, à variabilidade climática e à dependência de meios de subsistência baseados na agricultura13. A economia agrícola do país exige recursos hídricos substanciais, enquanto a queda nos níveis de água subterrânea e os padrões irregulares de precipitação aumentaram a vulnerabilidade à escassez de água. Consequentemente, a conservação e o armazenamento da água da chuva tornaram-se estratégias importantes para melhorar a disponibilidade hídrica, especialmente em regiões com deficiência hídrica e em áreas montanhosas12,14. Estudos anteriores demonstraram a eficácia de abordagens baseadas em SIG e SR para a seleção de locais de captação de água da chuva, integrando parâmetros ambientais e socioeconômicos15,16,17,18. Vários pesquisadores aplicaram diferentes técnicas de tomada de decisão multicritério, incluindo o Processo Analítico Hierárquico (AHP), AHP Fuzzy e outras abordagens de ponderação, para identificar locais adequados para captação de água da chuva sob diversas condições ambientais19. Apesar dos avanços significativos, o desempenho de diferentes abordagens de tomada de decisão multicritério pode variar conforme as características ambientais regionais, os conjuntos de dados disponíveis e os sistemas de ponderação baseados em especialistas. Em particular, existem poucos estudos que compararam a eficácia de diferentes abordagens sob condições semelhantes de bacia hidrográfica. Portanto, avaliar e comparar técnicas alternativas de tomada de decisão é essencial para melhorar a confiabilidade das avaliações de adequação de locais para captação de água da chuva. O presente estudo preenche essa lacuna ao comparar as técnicas Fator de Múltiplas Influências (MIF) e Processo Analítico Hierárquico (AHP) para identificar locais adequados para captação de água da chuva na Bacia do Panjkora, Paquistão. A hipótese é que a incorporação de diferentes variáveis, como topografia, propriedades geológicas, dinâmica da cobertura do solo, densidade de lineamentos de drenagem, características do solo e precipitação no SIG, por meio de uma abordagem multicritério, pode identificar os melhores locais adequados para captação de água da chuva em um ambiente montanhoso. O estudo fornece insights valiosos sobre a aplicabilidade de abordagens de apoio à decisão baseadas em SIG para o planejamento sustentável de recursos hídricos em regiões montanhosas.
Protocolo
Este estudo envolveu dados geoespaciais, de sensoriamento remoto e de validação de campo, e não envolveu participantes humanos, dados pessoais identificáveis, animais ou tecidos de vertebrados; portanto, não foi necessária aprovação ética institucional para pesquisa com seres humanos ou animais.
Região de estudo
A bacia do rio Panjkora é uma importante região fisiográfica situada nas montanhas do Hindu Kush Oriental, no norte do Paquistão (Figura 1). O rio Panjkora é o principal rio da bacia (com 113 km de extensão e área de drenagem de 5758,27 km2) e nasce como um torrente nas montanhas cobertas de gelo do Hindu Kush. Ele deságua no rio Swat próximo a Chakdara, Dir Inferior20. O rio Panjkora é alimentado por cinco torrentes ou afluentes significativos: Barawal, Dir, Gawaldai, Jandol e Kohistan. Estende-se de 34°39′30′′ a 35°46′1′′ de latitude norte e de 71°13′08′′ a 72°22′13′′ de longitude leste. A localização da região e sua topografia acidentada influenciam significativamente seu clima (montanhoso e temperado). A região superior (Kumrat, Thal) possui uma estação de inverno mais longa e um verão mais frio. A partir de novembro, a temperatura cai acentuadamente. Contudo, em Dir Inferior (Timergara, Talaash, Maidan, Samarbagh), a temperatura geralmente permanece acima do ponto de congelamento entre dezembro e fevereiro. Os meses mais quentes em Timergara são junho a agosto, com temperaturas máximas médias superiores a 35 °C, enquanto junho e julho são os meses mais quentes na cidade de Dir (com temperaturas máximas de 32,4 °C e 31,5 °C, respectivamente). O monção é responsável pelas chuvas de verão, enquanto as depressões ocidentais trazem as chuvas de inverno. A área de estudo caracteriza-se por alta umidade relativa durante todo o ano. Inundações fluviais e enchentes súbitas21 ocorrem (quase) todos os anos, especialmente nas áreas a montante e a jusante de Wari. As principais culturas cultivadas na região incluem arroz, trigo, milho, batata e cebola, enquanto as frutas significativas cultivadas na área de estudo são caqui, laranja, maçã, nozes, damasco, ameixa, nêspera e amoreira.
Figura 1: Mapa da área de estudo da Bacia do Rio Panjkora, norte do Paquistão. (A) Localização de Khyber Pakhtunkhwa dentro do Paquistão; (B) localização da Bacia do Rio Panjkora dentro de Khyber Pakhtunkhwa; e (C) Bacia do Rio Panjkora mostrando o limite da bacia, distribuição de elevação, rede fluvial e principais localidades dentro da área de estudo. Clique aqui para visualizar uma versão maior desta figura.
Coleta e preparação de dados
Para este estudo, os dados foram coletados de diferentes fontes. Os dados de precipitação/chuva foram baixados do Global Precipitation Measurement (GPM) da National Aeronautics and Space Administration (NASA) https://gpm.nasa.gov/missions/GPM, de 2014 a 2023. Os dados de textura do solo foram obtidos da Diretoria de Levantamento de Solos do Khyber Pakhtunkhwa, Paquistão (www.soilconservation.kp.org). Os dados geológicos foram obtidos do escritório regional do Geological Survey of Pakistan (https://gsp.gov.pk/). Para coleta e cálculo dos cenários de uso da terra (uso do solo/cobertura do solo), imagens Sentinel-2 foram obtidas do Copernicus Open Access Hub da Agência Espacial Europeia (ESA) (https://scihub.copernicus.eu/). A imagem do Sentinel-2B adquirida em 10 de setembro de 2025 foi utilizada para o mapeamento do uso e cobertura da terra (LULC). A imagem foi processada e classificada utilizando o algoritmo de Classificação por Máxima Verossimilhança (MLC). Um total de 65 amostras de treinamento foram coletadas em toda a área de estudo, representando sete classes de LULC: corpos d'água, floresta, terra agrícola, áreas urbanas, solo descoberto, neve/gelo e pastagem. As amostras de treinamento preparadas foram utilizadas para realizar a classificação supervisionada e gerar o mapa final de LULC. A precisão da classificação foi avaliada por meio de uma abordagem de avaliação da precisão baseada em amostras de validação, incluindo a precisão global e o coeficiente Kappa. O modelo de modelo digital de elevação (MDE) com resolução espacial de 12,5 foi obtido da Alaska Satellite Facility (ASF) (https://asf.alaska.edu/) em 2/12/2023. O modelo MDE foi posteriormente utilizado para gerar camadas de declividade, rede de drenagem, densidade de drenagem e elevação. Os dados existentes sobre estruturas de captação de água da chuva foram coletados de departamentos relevantes para validação cruzada.
