Integrated machine learning and AHP-based framework for spatial delineation of rainwater harvesting potential
Agradeep Mohanta · Ameet Yadav · Dharmendra Singh 等 11 人
结合GIS、AHP与多种机器学习算法，划分印度斋浦尔半干旱区雨水收集适宜性分区。
11个生物物理与人为因子，150个样本，XGBoost、SVM、GBM、CatB
XGBoost表现最佳（AUC=0.78），38.1%区域高度适宜，降雨与排水密度为主导因子。
可将该集成框架迁移至其他半干旱农业区，并结合遥感时序数据动态更新适宜性。
方法扎实、结论可复用的半干旱区雨水收集选址研究，但属区域案例，公共影响有限。
拉贾斯坦邦斋浦尔地区半干旱区的地下水稀缺及其持续下降的态势，使得采用科学方法确定适宜的雨水收集地点势在必行。本研究结合地理信息系统（Geographic Information Systems, GIS）、层次分析法（Analytical Hierarchy Process, AHP）和机器学习（Machine Learning, ML）算法，划定雨水收集适宜性分区。研究将11项生物物理和人为因素，即高程（280–647 m）、坡度（0–35°）、地形湿度指数（Topographic Wetness Index, TWI）、河网密度、土壤剖面、土地利用/土地覆被（Land Use/Land Cover, LULC）、降雨量（350–700 mm yr⁻¹）、山体阴影、坡向、线理密度和道路邻近度，进行标准化处理并纳入空间数据库。将150个地理参考位置清单划分为训练集（70%；n = 105）和测试集（30%；n = 45），并采用XGBoost、支持向量机（Support Vector Machine, SVM）、梯度提升机（Gradient Boosting Machine, GBM）、CatBoost和AHP模型进行分析。在评估的算法中，XGBoost表现出最高的预测性能，ROC-AUC为0.78，其次是SVM（0.76）、AHP（0.73）、CatBoost（0.69）和GBM（0.68）。XGBoost模型识别出研究区38.1%（3902.6 km²）的区域为雨水收集高度适宜至极高适宜区，而34.6%（3533.7 km²）和27.3%（2783.7 km²）分别被归类为中度适宜和低至极低适宜等级。变量重要性分析表明，降雨量（15.7%）、河网密度（15.6%）、高程（11.5%）和TWI（8.8%）是雨水收集适宜性的主导控制因素。AHP框架显示出可接受的一致性（CR < 0.10），模型验证显示总体精度为88%，Kappa系数为0.64。该集成框架成功识别了东南部低地的优先补给区，并为半干旱地区可持续地下水管理和应对气候变化的淡水资源规划提供了一种可扩展的决策支持工具。