利用遥感和GIS技术对城市环境中雨水收集潜力进行的多标准地理空间评估 Satish Kumar Mummidivarapu Shaik Rehana Chiravuri Sai Sowmya Ataur Rahman

《Water》：Multi-Criteria Geospatial Assessment of Rainwater Harvesting Potential in Urban Environments Using Remote Sensing and GIS Satish Kumar Mummidivarapu, Shaik Rehana, Chiravuri Sai Sowmya and Ataur Rahman

　　摘要 近年来，城市在极端降雨事件中极易发生洪水，而在干旱时期则面临水资源短缺的问题。在这种情况下，识别城市环境中的雨水收集潜力（RWHP）区域为缓解城市洪水和保障水资源安全提供了一种可持续的方法，从而改善城市雨水管理。虽然地理空间映射在雨水收集潜力分析中考虑了多种水文气象、地形和其他地理空间数据集，但尚未充分探讨将社会经济因素纳入城市环境中的分析。本研究结合了遥感和基于水文的信息，如坡度、土壤类型、排水密度、地貌、地形湿度指数（TWI）、土地利用与覆盖（LULC）、降雨量、径流系数、距离道路的距离以及距离居民区的距离，使用多标准决策分析（MCDA）和加权叠加分析（WOA）对海得拉巴市的雨水收集潜力区域进行了地理空间映射。结果显示，80.20%的区域属于“低”潜力类别，17.53%属于“中等”潜力类别，仅有0.25%属于“高”潜力类别，主要集中在靠近Hussain Sagar湖出口的东南部地区。这些分类通过Sentinel-2 LULC和Google Earth影像进行了空间验证，以评估所绘制雨水收集潜力区域的合理性。西北部地区由于土壤肥沃且坡度较缓，适合进行屋顶集水和渗透结构建设，这凸显了所提出的建模框架在城市雨水管理中的有效性。

1. 引言
城市环境在管理和维持水资源方面面临着日益复杂的挑战，这主要是由于城市化进程加快、人口密度增加以及自然景观被广泛转化为不透水的建筑区域所致[1]。这些变化显著减少了土壤渗透和地下水补给，从而加剧了城市洪水的发生[2]。目前，全球超过55%的人口居住在城市地区，而且这一数字还在持续上升，全球约有394个城市的人口超过了100万[3]。这种人口压力还伴随着水资源获取的不平等、资源分配的低效率以及由于城市污染和不可持续的土地利用实践导致的水质逐渐恶化。在这种情况下，需要采取具有韧性和综合性的城市水资源管理策略。在各种解决方案中，雨水收集（RWH）被认为是一种特别有前景且适应性强的方法[4]。在半干旱和快速城市化的地区，雨水收集越来越被认可为支持水资源安全和气候适应性的实用选择，尽管其更广泛的采用常常受到制度、财务和运营方面的限制[5]。通过收集和储存来自屋顶、道路和开放表面的径流，雨水收集不仅减轻了对传统供水系统的压力，还有助于地下水补给并降低城市洪水的风险[6]。
雨水收集广义上指的是系统地收集、储存和利用雨水，用于各种用途，包括家庭用水、农业灌溉和地下水补给[7]。它包括一系列技术，旨在捕捉由降雨产生的地表径流，无论是通过直接从屋顶和地表收集，还是通过增强土壤保水能力的原地保护措施[8]。Falkenmark和Rockstr?m[9]将雨水收集系统分为三类：原地保护、在耕作田地内的径流集中以及专门建造的结构中的雨水收集和储存。为了确定实施这些系统的合适位置，联合国粮食及农业组织（FAO）提出了六个关键标准：气候、水文、地形、农学、土壤特性和社会经济条件[4,10]。在过去三十年中，全球各地为干旱和半干旱地区发展出了多种选址方法。Ammar等人[2]总结说，这些方法主要分为四类：（1）GIS和遥感（RS）[11,12]，（2）水文建模（HM）与GIS/RS的结合[13,14]，（3）多标准分析（MCA）与HM和GIS/RS的结合[15,16]，以及（4）仅与GIS结合的MCA[10,17,18,19]。
基于不断发展的雨水收集选址方法，许多研究在不同地理环境中证明了结合水文模型、GIS技术和MCA框架的有效性。例如，Winnaar等人[14]在GIS环境中成功应用了土壤保持服务曲线数（SCS-CN）方法来划定南非一个子流域的潜在径流收集区域。同样，Jabr和El-Awar[20]将AHP与流域建模系统（WMS）和GIS结合，用于确定黎巴嫩的最佳雨水收集地点。在秘鲁北部，Krois和Schulte[21]采用了一种综合方法，结合MCA、SCS-CN模型和GIS，确定了Ronquillo流域适合建造梯田和堤坝系统的区域。Sekar等人[22]在美国Taunton河流域开发了一个空间明确的框架，评估了雨水收集的经济可行性和水文效益。来自气候压力较大地区（如埃塞俄比亚、土耳其和南非）的研究进一步证明了基于GIS-AHP的方法在不同环境和地形条件下的适应性[23,24,25]。
在印度背景下，许多研究强调了地理空间工具在识别雨水收集结构合适位置方面的有效性。Kumar等人[26]使用LULC、地貌、地质、排水和线性特征等专题图层，确定了北方邦Mirzapur区Bakhar流域的潜在雨水收集区域。Ramakrishnan等人[27]根据径流潜力、坡度、裂隙模式和排水情况，提出了Gujarat州Kali子流域的雨水收集干预措施。Kadam等人[28]基于LULC、坡度、土壤、排水和径流图层，展示了GIS/RS在马哈拉施特拉邦Upper Karha流域识别可行雨水收集地点的实用性。最近，Gavhane等人[29]采用AHP结合LULC、坡度、土壤质地和地表径流及排水密度，确定了拉贾斯坦邦Gambhir流域的最佳雨水收集地点。这些研究一致依赖于由数据可用性驱动的专题图层，主要目的是通过考虑气候（降雨）、水文（径流）、地形（数字高程模型（DEM）和土壤相关因素来优先选择合适的区域。一些研究还利用道路和河流网络以及家庭因素来选择农业区和农村区的雨水收集地点[30,31]。然而，对于印度城市地区而言，社会经济和地貌参数的重要性尚未得到充分重视，而这些参数对雨水收集地点的适宜性和可持续性同样至关重要。
大多数关于雨水收集地点识别的现有研究都是在农村或农业背景下进行的，主要是在流域或盆地尺度上，而在城市或区域尺度上的应用仍然有限。然而，来自非洲和加纳城市地区的研究表明，雨水收集系统的性能不仅取决于水文气象因素，还显著取决于当地的社会经济条件[5,32]。迫切需要建立能够同时考虑物理适宜性和实施可行性的框架[33]。城市地区面临独特的挑战，包括有限的开放空间、改良的排水网络和较低的土壤渗透性[6]。为了填补这一研究空白，本研究将社会经济参数与水文地质、气象、地形和地理空间数据集结合起来，以识别城市环境中的合适雨水收集区域。核心目标是开发一种结合多标准分析（MCA）、GIS和水文建模（SCS-CN方法）的稳健综合方法，以在区域尺度上划定潜在的雨水收集地点。与以往依赖于较大空间尺度上现成专题图层的研究不同，本研究使用了派生图层和分布式曲线数方法，并结合了针对城市环境定制的社会经济因素。
本研究的新颖之处在于在一个高度城市化的地区，将GIS-AHP-SCS-CN框架应用于雨水收集区域尺度，结合了水文、气象、地貌和社会经济因素。因此，该研究的贡献在于弥合了水文适宜性和实施适宜性之间的差距，这一点在传统的雨水收集地点选择框架中常常被忽视。研究重点包括：（i）收集、预处理和生成高分辨率的地理空间专题图层；（ii）应用AHP根据与雨水收集适宜性的相关性为专题图层分配权重；（iii）进行加权叠加分析以生成适宜性地图；（iv）使用详细的土地利用地图和Google Earth影像验证结果。该方法框架在海得拉巴市的雨水收集区域得到了应用。