Todos os conjuntos de dados espaciais foram processados e analisados usando software de sistema de informações geográficas (SIG) (veja a Tabela de Materiais). Os dados de camadas temáticas do SIG estão disponíveis no Arquivo Suplementar 1. Todos os conjuntos de dados de entrada foram projetados em um sistema de referência de coordenadas projetadas comum (SRC) (WGS 1984 UTM Zona 42N) para garantir consistência espacial e cálculo preciso de área. Conjuntos de dados matriciais com diferentes resoluções espaciais foram reamostrados e alinhados a uma grade comum utilizando o método de reamostragem do vizinho mais próximo, mantendo-se as características espaciais originais dos conjuntos de dados categóricos. O Modelo Digital de Elevação (MDE) com resolução espacial de 12,5 m foi utilizado como matriz de referência para o alinhamento espacial, e todas as camadas temáticas foram convertidas ao formato matricial com o mesmo tamanho de célula e extensão. O limite da área de estudo da Bacia do Rio Panjkora foi usado como máscara para extrair todas as camadas de entrada e manter uma extensão espacial consistente para a análise. Pixels ausentes e áreas fora do limite da bacia foram excluídos da análise e tratados como valores SemDados. As camadas temáticas (chuva, declividade, densidade de drenagem, densidade de lineamentos, solo, geologia e uso do solo/cobertura do solo) foram reclassificadas em classes de adequação utilizando o método de classificação por quebras naturais de Jenks, e classificações/pesos correspondentes foram atribuídos com base nas abordagens MIF e AHP. Tabela 1 mostra as fontes dos dados.
Tabela 1: Fontes e características dos dados utilizadas para a avaliação da adequação à captação de água da chuva. Clique aqui para baixar esta tabela.
Modelagem da adequação do MIF
Inicialmente, a seleção de vários parâmetros é realizada com base em revisão bibliográfica12. Para determinar locais adequados para a captação de água da chuva (RWH), foram considerados como fatores distintos de influência a precipitação, litologia, densidade de lineamentos, densidade de drenagem, textura do solo, declividade e uso/cobertura da terra. Para esse objetivo, realiza-se o pré-processamento dos parâmetros para criar a escala de influência dos parâmetros; em seguida, os dados foram categorizados de acordo com sua relevância para a captação de água da chuva, e as importâncias maior e menor foram determinadas utilizando a fórmula de múltiplos fatores de influência (Equação 1). Tabela 2 mostra as importâncias maior e menor de diferentes fatores22 (consulte o Arquivo Suplementar 2)
Tabela 2: Fatores influentes selecionados e suas pontuações de influência maior e menor utilizadas no modelo de Múltiplos Fatores de Influência (MIF). Clique aqui para baixar esta tabela.
Os fatores selecionados foram classificados usando a relação,
[(X+Y) ÷ ∑(X+Y)] × 100 (1)
onde Y denota o efeito menor dos fatores, e X denota o efeito maior. As influências maior e menor de cada fator são calculadas usando a Equação 1.
Os escores de influência major (X) e minor (Y) foram atribuídos com base em estudos anteriores e na importância hidrológica de cada fator no controle da geração de escoamento superficial, infiltração e potencial de captação de água da chuva12. Uma influência major foi atribuída aos fatores que possuem impacto direto na adequação à captação de água da chuva, enquanto a influência minor representou relações indiretas entre os parâmetros de controle. Os pesos dos fatores foram calculados utilizando a Equação (1), normalizando-se os escores combinados de influência major e minor. Os pesos das subclasses foram atribuídos de acordo com sua contribuição relativa no acúmulo de escoamento, capacidade de infiltração, retenção de água e adequação às estruturas de captação de água da chuva. Essa abordagem garantiu um framework de ponderação transparente e reprodutível para a análise de adequação baseada em SIG.
A importância relativa com base na escala de Saaty é apresentada na Tabela 3.
Tabela 3: Escala de importância relativa de Saaty utilizada na análise do Processo Analítico Hierárquico (AHP). Clique aqui para baixar esta tabela.
Os escores dos níveis temáticos de todos os parâmetros são combinados, sendo cada escore de subclasse dos parâmetros do MIF listado na Tabela 4. Utilizando a técnica de reclassificação, a saída do MIF é classificada em cinco categorias para a captação de água da chuva. Por fim, são gerados e analisados mapas das localizações finais sugeridas para a instalação de diferentes estruturas de captação de água da chuva, como diques de contenção, açudes agrícolas, barreiras de ravinas e outras estruturas relacionadas à conservação. Figura 2 mostra o esquema da metodologia.
Figura 2: Estrutura metodológica para a avaliação da aptidão de locais para captação de água da chuva utilizando modelos SIG baseados no MIF e no AHP. A estrutura ilustra a aquisição e o processamento de dados de levantamento de campo, geologia, solo, MDE ALOS PALSAR, ESA e GPM para gerar camadas temáticas, incluindo geologia, solo, declividade, densidade de drenagem, densidade de lineamentos, uso e cobertura da terra (LULC) e precipitação. Essas camadas foram integradas utilizando a abordagem do Fator de Influência Múltipla (MIF) para gerar o mapa de aptidão para captação de água da chuva (RWH), seguido por validação baseada em campo para produzir os mapas finais validados Clique aqui para visualizar uma versão maior desta figura.
Tabela 4: Classificações e pesos baseados no Fator de Múltiplas Influências (MIF) para fatores temáticos e subclasses no mapeamento de aptidão para captação de água da chuva. Clique aqui para baixar esta tabela.
Modelagem de adequação para AHP
O Processo Analítico de Hierarquia (AHP) é uma técnica eficaz para lidar com situações complexas de tomada de decisão, ajudando também o tomador de decisão a estabelecer prioridades e escolher a melhor opção23. A técnica AHP é uma estrutura sistemática para organizar e avaliar decisões complicadas por meio da aplicação de matemática e conhecimento especializado24. O AHP auxilia na identificação dos aspectos subjetivos e objetivos de uma decisão, simplificando julgamentos complexos por meio de comparações par a par e, em seguida, avaliando os resultados25. Inevitavelmente, haverá alguma discrepância, pois as comparações são baseadas em pontos de vista subjetivos ou individuais. Ao calcular a razão de consistência e eliminar vieses na tomada de decisão, a técnica AHP fornece uma ferramenta útil para avaliar a consistência dos julgamentos do tomador de decisão, garantindo a coerência das percepções. Um dos principais benefícios do AHP é a razão de consistência, que quantifica o grau de consistência entre as comparações par a par de diferentes critérios26,27,28,29. Entradas de dados geográficos são combinadas e transformadas pelo AHP em uma saída de decisão. Utilizando a escala de Saaty (Tabela 3), dados qualitativos sobre diversos temas e qualidades são transformados em dados quantitativos por meio da geração de uma matriz de comparação par a par30,31. O processo fundamental consiste em definir o objetivo, considerar e avaliar os fatores ou critérios que influenciam a decisão final e utilizar a escala de Saaty para atribuir uma pontuação a cada critério. Para verificar a consistência dos pesos atribuídos, a razão de consistência (CR), conforme sugerido por Saaty23, foi calculada utilizando as Equações 2 e 3:
CR = CI/RCI (2)
em que CI é o índice de consistência e RCI é o índice de consistência aleatória.
