Исследовательская статья

Оптимизация выбора участка и пригодности конструкции для сбора дождевой воды с использованием геопространственного анализа, метода учета множества влияющих факторов и аналитического иерархического процесса

28 просмотров

⸱

DOI:

10.3791/72363

⸱

1 октября 2026 г.

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

В данной работе описывается комплексный подход на основе геоинформационной системы (ГИС) с использованием моделей многофакторного влияния (MIF) и метода анализа иерархий (AHP) для определения подходящих участков для сбора дождевой воды и выбора соответствующих сооружений в горных речных бассейнах, на примере бассейна реки Панджкора в северном Пакистане.

Аннотация

Сбор дождевой воды (СДВ) является важной практикой для сохранения водных ресурсов, совершенствования управления ими и смягчения последствий опасностей, связанных с водой, в горных районах. Выбор подходящего участка и соответствующей конструкции сооружения СДВ имеют жизненно важное значение для повышения доступности воды и сельскохозяйственной продуктивности в любых условиях, особенно в связи с гидрологической неопределенностью, вызванной изменением климата. Оценка и анализ участков СДВ в различных условиях по всему миру представляют собой сложную задачу, особенно в отдаленных, труднодоступных горных районах, где такие участки оказывают значительное влияние на окружающую среду, общество и экономику региона, а также территорий, расположенных ниже по течению. В данном исследовании метод многофакторного влияния (MIF) и метод анализа иерархий (AHP) были применены в географической информационной системе (ГИС) с использованием традиционных данных и данных дистанционного зондирования (ДЗЗ) для выбора подходящего участка СДВ и соответствующих конструкций в бассейне реки Панжкора в регионе Гиндукуш в северном Пакистане. Согласно результатам MIF (и AHP), в исследуемом регионе площадью 80,22 (1572,58) km2 участки менее пригодны, 1681,99 (1605,69) km2 — умеренно пригодны, 3116,10 (1768,62) km2 — пригодны, 844,86 (689,15) km2 — высокопригодны и 35,10 (122,61) km2 — очень высокопригодны для сооружений СДВ. Полученные карты были проверены с помощью анализа рабочих характеристик приемника и площади под кривой (ROC-AUC) (показатель MIF = 0,724 и показатель AHP = 0,692) для проверки точности и надежности моделей. Данное исследование, демонстрирующее результаты с многообещающей точностью, предоставит новые технические сведения по данной теме для дальнейшего совершенствования, оценки пригодности и возможности применения моделей в различных гидрометеорологических и физико-географических условиях. В целом, обе модели успешно определили подходящие участки для сбора дождевой воды; однако модель MIF превзошла модель AHP с точки зрения прогностической точности и пространственной надежности. Предложенная основа на базе ГИС может способствовать устойчивому планированию сбора дождевой воды и управлению водными ресурсами в горных водосборах.

Введение

Дефицит воды, включая истощение ресурсов как поверхностных, так и подземных вод, стал серьезной проблемой для многих развивающихся стран1. Быстрый рост населения, урбанизация, расширение сельского хозяйства, сложный рельеф и меняющиеся климатические условия усилили нагрузку на доступные водные ресурсы2,3. В регионах с водным стрессом чрезмерный забор подземных вод для удовлетворения бытовых и сельскохозяйственных нужд привел к понижению уровня грунтовых вод и снижению долгосрочной водной безопасности. Следовательно, срочно требуются стратегии устойчивого управления водными ресурсами, особенно в регионах с быстрым ростом населения, высокой уязвимостью водных ресурсов к изменению климата и растущим спросом на воду, таких как Пакистан. Среди различных стратегий адаптации сбор дождевой воды (RWH) стал эффективным подходом к сохранению стока осадков и восполнению доступных водных ресурсов4. Системы RWH собирают и хранят дождевую воду в влажные периоды для последующего использования, предоставляя устойчивую альтернативу для устранения нехватки воды как на местном, так и на региональном уровнях5,6. Однако успех систем RWH во многом зависит от выявления подходящих мест и соответствующих сооружений для сбора воды. Выбор участка представляет собой сложный процесс, поскольку на него влияет множество физиографических, экологических, гидрологических и социально-экономических факторов, которые пространственно варьируются в зависимости от региона7,8. Традиционно для поиска потенциальных участков RWH использовались полевые исследования, однако такие методы часто оказываются дорогостоящими, трудоемкими и непрактичными для больших и труднодоступных территорий, особенно в горных районах. Поэтому технологии геоинформационных систем (ГИС) и дистанционного зондирования (ДЗ) все чаще внедряются в качестве эффективной альтернативы для оценки RWH в региональном масштабе9. Многокритериальная оценка (MCE) на базе ГИС обеспечивает эффективную основу для интеграции различных тематических слоев, включая количество осадков, сток, уклон, характеристики почвы, землепользование/землепокрытие, плотность дренажной сети и социально-экономические параметры, для выявления подходящих зон RWH10,11. Наборы данных дистанционного зондирования дополнительно расширяют возможности этого подхода, предоставляя экономически эффективную пространственную информацию о больших и труднодоступных областях, включая растительный покров, геоморфологию, характеристики почвы и гидрологические особенности12. Пакистан входит в число стран, сталкивающихся с серьезными проблемами в области водных ресурсов из-за растущего спроса на воду, изменчивости климата и зависимости от сельского хозяйства13. Сельскохозяйственная экономика страны требует значительных водных ресурсов, в то время как снижение уровня подземных вод и нерегулярный режим осадков повысили уязвимость к нехватке воды. В результате сохранение и хранение дождевой воды стали важными стратегиями повышения доступности воды, особенно в засушливых и горных регионах12,14. Предыдущие исследования продемонстрировали эффективность подходов на основе ГИС и ДЗ для выбора участков RWH путем интеграции экологических и социально-экономических параметров15,16,17,18. Ряд исследователей применяли различные методы многокритериального принятия решений, включая метод анализа иерархий (AHP), нечеткий AHP и другие подходы к присвоению весов, чтобы определить подходящие места для RWH в различных условиях окружающей среды19. Несмотря на значительный прогресс, эффективность различных подходов к многокритериальному принятию решений может варьироваться в зависимости от региональных экологических характеристик, доступных наборов данных и экспертных систем весовых коэффициентов. В частности, мало исследований, в которых сравнивалась эффективность различных подходов в схожих условиях водосбора. Поэтому оценка и сравнение альтернативных методов принятия решений имеют важное значение для повышения надежности оценки пригодности участков для RWH. Настоящее исследование восполняет этот пробел, сравнивая методы многофакторного влияния (MIF) и анализа иерархий (AHP) для выявления подходящих участков RWH в бассейне реки Панджкора, Пакистан. Предполагается, что объединение в ГИС различных переменных, таких как топография, геологические свойства, динамика растительного покрова, плотность дренажных линий/линеаментов, характеристики почвы и количество осадков, с использованием многокритериального подхода к принянию решений позволит выявить наиболее подходящие участки RWH в условиях горной местности. Исследование предоставляет ценную информацию о применимости подходов поддержки принятия решений на основе ГИС для устойчивого планирования водных ресурсов в горных регионах.

Протокол

В данном исследовании использовались геопространственные данные, данные дистанционного зондирования и полевой валидации; участие людей, использование идентифицируемых персональных данных, животных или тканей позвоночных не предполагалось, поэтому одобрение институционального комитета по этике работы с людьми или животными не требовалось.