2. 材料与方法
2.1. 研究区域的选择
本研究聚焦于泰伦甘纳邦的首府海得拉巴，该邦是印度技术最发达的邦之一。目前，它是扩张最快的城市区域，总面积为650平方公里。本研究关注海得拉巴城市化程度最高的雨水收集区域之一，即第12区，该区域位于北纬17°34′35.44″至17°24′34.03″，东经78°22′51.34″至78°28′40.39″之间，面积约为189.22平方公里（图1）。Hussain Sagar湖是该流域的出水口。该研究区域的大部分年降雨量发生在季风季节，主要是7月至9月[34]。海得拉巴属于半干旱热带气候，根据印度气象部门（IMD）和中央地下水委员会（CGWB）的数据，年平均降雨量约为810毫米[35]。不受控制的城市扩张加剧了水资源短缺问题，特别是在干旱季节。为较小人口设计的过时排水系统难以管理来自不透水表面的地表径流，导致密集建设和低洼地区发生局部洪水[36]。
图1. 海得拉巴雨水收集区域（第12区）的详细信息，位于泰伦甘纳邦中部。地图还展示了研究区域的排水网络和海拔详情。

2.2. 使用的数据集
本研究使用了多种数据集来分析和绘制潜在的雨水收集（RWH）区域。每日降雨数据来自泰伦甘纳邦发展规划协会（TSDPS），时间跨度为2000年至2022年，用于计算研究区域内年平均降雨量的空间分布。地形数据包括来自Shuttle Radar Topography Mission（SRTM）的30米分辨率DEM（图2a），用于推导坡度、排水密度和TWI等关键地形特征。LULC数据（图2b，10米分辨率）来自ESRI Sentinel-2[37]，用于将土地分类为与雨水收集适宜性相关的各种类别。地貌数据（图2c）以1:25,000的详细比例尺从印度地质调查局（GSI）获取。土壤数据（图2d）来自国家土壤调查与土地利用规划局（NBSS & LUP）。道路网络（图2e）和居民区（图2f）数据来自OpenStreetMap，用于考虑社会经济因素。

