一种用于在城市和城郊环境中映射和确定最佳雨水收集地点的新方法

《Frontiers in Water》：A novel approach for mapping and prioritizing optimal stormwater harvesting sites in urban and peri-urban environments

　　摘要
快速的城市化和气候变异性常常加剧发展中国家的水资源短缺和城市洪水问题，这需要寻找传统供水系统的可持续替代方案。雨水收集（SWH）通过利用当地可用的径流来满足非饮用水需求，同时减轻洪水风险，提供了一个有前景的解决方案。本研究提出了一种新的基于GIS的水文建模和分析层次法（AHP）的框架，用于识别和优先选择适合城市雨水收集的雨水排水口（SDOs）。该方法考虑了径流-需求比率、加权平均距离（WAD）、坡度、土地利用-土地覆盖（LULC）和地下水补给潜力（GRP），以评估两个空间尺度下的热点适宜性：影响半径（ROI）分别为1公里和0.5公里。该框架应用于印度博帕尔市，这是一个面临日益严重水资源压力的快速增长的城市。研究结果揭示了水文条件和可及性的显著空间差异，其中径流-需求比率被确定为最具影响力的标准。热点排名显示了尺度依赖性：较大的ROI有利于水文可用性，而较小的ROI则强调可及性和局部条件。所提出的方法能够系统地筛选和排名SDOs，并为分散式雨水再利用提供了一个可扩展的决策支持工具，有助于实现可持续的城市水资源管理和提高对水资源短缺的抵御能力。

1 引言
全球范围内，水资源短缺已成为一个重大问题，特别是在发展中国家的快速增长的都市地区，这是因为不透水表面的扩展，如道路、屋顶和铺砌路面等。这些表面导致渗透减少、地表径流加快以及城市洪水发生的频率和强度增加（Paul和Meyer，2001年）。地球上的淡水仅占约2.5%，而这其中只有大约1%可供人类使用（Singh等人，2009年）。人口的增长、气候变化模式、全球气温上升以及频繁的干旱给有限的水资源带来了更大的压力，迫使许多地区拓宽其供水选择（Goonrey等人，2007年）。这促使人们对城市水资源管理进行重新评估，强调了将雨水、废水和供水规划与管理结合起来，以朝着更可持续的系统发展（Brown，2005年）。各种节水方法被用来减少地表径流并将其引导至补给区域，从而增加土壤湿度并提高作物产量（Lesschen等人，2007年；Krois和Schulte，2014年）。
可持续的城市雨水管理（SUSM）提供了一种全面而一致的策略，利用雨水径流来满足城市用水需求（Vasconcelos和Barbassa，2023年；Tripathi等人，2026a年）。径流保护可以有效地在各种用水需求之间分配水资源（Patil，2016年）。它减轻了对紧张的全球水资源的压力，超越了标准的卫生问题，同时关注环境可持续性和提高生活质量（Moe和Rheingans，2006年）。雨水收集具有许多优势，如有效利用自然资源、降低流入水体的污染物水平、减轻现有水系统的负担以及改善洪水管理和安全性（Patil，2016年；Sabut等人，2026年）。许多研究发现，与再生废水相比，社区更倾向于使用雨水（Mitchell等人，2002年）。在全球范围内，“雨水收集（SWH）”、“雨水收集（RWH）”和“水分收集”这几个术语经常被互换使用，其目标是：以更可持续的方式管理城市雨水，模仿自然水文循环（Che-Ani等人，2009年；Sekar和Randhir，2007年；Inamdar等人，2013年）。雨水收集和再利用包括收集、储存、处理和分配雨水（Begum等人，2008年）。
多种因素，包括可持续性、社会和环境问题、经济障碍以及监管政策挑战，阻碍了雨水收集的广泛采用（Vasconcelos和Barbassa，2023年）。这些因素限制了适应和实施策略，以解决发展中国家的雨水问题。多项研究探讨了各种障碍的解决方案，特别是技术问题和治理方面的问题（Petrucci等人，2013年；Sage等人，2015年；Dhakal和Chevalier，2017年；Qiao等人，2018年）。
除了选址之外，雨水收集基础设施的规划也非常复杂且动态多变，因为系统必须满足多种目标，包括提高供应可靠性、降低公共卫生风险、减少环境影响以及降低供应成本（Inamdar等人，2018年）。在澳大利亚的城市中，水基础设施规划者面临着选择雨水收集地点的挑战，这些地点需要权衡技术、社会、经济和环境因素。广泛的雨水收集项目通常设在公园、市政保护区或其他公共开放空间（Inamdar等人，2013年）。在南非，已经进行了许多研究来确定雨水收集地点（De Winnaar等人，2007年；Kahinda等人，2008年；Mbilyini等人，2005年）。在印度，使用GIS环境中的可持续发展指南来识别潜在的雨水收集地点（Kumar等人，2008年；Singh等人，2009年）。
多项研究利用地理信息系统（GIS）探讨了适合的雨水收集地点选择（Al-Hasani等人，2024年；Hashim和Sail，2021年；Ullah等人，2024年；Ahmed等人，2023年）。遥感和GIS技术已被用于确定合适的雨水收集地点。例如，Ssekyanzi等人（2025年）提出了一种基于GIS的SCS-CN水文方法，该方法使用每日降雨量、土地利用/土地覆盖（LULC）、数字高程模型（DEM）和土壤数据来确定雨水收集地点，估算径流量并推荐特定地点的储存结构。Inamdar等人（2018年）应用了综合多标准决策分析（MCDA）方法框架，在GIS环境中利用空间特征找到潜在的雨水收集地点。MCDA方法用于在多目标和多利益相关者环境中评估和排名雨水收集地点（Brans，2002年）。此外，Kadam等人（2012年）利用基于GIS的方法确定了潜在的水收集设施位置，同时努力基于卫星图像和其他相关数据集创建拦沙坝、沟渠堵塞物、渗透池和池塘。
尽管如此，这些框架并不只适用于雨水收集系统的选择和评估。文献的初步回顾表明，缺乏采用基于水文建模的多参数评估框架与分析层次法（AHP）相结合的方法来进行区域尺度雨水收集适宜性分析的研究。此外，尚未确定一种标准化或广泛接受的方法，该方法能够全面考虑技术、社会、环境、治理和经济维度等因素，以评估城市和城郊地区的雨水收集潜力地点。为了填补这些空白，本研究开发了一种基于综合水文建模和AHP的框架，用于系统地识别和优先选择现有城市和城郊地区的雨水收集地点。该方法通过应用于印度博帕尔市的一个代表性集水区进行了演示，在该区域识别并排名了潜在的雨水收集地点。本研究的结果提供了一个可转移的、以决策支持为导向的框架，旨在帮助水务专业人士和城市规划者在全球不同城市环境中实施综合城市水资源管理和雨水收集策略。