Регион исследования

Бассейн реки Панжкора представляет собой важный физико-географический регион, расположенный в восточной части гор Гиндукуш на севере Пакистана (Рисунок 1). Река Панжкора является главной рекой бассейна (длиной 113 км с площадью водосбора 5758,27 км2) и берет начало в виде горного потока из покрытых ледниками гор Гиндукуша. Она впадает в реку Сват недалеко от Чакдары, Нижний Дир20. В реку Панжкора впадает пять крупных притоков или ручьев, включая Баравал, Дир, Гавалдай, Джандол и Кохистан. Она простирается от 34°39′30′′ до 35°46′1′′ северной широты и от 71°13′08′′ до 72°22′13′′ восточной долготы. Расположение региона и пересеченная топография существенно влияют на его климат (горный и умеренный). В верхней части бассейна (Кумрат, Тал) зима более продолжительная, а лето более холодное. С ноября температура резко падает. Однако в Нижнем Дире (Тимергара, Талаш, Майдан, Самарбаг) с декабря по февраль температура обычно держится выше точки замерзания. Самыми теплыми месяцами в Тимергаре являются июнь, июль и август со средними максимальными температурами выше 35 °C, в то время как в городе Дир самыми жаркими месяцами являются июнь и июль (с максимальными температурами 32,4 °C и 31,5 °C). Источником летних осадков являются муссоны, тогда как зимние осадки приносят западные депрессии. Исследуемая область характеризуется высокой относительной влажностью воздуха в течение всего года. Речные и внезапные паводки21 происходят (почти) ежегодно, особенно в районах выше и ниже по течению от Вари. Основными сельскохозяйственными культурами, выращиваемыми в регионе, являются рис, пшеница, кукуруза, картофель и лук, а значимыми фруктами, выращиваемыми на исследуемой территории, являются хурма, апельсин, яблоко, грецкий орех, абрикос, слива, локват и шелковица.

figure-protocol-1
Рисунок 1: Карта района исследования бассейна реки Панжкора, северный Пакистан. (A) Расположение Хайбер-Пахтунхвы в Пакистане; (B) расположение бассейна реки Панжкора в Хайбер-Пахтунхве; и (C) бассейн реки Панжкора с указанием границ бассейна, распределения высот, речной сети и основных объектов в районе исследования. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Сбор и подготовка данных

Для данного исследования данные были собраны из различных источников. Данные об осадках были загружены с сайта Global Precipitation Measurement (GPM) Национального управления по аэронавтике и исследованию космического пространства (NASA) https://gpm.nasa.gov/missions/GPM за период с 2014 по 2023 год. Данные о гранулометрическом составе почвы были получены из Дирекции по исследованию почв Хайбер-Пахтунхва, Пакистан (www.soilconservation.kp.org). Геологические данные были получены из регионального офиса Геологической службы Пакистана (https://gsp.gov.pk/). Для сбора и расчета сценариев землепользования (землепользование/земельный покров) были получены снимки Sentinel 2 из открытого хаба Copernicus Европейского космического агентства (ESA) (https://scihub.copernicus.eu/). Для картирования землепользования и земельного покрова (LULC) использовались снимки Sentinel-2B, полученные 10 сентября 2025 года. Снимок был обработан и классифицирован с использованием алгоритма максимального правдоподобия (MLC). Всего по всей исследуемой области было собрано 65 обучающих выборок, представляющих семь классов LULC: водные объекты, лес, сельскохозяйственные земли, городские территории, обнаженная почва, снег/лед и пастбища. Подготовленные обучающие выборки использовались для проведения контролируемой классификации и создания итоговой карты LULC. Точность классификации оценивалась с помощью метода оценки точности на основе валидационных выборок, включая общую точность и коэффициент Каппа. Цифровая модель рельефа (DEM) с пространственным разрешением 12.5 была получена из Alaska Satellite facility (ASF) (https://asf.alaska.edu/) 2.12.2023. Модель DEM в дальнейшем использовалась для создания карт уклонов, дренажной сети, плотности дренажа и высотных отметок. Данные о существующих сооружениях для сбора дождевой воды были собраны из соответствующих ведомств для перекрестной проверки.

Все пространственные наборы данных были обработаны и проанализированы с помощью программного обеспечения географических информационных систем (ГИС) (см. Таблицу материалов). Данные тематических слоев ГИС представлены в Дополнительном файле 1. Все исходные наборы данных были спроецированы в единую проектируемую систему координат (СК) (WGS 1984 UTM Zone 42N) для обеспечения пространственной согласованности и точного расчета площади. Растровые наборы данных с различным пространственным разрешением были передискретизированы и приведены к единой сетке с использованием метода передискретизации по ближайшему соседу, что позволило сохранить исходные пространственные характеристики категориальных наборов данных. В качестве эталонного растра для пространственного выравнивания использовалась цифровая модель рельефа (ЦМР) с пространственным разрешением 12.5 m; все тематические слои были преобразованы в растровый формат с тем же размером ячейки и охватом. Граница района исследования бассейна реки Панжкора использовалась в качестве маски для извлечения всех входных слоев и поддержания единого пространственного охвата для анализа. Отсутствующие пиксели и области за пределами границ бассейна были исключены из анализа и обозначены как значения NoData. Тематические слои (осадки, уклон, плотность дренажной сети, плотность линеаментов, почвы, геология и землепользование/земельный покров) были переклассифицированы по классам пригодности с использованием метода естественных брейков Дженкса, а соответствующие ранги/веса были назначены на основе подходов MIF и AHP. В Таблице 1 приведены источники данных.

Таблица 1: Источники данных и характеристики, используемые для оценки пригодности сбора дождевой воды. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Моделирование пригодности MIF

Первоначально выбор различных параметров осуществляется на основе обзора литературы12. Для определения подходящих участков для сбора дождевой воды (RWH) в качестве отдельных влияющих факторов учитывались осадки, литология, плотность линеаментов, плотность дренажной сети, текстура почвы, уклон, а также землепользование и растительный покров. Для достижения этой цели проводится предварительная обработка параметров для создания шкалы влияния параметров; затем данные были категоризированы в соответствии с их значимостью для RWH, а основные и второстепенные показатели важности были определены с использованием формулы многофакторного влияния (Уравнение 1). В Таблице 2 показана основная и второстепенная важность различных факторов22 (см. Дополнительный файл 2)

Таблица 2: Избранные влияющие факторы, а также их основные и второстепенные показатели влияния, использованные в модели многофакторного влияния (MIF). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Выбранные факторы были ранжированы с использованием соотношения,

[(X+Y) ÷ ∑(X+Y)] × 100 (1)

где Y обозначает малый эффект факторов, а X — основной эффект. Основное и малое влияния каждого фактора рассчитываются с помощью уравнения 1.