2.3. 方法论
本研究采用的方法论框架如图3所示。为了确定雨水收集潜力区域，本研究确定了十个关键专题图层作为重要因素，包括降雨量（R）、径流系数（RC）、排水密度（DD）、土地利用与覆盖（LULC）、地貌（G）、地形湿度指数（TWI）、土壤（So）、坡度（S）、距离道路的距离（DR）以及距离居民区的距离（DS）。这些变量被认为对评估城市雨水收集区域的潜力具有显著影响，特别是在海得拉巴的案例研究中。所有数据层都被重新调整为10米分辨率的栅格图层，以确保空间一致性。该方法论分为四个关键阶段。第一阶段涉及专题数据层的预处理。第二阶段使用多标准决策分析（MCDA），具体应用了层次分析法（AHP）为每个专题图层分配权重并排序其重要性。第三阶段进行一致性测试，以评估权重分配的可靠性。最后阶段通过加权叠加分析来确定雨水收集潜力区域。

2.4. 专题图层的预处理和生成
2.4.1. 坡度、排水密度和地形湿度指数的生成
所有原始数据集都通过投影到统一的坐标系统（WGS 84 UTM Zone 44N）进行标准化，以确保分析前的空间一致性。坡度、排水密度和TWI分析是基于预处理的DEM数据得出的。为了确保准确性，在预处理过程中去除了数字高程模型（DEM）中的凹陷部分。坡度层是使用GIS的空间分析扩展模块中的“Slope”工具生成的，该工具可以计算DEM中每个单元格的高程变化率。通过模拟地表水的流动方向和流动累积分析来计算排水密度。排水线从流动累积层中提取出来，然后使用“Line Density”工具进一步处理，以确定排水密度，单位为km/km2。

TWI（地形湿润指数）是一种用于识别易积水区域和评估潜在土壤湿度分布的指标。它通常使用两个关键参数的值来计算：特定集水区和地形坡度[38]。方程（1）用于计算TWI。

(1)
其中A表示特定集水区，β表示坡度角。在Raster Calculator中使用了集水区和切线坡度来计算TWI。

2.4.2. 径流系数图的生成
径流系数是一个无量纲参数，表示降雨量中贡献于地表径流的比例。其大小取决于地表特征，对于沙质土壤，这一比例可能低至0.05，而对于混凝土等不透水表面，则可能高达0.95[4]。在本研究中，径流系数是通过径流潜力与相应降雨量的比值来确定的。为了生成径流潜力，采用了土壤保护服务曲线数（SCS-CN）方法。这种方法确保了径流潜力的直接量化，同时考虑了不同条件下的地表渗透性和水文响应的影响。为了实施SCS-CN方法，研究区域的土壤数据被分类为美国农业部（USDA）定义的水文土壤组（HSGs），即B、C和D。

径流深度（Q）使用方程（2）来确定[39]。
(2)
其中Q是径流深度（mm），P是总降雨量（mm），S是径流开始后的最大潜在滞留量（mm），λ是无量纲的表面径流提取系数。λ的标准值为0.2[40]。

潜在滞留参数（S）可以使用方程（3）从估计的SCS-CN值计算得出[3]。
曲线数（CN）是一个无量纲参数，范围从0到100，提供了径流潜力的定量度量[41]。为了生成曲线数，将土地利用类型（LULC）图与HSG分类在GIS环境中叠加。首先根据标准SCS表格为每个独特的LULC-HSG多边形分配曲线数[42]，然后将多边形层转换为10米分辨率的栅格，从而得到一个分布式的CN字段。经典的面积加权表达式（方程（4）仅用于验证子流域级别的平均CN一致性；所有后续分析都使用了像素级别的分布式CN栅格。
(4)
其中A是流域的面积加权曲线数，B是关于土地利用土壤组的多边形的曲线数，C是每个土地利用土壤组的面积，N是每个流域中的土地利用土壤多边形数量。

利用径流深度（Q）和降雨量图（R），生成了径流系数（RC）图。

2.4.3. 距离道路和居民点的距离图
本研究纳入了两个社会经济变量：距离道路和居民点的距离。先前的研究表明，在印度，靠近道路的社区更容易发生洪水[43]。道路可能会阻碍洪水的自然流动，导致水积聚并加剧周围地区的破坏[44]。此外，道路还可以改变当地的水文动态，影响洪水事件的模式和强度[45]。在本研究中，道路和居民点的数据来自OpenStreetMap。然后使用GIS软件（QGIS 4.0.1版本）中的空间分析工具计算了距离道路和居民点的距离。具体来说，使用了欧几里得距离工具来生成这些距离的空间地图。后续分析基于这些派生的地图进行，确保在评估过程中准确考虑了道路、居民点和潜在雨水收集区（RWH）之间的空间关系。

2.5. 应用层次分析法（AHP）
在本研究中，使用AHP的多准则决策分析（MCDA）来识别和绘制潜在的雨水收集区（RWH）地图。AHP由Thomas L. Saaty在20世纪70年代开发，是一种通过将复杂决策问题分解为更小子问题的层次结构来解决它们的结构化方法[46]。该过程评估每个标准的相对重要性，最终基于广泛的文献回顾和专家判断生成一组优先选项。根据他们在城市水文学、雨水和水电建模、城市管理、雨水收集和GIS方面的专业知识，选择了四位专家。每位专家独立完成了成对比较矩阵，最终矩阵是通过平均四个矩阵中的相应条目得到的，遵循多专家AHP实施的标准程序。在本研究中，每个标准的权重是基于文献回顾[2,4,47,48,49]、专家判断和区域水文地质特征来确定的。权重范围从1到9，如表1所示。

