Articulo SIG (1) (2) 14

1
1 Type of the Paper (Article, Review)

2 SISTEMAS DE INFORMACIÓN GEOGRÁFICOS APLICADOS A LA GESTIÓN AMBIENTAL
3 Angeli León 1, Shirley Córdova 2 and Jose Antuash 3
4 1
Affiliation 1; angeli.leon@espoch.edu.ec
5 2
Affiliation 2; jose.antuash@espoch.edu.ec
6 3
Affilation 3; Shirley.cordova@espoch.edu.ec
7
8
9 Abstract:
10 Keywords:
11
12 1. Introducción
13 Uno de los elementos más cruciales para la vida en la Tierra es el agua [1]. El agua
14 subterránea es "un término utilizado para designar todas las aguas que se
15 encuentran debajo de la superficie del suelo" [2]. El agua subterránea se define como
16 “agua en una zona saturada, que llena los espacios porosos entre granos minerales o
17 grietas y rocas fracturadas en un macizo rocoso” [2]. El agua es un recurso
18 importante amenazado por una población en rápido crecimiento que está
19 contaminando las aguas subterráneas con contaminantes agrícolas, industriales y
20 urbanos [3]. Las aguas subterráneas han sido mal gestionadas en muchas áreas
21 alrededor del mundo debido a una mala gestión gubernamental [4]. Lo que ha
22 resultado en intrusión de agua de mar o salinidad de las aguas subterráneas,
23 lixiviados de vertederos en aguas subterráneas flujos de aguas residuales agrícolas,
Citation: To be added by editorial
24 staff during production.
altas descargas de bombas para diversos usos, degradación de la tierra, disminución
25 del nivel freático, altos niveles de bombeo. costos, efectos adversos en los
26 Academic Editor: Firstname ecosistemas que dependen del agua subterránea y una variedad de otras cuestiones
27 Lastname ambientales [5]
Received: date
28 Revised: date Los mapas de aguas subterráneas se pueden utilizar para crear estrategias y
29 Accepted: date gestionar los recursos de aguas subterráneas de manera sostenible, lo que permite a
30 Published: date los tomadores de decisiones identificar ubicaciones adecuadas para encontrar pozos
31 productivos [6]. En los últimos años, las nuevas tecnologías se han utilizado
32 ampliamente en estudios de hidrología y teledetección (RS), y los SIG se han
Copyright: © 2023 by the authors.
Submitted for possible open access
publication under the terms and
conditions of the Creative Commons
Attribution (CC BY) license
(https://creativecommons.org/license
s/by/4.0/).
3 Environments 2023, 10, x. https://doi.org/10.3390/xxxxx www.mdpi.com/journal/environments

4 Environments 2023, 10, x FOR PEER REVIEW 2 of 29
5
33 convertido en una de las herramientas más utilizadas para el sector de las aguas
34 subterráneas [7]. SIG es una herramienta muy eficaz para procesar grandes
35 cantidades de datos espaciales y se utiliza como una herramienta eficaz en muchas
36 áreas, como la gestión de recursos hídricos y la identificación de regiones potenciales
37 de aguas subterráneas [8]. Junto con el uso de esta eficaz herramienta, en los últimos
38 años se han llevado a cabo diferentes estudios para producir mapas potenciales de
39 aguas subterráneas [9].
40 El estudio de las aguas subterráneas es esencial para la gestión de los recursos hí-
41 dricos en la cuenca de Kızılırmak. El presente estudio tiene como objetivo identificar
42 la zona óptima de potencial de agua subterránea para el delta de Kızılırmak. Para
43 ello, en este estudio, se digitalizó la zona potencial de GW involucrando diferentes
44 parámetros como precipitación, pendiente, uso y cobertura del suelo (LULC), geo-
45 logía, densidad de drenaje (DD), densidad de lineamientos (LD) y suelo. tipo. La
46 diferencia entre este estudio y otros estudios es que evalúa la GPZ basándose en el
47 enfoque RS y GIS, que es más económico y rápido que otros. [10]
48 2. Materiales y métodos
49 2.1 Área de estudio
50 En términos de ecosistema, el delta de Kyzylmak es el humedal más importante de