Значения основного (X) и второстепенного (Y) влияния были присвоены на основе предыдущих исследований и гидрологической значимости каждого фактора в регулировании образования стока, инфильтрации и потенциала сбора дождевой воды12. Основное влияние присваивалось факторам, оказывающим прямое воздействие на пригодность RWH, в то время как второстепенное влияние отражало косвенные связи между контролируемыми параметрами. Веса факторов были рассчитаны с помощью уравнения (1) путем нормирования комбинированных показателей основного и второстепенного влияния. Веса подклассов были присвоены в соответствии с их относительным вкладом в накопление стока, инфильтрационную способность, удержание воды и пригодность для сооружений RWH. Такой подход обеспечил прозрачную и воспроизводимую систему взвешивания для анализа пригодности на основе ГИС.

Относительная важность согласно шкале Саати представлена в Таблице 3.

Таблица 3: Шкала относительной важности Саати, используемая для анализа методом анализа иерархий (AHP). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Значения тематических уровней по всем параметрам объединяются; баллы по каждому подклассу параметров MIF приведены в таблице 4. С помощью метода переклассификации результат MIF разделяется на пять категорий для сбора дождевой воды. В завершение создаются и анализируются карты оптимальных мест установки различных сооружений для сбора дождевой воды, таких как перегораживающие плотины, фермерские пруды, запруды в оврагах и другие водоохранные сооружения. На рисунке 2 представлена схема методологии.

figure-protocol-2
Рисунок 2: Методологическая схема оценки пригодности участков для сбора дождевой воды с использованием ГИС-моделей MIF и AHP. Схема иллюстрирует процесс получения и обработки данных полевых исследований, геологических и почвенных данных, данных ALOS PALSAR DEM, ESA и GPM для создания тематических слоев, включая геологию, почвы, уклон, плотность дренажа, плотность линеаментов, землепользование/землепокрытие (LULC) и количество осадков. Эти слои были интегрированы с использованием метода многофакторного влияния (MIF) для построения карты пригодности для сбора дождевой воды с последующей полевой валидацией для создания итоговых подтвержденных карт Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 4: Ранги и веса тематических факторов и подклассов для картирования пригодности сбора дождевой воды, определенные на основе метода многофакторного влияния (MIF). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Моделирование пригодности с помощью метода AHP

Метод анализа иерархий (МАИ) представляет собой эффективную методику решения сложных задач принятия решений, которая также помогает лицу, принимающему решения, устанавливать приоритеты и выбирать оптимальный вариант23. МАИ является систематической структурой для организации и оценки сложных решений посредством применения математического аппарата и экспертных знаний24. МАИ помогает определить как субъективные, так и объективные аспекты решения, упрощая сложные суждения с помощью попарных сравнений и последующей оценки результатов25. Поскольку сравнения основаны на субъективных или индивидуальных точках зрения, определенный разброс данных неизбежен. Путем вычисления коэффициента согласованности и устранения систематических ошибок принятия решений метод МАИ предоставляет полезный инструмент для оценки согласованности суждений эксперта, обеспечивая единство восприятия. Одним из основных преимуществ МАИ является коэффициент согласованности, который количественно определяет степень согласованности между попарными сравнениями различных критериев26,27,28,29. Географические входные данные объединяются и преобразуются с помощью МАИ в итоговый результат принятия решения. С использованием шкалы Саати (Таблица 3) качественные данные по различным темам и характеристикам преобразуются в количественные данные путем создания матрицы попарных сравнений30,31. Основной процесс включает в себя постановку цели, рассмотрение и оценку факторов или стандартов, влияющих на окончательное решение, и использование шкалы Саати для присвоения рейтинга каждому критерию. Для проверки согласованности присвоенных весов коэффициент согласованности (CR), предложенный Саати23, был рассчитан с использованием уравнений 2 и 3:

CR = CI/RCI (2)

где CI — индекс согласованности, а RCI — случайный индекс согласованности.

Индекс консистенции (CI) определяется следующим уравнением:

figure-protocol-3 (3)

где n — количество критериев, а λmax — максимальное собственное число. Среднее значение индекса согласованности оценивается по случайному индексу.

Выбор структуры RWH

Землепользование и земельный покров (LULC)

Землепользование характеризует способ использования земли, в то время как земельный покров описывает природные особенности территории. Важная информация о распространении стока содержится в данных LULC32. В районах с растительным покровом более высокие показатели абсорбции и инфильтрации связаны с меньшим объемом стока, тогда как открытые участки почвы и застроенные территории способствуют интенсивному образованию стока33,34. Для подготовки карт землепользования и земельного покрова исследуемой области использовались данные спутника Sentinel 2b. Землепользование бассейна реки Панжкора было разделено на семь классов: водные объекты, леса, посевные и сельскохозяйственные земли, городские земли, открытые участки почвы, снег/лед и пастбищные земли. Весовые коэффициенты пригодности, присвоенные различным классам землепользования и земельного покрова, основывались на их влиянии на генерацию стока, инфильтрацию и потенциал накопления дождевой воды. Сельскохозяйственные земли получили наивысший рейтинг пригодности, поскольку они обычно производят умеренный сток и напрямую выигрывают от использования собранной воды для ирригации. Бесплодным землям также был присвоен относительно высокий вес, так как редкая растительность и обнаженные поверхности почвы способствуют большему поверхностному стоку по сравнению с густозаросшими участками. Напротив, лесным массивам были присвоены более низкие веса, поскольку густая растительность перехватывает осадки, увеличивает инфильтрацию за счет разветвленных корневых систем и снижает поверхностный сток. Городским территориям и существующим водным объектам была присвоена низкая пригодность, так как на них либо ограничены возможности строительства дополнительных сооружений для сбора дождевой воды (RWH), либо они уже заняты водонепроницаемыми поверхностями или водными объектами (Рисунок 3A).

Плотность дренажной сети

Инфильтрация грунтовых вод и поверхностный сток на определенной территории описываются плотностью дренажной сети. Плотность дренажной сети отражает как характеристики подповерхностных гидрологических формаций, так и особенности поверхности. Она указывает на тесноту расположения русел и свойства поверхностного материала. Снижение плотности дренажной сети приводит к уменьшению стока, и наоборот12. В районах с низкой плотностью дренажной сети обычно наблюдаются более низкие показатели инфильтрации и стока, и наоборот. Плотные дренажные сети имеют важное значение для сбора дождевой воды. Системы сбора дождевой воды (RWH) более подходящи для районов с более высокой плотностью дренажной сети, так как они обеспечивают систему, позволяющую воде течь и быстро транспортироваться в точку сбора34,35. Плотность дренажной сети бассейна реки Панжкора была разделена на пять классов на основе метода естественных разрывов Дженкса: 0–9,4907, 9,4907–27,207, 27,207–48,219, 48,219–79,089 и 79,089–161,34 km/km2. Зонам с низкой и умеренной плотностью дренажной сети было присвоено более высокое весовое значение, поскольку они считаются идеальными местами для сбора дождевой воды (Рисунок 3B).

Плотность линеаментов

Линеаменты представляют собой линейные подповерхностные структуры, которые обычно определяются по геологическим картам и также видны на спутниковых снимках. Линеаменты (залегающие под зонами локального или структурного выветривания) характеризуются повышенной пористостью и проницаемостью12. Линеаменты были извлечены из снимка Landsat 8 с помощью программного обеспечения для обработки данных дистанционного зондирования. Для создания растрового слоя линеаментов использовался инструмент расчета плотности линий (line-density). Далее плотность линеаментов была разделена на пять классов с помощью метода естественных разрывов Дженкса: 0.0072-0.406 km/km2, 0.406-0.664 km/km2, 0.664-0.921 km/km2, 0.921-1.33 km/km2 и 1.33-2.13 km/km2 (Рисунок 3C).