表1. Saaty 1–9成对比较等级[46,48]。
构建了一个成对比较矩阵来评估十个决策因素的相对重要性。该矩阵是对称的，对角线元素表示一个因素的自我重要性，始终赋值为1。非对角线元素表示一个因素相对于另一个因素的相对重要性，评分范围从1到9，数值越高表示重要性越大。构建成对比较矩阵后，通过对矩阵进行归一化来得出每个因素的权重（ω）。归一化过程涉及将每列中的每个元素除以该列中所有元素的总和，确保归一化矩阵中每列的总和等于1。随后，计算归一化矩阵中每行的平均值，代表每个因素的相对权重（ω）。

2.6. 一致性比率（CR）测试
为了评估计算出的权重的可靠性，确定了CR。该比率包括一致性指数（CI）和随机一致性指数（RI），后者取决于矩阵的大小[50]。CI反映了矩阵内成对比较的一致性。为了计算CI，将原始的成对比较矩阵乘以计算出的权重，得到一个新的向量。然后将这个向量的每个元素除以相应的权重，得到一个一致性向量。这些一致性值的平均值给出了矩阵的主特征值（λ）。表2提供了大小为1到10的矩阵的RI值。CI值是根据方程（6）[50]从主特征值得出的，用于量化分配权重的一致性。CR值低于0.1表示成对比较的一致性最小且可接受。CR的范围是从0（完美一致性）到1（最大不一致性）。如果CR超过0.1，则表明判断存在显著不一致性，需要修改权重分配以提高一致性。

(5)
(6)
其中n是考虑的因素数量，λ是主特征值。

2.7. 使用加权叠加分析生成雨水收集潜力图
加权叠加方法（WOM）被用来结合多个地理空间层，每个层代表一个特定标准，以生成雨水收集潜力的综合适宜性地图[51]。该方法包括几个步骤：识别相关标准、标准化数据、分配权重以及应用叠加来产生综合适宜性得分。最终输出是视觉适宜性地图，帮助决策者识别最佳的雨水收集区。

每个像素的雨水收集潜力（RWHpot）使用方程（7）计算：
(7)
其中“Di”是重新分类的决策因素，Wi是相应决策因素的权重，n是考虑的决策因素数量。方程（8）给出了该方程的更详细版本，其中进一步阐述了决策因素。
(8)
其中“RC”表示径流系数，“Ra”表示降雨量，“LU”表示土地利用类型，“DD”表示排水密度，“Sl”表示坡度，“TWI”表示地形湿润指数，“Ge”表示地貌，“So”表示土壤质地，“DR”表示距离道路的距离，“DS”表示距离居民点的距离。下标“r”和“w”分别表示重新分类的栅格值和每个决策因素的相应权重。

3. 结果
3.1. 预处理和生成的专题图层
3.1.1. 坡度图
坡度调节地表径流的方向和滞留时间，这对地下水补给至关重要[52]。缓坡适合水分积聚和渗透，而陡坡则促进快速径流，减少滞留潜力[53]。在研究区域内，地形坡度范围从0%到30.14%，如图4a所示。大部分研究区域的坡度较缓，大约在0%到4%之间，如图4a中的橙黄色部分所示。非常陡的坡度，接近25%到30%，在研究区域内分布较少，表明雨水收集的潜力较低。

图4. 使用DEM生成的（a）坡度图，（b）排水密度图，以及（c）地形湿润指数图。

3.1.2. 排水密度图
自然排水网络与地下水动态之间的相互作用尤为重要。传统上，陡坡区域的较高排水密度与增加的地表径流、减少的渗透和较低的天然补给潜力相关联。然而，在雨水收集规划的背景下，排水密度作为径流生成和流量集中潜力的重要指标，而不是直接的渗透能力。在城市地区，由于开发的不透水性，渗透能力较低。因此，本研究将排水密度因素视为径流生成和流量集中潜力的重要指标，而不是直接的渗透能力。排水渠道密度较高的城市区域往往有更多的水分积聚和更长的滞留时间[54]；这样的条件更有利于实施诸如检查坝、渗透池和补给沟等收集措施。先前的研究表明，中等到高排水密度区域可以优先考虑用于雨水收集设施[55,56]。因此，较高的排水密度值表示更适合雨水收集的区域[55]。研究区域的排水密度范围从0到2.27 km/km2，如图4b所示，清楚地反映了排水特征。

3.1.3. 地形湿润指数图
TWI常用于描述地形如何影响产生径流的饱和区域的数量和位置[57]。TWI是一个描述地形对水文过程影响的重要参数[56]。研究区域的TWI范围从-18.81到10.87，如图4c所示。当某些条件满足时，公式（1）自然会产生负的TWI值。这些负值不应被解释为负的湿润度，而只是表示非常低的湿润潜力，并在用于MCDA的重新分类中被归入最低适宜性类别。较高的TWI值表示平坦、保水能力强的区域，适合雨水收集，而较低的TWI值对应于陡峭、排水良好的区域，容易发生径流。高TWI值主要出现在有水体（如湖泊、溪流和水库）的区域，而其他区域的TWI值较低，表明水分积聚和土壤湿度分布的潜力较低。