2 材料与方法
所提出的方法首先识别博帕尔住宅区内的潜在雨水收集点。高分辨率数字高程模型（DEMs）、降雨数据、不透水表面地图（来自卫星图像）和土地利用数据被用来划定径流集水区，并确定可行的雨水排水口（SDOs）——通常位于低洼地区或自然排水沟——作为雨水收集系统的入口点。
当前方法的方法分为四个主要步骤，可以应用于任何城市或城郊地区（补充图S1）。

2.1 适宜性标准的识别与评估
“年径流量”和“需求量”被认为是适宜性标准，因为它们在确定SDOs方面起着重要作用。在规划过程的早期阶段，适宜性评估需要首先检查径流量和需求量之间的兼容性，然后再进行全面评估。年径流量通过考虑研究区域内透水和不透水区域的贡献来评估，而需求量则来自住宅和非住宅用水（冲厕、农业、工业和娱乐空间）。
在研究区域的集水区内，考虑了位于三条溪流交汇点或划定流域出口处的排水口。此外，引入了“影响半径”（ROI）的概念来定义计算影响参数的区域（图1）。选择0.5公里和1公里的ROI是基于与分散式城市水系统相关的实际规划和工程考虑。具体来说，这些距离代表了本地雨水收集干预措施的实际服务区域，在这些区域内，以最小的基础设施复杂性和能耗实现水输送（Inamdar等人，2013年）。