Почва

Текстура почвы является важным фактором при планировании систем сбора дождевой воды (RWH) и выборе участка. Инфильтрационная способность почвы определяется ее текстурой. В целом, песчаные почвы создают меньший сток по сравнению с глинистыми почвами36. Текстурный класс почвы определяется процентным содержанием алеврита, песка и глины. Глинистая почва обладает низкой проницаемостью и способна удерживать собранную воду, поэтому для сбора дождевой воды часто предпочтительны участки со средне- и мелкозернистыми почвами8,37. Район исследования характеризуется пятью типами текстуры почвы: ледники и снежные шапки, суглинистые почвы, некарбонатные глинистые почвы, суглинистые некарбонатные почвы с малой глубиной залегания, суглинистые почвы с очень малой глубиной залегания и скальные выходы (Рисунок 3D).

Наклон

На инфильтрацию и поверхностный сток существенное влияние оказывает топография8. Изменение уклона водосбора заметно влияет на движение воды во время и после ливня. Строительство сооружений для сбора дождевой воды (RWH) на крутых склонах экономически невыгодно из-за значительного объема необходимых земляных работ38. Для обеспечения высокого потенциала RWH наиболее подходящими являются участки с пологим склоном. Сооружения RWH недолговечны в районах с крутыми склонами (уклон более 5%)39. В районах с более крутыми склонами также предусматриваются меры по борьбе с эрозией40. Уклон рассчитывался в градусах, и исследуемая область была разделена на пять классов с использованием метода естественных разрывов Дженкса: 0°–11,9°, 12°–22,5°, 22,6°–31,8°, 31,9°–42,4° и 42,5°–82° (Рисунок 3E).

Осадки

Осадки являются основным компонентом, формирующим поверхностный сток. Данные об осадках были получены из базы данных Global Precipitation Measurement (GPM) NASA по адресу https://gpm.nasa.gov/missions/GPM за период с 2014 по 2023 год41. Данные GPM об осадках за 2014–2023 годы и метод классификации Дженкса (Jenks Natural Breaks) были использованы для разделения исследуемой области на пять классов интенсивности осадков (mm): 49.93–57.014, 57.014–61.773, 61.773–65.262, 65.262–68.646 и 68.646–76.894 (Рисунок 3F).

Геология

Физический состав водосбора и количество образующихся почв в значительной степени зависят от геологии данной местности. Геологические особенности определяют поток воды в подземные водоносные горизонты40. В районе данного исследования преобладают два основных типа горных пород: осадочные и метаморфические. Литология была разделена на породы нижнего палеозоя, карбоновые осадочные породы, меловые осадочные породы, мезозойские интрузивные и метаморфические породы, триасовые породы, нерасчлененные палеозойские породы, нерасчлененные докембрийские породы и нерасчлененные силурийские породы. Доступность и аккумулирующая способность существенно зависят от типа литологии; некоторые породы обладают способностью пропускать поверхностные воды и пополнять водоносный горизонт41. С другой стороны, некоторые породы позволяют воде проходить сквозь них, способствуя подпитке подземных вод. Литология оказывает сильное влияние на формирование стока через воздействие на проницаемость, пористость и инфильтрационную способность. В бассейне реки Панжкора плотные метаморфические породы, как правило, характеризуются более низкой первичной пористостью и проницаемостью, чем несвязанные или высокопористые осадочные отложения. Следовательно, вероятность инфильтрации осадков ниже, а вероятность образования поверхностного стока выше, что делает такие формации более подходящими для сооружений по сбору дождевой воды. Напротив, осадочные формации, содержащие крупнозернистые или песчаные материалы, обычно обеспечивают более высокую инфильтрацию, тем самым снижая объем поверхностного стока, доступного для накопления. Поэтому метаморфическим породам были присвоены более высокие веса пригодности, в то время как осадочным формациям — относительно более низкие. На рисунке 3G представлена геологическая карта бассейна реки Панжкора. Все данные доступны в дополнительных файлах 1 и 3 (Supplementary Files 1 and 3).

figure-protocol-4
Рисунок 3: Пространственное распределение тематических факторов, использованных для оценки участков сбора дождевой воды в бассейне реки Панжкора. (A) землепользование/землепокрытие, (B) плотность дренажной сети, (C) плотность линеаментов, (D) текстура почвы, (E) уклон, (F) количество осадков и (G) геология. Различные цвета обозначают соответствующие классы каждого тематического фактора. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Результаты

Переклассификация тематической карты для модели MIF

Землепользование, почвенный покров и сбор дождевой воды (RWH)

Землепользование в бассейне реки Панжкора было разделено на семь классов, а именно: водные объекты, лесные земли, посевные и сельскохозяйственные угодья, городские земли, незаселенные земли, снег и лед, а также пастбищные регионы. Районам, где сбор дождевой воды (RWH) имеет жизненно важное значение, был присвоен высокий вес на основе литературных данных. Сельскохозяйственным и бесплодным землям была присвоена более высокая пригодность, так как эти классы почвенного покрова обычно генерируют больший поверхностный сток, чем густолесные районы, и обеспечивают благоприятные условия для хранения собранной воды для сельскохозяйственных нужд. Лесные массивы получили более низкую пригодность, поскольку более плотный растительный покров способствует перехвату осадков и инфильтрации, тем самым снижая интенсивность стока. Городским районам и существующим водным объектам были присвоены более низкие веса, так как они предоставляют ограниченные возможности для внедрения новых систем сбора дождевой воды. Таким образом, сельскохозяйственным и бесплодным землям был присвоен больший вес, в то время как поверхностным водам и городским районам — меньший вес в контексте сбора дождевой воды (Рисунок 4A). Классам землепользования и земельного покрова (LULC) были присвоены веса в соответствии с их относительной важностью для пригодности сбора дождевой воды (Таблица 4): водные объекты (1), бесплодные земли (6), лесной покров (2), городские районы (1) и сельскохозяйственные угодья (7).

Плотность дренажной сети и сбор дождевой воды (RWH)

Инфильтрация грунтовых вод и сток поверхностных вод описываются плотностью дренажной сети. В районах с низким стоком наблюдалась высокая инфильтрация, в то время как в районах с низкой плотностью дренажа инфильтрация была ниже. Зонам с низкой и умеренной плотностью дренажа был присвоен высокий ранг (7, 4), а зонам с высокой и очень высокой плотностью дренажа — самый низкий вес (3, 2) на основании 23 (Рисунок 4B). Районы с низкой и умеренной плотностью дренажа были отмечены как наиболее подходящие для сбора дождевой воды в данном регионе.

Плотность линеаментов и RWH

Плотность линеаментов в исследуемой области была разделена на пять классов с помощью метода естественных разрывов Дженкса: очень высокая пригодность, высокая пригодность, умеренная пригодность, низкая пригодность и очень низкая пригодность, и соответствующим образом были присвоены весовые коэффициенты (7, 4, 3, 2, 1) (Рисунок 4C и Таблица 4). В исследуемой области зоны с высокой плотностью считались наименее подходящими участками для сбора дождевой воды, в то время как зоны с низкой плотностью рассматривались как имеющие высокий потенциал и получили более высокое значение веса.