3.1.4. 地貌图
地貌特征直接影响排水模式、密度、径流方向和流量。自然形成和人为活动显著影响水分的收集、滞留和随后的区域地下水渗透[58]。研究区域内识别出的地貌类型（图5a）分布如下：坡地（25.7%，48.61 km2），表面倾斜度较缓；水体（4.2%，8.02 km2），对储水至关重要；坡地平原（11.38%，21.52 km2），以广阔的平坦平原为特征；活跃的采石区（2%，3.2 km2），表明有大量的挖掘活动；以及坡地-基石-托尔复合地貌（56.9%，107.84 km2），结合了坡地和岩石露头。残余丘陵和河道带共同覆盖的面积不到1%。这些发现与Ganapuram等人[59]的观察结果一致，他们认为在Musi河流域内，坡脚和平缓风化的Pedi平原是主要特征。图5包括：(a) 地貌图，(b) 土壤类型图，(c) 降雨量图以及(d) 研究区域的土地利用和土地覆盖图。

3.1.5 土壤图
土壤分布（图5b）主要由砾质粘土和砾质壤土组成，这些土壤支持有效的渗透和地下水补给。然而，主导南部和中部地区的砾质粘土具有较低的渗透能力。具体来说，具有非常高有效水容量（AWC）的粘土占该区域的30.59%（57.89平方公里），从而能够显著保持水分。相比之下，具有非常低AWC的砾质粘土占38.32%（72.5平方公里），其保水能力极低。具有中等AWC的砾质壤土占19.19%（33.34平方公里），而AWC较低的砾质壤土占13.21%（25.01平方公里）。此外，在研究区域的西南部还有一小部分具有中等AWC的粘土。

3.1.6 降雨量图
气候显著影响水文循环，通过温度、湿度、风速、蒸发和降水的变化来影响水资源的可用性[60]。由于气候变化导致的降雨模式、强度、持续时间和频率的变化直接影响地表径流和地下水补给[61]。当前研究的降雨分布是使用GIS中的逆距离加权（IDW）插值方法为四个雨量站绘制的，如图5c所示。2000年至2022年研究期间，研究区域的年降雨量范围大约在857至948毫米之间（第12区）。在东南部流域出口附近观察到的最高降雨量表明这些区域具有较高的雨水收集潜力。

3.1.7 土地利用和土地覆盖图
图5d所示的研究区域土地利用和土地覆盖（LULC）图显示，该区域主要为城市景观，包括住宅区、商业区和工业区。LULC图被分为七类：水域、树木、被淹没的植被、农作物、建筑区、裸地和牧场。研究区域的大部分（约75%）被建筑区覆盖，其次是牧场和树木，分别占研究区域的15.1%和6.19%。建筑区的LULC类别并不表示整个75%的区域都是不透水的。各种LULC类别的空间分布如图5d所示，并在表3中进行了总结。

3.1.8 径流系数图
径流系数定义为径流潜力与总降雨量的比率，使用SCS-CN方法进行了分析。首先，为研究区域生成了一个无量纲参数CN，其范围在0到100之间，用于量化径流潜力（图6a）。分布的CN值范围从61到98，上限设定为98，以避免物理上不现实的情况，即零潜力抽取（CN = 100），同时仍能代表高度不透水的建筑区。曲线数是在AMC-II（平均前期水分）条件下分配的。选择这种条件的科学依据是，当前研究专注于长期平均径流潜力的制图，而不是模拟在不同湿润和干燥条件下的个别风暴事件。

3.1.9 距离道路的距离图
对参数“距离道路的距离”（DR）（图7a）进行的空间分析显示，研究区域内存在显著差异。“DR”是本研究的一个关键标准，基于这样的假设：靠近道路网络的区域更适合雨水收集。靠近道路便于施工、维护和与现有基础设施的整合。大多数城市雨水管理区域都位于现有道路网络的附近，主要在0到25.5米的范围内。分布图清楚地显示了一个密集的道路网络，表明大部分土地易于接近，具有实施雨水收集（RWH）结构的潜力。距离道路较远的区域（25.51至90.66米）分散在城市各处，表明这些区域可能可访问性较低，但仍具有中等程度的RWH系统潜力。值得注意的是，距离较远的区域（90.67–187.00米和187.01–359.84米）较少，主要位于边缘或未开发的土地地块，可能由于物流限制而限制了RWH干预的可行性。只有少数区域位于359.85米以上的距离，主要位于北部，从可访问性的角度来看，这些区域的适宜性较低。

3.1.10 距离居民点的距离图
“距离居民点的距离”参数（图7b）突出了影响雨水收集适宜性的不同空间模式。大多数城市区域位于距离居民点最近的范围内（0–232.21米），这强调了高可访问性和社区参与雨水收集项目的潜力。从居民点232.22米到466.42米的中间区域反映了适合大规模社区级RWH基础设施的适度适宜区域。距离居民点466.43米到699.63米的区域分布较为稀疏，主要位于城市边缘，表明这些区域的适宜性适中到较低，但可能适合战略性放置的、具有较广集水区的RWH结构。值得注意的是，距离居民点较远的区域（699.64–1166.06米）主要集中在研究区域的北部和东南部边缘，这些区域适合较大规模或景观级别的RWH举措，如检查坝或补给池，旨在进行雨水管理和地下水补给。