图1 集水区边界、溪流、排水口和影响半径的示意图。

2.2 影响参数的评估
本研究考虑了五个参数来排名合适的SDOs。流域出口以及两条溪流交汇的地点被视为水文热点。影响参数包括：径流与需求量之比；加权平均距离；坡度；LULC；地下水补给潜力。在选定的住宅区内确定了关键需求点，包括重要的组成部分：人口、工业、娱乐空间和农业。通过分析这些地点的消费模式，并参考当地指南和实地考察的见解来进行需求量估计。计算径流与需求量之比，以评估收集到的径流量是否足以满足当地用水需求。此外，还应用加权平均距离指标来根据距离和从收集点运输水分的便利性对需求点进行优先排序。此外，还考虑了坡度参数以解决抽水需求问题，LULC参数以考虑蒸发蒸腾损失，以及地下水补给潜力参数以利用排水口处的多余径流。

2.3 影响参数的估算
对于人口、农业、工业和娱乐空间的需求量估算，可以参考以下数据：人均每日供水量为150-200升，其中约45升用于冲厕，其余用于其他家庭用途（Standard，1993年）。计算人口需求时考虑了集水区内种植的主要作物。此外，还绘制了研究区域内的工业地图，并根据工业规模考虑了15 LPCD的用水需求（Nauges和Whittington，2010年）。另外，可以通过绘制公园、动物园和遗产地的地图来计算娱乐空间的需求量。
加权平均距离（WAD）使用公式1计算：
WAD = D1 * d1 + D2 * d2 + ……… + DN
WAD = D1 * d1 + D2 * d2 + ……… + DN
(1)

其中，D = 需求量；d = 需求点与热点的距离；N = 需求点的数量。
此外，LULC因子使用公式2计算：
LULC因子 = 不透水面积 / 总面积
(2)

对于地下水补给潜力（GRP），考虑了多余的径流（总径流量 - 需求量），以便将其重新注入地下。补给体积是指可以在ROI内存储到地下水位以下的地下水体积。以下公式用于计算补给潜力：
GRP = 补给体积 / 剩余径流量
(3)

2.4 基于分析层次法的排名
本研究的目的是通过评估多个影响参数来确定合适的SDOs。为了确定每个参数的相对重要性，采用了分析层次法（AHP）。根据其与雨水收集的相关性选择了五个参数。使用Saaty的九点量表进行了成对比较，范围从相等至极度重要（Saaty，1977年，1980年）。
成对比较矩阵如Kamdar等人（2019年）的公式4所示，表示选定标准之间的相对重要性。在这个矩阵中，P表示比较矩阵，其中每个元素Cij表示参数Ci相对于参数Cj的重要性。对于i ≠ j，赋值为Cji = 1/Cij，而对角线元素等于1（Saaty，1977年，1980年）。此外，还结合了专家意见和利益相关者（市民、市政工程师、当地知情人士、非政府组织、公司主席等）的输入，以验证和调整最终参数的权重。
P = ??
??C11?C1n???Cn1?Cnn??
??
P = [C11?C1n???Cn1?Cnn]
(4)

参数的值被转换为0到1之间的无量纲数字，然后将这些值与AHP方法计算出的权重相乘。所有热点的最终得分（也在0-1之间）则相加得到。根据最终得分，提供了排名结果。该研究开发了一个框架，用于整合这些参数，以实现最可行的供水路线的筛选、排名和绘制。分配网络将优先考虑通过坡度分析驱动的重力流，以减少对机械泵送的依赖，并在必要时纳入小型泵和过滤系统。收集的雨水可以储存在战略性地定位的储水池或集水坑中，这些储水池或集水坑的设计基于集水区径流量和季节性降雨模式。基本的过滤单元，如首次冲洗分流器和砂滤器，将确保水质适合非饮用用途。实施计划将包括利益相关者的验证，涉及市政公司、居民福利协会（RWA）和当地水资源管理机构。鼓励社区参与，以增强意识，确保系统的维护，并根据当地需求调整解决方案。本研究旨在为印度城市的雨水再利用提供一个可扩展和可复制的模型，目的是减少对淡水的依赖，提高对水资源短缺的韧性，并促进可持续的城市水资源管理。

**案例研究：博帕尔市**
本研究以博帕尔市作为代表案例，来检验所提出的方法论框架。选择该地区是因为其快速的城市扩张、混合的土地利用结构以及日益严峻的雨水管理挑战。通过将所提出的程序应用于博帕尔市，研究了该方法在以工程化排水网络、异质土地覆盖和气候变异为特征的印度城郊地区的实际适用性。该案例研究旨在评估该框架在现实条件下的稳健性、转移性和水文真实性。