Почва и система сбора дождевой воды (RWH)

Было картировано пять типов текстуры почвы, а именно: (ледники и снежные шапки), (суглинистые глинистые некарбонатные почвы), (суглинистые мелкозалегающие некарбонатные почвы), (суглинистые очень мелкозалегающие почвы) и (скальные выходы) (Рисунок 4D). При назначении весов учитывались водоудерживающая способность и проницаемость. Согласно Саати23, наибольший вес был присвоен способности суглинистых и глинистых почв удерживать воду на поверхности. Очень мелкозалегающие горные суглинистые почвы имеют низкое значение веса из-за их высокой пористости и высокой проницаемости.

Уклон и Сбор дождевой воды (RWH)

Данные об уклонах были разделены на пять классов на основе метода естественных границ Дженкса, а именно: (0–11,9) градусов, (12–22,5) градусов, (22,6–31,8) градусов, (31,9–42,4) градусов и (42,5–82) градусов (Рисунок 4E). В методе MIF областям с умеренным уклоном (12–22,5) было присвоено высокое значение, тогда как областям с очень крутым уклоном — низкое значение. Это указывает на то, что уклону был присвоен определенный вес. Для определения весов и рангов классов использовалась формула модели MIF.

Осадки и Сбор дождевой воды (RWH)

Были использованы данные GPM об осадках за период 2014–2023 гг., которые были разделены на пять классов (в мм) согласно классификации Дженкса: (49,93–57,014), (57,014–61,773), (61,773–65,262), (65,262–68,646) и (68,646–76,894) (Рисунок 4F). Значения присваивались на основе количества осадков; области с высоким уровнем осадков получили высокие веса, и наоборот.

Геология и Сбор Дождевой Воды (RWH)

Большая часть исследуемой области представлена метаморфическими и осадочными породами. Доступность и аккумулирующая способность в значительной степени зависят от литологии и типа горной породы; определенные породы способны пропускать поверхностные воды и пополнять водоносный горизонт. С другой стороны, некоторые породы позволяют воде проходить сквозь них, способствуя подпитке подземных вод. Метаморфическим породам была присвоена более высокая степень пригодности, поскольку их сравнительно низкая проницаемость способствует образованию поверхностного стока, тем самым увеличивая объем стока, доступного для сбора. Напротив, осадочные формации обычно обладают более высокой проницаемостью и инфильтрационной способностью, что позволяет большей части осадков проникать в подповерхностный слой, а не формировать поверхностный сток. Таким образом, метаморфические породы были признаны более подходящими для сбора поверхностных дождевых вод в исследуемой области. На рисунке 4G представлена переклассифицированная геологическая карта.

Присвоение весов с помощью метода анализа иерархий (AHP)

Согласно рекомендациям Wind и Saaty23, в исследовании рассматривались семь тематических слоев, каждому из которых был присвоен вес от 1 до 9 в зависимости от его пригодности для сбора дождевой воды. Данный подход указывает на то, что веса также были распределены по классам объектов. В Таблице 5 показана нормализация весов, присвоенных критерию и соответствующим классам объектов, с использованием метода анализа иерархий (AHP)30. Экспертная оценка имела решающее значение при определении весов различных факторов, которые оценивались на основе влияния каждого фактора на исследуемую область. После расчета нормализованные веса составили: землепользование/землепокров (0,23), осадки (0,27), плотность дренажной сети (0,13), уклон (0,07), плотность линеаментов (0,08), геология (0,10) и почва (0,10). Для тематических слоев коэффициент согласованности, вычисленный по уравнению 3, составил 0,08, что ниже порогового значения 0,10. Кроме того, коэффициент согласованности классов объектов аналогично находился в пределах 0,10 (Таблица 6). Согласно коэффициенту согласованности для данного исследования, слои и объекты являются согласованными. Для определения относительной значимости тематических слоев также был проведен попарный анализ, результаты которого представлены в Таблице 5.

Таблица 5: Матрица попарного сравнения и нормализованные веса тематических факторов, использованные в модели метода анализа иерархий (МАИ). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 6: Веса и ранги тематических факторов и подклассов для анализа пригодности сбора дождевой воды, рассчитанные на основе метода анализа иерархий (AHP). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

figure-results-1
Рисунок 4: Переклассифицированные тематические слои, использованные для анализа пригодности сбора дождевой воды в бассейне реки Панджкора. (A) Переклассифицированное землепользование/землепокров; (B) плотность дренажной сети; (C) плотность линеаментов; (D) текстура почвы; (E) уклон; (F) количество осадков и (G) геология. Классы были переклассифицированы в соответствии с их баллами пригодности для выбора площадок сбора дождевой воды. Числа/цвета указывают назначенные классы пригодности, от очень низкой до очень высокой пригодности, где применимо. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Потенциальные области сбора дождевой воды

Итоговые карты, созданные с помощью методов MIF и AHP, были разработаны путем применения techniques взвешенного наложения и взвешенного суммирования. С использованием этих двух моделей исследуемая область была разделена на пять классов (Рисунок 5) в зависимости от степени пригодности: малопригодные, умеренно пригодные, пригодные, высокопригодные и очень высокопригодные участки. Результаты MIF для сбора дождевой воды в бассейне реки Панжкора показывают, что площадь 80,22 km2 характеризуется низкой пригодностью, 1681,99 km2 является умеренно пригодной, 3116,1 km2 — пригодной, 844,86 km2 обладает высокой пригодностью и 35,10 km2 обладает очень высокой пригодностью для RWH. В то же время результаты AHP демонстрируют, что площадь 1572,58 km2 имеет низкую пригодность, 1605,69 km2 является умеренно пригодной, 1768,62 km2 — пригодной, 689,15 km2 обладает высокой пригодностью и 122,611 km2 обладает очень высокой пригодностью (Таблица 7, Рисунок 5 и Рисунок 6>) для RWH. Карты пригодности, полученные на основе MIF и AHP, представлены в Дополнительном файле 4.

Таблица 7: Сравнение классов пригодности для сбора дождевой воды, полученных с помощью моделей многофакторного влияния (MIF) и метода анализа иерархий (AHP). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

figure-results-2
Рисунок 5: Пространственное распределение потенциальных участков для сбора дождевой воды, выявленных с помощью (A) метода MIF и (B) метода AHP в бассейне реки Панджора. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-3
Рисунок 6: Сравнение площадей, классифицированных по различным классам пригодности для сбора дождевой воды с использованием методов многофакторного влияния (MIF) и метода анализа иерархий (AHP). Столбцы показывают площадь (km2) для каждого класса пригодности, включая зоны с низкой, умеренной, подходящей, высокой и очень высокой пригодностью. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Выбор подходящих конструкций для сбора дождевой воды (RWH)