51 la región del Mar Negro y uno de los humedales más famosos y ricos de Turquía. El
52 delta de Kizilmark está formado por el aluvión del río Kizilmark, el río más grande
53 de Turquía, que serpentea hacia el Mar Negro. La superficie total del delta es de
54 56.000 hectáreas y la superficie total de humedales es de 16.110 hectáreas [11].
55 Ubicado en la región de Ramsar desde 1998, el delta de Kızılırmak tiene una rica
56 biodiversidad que representa el 74% de la diversidad de aves de Turquía. Las 4.000
57 hectáreas del delta fueron declaradas reserva natural por el Ministerio de
58 Silvicultura en 1979. Además, todos los humedales de la parte oriental de la región
59 del delta fueron declarados reserva natural por el Ministerio de Cultura y puestos
60 bajo pro-tección en 1994 [12]. En el delta se cultivan trigo, maíz, arroz, girasoles,
61 remolacha azucarera y tabaco. La ganadería está especialmente extendida en los
62 pueblos que rodean los humedales. Aproximadamente 23.000 animales pastan en el
63 delta, incluidos 3.000 búfalos y 8.000 vacas. Además, la mayoría de estos humedales
64 están siendo transformados actual-mente por diferentes usos de la tierra (por
65 ejemplo, agricultura), cambios hidroló-gicos (por ejemplo, sistemas de riego y
66 drenaje) y actividades humanas como la pesca [13]. El área de estudio abarca desde
67 los 41° 24' 10" de latitud N hasta los 41° 16' 48" de latitud N y desde los 35° 33' 40" de
68 longitud E hasta los 36° 11' 35" de longitud E, abarcando un área de
6
8
69 aproximadamente 1835 kilómetros cuadrados. La costa es de 65 kilómetros (Figura

70 1). La pendiente promedio del área de estudio es de aproximadamente 1% y la
71 elevación varía de 2 a 28 m [14].
72
73 Ilustración 1 Ubicación geográfica de la zona de estudio.
74
75
76
77 2.2 Conjunto de datos y fuentes
78 Al comienzo del estudio, la selección de parámetros esenciales para la evaluación
79 potencial de las aguas subterráneas con mapeo GPZ se determinó mediante la revi-
80 sión de la literatura. En cuanto a la literatura, para el presente estudio se considera-
81 ron factores de precipitación, LULC, litología, pendiente, DD, LD y tipo de suelo
82 [15]. La (Figura 2) muestra el diagrama de flujo general del presente estudio. El
83 mapa de cobertura terrestre fue preparado por ESRI LULC 2022, una empresa global
84 de sistemas de información geográfica (SIG), seguido de una verificación de la ver-
9
11
85 dad sobre el terreno basada en un mapa base satelital e imágenes satelitales Landsat
86 8 [16].
87
88 Ilustración 2 Diagrama de flujo general de estudio.
89 La metodología propuesta en este trabajo comprende el desarrollo de un comple-

90 mento SIG en un entorno de código abierto. La Figura 1 presenta el flujo de trabajo
91 del SIG desarrollado enchufar. Los procesos se analizan con más detalle en este capí-
92 tulo, así como los datos anteriores. [17].
12
14
93
94 Ilustración 3. Flujo de trabajo de la herramienta SIG desarrollada.
95
96
97 Las zonas industriales objeto de estudio están programadas por el Estado argelino
98 en 2013 para satisfacer las expectativas de los inversores. El objetivo es alcanzar el
99 equilibrio económico regional y la estabilización demográfica con respeto al medio
100 ambiente. [18]. Se utilizó un proceso metodológico para determinar tapar áreas de
101 vertederos de residuos para la provincia de Bursa. En primer lugar, el Se identifica-
102 ron los factores necesarios para el análisis espacial. Spa-Datos iniciales necesarios
103 para identificar el área de almacenamiento de residuos sólidos. se obtuvieron de la
104 Municipalidad Metropolitana de Bursa. Se utilizaron veintitrés tipos diferentes de
105 capas de datos espaciales. utilizado en este estudio. El atributo y la información
106 espacia de los datos resultantes utilizados fueron organizados y preparados para
107 transferir a la base de datos para su análisis. [19]
108 Para implementar la investigación, el complejo forestal de Taxiarchis (Calcídica,
109 Grecia) fue seleccionado. El tamaño de este complejo, el área es de aproximadamen-
110 te 5870,5 ha. En 1934 se le concedió por el Estado griego a la Universidad Aristóteles
15
17
111 de Tesalónica para fines de educación, investigación y establecimiento de un modelo