**3.1 研究区域**
为不断增长的需求提供所需质量和数量的可持续供水是博帕尔市的重要问题，该市夏季炎热，西南季风季节的降雨量分布均匀（1100-1200毫米）。主要的饮用水来源是纳尔马达河和位于博帕尔市政辖区外的科拉尔水库。过度开采地下水、无节制的发展以及人为和灌溉实践导致了许多与地下水相关的问题。本研究旨在制定一个综合和可持续的计划，利用收集的雨水来满足博帕尔市居民区关键设施的非饮用水需求，重点是雨水管理和城市水资源再利用。为了应对不断增长的城市用水需求和传统水源的可靠性下降，目标是通过一个有计划且高效的分配网络来利用当地可用的雨水径流，确保其用于灌溉、冲厕和一般清洁等用途。对于本研究，我们考虑了一个覆盖博帕尔市大部分区域的流域（城市和城郊地区）（图2）。研究区域的土地利用类型（LULC）地图如图3所示。大部分土地为建筑区和农业用地（农田）。

**3.2 数据集**
本研究使用的数据集来自多个来源，每个数据集都提供了具有不同分辨率和规格的关键信息。数字高程模型（DEM）数据来源于Opentopography.org，特别是Shuttle Radar Topography Mission（SRTM）数据集，空间分辨率为30米。气候数据（包括降水量和温度记录）来自印度气象部门（IMD），提供了1951年1月1日至2019年11月30日的日数据，分辨率为25公里。土壤信息来自世界数字土壤地图（DSMW），分辨率为1公里。土地利用数据来自Copernicus土地监测服务，提供了2019年的全面土地覆盖地图，空间分辨率为100米。早期的一些研究已经采用了Copernicus土地利用数据，以准确分析土地利用模式、评估随时间的变化以及了解土地利用对各种环境因素的影响（Prestele等人，2017年；Alexakis等人，2014年；Horion等人，2019年；Politi等人，2016年；Rosina等人，2020年）。校准和验证使用了来自中分辨率成像光谱辐射计（MODIS）的遥感月蒸发量（ET）数据，这些数据已被证明在不同气候和地貌条件下对水文模型校准有效（Lu和Liu，2019年；Zhang等人，2019年）。每个数据集都为研究提供了独特的基础，有助于分析各种环境和地理因素。

**3.3 方法的应用**
该方法通过以下三个步骤应用：

**3.3.1 需求和径流估计**
从水文模型中划分出的流域包含九个排水出口。所有需求点（城市、农业、工业和娱乐空间）都分布在1公里到0.5公里的感兴趣区域（ROI）内（图4）。

**3.3.2 影响参数的估计**
表1总结了影响1公里感兴趣区域内热点地区适宜性的关键水文、空间和土地利用参数的估计值。这些参数包括径流-需求比、WAD（水力坡度）、坡度（LULC）和地下水位潜力（GRP）。这些变量共同决定了每个热点地区在考虑可获取性和水文地质条件的同时满足当地用水需求的能力。

**3.3.3 SDOs的排名**
SDOs的选择使用了分析层次过程（AHP）进行评估。选择的参数包括径流与需求比、WAD、坡度和LULC。该方法通过基于Saaty量级的成对比较矩阵系统地评估了这些参数的相对重要性（Saaty，1977年，1980年）。参与权重分配的专家小组包括来自不同学科的研究人员、教授和科学家，以及来自研究区域的广泛利益相关者，包括市民、市政工程师、当地专家、非政府组织代表和市政当局。表3展示了详细的成对比较结果及其得出的标准权重。结果表明，与1公里ROI相比，0.5公里ROI内的径流-需求比显著增加，这主要是由于较小流域内的需求减少所致。热点2表现出最高的径流-需求比（77.52），主要是由于其总径流量（30,575.92 ML）远高于需求量（1,548.00 ML），导致产生了大量的剩余径流（29,027.92 ML）。类似地，热点3、4和7也显示出较高的剩余径流值，表明其水文条件较为有利。相比之下，热点1和9的径流-需求比接近1，表明剩余径流有限，供需关系相对平衡。WAD的范围从537.49米到大约998.70米不等，反映了空间可获取性的差异。热点6和7的WAD值最低，表明它们更接近需求中心，而其他几个热点（如3和4）接近ROI的上限，表明可获取性较低。这种变化突显了WAD作为空间效率指标的重要性。