O índice de consistência (CI) é dado pela equação:
(3)
onde n é o número de critérios e λmax é o autovalor principal. O valor médio do índice de consistência é estimado pelo índice aleatório.
Seleção da estrutura RWH
Cobertura e uso da terra (CUTL)
O uso da terra caracteriza a forma como a terra é utilizada, enquanto a cobertura da terra descreve as características naturais do terreno. Informações importantes sobre a dispersão do escoamento superficial estão contidas na CUCS32. Em áreas cobertas por vegetação, taxas mais altas de absorção e infiltração estão associadas a menor escoamento, enquanto terrenos descobertos e áreas urbanizadas favorecem a formação de alto escoamento33,34. Foram utilizados dados do satélite Sentinel 2b para elaborar os padrões de uso e cobertura da terra da área de estudo. O uso da terra na bacia do rio Panjkora foi classificado em sete classes, a saber: corpos d'água, floresta, cultivos e terras agrícolas, áreas urbanas, terrenos descobertos, neve/gelo e terras de pastagem. Os pesos de adequação atribuídos às diferentes classes de uso e cobertura da terra basearam-se em sua influência na geração de escoamento, infiltração e potencial de armazenamento de água da chuva. A terra agrícola recebeu a classificação de adequação mais alta porque geralmente produz escoamento moderado e se beneficia diretamente da água captada para irrigação. Terrenos áridos também receberam um peso relativamente alto, pois a vegetação escassa e as superfícies de solo expostas promovem maior escoamento superficial em comparação com áreas densamente vegetadas. Em contraste, áreas florestadas foram atribuídas a pesos mais baixos porque a vegetação densa intercepta a chuva, aumenta a infiltração por meio de extensos sistemas radiculares e reduz o fluxo superficial. Áreas urbanas e corpos d'água existentes foram considerados de menor adequação porque oferecem poucas oportunidades para a construção de estruturas adicionais de captação de água da chuva ou já estão ocupados por superfícies impermeáveis ou por corpos d'água existentes (Figura 3A).
Densidade de drenagem
A infiltração de águas subterrâneas e o escoamento superficial de água em uma área são descritas pela densidade de drenagem. A formação hidrológica subsuperficial e as características da superfície são ambas refletidas na densidade de drenagem. Ela indica o grau de proximidade entre os canais e as características do material superficial. O escoamento diminui com a redução da densidade de drenagem e vice-versa12. Em geral, áreas com baixa densidade de drenagem apresentam menor infiltração e menor escoamento, e vice-versa. Redes de drenagem densas são essenciais para a coleta de água da chuva. Os sistemas de captação de água da chuva (RWH) são mais adequados para áreas com maiores densidades de drenagem, pois oferecem uma estrutura que permite o fluxo de água e seu rápido encaminhamento a um ponto de coleta34,35. A densidade de drenagem da bacia do rio Panjkora foi classificada em cinco classes com base na classificação Jenks Natural Breaks: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 e 79,089–161,34 km/km². Zonas com densidades de drenagem baixas a moderadas receberam um valor de ponderação mais alto, pois são consideradas locais ideais para a captação de água da chuva (Figura 3B).
Densidade de lineamentos
Lineamentos são feições lineares subsuperficiais que geralmente são derivadas de mapas geológicos e também são visíveis em imagens de satélite. Os lineamentos (enterrados sob zonas de intemperismo localizado ou estrutural) exibem porosidade e permeabilidade aumentadas12. Os lineamentos foram extraídos a partir de uma imagem Landsat 8 utilizando software de processamento de imagens de sensoriamento remoto. A ferramenta de densidade linear foi utilizada para gerar a camada matricial de lineamentos. A densidade de lineamentos foi posteriormente classificada pelo método de classificação Jenks Natural Breaks em cinco classes: 0,0072-0,406 km/km2, 0,406-0,664 km/km2, 0,664-0,921 km/km2, 0,921-1,33 km/km2 e 1,33-2,13 km/km2 (Figura 3C).
Solo
A textura do solo é um fator importante em relação ao planejamento e à seleção de locais para captação de água da chuva. A capacidade de infiltração do solo é determinada por sua textura. Em geral, solos arenosos geram baixo escoamento superficial em comparação com solos argilosos36. Os percentuais de silte, areia e argila definem a classe textural do solo. O solo argiloso possui baixa permeabilidade e pode reter a água coletada, por isso áreas com solos de grãos médios e finos eram frequentemente preferidas para a coleta de água da chuva8,37. A região de estudo é caracterizada por cinco texturas de solo: geleiras e calotas de neve, solo franco, solo argiloso não calcário, solo franco raso não calcário, solo franco muito raso e afloramentos rochosos (Figura 3D).
Inclinação
A infiltração e o escoamento superficial são significativamente afetados pela topografia8. A variação da declividade na bacia tem um impacto claro no fluxo de água durante e após uma chuva forte. A construção de estruturas de captação de água da chuva (RWH) em áreas com encostas íngremes não é economicamente viável devido à grande quantidade de movimentação de terra necessária38. Para um alto potencial de RWH, locais com declive suave são os mais adequados. As estruturas de RWH não são duráveis em áreas com encostas íngremes (declividades superiores a 5%)39. Medidas de controle de erosão também são consideradas em áreas com declividades mais acentuadas40. A declividade foi calculada em graus, e a área de estudo foi dividida em cinco classes utilizando a classificação Jenks Natural Breaks: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° e 42,5°–82° (Figura 3E).
Chuva
A precipitação é o componente principal que gera o escoamento superficial. Dados de chuva/precipitação, os dados da Medição Global de Precipitação (GPM), foram baixados da NASA https://gpm.nasa.gov/missions/GPM de 2014 a 202341. Os dados de precipitação do GPM do período de 2014–2023 e a classificação Jenks Natural Breaks foram utilizados para classificar a área de estudo em cinco classes de precipitação (mm): 49,93–57,014, 57,014–61,773, 61,773–65,262, 65,262–68,646 e 68,646–76,894 (Figura 3F).