Инженерные критерии, использованные для выбора подходящих мест для сооружений по сбору дождевой воды (RWH), включая перегораживающие плотины, фермерские пруды и заглушки оврагов, были заимствованы из Руководства по сбору воды Продовольственной и сельскохозяйственной организации ООН (ФАО)42. Согласно рекомендациям ФАО, при выборе подходящих сооружений RWH следует учитывать топографию (уклон), характеристики дренажа, потенциал стока, текстуру почвы, литологию, землепользование/землепокров и условия водосбора для обеспечения технической осуществимости, структурной устойчивости и долгосрочной эффективности систем сбора. Эти международно признанные инженерные критерии были интегрированы в систему многокритериальной оценки на основе ГИС, использованную в данном исследовании. Основная цель сохранения дождевой воды с помощью водосберегающих сооружений (контурное траншееобразование, каменные набросные плотины, заглушки оврагов и перегораживающие плотины) заключается в снижении или остановке потока воды. Контурное траншееобразование и подземные плотины являются двумя эффективными способами применения RWH в засушливых районах для решения острых проблем засухи и дефицита воды43. После выявления потенциальных участков RWH были определены оптимальные места для строительства сооружений RWH. После анализа условий исследуемой области было установлено, что только три типа сооружений RWH заслуживают рассмотрения: фермерские пруды, перегораживающие плотины и заглушки оврагов (Table 8). Фермерские пруды представляют собой небольшие земляные барьеры с уклоном от 1% до 6%. Целью строительства фермерских прудов является разделение длинного склона на несколько более коротких и менее крутых участков для снижения скорости потока и эрозии, вызываемой сточными водами. Перегораживающие плотины имеют большее значение, чем другие типы сооружений, поскольку они могут снизить эрозию почвы и аккумулировать дождевую воду. Расстояние между двумя перегораживающими плотинами при их строительстве цепочкой вдоль русла ручья должно быть больше ширины растекания воды. Эрозия верхнего слоя почвы дождевой водой приводит к образованию оврагов. Постепенно эрозия усиливается, и овраг приобретает более определенную форму. Затем через определенные интервалы поперек оврага устанавливаются барьеры или заглушки из различных материалов, чтобы остановить эрозию и сохранить дождевую воду для последующего использования. На карте (Figure 7) показаны места сбора дождевой воды в бассейне реки Панжкора. Метаданные для выявленных подходящих мест RWH представлены в Supplementary File 5.

Таблица 8: Предлагаемые сооружения для сбора дождевой воды и их географические характеристики в бассейне реки Панджкора. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

figure-results-4
Рисунок 7: Пространственное распределение потенциальных сооружений для сбора дождевой воды в бассейне реки Панжкора. На карте показаны места размещения предлагаемых заградительных плотин, фермерских прудов и противоэрозионных запрудок в пределах выявленных подходящих зон. Также показаны границы бассейна и дренажная сеть. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Валидация модели

Результаты модели на основе ГИС всегда требуют верификации с наземными данными. После извлечения данных была проведена обширная съемка территории, и результаты были перепроверены по существующим сооружениям для сбора дождевой воды (RWH) в исследуемой области. В ходе обследования было обнаружено, что некоторые сооружения для сбора дождевой воды уже были построены в подходящих местах, однако их было недостаточно для данной территории. Верификация результатов MIF и AHP проводилась с использованием метода перекрестной проверки. Наиболее подходящие зоны соответствуют местам возможного проведения работ. Кроме того, в ходе физической съемки были определены различные локации для будущих мероприятий по сбору дождевой воды. Точки валидации полевой съемки и географические координаты приведены в Дополнительном файле 6. Статистическая валидация модели была выполнена с использованием анализа площади под кривой рабочей характеристики приемника (ROC AUC). Данные и результаты ROC-анализа для модели AHP представлены в Дополнительном файле 7. ROC-анализ проводился на основе точек системы глобального позиционирования (GPS) полевой валидации (Рисунок 8A) и результатов моделей AHP и MIF. Соответствующие данные и результаты ROC-анализа для модели MIF приведены в Дополнительном файле 8. Модели MIF демонстрируют кривую AUC 0,72 (Рисунок 8B), а модель AHP — 0,69 (Рисунок 8C). Согласно общепринятым критериям интерпретации ROC-AUC, значения AUC классифицируются как отсутствие дискриминации (0,50), плохая (от 0,50 до 0,60), удовлетворительная (от 0,60 до 0,70), хорошая (от 0,70 до 0,80), очень хорошая (от 0,80 до 0,90) и отличная (0,90 и выше) для оценки прогностической способности. Соответственно, модель MIF продемонстрировала хорошую прогностическую способность (0,72), в то время как модель AHP показала удовлетворительную (близкую к хорошей) прогностическую эффективность (0,69). Хотя обе модели показали результаты существенно выше случайных предсказаний (AUC = 0,50), более высокое значение AUC, полученное моделью MIF, указывает на большее соответствие наблюдаемым местам сбора дождевой воды и говорит о том, что подход MIF является более надежным для определения подходящих участков RWH в горном рельефе бассейна реки Панджкора. Таким образом, в исследуемой области MIF является сравнительно более качественной моделью, чем AHP. Более высокая эффективность модели MIF по сравнению с моделью AHP может быть обусловлена сложными экологическими и географическими характеристиками бассейна Панджкора. Бассейн характеризуется пересеченным горным рельефом, сильно меняющимися уклонами, гетерогенными литологическими формациями и разнообразными типами землепользования и растительного покрова, которые в совокупности оказывают сильное влияние на формирование стока и потенциал сбора дождевой воды. В отличие от метода AHP, который опирается преимущественно на парные сравнения, полученные экспертным путем, подход MIF более гибко учитывает относительное влияние и взаимодействие множества экологических факторов. Это позволяет модели лучше отображать пространственную изменчивость гидрологических процессов в пределах водосбора. В результате модель MIF создала более реалистичные модели пригодности, что привело к более высокому значению AUC и лучшему соответствию расположению существующих сооружений для сбора дождевой воды. Более того, бассейн Панджкора характеризуется значительной пространственной неоднородностью распределения осадков, плотности дренажной сети, уклона, текстуры почвы и геологических условий. Эти факторы взаимодействуют по-разному в разных частях водосбора, что делает влияние отдельных параметров неоднородным. Подход MIF лучше подходит для фиксации этих вариаций, поскольку он оценивает совокупное влияние нескольких кондиционирующих факторов, а не полагается исключительно на субъективные парные суждения. Вероятно, это способствовало повышению его прогностической эффективности по сравнению с моделью AHP.

figure-results-5
Рисунок 8: Валидация моделей пригодности для сбора дождевой воды с использованием анализа рабочей характеристики приемника (ROC-анализа). (A) Пространственное распределение точек полевой валидации, использованных для проверки модели; (B) ROC-кривая и площадь под кривой (AUC) для модели многофакторного влияния (MIF); и (C) ROC-кривая и AUC для модели метода анализа иерархий (AHP). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

ДОСТУПНОСТЬ ДАННЫХ:

Наборы данных, использованные в данном исследовании, находятся в открытом доступе или могут быть получены в соответствующих организациях. Данные об осадках Global Precipitation Measurement (GPM) доступны в репозитории миссии NASA GPM (https://gpm.nasa.gov/missions/GPM). Спутниковые снимки Sentinel-2 были получены из ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/). Цифровая модель рельефа (ЦМР) была загружена из Центра распределенного активного архива (Distributed Active Archive Center) Alaska Satellite Facility (ASF) (https://asf.alaska.edu/). Извлеченные данные (валидация, все растровые данные, все метаданные, расчеты модели) представлены в Дополнительные файлы 1–8.