**3.3.4 综合评价**
总体而言，表格揭示了不同ROI范围内水文可用性、可获取性、地形、土地利用和地下水特征在空间上的显著差异。这些差异证明了采用多标准决策方法的必要性，因为没有一个单一参数能够充分代表热点地区的适宜性。相反，综合影响参数在确定进一步分析和规划的优先位置方面起着关键作用。因此，进行一致性分析对于确保结果的可靠性至关重要。接下来，使用以下公式计算一致性指数（CI）：CI = (λ ? 1)/(n ? 1)。矩阵的随机不一致性值由Saaty和Vargas（1991）提供。一致性比率（CR）通过以下公式计算：CR = CI / 1 + (RI^2)。计算出的CR值为0.022，其中RI表示随机指数，n表示参数的数量。这个值远低于可接受的0.1阈值，表明判断结果可靠且没有显著的一致性问题。因此，得出的权重可以被认为是稳健的，适合用于决策制定。

3.3.3.1 1公里 ROI的排序
热点位置的排序是通过整合五个参数获得的：径流量-需求比率、径流区宽度（WAD）、坡度、土地利用类型（LULC）和地表覆盖特性（GRP）。对于每个参数，实际值都进行了标准化，并乘以从AHP分析中得出的相对权重。累积值代表所有参数的加权和，决定了热点的最终排名。在识别出的位置中，热点2获得了最高的累积分数（0.81），主要由于其较高的径流量-需求比率、有利的LULC条件以及相对较低的WAD，表明其可访问性较好（表5）。热点7和6分别排在第二和第三位，反映了坡度、WAD和LULC参数的平衡贡献。相反，热点5和9由于在多个参数上的标准化分数较低而排名较低，尽管它们的GRP表现良好。

表5
热点 径流量/需求比率(WAD(m)) 坡度 LULC GRP 累积值 排名
1 2.04 0.10 0.05 99 4.51 1
2 10.54 0.11 0.00 64 7 4
3 10.00 0.11 0.02 10.53 1.00 0.10
4 0.28 19.75 1.00 0.47 8
5 0.15 75 1.00 0.65 0.13
6 0.00 59 0.00 69 0.98 1.00
7 0.17 35 0.00 69 0.98 1.00
8 0.06 90 0.01 19 0.18 0.02
9 13.15 0.78 0.37 99 6.44 0.54
10 0.00 10.00 0.11 81 1.90 0.02
11 0.53 0.78 0.37 99 6.37 0.54
12 0.00 0.10 0.05 47 0.40 0.19
13 15.37 0.28 0.10 0.25 74 0.09
14 0.05 0.00 0.05 49 0.09 0.02
15 0.00 0.05 0.00 0.33 55 0.22
16 0.10 0.10 0.99 87 0.54 0.11
17 0.00 0.00 0.00 0.07 0.50 44

3.3.3.2 0.5公里 ROI的排序
表6展示了使用AHP方法针对0.5公里ROI的热点位置排序，基于五个参数。在评估的热点中，热点2因具有最高的累积值（0.80）而成为最适宜的位置，主要归功于其优越的径流量-需求比率和有利的LULC条件，加上相对较低的WAD，表明在较小的ROI范围内具有更好的空间可访问性。热点7排名第二（0.57），得益于径流量-需求、WAD和坡度的平衡贡献。热点3排名第三（0.55），主要受到其特别有利的坡度特征的影响，尽管LULC和GRP的贡献较低。