112 forestal contemporáneo. [20]
113 2.2.1. Precipitación
114 La precipitación es uno de los principales factores para la recarga de aguas subterrá-
115 neas, y se puede decir que grandes cantidades de precipitación producen una alta
116 recarga de aguas subterráneas [21]. El potencial de agua subterránea aumenta con
117 un aumento en la cantidad promedio de precipitación de la región, mientras que un
118 promedio de precipitación bajo puede causar una disminución en el potencial de
119 agua subterránea.
120 Las precipitaciones son la principal fuente de recarga de las aguas subterráneas. La
121 intensidad y duración de la precipitación tienen un gran impacto en la infiltración y
122 el volumen de escorrentía [22]. La cartografía precisa de la distribución espacial de
123 las precipitaciones es vital en muchos campos, como la hidrología, la meteorología y
124 la agricultura [23]. Para este propósito, se aplican en el entorno SIG métodos de Kri-
125 ging simple, Kriging ordinario, Kriging universal, coKriging ordinario, Kriging ba-
126 yesiano empírico, funciones de base radial, interpolación polinómica local, interpo-
127 lación polinómica global y ponderación de distancia inversa [24].
128 El mapa de precipitación se creó interpolando la precipitación de las diez estaciones
129 de observación meteorológica, y el mapa obtenido se categorizó en cinco grupos. La
130 precipitación anual para el área de estudio existe entre 716 mm a 1048 mm. El mapa
131 de precipitación se divide en cinco categorías principales según la cantidad de preci-
132 pitación por año: 716–749,9, 750–811,1, 811,2–877,5, 877,6–934,7 y 934,8–1048 mm/
133 año (Ilustracion 4). En este estudio, las regiones de mayor pendiente generalmente
134 reciben más lluvia por año que las regiones de menor pendiente [25].
18
20
135
136 Ilustración 4 Mapa de precipitación anual para el área de estudio.
137 2.2.2. Suelos

138 El agua subterránea se alimenta de agua superficial que se mezcla con el flujo de
139 agua subterránea mediante infiltración. Por lo tanto, la estructura del suelo afecta
140 directamente la infiltración y recarga de aguas subterráneas [26]. La recarga de agua
141 subterránea depende del tipo de suelo y de la tasa de infiltración. La textura del
142 suelo (forma de grano, tamaño, permeabilidad, etc.) afecta sustancialmente el movi-
21
23
143 miento del agua subterránea [27]. Los suelos de grano grueso tienen un alto poten-
144 cial de infiltración y proporcionan una mayor recarga de agua subterránea que los
145 suelos de grano fino [28]. Los principales tipos de suelo para el estudio se obtuvie-
146 ron como suelos de bosque pardo, podzólicos, coluviales, aluviales e hidromórfi-
147 cos. Los tipos de suelo que cubren la mayor superficie en el área de estudio son sue-
148 los de bosque pardo y suelos podzólicos, como se muestra en la ilustración 5 [29].
149
150
151
152
153
24
26
154
155 Ilustración 5 Mapa de suelos para el área de estudio.
156 2.2.3. Uso/cobertura del suelo (LLUC)

157 LULC es uno de los otros factores esenciales para la recarga y disponibilidad de
158 agua subterránea y afecta la cantidad de agua, que se fusiona con el agua subterrá-
159 nea [30].
27
29
160 Para el presente estudio, el área seleccionada se divide en catorce categorías: asenta-
161 miento, zona industrial, zona minera, zona agrícola, campo de arroz, huerto, pasti-
162 zal, bosque, pastizal, páramo, dunas de arena, vegetación escasa, humedal y cuerpos
163 de agua [31]. La formación de agua subterránea es menor en las zonas de asenta-
164 miento, zonas industriales y zonas mineras que en las áreas cultivadas, como zonas
165 agrícolas, campos de arroz, huertos, pastizales y bosques [32].
166 En este estudio, los conjuntos de datos de las características del suelo se importaron
167 a ArcMap 10.8.2, recortamos el área de estudio mediante extracción y la clasificamos
168 por código de cuadrícula en diferentes clases. Según esta clasificación, la mayor
169 parte del delta comprende áreas de cultivos y bosques [33].
170
171
30
32
172
173 Ilustración 6 Mapa de uso y cobertura del suelo para el área de estudio.
174 2.2.4. Litología

175 Las características geológicas del suelo afectan la porosidad, y la porosidad afecta el
176 movimiento del agua subterránea; El flujo de agua subterránea es mayor en suelos
177 con alta porosidad [34]. Por tanto, la capacidad de almacenamiento de agua subte-
33
35
178 rránea de los suelos con alta porosidad también es alta [22]. Para el presente estudio,
179 el mapa geológico se extrajo del mapa geológico 1/50.000 de MTA y se clasificó con
180 diferentes clases como limo, arcilla, mezcla (aluvión), andesita-basalto, humedal,
181 piedra caliza, arena, cuerpo de agua, sedimento volcánico. y arenisca conglomerada
182 (ilustración 7) en el entorno ArcMap 10.8.2. , es decir, la herramienta de entidad a
183 ráster, y luego se volvió a muestrear a un tamaño de celda de 30*30 m [35].
184
36
38
185
186 Ilustración 7 Mapa litológico del área de estudio.
187 2.2.5. Densidad de lineamiento (LD)