3.2 使用层次分析法（AHP）对主题层的权重进行加权
层次分析法（AHP）提供了一种客观和系统的方法来量化多个对确定最佳雨水收集（RWH）地点至关重要的标准的相对重要性。通过十个影响因素之间的成对比较，整合了专家判断和区域特征。表4中呈现的成对比较矩阵显示了每个参数的相对重要性，反映了它们在确定适宜RWH地点方面的比较影响。

3.3 根据AHP分析的结果，最高优先权重被赋予了径流系数（28%）和降雨量（25%），因为它们直接影响水资源的可用性和径流生成。这些标准由于对径流量和降雨事件一致性的影响而显著影响RWH的可行性。相反，地貌（3%）和土壤质地（3%）获得了相对较低的权重，反映了它们在影响地表渗透能力和储水潜力方面的次要但相关的作用。使用AHP估计的所有十个因素的标准化权重在表5中给出。

3.4 在AHP为每个标准分配权重后，可以对数据层进行重新分类。这确保了每个层根据其AHP得出的权重适当贡献于最终的适宜性分析。重新分类过程涉及将所有数据层分为五类，以标准化它们对RWH潜力的影响。根据每个因素的重要性，栅格值被赋予1到5的等级。每个主题层根据具体标准进行评估，较高的值被赋予有利于RWH的因素。这一过程在AHP的指导下进行，确保了所有层之间的一致性和可比性。表5提供了标准化权重和重新分类值的范围。在成对比较矩阵中，径流系数（RC）和降雨量被赋予了比社会经济因素更高的相对重要性，反映了专家判断认为水资源可用性和径流生成是RWH潜力的关键。这种优先级与之前的基于AHP的RWH研究一致，其中降雨量和径流标准通常占总权重的很大一部分[4,62]。

3.5 评估后，结果成为一个栅格文件，其像素值范围从1到5，与重新分类后的输入栅格一致。每个像素值代表重新分类值及其相应权重的乘积之和，这些权重来自相关矩阵的特征向量值。值1表示非常低的RWH潜力，而值5表示非常高的潜力。

3.6 为了评估AHP中成对比较的一致性，计算了一致性比率（CR）。该比率评估了标准之间比较在逻辑上的一致程度。计算步骤如下：
- 成对比较矩阵构建：成对比较矩阵是一个方形矩阵，其中每个条目代表一个标准相对于另一个标准的相对重要性。
- 确定最大特征值：通过特征值分解计算成对比较矩阵的最大特征值。这个值作为矩阵一致性的指标。
- 一致性指数（CI）计算：一致性指数（CI）根据方程（6）量化矩阵中的不一致程度。
- 随机一致性指数（RI）：随机一致性指数（RI）是一个基于标准数量n的预设值。对于n = 10，RI的值为1.49。这个值用作比较实际矩阵与随机生成矩阵一致性的基准；RI值在表2中给出。
- 一致性比率（CR）计算：一致性比率（CR）是一致性指数与随机一致性指数的比率。它根据方程（5）计算得出。

3.7 通过GIS、AHP和加权叠加分析生成的RWH潜力区域的空间分布图显示在图8中。该分析将城市雨水区域分为四个不同的适宜性类别：高、中等、低和非常低潜力。每个适宜性类别的面积分布见表6。结果地图显示，大约80.20%的城市区域属于“低潜力”类别，这些区域的特点是城市化程度高，不透水表面多，限制了渗透能力。中等潜力区域（17.52%）通常位于研究区域的东南部和西北部，具有适合RWH干预（如屋顶系统和渗透池）的有利坡度和渗透性土壤。