Geologia
A composição física de uma bacia hidrográfica e a quantidade de solo que ela produz são grandemente influenciadas pela geologia da região. As características geológicas controlam o fluxo de água para aquíferos subterrâneos40. Rochas sedimentares e metamórficas são os dois principais tipos de rochas encontrados na área do presente estudo. A litologia foi amplamente dividida em rochas do Paleozoico Inferior, rochas sedimentares do Carbonífero, rochas sedimentares do Cretáceo, rochas intrusivas e metamórficas do Mesozoico, rochas do Triássico, rochas paleozoicas não divididas, rochas paleozoicas não divididas e rochas pré-cambrianas não divididas, e rochas silurianas não divididas. A disponibilidade e a capacidade de armazenamento são significativamente influenciadas pelo tipo de litologia; certas rochas têm a capacidade de permitir a percolação da água superficial e reabastecer o aquífero41. Por outro lado, algumas rochas permitem a passagem da água e ajudam a recarregar a água subterrânea. A litologia controla fortemente a geração de escoamento superficial por meio de seus efeitos na permeabilidade, porosidade e capacidade de infiltração. Na Bacia Panjkora, rochas metamórficas compactas geralmente apresentam porosidade primária e permeabilidade menores do que depósitos sedimentares não consolidados ou altamente porosos. Consequentemente, a chuva tem menor probabilidade de infiltrar e maior probabilidade de gerar escoamento superficial, tornando essas formações mais adequadas para estruturas de captação de água da chuva na superfície. Em contraste, formações sedimentares contendo materiais grossos ou arenosos geralmente permitem maior infiltração, reduzindo assim o escoamento superficial disponível para armazenamento. Portanto, pesos de maior adequação foram atribuídos às rochas metamórficas, enquanto pesos relativamente menores foram atribuídos às formações sedimentares. Figura 3G mostra o mapa geológico da bacia do rio Panjkora. Todos os dados estão disponíveis nos Arquivos Suplementares 1 e 3.
Figura 3: Distribuição espacial dos fatores temáticos utilizados na avaliação de locais para captação de água da chuva na Bacia do Rio Panjkora. (A) Uso e cobertura da terra, (B) densidade de drenagem, (C) densidade de lineamentos, (D) textura do solo, (E) declividade, (F) precipitação e (G) geologia. Diferentes cores representam as respectivas classes de cada fator temático. Clique aqui para visualizar uma versão ampliada desta figura.
Resultados
Reclassificação do mapa temático para o modelo MIF
Cobertura do solo, uso da terra e captação de água da chuva
O uso da terra da bacia do rio Panjkora foi classificado em sete classes, a saber, corpos d'água, terras florestais, terras agrícolas e de cultivo, áreas urbanas, terras descobertas, neve e gelo, e áreas de pastagem. Regiões onde a captação de água da chuva (RWH) é vital para a sobrevivência receberam um peso elevado com base na literatura. Terras agrícolas e áridas receberam maior adequação, pois essas classes de cobertura do solo geralmente geram maior escoamento superficial do que áreas densamente florestadas e oferecem locais favoráveis para armazenar a água coletada para uso agrícola. Áreas florestadas receberam menor adequação porque uma cobertura vegetal mais densa promove maior interceptação da chuva e infiltração, reduzindo assim a geração de escoamento. Áreas urbanas e corpos d'água existentes receberam pesos menores, pois oferecem poucas oportunidades para novas intervenções de captação de água da chuva. Terras agrícolas e descobertas receberam maior peso, enquanto corpos d'água superficiais e áreas urbanas receberam menor peso no contexto da captação de água da chuva (Figura 4A). As classes de uso e cobertura da terra (LULC) foram ponderadas de acordo com sua importância relativa para a adequação à captação de água da chuva (Tabela 4): corpos d'água (1), terras descobertas (6), cobertura florestal (2), áreas urbanas (1) e terras agrícolas (7).
Densidade de drenagem e RWH
A infiltração de águas subterrâneas e o escoamento de águas superficiais são descritos pela densidade de drenagem. Áreas com baixo escoamento apresentaram alta infiltração, enquanto áreas com baixa densidade de drenagem apresentaram menor infiltração. As zonas de densidade de drenagem baixa e moderada receberam uma classificação alta (7, 4), enquanto a densidade de drenagem alta e muito alta recebeu o peso mais baixo (3, 2) com base em23 (Figura 4B). As áreas de densidade de drenagem baixa e moderada foram identificadas como as melhores para captação de água da chuva na região.
Densidade de lineamentos e ARH
A densidade de lineamentos da área de estudo foi classificada utilizando o método de classificação por quebras naturais de Jenks em cinco classes, ou seja, aptidão muito alta, aptidão alta, aptidão moderada, aptidão baixa e aptidão muito baixa, e os pesos foram atribuídos (7, 4, 3, 2, 1) conforme apropriado (Figura 4C e Tabela 4). Na área de estudo, as zonas de alta densidade foram consideradas os locais menos adequados para a captação de água da chuva, enquanto as zonas de baixa densidade foram consideradas como tendo alto potencial e receberam um valor de ponderação mais elevado.
Solo e captação de água da chuva
Cinco tipos de textura do solo foram mapeados, ou seja, (geleiras e calotas de neve), (solo franco-argiloso não calcário), (solo franco superficial não calcário), (solo franco muito superficial) e (afioramentos rochosos) (Figura 4D). A capacidade de retenção de água e a permeabilidade foram levadas em consideração ao atribuir os pesos. A capacidade do solo franco-argiloso de reter água na superfície recebeu o peso mais alto segundo Saaty23. O solo franco montanhoso muito superficial possui um valor de peso baixo devido à sua alta porosidade e alta permeabilidade.
Declividade e RWH
Os dados de declividade foram divididos em cinco classes com base na classificação de quebras naturais de Jenks, ou seja, (0–11,9) graus, (12–22,5) graus, (22,6–31,8) graus, (31,9–42,4) graus e (42,5–82) graus (Figura 4E). Na técnica MIF, áreas com declividade moderada (12–22,5) receberam um valor alto, enquanto áreas com declividade muito acentuada receberam um valor baixo. Isso indica que a declividade foi ponderada. A fórmula do modelo MIF foi utilizada para determinar os pesos e classificações das classes.
Chuva e captação de água da chuva
Os dados de precipitação do GPM referentes ao período de 2014–2023 foram utilizados e classificados, segundo a classificação de Junk, em cinco classes em (mm), ou seja, (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) e (68,646–76,894) (Figura 4F). Os valores foram atribuídos com base nas quantidades de precipitação; áreas com altas taxas de chuva receberam pesos elevados, e vice-versa.
Geologia e ARH
A maior parte da área de estudo é composta por rochas metamórficas e sedimentares. A disponibilidade e a capacidade de armazenamento são significativamente influenciadas pela litologia e pelo tipo de rocha; certas rochas podem permitir a percolação da água superficial e recarregar o aquífero. Por outro lado, algumas rochas permitem a passagem da água e ajudam a recarregar a água subterrânea. Atribuiu-se maior adequação às rochas metamórficas porque sua permeabilidade comparativamente baixa favorece a geração de escoamento superficial, aumentando assim a disponibilidade de escoamento para captação. Em contraste, as formações sedimentares geralmente possuem maior permeabilidade e capacidade de infiltração, permitindo que uma proporção maior da precipitação infiltre no subsolo em vez de contribuir para o escoamento superficial. Portanto, considerou-se que as rochas metamórficas são mais adequadas para a captação de água da chuva na superfície na área de estudo. Figura 4G mostra o mapa geológico reclassificado.