Дополнительный файл 1: Данные тематических слоев ГИС. Пространственные данные, использованные для создания тематических слоев ГИС, включенных в анализ пригодности для сбора дождевой воды, в том числе экологические и гидрологические факторы, оцениваемые в исследовании.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Расчеты MIF.Расчеты, использованные для определения относительного влияния, весовых коэффициентов факторов и баллов, примененных при анализе пригодности сбора дождевой воды на основе MIF.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3: Переклассифицированные слои ГИС и пороги пригодности. Переклассифицированные тематические слои и соответствующие диапазоны классов, пороговые значения, ранги и показатели пригодности, использованные в анализах MIF и AHP.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 4: Результаты карты пригодности на основе MIF и AHP. Пространственные результаты анализов MIF и AHP, демонстрирующие итоговую классификацию пригодности для сбора дождевой воды в бассейне реки Панжкора.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 5: Метаданные для выявленных подходящих мест сбора дождевой воды.Метаданные, связанные с местами, определенными как подходящие для сооружений по сбору дождевой воды, включая доступную пространственную информацию и сведения об участках.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 6: Точки валидации полевого обследования. Данные валидации полевого обследования, включая географические координаты точек валидации, использованных для оценки карт пригодности для сбора дождевой воды, полученных с помощью MIF и AHP.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 7: ROC-анализ для модели AHP. Данные и результаты анализа рабочей характеристики приемника (ROC), использованные для оценки прогностической способности модели метода анализа иерархий (AHP).Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 8: ROC-анализ для модели MIF.Данные и результаты ROC-анализа, использованные для оценки прогностической способности модели многофакторного влияния (Multi-Influencing Factor, MIF).Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В данном исследовании сравнивались два широко используемых подхода к многокритериальному принятию решений на основе ГИС, а именно метод многофакторного влияния (MIF) и метод анализа иерархий (AHP), для определения подходящих участков для сбора дождевой воды (RWH) в горном бассейне реки Панджкора в северном Пакистане. Хотя обе модели успешно определили потенциальные зоны сбора, в их пространственных прогнозах и результатах валидации наблюдались заметные различия. Анализ ROC-AUC показал, что модель MIF (AUC = 0.724) сработала лучше, чем модель AHP (AUC = 0.692), что указывает на приемлемую прогностическую способность обеих моделей, при этом подход MIF обеспечивает большее соответствие распределению существующих сооружений для сбора дождевой воды и полевым наблюдениям. Превосходство модели MIF можно объяснить сложными гидрологическими и геоморфологическими характеристиками бассейна Панджкора. Водосбор характеризуется пересеченным горным рельефом, сильной изменчивостью уклонов, неоднородной литологией, разнообразными типами землепользования и пространственно изменчивым количеством осадков. Эти переменные среды взаимодействуют одновременно, определяя генерацию стока, инфильтрацию и потенциал накопления воды. В отличие от подхода AHP, который опирается преимущественно на экспертные попарные сравнения критериев, метод MIF оценивает как относительную важность, так и кумулятивные взаимодействия между множеством обуславливающих факторов. Следовательно, MIF лучше улавливает пространственную неоднородность горных водосборов, где генерация стока регулируется совокупным влиянием топографии, геологии, текстуры почвы, характеристик дренажа и растительного покрова, а не отдельными факторами по отдельности. Аналогичные наблюдения показали, что подходы к взвешиванию на основе влияния хорошо работают в гидрологически неоднородных средах, поскольку они лучше представляют взаимодействия между переменными окружающей среды22,34,41. Пространственное распределение высокопригодных зон RWH отражает физические характеристики водосбора. Западные и южные части бассейна были определены как наиболее благоприятные участки, поскольку в них сочетаются умеренные уклоны, подходящая плотность дренажа, благоприятная текстура почвы, относительно более высокое количество осадков и условия землепользования, способствующие генерации стока и при этом технически допустимые для строительства сооружений для сбора воды. Умеренные уклоны достаточно снижают скорость потока для облегчения сбора стока, сводя к минимуму чрезмерную эрозию и затраты на строительство. Напротив, очень крутые склоны вызывают быстрый сток, предлагают ограниченные возможности для хранения и увеличивают структурную нестабильность, что делает их менее подходящими для строительства перегораживающих плотин или фермерских прудов. Эти результаты согласуются с предыдущими исследованиями, в которых уклон был определен как доминирующий фактор пригодности RWH в горных условиях8,36,39. Геология также сыграла значительную роль в определении пригодности RWH. В бассейне Панджкора метаморфические породы обычно обладают более низкой первичной пористостью и проницаемостью, чем многие осадочные образования, что снижает потери на инфильтрацию и увеличивает поверхностный сток, доступный для сбора. Следовательно, эти формации получили более высокие веса пригодности, так как они способствовали накоплению стока, необходимого для таких поверхностных накопительных сооружений, как перегораживающие плотины и фермерские пруды. Напротив, осадочные породы с относительно более высокой проницаемостью допускают большую инфильтрацию и пополнение подземных вод, что снижает объем поверхностного стока, доступного для сбора. Схожие взаимосвязи между литологией, генерацией стока и пригодностью для сбора дождевой воды описывались ранее12,40. Землепользование/земельный покров и текстура почвы дополнительно повлияли на пространственное распределение подходящих участков сбора. Сельскохозяйственные и бесплодные земли продемонстрировали более высокую пригодность, так как эти поверхности обычно генерируют умеренный или высокий сток, одновременно предоставляя прямые возможности для хранения и использования воды в сельском хозяйстве. В отличие от них, лесные массивы показали сравнительно более низкую пригодность, поскольку густая растительность перехватывает осадки, улучшает структуру почвы и увеличивает инфильтрацию за счет обширных корневых систем, тем самым сокращая поверхностный сток. Аналогичным образом, глинистые и суглинистые почвы считались более благоприятными из-за их относительно низкой проницаемости и большей влагоемкости, тогда как неглубокие каменистые почвы способствуют быстрой инфильтрации или чрезмерному стоку с ограниченным потенциалом хранения. Сходные результаты были получены в предыдущих исследованиях RWH на основе ГИС, проведенных в Эфиопии, Ираке и Пакистане9,18. Сравнение MIF и AHP также демонстрирует влияние стратегии взвешивания на картирование пригодности. Подход AHP назначает веса критериев преимущественно на основе экспертных суждений и попарных сравнений, что вносит определенную степень субъективности, несмотря на приемлемые коэффициенты согласованности. В противовес этому, MIF оценивает как основные, так и второстепенные взаимодействия между влияющими факторами и дополнительно позволяет взвешивать подклассы параметров в соответствии с их гидрологической значимостью. Эта гибкая структура взвешивания позволяет MIF лучше представлять пространственную изменчивость условий генерации стока, особенно в горных водосборах, где факторы окружающей среды значительно меняются на коротких расстояниях. Аналогичные сравнительные исследования показали, что подходы на основе влияния или гибридные многокритериальные подходы часто превосходят традиционные методы взвешивания на основе экспертных оценок в сложных физико-географических условиях19,44,45. Валидация ROC-AUC дополнительно подтверждает эти наблюдения. Хотя обе модели достигли приемлемой прогностической эффективности (AUC > 0.5), более высокий показатель AUC модели MIF указывает на большее соответствие между прогнозируемыми подходящими участками и существующими сооружениями для сбора дождевой воды, обнаруженными в ходе полевой проверки. Это доказывает, что учет взаимодействий между множеством гидрологических и экологических переменных повышает надежность оценки пригодности. Аналогичные подходы к валидации с использованием ROC-анализа успешно применялись для оценки потенциала подземных вод, подверженности наводнениям и моделей пригодности для сбора дождевой воды34,41,45. В целом, полученные результаты подтверждают, что интеграция ГИС, дистанционного зондирования и методов многокритериального принятия решений обеспечивает надежную основу для планирования сбора дождевой воды в горных водосборах. Помимо определения подходящих местоположения, представленная здесь сравнительная оценка дает практическое доказательство того, что выбор модели существенно влияет на качество прогнозов пригодности. Улучшенные показатели модели MIF позволяют предположить, что подходы к взвешиванию на основе влияния особенно актуальны для регионов, характеризующихся сильной пространственной изменчивостью топографии, литологии, осадков и растительного покрова. Следовательно, методология, разработанная в данном исследовании, может служить переносимой структурой поддержки принятия решений для устойчивого планирования водных ресурсов в других горных и засушливых регионах с аналогичными гидрометеорологическими и физико-географическими условиями.