3.8 “高潜力”区域在整个研究区域中所占比例显著较小，主要位于研究区域的东南部，靠近Hussain Sagar湖出口。该区域具有有利的地形和水文条件，有利于雨水的自然积累和渗透。通过高分辨率卫星图像和Google Earth Pro的视觉验证确认了有利于有效实施RWH措施的景观，例如开阔地、裸地和牧场。相比之下，被归类为“非常低”潜力的区域仅占研究区域的约2%，这些区域大多位于人口密集的中心城区，那里有不透水的表面，大大阻碍了雨水的渗透和储存。3.5. 雨水收集潜力区域的定性空间合理性验证 3.5.1. 使用地理空间影像进行实地验证 由于缺乏空间密集的实地测量数据、历史洪水/补给数据以及雨水收集区域尺度的实地验证数据，因此通过定性空间验证而非正式的统计验证来评估雨水收集潜力地图的可靠性。具体来说，将潜力类别的空间分布与高分辨率的Sentinel-2土地利用类型（LULC）地图和Google Earth Pro影像进行了比较。当详细的实地或基于事件的数据有限时，这种定性合理性评估在GIS多准则决策分析（MCDA）制图研究中通常被采用[62,64,65]。对高或中等适宜性的具体位置进行空间验证是通过使用地理空间影像进行的实地验证（图8，位置1-6）。图8比较了雨水收集潜力地图中的适宜区域及其对应的实际区域，突显了它们与现实世界特征的一致性。例如，靠近Hussain Sagar湖出口的东南部区域被标记为蓝色（高潜力），与影像中可见的开阔空间和水体明显对齐，支持其被归类为高潜力。同样，中等潜力的区域被标记为绿色，通常对应于具有混合土地利用、开放植被和有利于雨水收集的渗透性土壤的城郊地区。这种空间相关性证实了潜力区域的逻辑分布，并强调了加权叠加分析的可靠性，增强了该方法在城市环境中的适用性。3.5.2. 使用LULC的叠加分析 对LULC（高分辨率Sentinel-2数据）与图中所示的雨水收集潜力区域进行空间叠加分析的结果显示，建筑区占主导地位，与低雨水收集潜力相关，占总面积的66.95%（126.70平方公里）。这种主导地位反映了以不透水表面为特征的城市化进程，这大大限制了渗透，从而减少了自然地下水补给的可能性。具有中等雨水收集潜力的牧场区域占11.69%（22.12平方公里），表明由于其适度的渗透性和植被覆盖，这些区域相对有利于雨水收集。具有中等雨水收集潜力的建筑区占5.96%（11.28平方公里），可能是因为存在半透水基础设施或开阔空间。图9显示了高分辨率Sentinel-2 LULC数据与雨水收集潜力区域的叠加分析。在树木覆盖的区域也观察到了中等潜力区域，占3.47%（6.57平方公里），而低潜力区域分布在牧场（3.23%）、树木（2.70%）和耕地（1.54%）中。非常低的潜力主要出现在建筑区（1.98%），水体中的中等潜力也非常少（1.97%），可能是由于现有的饱和状态和几乎不存在的渗透能力。“其他”类别仅占0.48%（0.91平方公里），被认为在水文上不显著。总体而言，叠加分析表明，由于广泛的建筑覆盖，研究区域的大部分区域不适合传统的雨水收集方法，尽管在牧场和植被区域存在局部机会，表明针对特定地点的干预措施是可行的。3.6. 识别适合雨水收集结构的地点 在研究区域内选择适合特定雨水收集结构的地点/区域时，遵循了包括坡度、土地利用/土地覆盖、土壤类型和排水密度在内的综合标准，因为这些因素显著影响渗透和径流特性。识别合适地点的选择标准基于水文和土地特征，如表7所示[4]。平缓的坡度有助于雨水保留和渗透，而较陡的坡度则会加速径流，降低补给潜力。土地利用和土地覆盖显著影响渗透和径流动态。建筑区适合用于屋顶收集，开阔地带适合用于渗透池，植被区域适合用于增强地下水补给的结构，如拦沙坝。土壤类型也起着关键作用，砾质壤土具有适度的渗透性，有利于雨水收集。此外，排水密度低的区域表现出较慢的径流和较长的水分保持时间，从而支持更好的渗透和地下水补给。表7总结了海得拉巴第12区识别雨水收集结构适宜性的细化标准。适合屋顶收集系统的地点主要包括坡度平缓且土壤为砾质壤土的建筑区，理想情况下排水密度较低，这有助于有效捕获径流并减少对自然流动路径的干扰。适合渗透池的区域通常包括裸露地面和坡度适中、排水密度低的牧场，促进自然水分保持和增强渗透。适合拦沙坝的区域主要是坡度平缓、土壤为砾质壤土或粘土且排水密度适中的植被区域，有助于高效地下水补给和径流缓解。4. 讨论 本研究使用基于GIS的AHP和MCDA方法，确定了海得拉巴城市景观中最佳的雨水收集地点。分析强调了主题层（R、RC、DD、LULC、G、TWI、So、S、DR和DS）作为划定有效城市雨水管理适宜区域的关键决定因素的作用。我们的结果发现，低潜力雨水收集区域占主导地位（80.2%），主要是由于以不透水建筑区为特征的城市化进程。这一观察结果与Pathak等人的观点一致[66]，他们指出城市化是有效雨水收集的主要限制因素。根据他们的研究，不透水表面的普遍存在减少了水分渗透并增加了径流，从而限制了雨水收集的潜力。虽然案例研究有所不同，但都强调了城市化是阻碍自然水流并使雨水收集变得更加困难的关键因素。中等潜力区域占研究区域的17.53%，主要位于城郊和植被区域，这与Haile和Suryabhagavan[23]的报告一致，他们指出地形和土地利用在定义城市和半城市环境中的合适雨水收集地点方面具有重要影响。坡度分析的整合表明，平缓的坡度（0-4%）提供了理想的渗透和地下水补给条件，这与Bon等人和Al-Ghobari等人的水文理解一致[52,53]。