Atribuição de pesos utilizando AHP
De acordo com as recomendações de Wind e Saaty23, o estudo considerou sete camadas temáticas, cada uma com um peso variando de 1 a 9 com base em sua adequação para a captação de água da chuva. A abordagem indica que pesos também foram atribuídos às classes de feições. Tabela 5 mostra a normalização dos pesos atribuídos ao critério e às suas classes de feições utilizando a abordagem AHP30. O julgamento especializado foi fundamental para determinar os pesos atribuídos aos diferentes fatores, os quais foram avaliados com base no impacto de cada fator na área de pesquisa. Após o cálculo, pesos normalizados (0,23) foram atribuídos ao uso do solo/cobertura do solo, precipitação (0,27), densidade de drenagem (0,13), declividade (0,07), densidade de lineamentos (0,08), geologia (0,10) e solo (0,10). Para as camadas temáticas, a razão de consistência foi calculada como 0,08 utilizando a Equação 3, valor abaixo do limite de 0,10. Além disso, a razão de consistência das classes de feições também estava dentro da faixa de 0,10 (Tabela 6). As camadas e feições são consistentes, segundo a razão de consistência do presente estudo. Para determinar a importância relativa das camadas temáticas, uma análise pareada também foi realizada, conforme mostrado na Tabela 5.
Tabela 5: Matriz de comparação aos pares e pesos normalizados dos fatores temáticos utilizados no modelo do Processo Analítico Hierárquico (AHP). Clique aqui para baixar esta tabela.
Tabela 6: Pesos e classificações baseados no Processo Analítico Hierárquico (AHP) para fatores temáticos e subclasses na análise de adequação para captação de água da chuva. Clique aqui para baixar esta tabela.
Figura 4: Camadas temáticas reclassificadas utilizadas na análise de adequação para captação de água da chuva na Bacia do Rio Panjkora. (A) Uso do solo/cobertura do solo reclassificado, (B) densidade de drenagem, (C) densidade de lineamentos, (D) textura do solo, (E) declividade, (F) precipitação e (G) geologia. As classes foram reclassificadas de acordo com suas pontuações de adequação para a seleção de locais de captação de água da chuva. Números/cores indicam as classes de adequação atribuídas, variando de adequação muito baixa a muito alta, quando aplicável. Clique aqui para visualizar uma versão maior desta figura.
Áreas potenciais de captação de água da chuva
Os mapas finais utilizando as técnicas de modelos MIF e AHP foram desenvolvidos mediante a aplicação das técnicas de sobreposição ponderada e soma ponderada. Utilizando esses dois modelos, a área de estudo foi classificada em cinco classes (Figura 5) com base em classes de adequação: locais menos adequados, moderadamente adequados, adequados, altamente adequados e muito altamente adequados. Os resultados do MIF na bacia do rio Panjkora para a captação de água da chuva mostram que 80,22 km2 área tem menor adequação, 1681,99 km2 é moderadamente adequado, 3116,1 km2 é adequado, 844,86 km2 tem alta adequação e 35,10 km2 tem adequação muito alta para AR. Embora os resultados da AHP exibam 1572,58 km2 área com menor adequação, 1605,69 km2 é moderadamente adequado, 1768,62 km² é adequado, 689,15 km2 tem alta adequação e 122,611 km2 tem adequação muito alta (Tabela 7, Figura 5 e Figura 6) para RWH. As saídas dos mapas de adequação baseados em MIF e AHP são fornecidas em Arquivo Suplementar 4.
Tabela 7: Comparação das classes de adequação para captação de água da chuva derivadas dos modelos de Fator Múltiplo de Influência (MIF) e Processo Analítico Hierárquico (AHP). Clique aqui para baixar esta tabela.
Figura 5: Distribuição espacial dos locais potenciais de captação de água da chuva identificados utilizando (A) o método MIF e (B) o método AHP na bacia do rio Panjkora. Clique aqui para visualizar uma versão maior desta figura.
Figura 6: Comparação das áreas classificadas em diferentes classes de aptidão para captação de água da chuva utilizando os métodos do Fator de Influência Múltipla (MIF) e do Processo Analítico Hierárquico (AHP). As barras mostram a área (km2) dentro de cada classe de aptidão, incluindo zonas menos adequadas, moderadamente adequadas, adequadas, altamente adequadas e muito altamente adequadas. Clique aqui para visualizar uma versão maior desta figura.
Seleção de estruturas apropriadas de captação de água da chuva
Os critérios de engenharia utilizados para selecionar locais adequados para estruturas de captação de água da chuva (RWH), incluindo diques de contenção, açudes agrícolas e tampões de ravinas, foram adotados do Manual de Captação de Água da Organização das Nações Unidas para a Alimentação e a Agricultura (FAO)42. De acordo com as diretrizes da FAO, a seleção de estruturas RWH apropriadas deve considerar a topografia (declividade), características de drenagem, potencial de escoamento superficial, textura do solo, litologia, uso da terra/cobertura do solo e condições da bacia hidrográfica, a fim de garantir a viabilidade técnica, estabilidade estrutural e desempenho a longo prazo dos sistemas de captação. Esses critérios de engenharia internacionalmente reconhecidos foram integrados à estrutura de avaliação multicritério baseada em SIG utilizada neste estudo. O principal objetivo da conservação de água da chuva por meio de estruturas de conservação de escoamento (sulcos em nível, diques de pedras, tampões de ravinas e diques de contenção) é reduzir ou interromper o fluxo de água. Os sulcos em nível e os diques subterrâneos são duas formas eficazes pelas quais a RWH pode ser utilizada em locais propensos à seca, para enfrentar os graves problemas de escassez hídrica e estiagem43. Após a identificação de locais potenciais para RWH, determinaram-se as localizações ótimas para a construção dessas estruturas. Açudes agrícolas, diques de contenção e tampões de ravinas são as únicas três estruturas RWH consideradas viáveis após a análise das condições da área de estudo (Tabela 8). Açudes agrícolas são pequenas barreiras de terra com declividade variando de 1% a 6%. O objetivo da construção de açudes agrícolas é dividir uma encosta longa em várias encostas mais curtas e menos íngremes, a fim de reduzir a velocidade do fluxo e a erosão causada pela água de escoamento. Diques de contenção são mais significativos do que outros tipos de construção porque podem reduzir a erosão do solo e armazenar água da chuva. A distância entre dois diques de contenção ao construir uma cadeia ao longo de um canal de riacho deve ser maior que a sua área alagada. A erosão da camada superficial do solo pela água da chuva resulta na formação de ravinas. Gradualmente, a erosão aumenta e uma ravina assume uma forma mais definida. Em seguida, em intervalos específicos, barreiras ou tampões feitos de diversos materiais são colocados transversalmente à ravina para impedir a erosão e armazenar água da chuva para uso posterior. O mapa (Figura 7) mostra os locais de captação de água da chuva na bacia do rio Panjkora. Os metadados dos locais RWH adequados identificados estão disponíveis no Arquivo Suplementar 5.
Tabela 8: Estruturas propostas de captação de água da chuva e suas características geográficas na Bacia do Rio Panjkora. Clique aqui para baixar esta tabela.
Figura 7: Distribuição espacial das estruturas potenciais de captação de água da chuva na Bacia do Rio Panjkora. O mapa mostra os locais propostos para barragens de contenção, açudes agrícolas e tampões de ravina dentro das áreas adequadas identificadas. Os limites da bacia e a rede de drenagem também são apresentados. Clique aqui para visualizar uma versão maior desta figura.