В данном сравнительном исследовании оцениваются подходы AHP и MIF как пространственные модели на основе ГИС путем анализа различных прямых и косвенных контролирующих факторов для выявления участков с разным уровнем пригодности для строительства сооружений по сбору дождевой воды. Хотя MIF и AHP по отдельности имеют уникальные преимущества для принятия пространственных решений, их сравнение позволяет провести более сложный многокритериальный анализ, который повышает точность и надежность оценки пригодности участков при использовании этих методов. Для выбора участков RWH в качестве определяющих факторов анализировались количество осадков, геология, почва, плотность линеаментов, плотность дренажной сети, землепользование/покров и топография. Некоторые дополнительные факторы, такие как расстояние от дорог, расстояние от основных водотоков и расстояние от городских поселений, также обрабатывались в соответствии с критериями FAO. Целью разработки подходящих участков RWH является улучшение доступности водных ресурсов в исследуемой области. В отношении строительства RWH исследуемая область была разделена на пять классов на основе степени пригодности: малопригодные, умеренно пригодные, пригодные, высокопригодные и очень высокопригодные участки. В ходе полевого выезда было обнаружено, что в горной местности региона результаты MIF оказались более точными, чем модель AHP. Результаты модели MIF были более точными и актуальными для данной местности благодаря ее адаптивности при управлении сложными топографическими переменными и способности объединять веса и ранги подклассов. MIF позволяет пользователям ранжировать каждый подкласс для принятия решений, в то время как AHP присваивает ранги и веса параметрам, а не подклассам этих параметров. Сравнение MIF и AHP обеспечивает более глубокое понимание того, как различные стратегии назначения весов и критерии принятия решений влияют на результаты пространственного анализа. Более высокая эффективность подхода MIF по сравнению с подходом AHP была также подтверждена показателем ROC-AUC, который составил 0.724 для MIF и 0.692 для AHP.

Данные методы позволяют более эффективно принимать решения для устойчивого управления водными ресурсами при минимизации затрат, трудозатрат и времени. Это особенно важно, поскольку устойчивое управление мировыми водными ресурсами потребует творческих решений в условиях изменения климата, растущей урбанизации и дефицита воды. Продемонстрировав эффективность этих технологий в топографически разнообразном регионе, таком как бассейн реки Панджкора, данное исследование предлагает модель для аналогичного применения в других областях с похожими экологическими ограничениями. Таким образом, обе модели показали хорошие результаты и подтвердили свою применимость для других географических, экологических и социально-экономических регионов, помимо исследуемой области. Для повышения масштабируемости и точности подходов MIF и AHP могут быть добавлены новые методы, такие как машинное обучение и пространственные данные высокого разрешения. Эти разработки позволят осуществлять анализ в режиме реального времени и в автоматическом режиме, что необходимо для динамического и расширенного применения.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов. Ни одно из изображений и рисунков не создано с помощью искусственного интеллекта.

Вклад авторов:
Шазия Гулзар: концептуализация, методология, подготовка данных, формальный анализ, исследование, визуализация, написание первоначального текста. Мухаммад Али: концептуализация, научное руководство, методология, проверка, написание, рецензирование и редактирование, управление проектом. Абид Сарвар: формальный анализ, анализ ГИС и дистанционного зондирования, интерпретация данных, проверка, визуализация, написание – рецензия & редактирование. Хаммад Гилани: методология, валидация, написание, рецензирование & редактирование. Хасан Альсбери: написание, рецензирование и редактирование, визуализация. Абдулкадер М. Альмарс: написание, рецензирование и редактирование, формальный анализ. Хасан Хашим: проверка, написание, рецензирование & редактирование. Эль-Саид Атлам: формальный анализ, написание, рецензирование и редактирование. Айман Эль-Сабаг: руководство, написание, рецензирование & редактирование, получение финансирования

Благодарности

Авторы выражают благодарность Деканату последипломного образования и научных исследований Университета Таифа (Саудовская Аравия) за финансирование данной работы.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
ArcGIS DesktopEsriVersion 10.3.1Использовалось для предварительной обработки пространственных данных на основе ГИС, создания тематических слоев, реклассификации, анализа взвешенного наложения и картирования пригодности.
Цифровая модель рельефа (ЦМР), 12.5 mAlaska Satellite Facility (ASF) Distributed Active Archive CenterN/AЦМР с пространственным разрешением 12.5 m, использованная в качестве эталонного растра и для получения слоев крутизны склонов, дренажной сети, плотности дренажа и высот; дата получения указана в рукописи как 2/12/2023 и должна быть уточнена.
Геологические данныеGeological Survey of PakistanN/AГеологические/литологические данные, использованные для создания тематического слоя геологии.
Данные об осадках Global Precipitation Measurement (GPM)National Aeronautics and Space Administration (NASA)Набор данных 2014-2023Данные об осадках, использованные для создания тематического слоя количества осадков. Авторы должны указать точный продукт/версию GPM и временной статистический показатель.
Точки полевой валидации Global Positioning System (GPS)Не указаноN/AМеста полевой валидации, использованные для перекрестной проверки и оценки ROC-AUC. Производитель и модель GPS-приемника/приложения в рукописи не указаны.
Снимки Landsat 8Источник не указанID продукта/сцены не указанИспользовались для выделения линеаментов. Авторам следует указать репозиторий источника, дату получения, ID продукта/сцены, пространственное разрешение и детали предварительной обработки.
Спутниковые снимки Sentinel-2BEuropean Space Agency (ESA), CopernicusПолучены 10 сентября 2025Использовались для картирования землепользования и почвенного покрова с помощью контролируемой классификации по методу максимального правдоподобия. Авторам следует добавить точный идентификатор продукта/сцены и уровень обработки.
Данные о текстуре почвыDirectorate of Soil Survey, Khyber Pakhtunkhwa, PakistanN/AИспользовались для создания тематического слоя текстуры почвы. Издание или идентификатор набора данных/карты в рукописи не указаны.

Ссылки

  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.

Перепечатки и разрешения

Теги

Пригодность участкагеопространственный анализГИС-картографированиедистанционное зондированиеуправление водными ресурсамигорные водосборывалидация ROC-AUC
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.