相反，陡峭的坡度区域（25-30%）由于径流快和渗透率低，显示出有限的雨水收集潜力，这与Mbilinyi等人的研究结果一致[17]，他们指出了半干旱地区类似的地形限制。本研究还表明，尽管社会经济因素（如靠近居民区和道路）很重要，但相对于降雨量和径流系数等水文因素，它们的影响相对较小。这强调了物理和水文参数在城市水文动态中的主导作用，与文献中的观点一致。此外，本研究的结果与Du等人的研究结果一致[67]，强调了有利于雨水积累和渗透的地形和水文特征。这突显了整合雨水收集措施（如渗透池、补给盆地和屋顶收集系统）以缓解城市洪水和增强地下水补给的关键机会。排水密度分析进一步强调了自然排水网络在促进地下水补给方面的重要性。排水密度较高的区域（高达2.27公里/平方公里）表现出更好的水分积累和更长的保持时间，支持了Yifru等人和Sun等人[54,68]关于排水密度对增强地下水资源可持续性重要性的观点。径流系数值的空间分布突出了具有不透水表面的城市区域，这些区域显著增加了径流，从而限制了雨水收集潜力。所得到的径流系数值（0.48-1）与Mohamed等人的观察结果一致[55]，他们强调了SCS-CN模型在捕捉径流动态和准确预测雨水收集适宜性方面的有效性。此外，Ahmad等人[65]展示了混合AHP方法在划定城市雨水收集结构方面的适用性，这种方法也得到了我们方法框架的支持。土壤和地貌分析显示了研究区域内渗透能力的显著差异。主要是砾质粘土土壤表现出较低的渗透潜力，强调了需要定制的雨水收集干预措施。Ganapuram等人[59]观察到的沉积物和平原作为主要地貌特征，表明它们天生适合用于渗透型雨水收集结构，如渗透池和补给坑。从AHP得出的优先级中，径流系数（28%）和降雨量（25%）被赋予了最高的权重，强调了它们在确定雨水可用性和收集潜力方面的关键作用。这种权重分配与Jha等人和Waghaye等人的研究结果一致[4,39]，他们强调了水文和气象标准在雨水收集规划中的关键作用，突出了基于生成的潜力类别的雨水收集干预措施的适宜性。“低潜力”类别（80.20%）的主导地位反映了研究区域内建筑用地的高度集中（约75%），表明不透水表面不太适合基于渗透的雨水收集结构。这表明，在密集的城市区域，分散式的屋顶雨水收集和输送连接的储存系统更为可行，而“中等”和“高”潜力区域应侧重于渗透型干预措施。同样，之前在半干旱和快速城市化地区进行的研究也指出，雨水收集策略必须适应高不透水性，通过屋顶收集、储存池和融入城市结构的自然解决方案来实现，而不是主要依赖传统的渗透池或渗透池[5,32,33]。此外，纳入绿色基础设施改造，如生物滞留单元和透水铺装，可以提高目前低潜力、不透水区域的水文性能。所提出的雨水收集干预措施可能会遇到治理、财务、信息和维护方面的限制，这强调了需要制定政策、机构协调和社区参与，以实现优先区域的持久实施。这项研究的实际意义重大，为市政规划者和利益相关者提供了科学依据，以选择最佳的雨水收集地点，从而提高城市地区的水资源安全和可持续性。然而，研究结果受到空间数据准确性、参数权重主观性、复杂水文过程的一般化以及缺乏严格的实地和统计验证的局限性的影响。由于数据可用性的限制，降雨层旨在代表与10米层相一致的相对空间变化，尽管有较少的测量站，但进一步的工作可以通过使用雷达或高分辨率网格数据来改进。未来的研究可以扩展当前框架：(i) 结合动态气候情景来评估降雨模式变化下的雨水收集潜力变化；(ii) 开发评估雨水收集干预措施相对于水资源管理目标的有效性的指标；(iii) 进行全面的实地调查和定量统计验证；(iv) 对不同的权重方案进行详细的定量敏感性测试，以明确评估权重不确定性对雨水收集适宜性映射的影响。5. 结论 本研究采用集成、数据驱动的方法，通过遥感、GIS和多准则决策分析（AHP）来划定城市雨水收集潜力区域。所开发的方法结合了遥感、水文地质、地形、社会经济和气象参数，有效解决了关键的城市雨水管理挑战，确定了海得拉巴市内可持续雨水收集实施的最佳区域。本研究的主要结论是：海得拉巴城市雨水区域的大部分（80.20%）被归类为“低潜力”，主要是由于密集的城市化进程导致的不透水表面广泛存在，严重限制了渗透和地下水补给。大约17.53%的区域表现出“中等潜力”，主要位于坡度平缓、土壤为透水砾质壤土的城郊和西北部地区，这些区域适合使用分散式收集方法，如屋顶系统和渗透池。靠近Hussain Sagar湖东南出口的一个非常小的区域（0.25%）显示出“高潜力”，这一点通过地理空间影像和实地评估得到了验证。该区域受益于有利于自然水分积累和增强渗透的地形和水文条件。径流系数（标准化权重为-28%）和降雨量（25%）被确定为确定雨水收集地点适宜性的最重要因素，证实了它们在城市水文评估中的主要作用。这强调了基于水文和气象动态进行雨水收集（RWH）站点战略性选择的必要性。利用Sentinel-2高分辨率影像和Google Earth Pro进行的空间验证表明，已识别的具有中等到高潜力的雨水收集区域与实际地形特征之间存在高度一致，进一步证明了集成GIS-AHP方法的可靠性。尽管社会经济因素至关重要，但由于其相对于主要水文因素的次要影响，这些因素在评估中的权重较低；然而，将它们纳入考虑范围对于实现全面的城市规划和可持续的雨水收集仍然至关重要。本研究的方法框架为城市规划者和水资源管理者提供了可靠且科学严谨的决策支持工具，有助于他们在雨水收集基础设施和城市防洪策略方面做出明智、有针对性的投资。