Validação do modelo
Os resultados do modelo baseado em SIG sempre exigirão uma verificação com dados de campo. Após extrair os dados, a área foi extensivamente pesquisada e os resultados foram confrontados com as estruturas existentes de captação de água da chuva na área de estudo. Descobriu-se ao longo da pesquisa que algumas estruturas de captação de água da chuva já haviam sido construídas em locais apropriados; no entanto, estas não eram suficientes para a área. A verificação dos resultados do MIF e do AHP foi realizada utilizando a técnica de verificação cruzada. As zonas mais adequadas são aquelas onde se enquadram as intervenções viáveis. Além disso, diversos locais para futuras intervenções de captação de água da chuva foram identificados durante a pesquisa física. Os pontos de validação da pesquisa de campo e as coordenadas geográficas estão fornecidos no Arquivo Suplementar 6. A validação estatística do modelo foi realizada utilizando a curva característica de operação do receptor (ROC AUC). Os dados e resultados da análise ROC para o modelo AHP estão disponíveis no Arquivo Suplementar 7. A análise ROC foi realizada com base nos pontos de validação de campo do Sistema de Posicionamento Global (GPS) (Figura 8A) e nos resultados dos modelos AHP e MIF. Os dados e resultados correspondentes da análise ROC para o modelo MIF estão fornecidos no Arquivo Suplementar 8. Os modelos MIF apresentam uma curva AUC de 0,72 (Figura 8B), e o modelo AHP apresenta 0,69 (Figura 8C). De acordo com os critérios comumente aceitos de interpretação da ROC-AUC, os valores de AUC são classificados como sem discriminação (0,50), ruim (0,50 a 0,60), razoável (0,60 a 0,70), bom (0,70 a 0,80), muito bom (0,80 a 0,90) e excelente (0,90 e acima) para indicar o desempenho preditivo. Assim, o modelo MIF demonstrou boa capacidade preditiva (0,72), enquanto o modelo AHP exibiu desempenho preditivo razoável (próximo ao bom) (0,69). Embora ambos os modelos tenham apresentado desempenho substancialmente melhor do que previsões aleatórias (AUC = 0,50), o valor mais alto de AUC obtido pelo modelo MIF indica maior concordância com os locais observados de captação de água da chuva e sugere que a abordagem MIF é mais confiável para identificar locais adequados de captação de água da chuva (RWH) no terreno montanhoso da Bacia Panjkora. Apesar disso, o MIF é um modelo comparativamente melhor do que o AHP na área de estudo. O desempenho superior do modelo MIF em comparação com o modelo AHP pode ser atribuído às características ambientais e geográficas complexas da Bacia Panjkora. A bacia é caracterizada por terreno montanhoso acidentado, declives altamente variáveis, formações litológicas heterogêneas e padrões diversos de uso e cobertura da terra, todos os quais influenciam fortemente a geração de escoamento superficial e o potencial de captação de água da chuva. Diferentemente do método AHP, que depende principalmente de comparações pareadas baseadas em especialistas, a abordagem MIF considera a influência relativa e a interação entre múltiplos fatores ambientais de maneira mais flexível. Isso permite que o modelo represente melhor a variabilidade espacial dos processos hidrológicos na bacia hidrográfica. Consequentemente, o modelo MIF produziu padrões de adequação mais realistas, resultando em um valor de AUC mais alto e maior concordância com os locais das estruturas existentes de captação de água da chuva. Além disso, a Bacia Panjkora exibe considerável heterogeneidade espacial na distribuição de chuvas, densidade de drenagem, declividade, textura do solo e condições geológicas. Esses fatores interagem de forma diferente ao longo da bacia hidrográfica, tornando a influência dos parâmetros individuais não uniforme. A abordagem MIF é mais adequada para capturar essas variações, pois avalia a influência cumulativa de múltiplos fatores condicionantes, em vez de depender exclusivamente de julgamentos subjetivos pareados. Isso provavelmente contribuiu para seu melhor desempenho preditivo em comparação com o modelo AHP.
Figura 8: Validação dos modelos de adequação para captação de água da chuva utilizando análise da Curva Característica de Operação do Receptor (ROC). (A) Distribuição espacial dos pontos de validação baseados em campo utilizados para verificação do modelo; (B) Curva ROC e Área Sob a Curva para o modelo de Fator de Influência Múltipla (MIF); e (C) Curva ROC e AUC para o modelo do Processo Analítico Hierárquico (AHP). Clique aqui para visualizar uma versão maior desta figura.
DISPONIBILIDADE DE DADOS:
Os conjuntos de dados utilizados neste estudo estão disponíveis publicamente ou podem ser obtidos das respectivas organizações. Os dados de precipitação da medição global de precipitação (GPM) estão disponíveis no repositório da missão GPM da NASA (https://gpm.nasa.gov/missions/GPM). As imagens de satélite Sentinel-2 foram obtidas do Hub de Acesso Aberto Copernicus da ESA (https://scihub.copernicus.eu/). O modelo digital de elevação (MDE) foi baixado do Centro de Arquivo Ativo Distribuído da Alaska Satellite Facility (ASF) (https://asf.alaska.edu/). Os dados extraídos (Validação, todos os dados raster, todas as metainformações, cálculos do modelo) estão disponíveis nos Arquivos Suplementares 1–8.
Arquivo Suplementar 1: Dados de camadas temáticas de SIG. Dados espaciais utilizados para gerar as camadas temáticas de SIG incluídas na análise de adequação para captação de água da chuva, incluindo os fatores ambientais e hidrológicos avaliados no estudo.Clique aqui para baixar este arquivo.
Arquivo Suplementar 2: Cálculos do MIF. Cálculos utilizados para determinar a influência relativa, os pesos dos fatores e as pontuações aplicadas na análise de adequação para captação de água da chuva baseada no MIF. Clique aqui para baixar este arquivo.
Arquivo Suplementar 3: Camadas SIG reclassificadas e limiares de adequação. Camadas temáticas reclassificadas e os intervalos de classe correspondentes, valores limiares, classificações e pontuações de adequação utilizados nas análises MIF e AHP.Clique aqui para baixar este arquivo.
Arquivo Suplementar 4: Resultados do mapa de adequação baseado em MIF e AHP. Saídas espaciais das análises MIF e AHP mostrando as classificações resultantes de adequação para captação de água da chuva na Bacia do Rio Panjkora.Clique aqui para baixar este arquivo.
Arquivo Suplementar 5: Metadados para locais identificados como adequados para captação de água da chuva. Metadados associados aos locais identificados como adequados para estruturas de captação de água da chuva, incluindo as informações espaciais e relativas ao local disponíveis.Clique aqui para baixar este arquivo.
Arquivo Suplementar 6: Pontos de validação do levantamento de campo. Dados de validação do levantamento de campo, incluindo as coordenadas geográficas dos pontos de validação utilizados para avaliar os mapas de adequação para captação de água da chuva derivados do MIF e do AHP.Clique aqui para baixar este arquivo.