188 La densidad de lineamientos (LD) se calcula como la longitud total de lineamientos
189 por unidad de grado. Proporciona información valiosa sobre la calidad de la altera-
190 ción estructural, la ruptura y el cizallamiento y el potencial de las aguas subterrá-
39
41
191 neas [36]. Por lo tanto, el control LD es un método importante y útil para capturar
192 muchas características litológicas relacionadas y capas temáticas razonables, y la
193 observación cuidadosa puede proporcionar precisión adicional en caso de conver-
194 gencia de lineamientos en un área [37].
195 Características lineales como pliegues, fracturas y uniones forman los lineamientos
196 de un campo [38]. La LD es otro factor crítico para la recarga de aguas subterráneas
197 al facilitar la infiltración de aguas superficiales hacia las subterráneas. La densidad
198 de la red de drenaje LD garantiza una alta disponibilidad de agua subterránea [39].
199 La alta LD corresponde a una alta recarga de agua subterránea. Para el presente
200 estudio, el mapa LD se creó a partir del DEM del área en el entorno ArcMap 10.8.2
201 trazando el mapa de la ladera del sitio en diferentes resoluciones [40]. Los valores de
202 LD se dividieron en cinco niveles de densidad de 0 a 0,226, 0,227 a 0,452, 0,453 a
203 0,677, 0,678 a 0,903 y 0,904 a 1,13 km/km 2 , que se muestran en la ilustración 8 [41].
42
44
204
205 Ilustración 8 Mapa de densidad de lineamientos del área de estudio.
206 2.3. Análisis de decisiones multicriterio utilizando AHP

207 Cada uno de los parámetros mencionados anteriormente tiene una contribución
208 diferente a la ocurrencia y recarga de aguas subterráneas. Por lo tanto, el peso de
209 cada capa temática está determinado por la técnica AHP por su importancia para la
45
47
210 recarga de aguas subterráneas [42]. AHP es un método basado en SIG para especifi-
211 car la zona potencial de agua subterránea basándose en un análisis de decisión
212 multicriterio (MCDA) utilizando la técnica AHP. Utilizando SIG, la capa temática
213 ponderada de AHP proporciona rápidamente el análisis de superposición para el
214 mapeo de GPZ [43]. Para el presente estudio, el AHP se implementó en cuatro pa-
215 sos: (1) selección de capas temáticas y factores, (2) matriz de comparación por pares,
216 (3) estimación del peso de cada factor y (4) evaluación de la consistencia del método,
217 respectivamente [44].
218  Las capas se seleccionaron de acuerdo con la revisión de la literatura ante-
219 rior, las cuales son precipitación, LULC, geología, pendiente, LD, DD y sue-
220 lo [44].
221  Se empleó una matriz de comparación por pares para los factores de entra-
222 da, y cada entrada muestra la influencia en la fila en relación con el factor de
223 la columna. La importancia asignada a cada factor que influye en la GPZ se
224 basó en nueve puntos que se muestran en la Tabla 1 [45].
225  Los pesos se dieron a las capas temáticas en función de su importancia.
226 Como se puede indicar en la Tabla 1 , "1" representa la igual importancia
227 entre los factores, y "9" representa la importancia sustancial de un paráme-
228 tro sobre otro como escala de importancia [46].
229
230
231 Tabla 1 Escala de comparación por pares de AHP.
232 Escala de Definición Explicación