表6
热点 径流量/需求比率(WAD(m)) 坡度 LULC GRP 累积值 排名
1 18.60 0.11 0.05 49 6.37 0.41 0.08 0.01 0.04 97 0.00 0.39 0.17 0.17 0.03 1.52 0.72 0.07 0.24 62 7.52 1.00 0.47 35 0.90 0.58 0.12 0.00 66 50 0.00 15 27 0.00 0.63 0.13 0.00 0.00 0.18 0.09 0.55 34 42 0.55 0.26 49 0.90 0.41 0.08 0.01 38 63 0.00 0.00 0.29 0.01 0.01 0.28 66 25 0.08 0.04 20 5.25 1.00 0.20 0.01 24 40 0.00 66 0.00 26 0.45 0.09 1.00 0.10 0.42 75 0.74 0.65 0.31 67 70 0.77 0.15 0.00 34 0.00 29 20 0.00 11 60 0.54 0.54 0.10 0.22 0.10 0.01 0.57 28 19 0.26 0.12 49 98 0.41 0.08 0.00 21 0.04 84 10 0.04 19 37 0.04 0.04 0.10 0.31 0.15 0.01 0.23 79 0.08 0.04 99 68 0.41 0.08 0.01 18 0.00 0.02 0.80 61 0.16 83 59 0.00 0.67 30 0.09 0.02 0.77 0.07 0.01 0.50 44 7.84 0.40 0.19 99 8.08 0.54 0.11 0.00 75 90 0.13 44 56 0.00 54 74 0.09 0.02 0.49 0.05 0.00 0.33 55 4.37 0.22 0.10 99 8.70 0.54 0.11 0.00 35 63 0.28 62 96 0.01 14 48 0.08 0.02 1.35 0.13 0.01 0.25 96 3.78 0.19 0.09 53 7.49 1.00 0.20 0.01 66 10 0.06 12 100 0.00 24 48 0.71 0.72 0.14 9.66 0.92 0.09 0.52 37 11 0.56 0.26 57 2.54 0.94 0.19 0.00 17 60 0.57 94 53 0.02 32 74 0.39 0.40 0.08 0.94 0.09 0.01 0.56 28 54 0.28 0.13 99 7 0.07 0.01 0.50 44 7.84 0.40 0.19 98 0.08 0.54 0.11 0.00 75 90 0.13 44 56 0.00 54 74 0.09 0.02 0.49 0.05 0.00 0.33 55 4.37 0.22 0.10 99 8.70 0.54 0.11 0.00 35 63 0.28 62 96 0.01 14 48 0.08 0.02 1.35 0.13 0.01 0.25 96 3.78 0.19 0.09 53 7.49 1.00 0.20 0.01 66 10 0.06 12 100 0.00 24 48 0.71 0.72 0.14 9.66 0.92 0.09 0.52 37 11 0.56 0.26 57 2.54 0.94 0.19 0.00 17 60 0.57 94 53 0.02 32 74 0.39 0.40 0.08 0.94 0.09 0.01 0.56 28 54 0.28 0.13 99 7 0.07 0.01 0.50 44 7.84 0.40 0.19 99 8 0.54 0.11 0.00 75 90 0.13 44 56 0.00 54 74 0.09 0.02 0.49 0.05 0.00 0.33 55 4.37 0.22 0.10 99 8.70 0.54 0.11 0.00 35 63 0.28 62 96 0.01 14 48 0.08 0.02 1.35 0.13 0.01 0.25 96 3.78 0.19 0.09 53 7.49 1.00 0.20 0.01 66 10 0.06 12 100 0.00 24 48 0.71 0.72 0.14 9.66 0.92 0.09 0.52 37 11 0.56 0.26 57 2.54 0.94 0.19 0.00 17 60 0.57 94 53 0.02 32 74 0.39 0.40 0.08 0.94 0.09 0.01 0.56 28 54 0.28 0.13 99 7 0.07 0.01 0.50 44 7.84 0.40 0.19 99 8 0.54 0.11 0.00 75 90 0.13 44 56 0.00 54 74 0.09 0.02 0.49 0.05 0.00 0.33 55 4.37 0.22 0.10 99 8.70 0.54 0.11 0.00 35 63 0.28 62 96 0.01 14 48 0.08 0.08 0.02 1.35 0.13 0.01 0.25 96 3.78 0.19 0.09 53 7.49 1.00 0.20 0.01 66 10 0.06 12 100 0.00 24 48 0.71 0.72 0.14 9.66 0.92 0.09 0.52 37 11 0.56 0.26 57 2.54 0.94 0.19 0.00 17 60 0.57 94 53 0.02 32 74 0.39 0.40 0.08 0.94 0.09 0.01 0.56