Arquivo Suplementar 7: Análise ROC para o modelo AHP. Dados e resultados da análise da curva característica de operação do receptor (ROC) utilizados para avaliar o desempenho preditivo do modelo do Processo Analítico Hierárquico (AHP).Clique aqui para baixar este arquivo.
Arquivo Suplementar 8: Análise ROC para o modelo MIF. Dados e resultados da análise ROC utilizados para avaliar o desempenho preditivo do modelo de Múltiplos Fatores de Influência (MIF).Clique aqui para baixar este arquivo.
Discussão
Este estudo comparou duas abordagens amplamente utilizadas de tomada de decisão multicritério baseadas em SIG, a saber, o Fator de Múltiplas Influências (MIF) e o Processo Analítico de Hierarquia (AHP), para identificar locais adequados para captação de água da chuva (RWH) na bacia montanhosa do Rio Panjkora, no norte do Paquistão. Embora ambos os modelos tenham delineado com sucesso zonas potenciais de captação, diferenças notáveis foram observadas em suas previsões espaciais e desempenho de validação. A análise ROC-AUC demonstrou que o modelo MIF (AUC = 0,724) apresentou melhor desempenho do que o modelo AHP (AUC = 0,692), indicando que ambos os modelos exibem capacidade preditiva aceitável, enquanto a abordagem MIF apresenta maior concordância com a distribuição das estruturas existentes de captação de água da chuva e observações de campo. O desempenho superior do modelo MIF pode ser explicado pelas complexas características hidrológicas e geomorfológicas da Bacia Panjkora. A bacia é caracterizada por terreno montanhoso acidentado, declives altamente variáveis, litologia heterogênea, padrões diversos de uso da terra e precipitação espacialmente variável. Essas variáveis ambientais interagem simultaneamente para controlar a geração de escoamento superficial, infiltração e potencial de armazenamento de água. Diferentemente da abordagem AHP, que depende principalmente de comparações pareadas derivadas de especialistas entre critérios, a técnica MIF avalia tanto a importância relativa quanto as interações cumulativas entre múltiplos fatores condicionantes. Consequentemente, o MIF é mais capaz de capturar a heterogeneidade espacial das bacias montanhosas, onde a geração de escoamento é governada pela influência combinada da topografia, geologia, textura do solo, características de drenagem e cobertura do solo, e não por fatores individuais isoladamente. Observações semelhantes demonstraram que abordagens de ponderação baseadas em influência apresentam bom desempenho em ambientes hidrologicamente heterogêneos, pois representam melhor as interações entre variáveis ambientais22,34,41. A distribuição espacial das zonas altamente adequadas para RWH reflete as características físicas da bacia. As partes ocidental e meridional da bacia foram identificadas como as localizações mais favoráveis, pois combinam declives moderados, densidade de drenagem adequada, textura do solo favorável, precipitação relativamente mais alta e condições de uso da terra que promovem a geração de escoamento, ao mesmo tempo que permanecem tecnicamente viáveis para a construção de estruturas de captação. Declives moderados reduzem suficientemente a velocidade do fluxo para facilitar a coleta de escoamento, ao mesmo tempo que minimizam a erosão excessiva e os custos de construção. Em contraste, declives muito acentuados produzem escoamento rápido, oferecem poucas oportunidades de armazenamento e aumentam a instabilidade estrutural, tornando-os menos adequados para a construção de diques de retenção ou açudes agrícolas. Esses resultados estão de acordo com estudos anteriores que identificaram a declividade como um controle dominante na adequação para RWH em ambientes montanhosos8,36,39. A geologia também desempenhou um papel significativo na determinação da adequação para RWH. Na Bacia Panjkora, rochas metamórficas geralmente apresentam porosidade primária e permeabilidade mais baixas do que muitas formações sedimentares, reduzindo assim as perdas por infiltração e aumentando o escoamento superficial disponível para captação. Consequentemente, essas formações receberam pesos de adequação mais altos, pois aumentaram o acúmulo de escoamento, necessário para estruturas de armazenamento superficial, como diques de retenção e açudes agrícolas. Por outro lado, formações sedimentares com permeabilidade relativamente mais alta permitem maior infiltração e recarga de águas subterrâneas, reduzindo o volume de escoamento superficial disponível para captação. Relações semelhantes entre litologia, geração de escoamento e adequação para captação de água da chuva já foram relatadas anteriormente12,40. O uso do solo/cobertura do solo e a textura do solo influenciaram ainda mais a distribuição espacial dos locais adequados para captação. Terras agrícolas e áreas áridas apresentaram maior adequação, pois essas superfícies geralmente geram escoamento moderado a alto, ao mesmo tempo que oferecem oportunidades diretas para armazenamento e utilização de água na agricultura. Em contraste, áreas florestadas mostraram adequação comparativamente menor, pois a vegetação densa intercepta a precipitação, melhora a estrutura do solo e aumenta a infiltração por meio de extensos sistemas radiculares, reduzindo assim o fluxo superficial. Da mesma forma, solos ricos em argila e solos franco-argilosos foram considerados mais favoráveis devido à sua permeabilidade relativamente baixa e maior capacidade de retenção de água, enquanto solos rochosos rasos promovem infiltração rápida ou escoamento excessivo com potencial limitado de armazenamento. Resultados comparáveis foram relatados em investigações anteriores baseadas em SIG sobre RWH realizadas na Etiópia, Iraque e Paquistão9,18. A comparação entre MIF e AHP também demonstra a influência da estratégia de ponderação no mapeamento de adequação. A abordagem AHP atribui pesos aos critérios principalmente por meio de julgamento especializado e comparação pareada, introduzindo um grau de subjetividade, apesar de razões de consistência aceitáveis. Em contraste, o MIF avalia tanto interações principais quanto secundárias entre fatores influentes e permite ainda a ponderação de subclasses de parâmetros de acordo com sua importância hidrológica. Essa estrutura flexível de ponderação permite que o MIF represente melhor a variabilidade espacial nas condições de geração de escoamento, particularmente em bacias montanhosas onde os fatores ambientais variam consideravelmente em curtas distâncias. Estudos comparativos semelhantes relataram que abordagens multicritério baseadas em influência ou híbridas frequentemente superam técnicas convencionais de ponderação baseadas em especialistas em condições fisiográficas complexas19,44,45. A validação por ROC-AUC apoia ainda mais essas observações. Embora ambos os modelos tenham alcançado desempenho preditivo aceitável (AUC > 0,5), o AUC mais alto do modelo MIF indica maior concordância entre os locais adequados previstos e as estruturas existentes de captação de água da chuva observadas durante a verificação de campo. Isso demonstra que a incorporação de interações entre múltiplas variáveis hidrológicas e ambientais melhora a confiabilidade das avaliações de adequação. Abordagens de validação semelhantes utilizando análise ROC foram aplicadas com sucesso para avaliar o potencial de águas subterrâneas, suscetibilidade a inundações e modelos de adequação para captação de água da chuva34,41,45. Em geral, os resultados confirmam que a integração de SIG, sensoriamento remoto e técnicas de tomada de decisão multicritério fornece um quadro confiável para o planejamento de captação de água da chuva em bacias montanhosas. Além de identificar locais adequados, a avaliação comparativa apresentada aqui fornece evidências práticas de que a seleção do modelo influencia significativamente a qualidade das previsões de adequação. O desempenho aprimorado do modelo MIF sugere que abordagens de ponderação baseadas em influência são particularmente apropriadas para regiões caracterizadas por forte variabilidade espacial em topografia, litologia, precipitação e cobertura do solo. Consequentemente, a metodologia desenvolvida neste estudo pode servir como um quadro transferível de apoio à decisão para o planejamento sustentável de recursos hídricos em outras regiões montanhosas e com escassez hídrica, com condições hidrometeorológicas e fisiográficas semelhantes.
Este estudo comparativo avalia os métodos AHP e MIF como modelos espaciais baseados em SIG, analisando diversos fatores de controle diretos e indiretos para identificar áreas com diferentes níveis de adequação para a construção de estruturas de captação de água da chuva. Embora o MIF e o AHP tenham benefícios únicos para tomada de decisões espaciais, sua comparação permite uma análise multicritério mais sofisticada, que melhora a precisão e a robustez das avaliações de adequação dos locais para essas técnicas. Para a seleção dos locais de captação de água da chuva, foram analisados como fatores responsáveis a precipitação, a geologia, o solo, a densidade de lineamentos, a densidade de drenagem, o uso/cobertura da terra e a topografia. Alguns fatores adicionais, como distância das estradas, distância dos cursos d'água principais e distância dos assentamentos urbanos, também foram processados de acordo com os critérios da FAO. O objetivo do desenvolvimento de locais adequados para captação de água da chuva é melhorar a disponibilidade de recursos hídricos na área de estudo. Em relação à construção de estruturas de captação, a área de estudo foi classificada em cinco classes com base no grau de adequação: locais pouco adequados, moderadamente adequados, adequados, altamente adequados e muito altamente adequados. Durante a visita de campo, verificou-se que os resultados do MIF foram mais precisos do que os do modelo AHP em terrenos montanhosos da região. Os resultados do modelo MIF foram mais precisos e localmente relevantes devido à sua adaptabilidade no manejo de variáveis topográficas complexas e à sua capacidade de combinar pesos e classificações de subclasses. O MIF permite que os usuários classifiquem cada subclasse para a tomada de decisão, enquanto, por outro lado, o AHP atribui classificações e pesos aos parâmetros em vez de às subclasses desses parâmetros. Uma comparação entre MIF e AHP fornece uma compreensão mais profunda de como diferentes estratégias de atribuição de pesos e critérios de decisão afetam os resultados da análise espacial. O melhor desempenho do método MIF em comparação ao método AHP também foi confirmado pelo valor da pontuação ROC-AUC de 0,724 para o MIF e 0,692 para o AHP.
Esses métodos permitem uma tomada de decisão mais eficiente para o manejo sustentável dos recursos hídricos, minimizando custos, mão de obra e tempo. Isso é especialmente crucial porque o manejo sustentável dos recursos hídricos do mundo exigirá soluções criativas diante das mudanças climáticas, da crescente urbanização e da escassez de água. Ao demonstrar a eficiência dessas tecnologias em uma região topograficamente diversa como a Bacia do Panjkora, o estudo oferece um modelo para usos semelhantes em outras áreas com restrições ambientais análogas. Assim, ambos os modelos apresentaram bom desempenho e confirmaram sua aplicabilidade em outras regiões geográficas, ambientais e socioeconômicas além da região em estudo. Novas técnicas, como aprendizado de máquina e dados espaciais de alta resolução, poderiam ser incorporadas para aumentar a escalabilidade e a precisão das abordagens MIF e AHP. Análises em tempo real e automatizadas seriam viabilizadas por esses avanços, os quais são essenciais para aplicações dinâmicas e ampliadas.
Divulgações
The authors declare no conflicts of interest. None of the images and figures are AI-generated.
Author Contributions:
Shazia Gulzar: Conceptualization, Methodology, Data curation, Formal analysis, Investigation, Visualization, Writing-original draft. Muhammad Ali: Conceptualization, Supervision, Methodology, Validation, Writing, review and editing, Project administration. Abid Sarwar: Formal analysis, GIS and Remote Sensing analysis, Data interpretation, Validation, Visualization, Writing – review & editing. Hammad Gilani: Methodology, Validation, Writing, review & editing. Hassan Alsberi: Writing, review and editing, Visualization. Abdulqader M. Almars: Writing, review and editing, Formal analysis. Hasan Hashim: Validation, Writing, review & editing. El-Sayed Atlam: Formal analysis, Writing, review and editing. Ayman El Sabagh: Supervision, Writing, review & editing, Funding acquisition.
Agradecimentos
Os autores gostariam de agradecer à Diretoria de Estudos de Pós-Graduação e Pesquisa da Universidade de Taif, Arábia Saudita, pelo financiamento deste trabalho.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| ArcGIS Desktop | Esri | Version 10.3.1 | Utilizado para pré-processamento de dados espaciais baseado em SIG, geração de camadas temáticas, reclassificação, análise de sobreposição ponderada e mapeamento de aptidão. |
| Modelo digital de elevação (MDE), 12,5 m | Alaska Satellite Facility (ASF) Distributed Active Archive Center | N/A | MDE com resolução espacial de 12,5 m utilizado como raster de referência e para derivar camadas de declividade, rede de drenagem, densidade de drenagem e elevação; a data de aquisição relatada como 12/02/2023 no manuscrito deve ser esclarecida. |
| Dados geológicos | Geological Survey of Pakistan | N/A | Dados geológicos/litológicos utilizados para gerar a camada temática de geologia. |
| Dados de precipitação do Global Precipitation Measurement (GPM) | National Aeronautics and Space Administration (NASA) | Conjunto de dados de 2014 a 2023 | Dados de precipitação utilizados para gerar a camada temática de pluviosidade. Os autores devem especificar o produto/versão exata do GPM e a estatística temporal. |
| Pontos de validação de campo do Sistema de Posicionamento Global (GPS) | Não especificado | N/A | Localizações de validação de campo utilizadas para verificação cruzada e avaliação ROC-AUC. O fabricante e modelo do receptor/aplicativo GPS não foram especificados no manuscrito. |
| Imagens Landsat 8 | Fonte não especificada | ID do produto/cena não especificado | Utilizadas para extração de lineamentos. Os autores devem fornecer o repositório de origem, data de aquisição, ID do produto/cena, resolução espacial e detalhes de pré-processamento. |
| Imagens de satélite Sentinel-2B | Agência Espacial Europeia (ESA), Copernicus | Adquirido em 10 de setembro de 2025 | Utilizadas para mapeamento de uso e cobertura do solo com classificação supervisionada por Máxima Verossimilhança. Os autores devem incluir o identificador exato do produto/cena e o nível de processamento. |
| Dados de textura do solo | Directorate of Soil Survey, Khyber Pakhtunkhwa, Paquistão | N/A | Utilizados para gerar a camada temática de textura do solo. A edição ou identificador do conjunto de dados/mapa não foi especificado no manuscrito. |
Referências
- 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.