Importancia
233
1 igual importancia Dos criterios/subcriterios
contribuyen igualmente al
nivel superior.
3 Importancia moderna La sentencia favorece leve-
mente un criterio/subcrite-
rio sobre otro.
5 Fuerte importancia En la sentencia se favorece
fuertemente un criterio/sub-
criterio.
7 importancia muy fuerte Se prefiere sustancialmente
un criterio/subcriterio sobre
otro.
9 Importancia absoluta/exter- Hay evidencia que respalda
na la preferencia de un crite-
rio/subcriterio sobre otro.
2,4,6,8 Valores inmediatos entre No puede haber un juicio
los valores de escala ante- absoluto; por lo tanto, un
riores compromiso es esencial.
48
50
234
235 El tercer y cuarto factor esencial son todos los parámetros hidrogeológicos (geología
236 y densidad de lineamientos). La pendiente fue elegida como el quinto factor impor-
237 tante porque influye en la infiltración de la precipitación al agua subterránea [1]. Fi-
238 nalmente, se seleccionó la textura del suelo como el séptimo factor importante para
239 GPZ debido al tipo de suelo del área de estudio, el cual era franco y tenía una menor
240 tasa de infiltración. El índice de consistencia (CR) se utilizó para la validación de la
241 matriz de comparación por pares para capas y subclases temáticas, que se puede
242 obtener mediante la siguiente ecuación [47].
243
244
CI
CR=
RI
245
246 Donde " CR " es el índice de consistencia, " CI " es el índice de consistencia y " RI " es
247 un índice aleatorio cuyo valor depende del número de parámetros que se han com-
248 parado. El IC se puede calcular mediante la ecuación (2) [48].
⋋ −n
249 C I=
n−1
250 Donde " n " es el número de capas temáticas y λ es el valor propio promedio del
251 vector de consistencia. El valor de RI depende del número de capas comparadas. Se-
252 gún [47] , el valor de RI para " n = 7" es 1,32 (Tabla 2).
253
254 Tabla 2 Valores de RI para diferentes números de capas o factores temáticos.
N RI N RI N RI
1 0.00 6 1.24 11 1.51
2 0.00 7 1.32 12 1.48
3 0.58 8 1.41 13 1.56
4 0.90 9 1.45 14 1.57
5 1.12 10 1.49 14 1.59
51
53
255
256 3. Resultados
257 3.1. Resultados del análisis de decisiones multicriterio realizado por AHP
258 En esta sección, se brindan los resultados del análisis de decisiones multicriterio
259 realizado por AHP. La Tabla 3 muestra la matriz de comparación por pares normali-
260 zada para las capas temáticas dadas. Como se indica en la Tabla 3 y la ilustración 9,
261 el peso normalizado de la precipitación es mayor que otros factores, que tienen una
262 ponderación del 41%, lo que muestra la influencia significativa de la precipitación en
263 la recarga de aguas subterráneas. LULC tuvo un peso del 22,5% como el segundo
264 factor más importante, y la geología, con un 16,3%, fue el tercer factor crítico para el
265 mapeo de la GPZ según su comportamiento. [49]
266
267 Ilustración 9 Peso normalizado de las capas temáticas.
268
269 Tabla 3 Matriz de comparación por pares normalizada de la capa temática para la zona potencial de aguas subterráneas
270 LULC.
Ma- no-
PAG LULC GRAMO LD S DD S
triz roeste
54
56
1 2 3 4 5 6 7
40,9
PAG 1 1 3 3 5 7 8 9
%
22,5
LULC 2 1/3 1 2 3 5 5 7
%
16,3
I 3 1/3 1/2 1 3 3 5 5
%
LD 4 1/5 1/3 1/3 1 2 1 3 7,4%
sp 5 1/7 1/5 1/3 1/2 1 2 1 5,1%
DD 6 1/8 1/5 1/5 1 1/2 1 1 4,2%
S 7
1/9 1/7 1/5 1/3 1 1 1 3,6%
271 Precipitación (P); litología (L); densidad de lineamientos (LD), pendiente (Sp); densidad de drenaje
272 (DD); suelo (S); pesos normalizados (NW).
273
274 Por otro lado, el suelo tuvo un peso del 3,6% y se convirtió en el factor de menor
275 importancia entre las capas temáticas debido a su menor comportamiento de infil-
276 tración del suelo. [50] El índice de consistencia (CR) calculado de la matriz de com-
277 paración por pares para las siete capas temáticas después de asignar valores de esca-
278 la dio como resultado un CR del 3%, que es inferior al máximo del 10% y, por otro
279 lado, el suelo recibió un peso del 3,6%. , y se convirtió en el factor de menor impor -
280 tancia entre las capas temáticas debido al menor comportamiento de infiltración del
281 suelo arcilloso. [51]
57
59
n
282 G P Z M =∑ ( w j∗x 1)
t =1
283
284
285 W j es el peso normalizado (en porcentaje) del indicador, x i es la puntuación relativa para el i ésimo in-
286 dicador en el i ésimo píxel, m es el número total de capas temáticas y • n es el número
287 total de clases. [52]Las ponderaciones obtenidas para cada capa temática se subclasi-
288 ficaron y clasificaron del 1 al 9 en función de su aparición relativa de GPZ. La Tabla
289 4 muestra las subclases de capas temáticas con sus escalas relativas. GPZ se clasificó
290 en cinco clases según la influencia de cada capa temática con sus valores pondera-
291 dos. La Tabla 5 muestra las posibles categorías de aguas subterráneas con su impor-
292 tancia.
293 Tabla 5. Zonas potenciales de aguas subterráneas con categoría
294
Categorías potenciales de aguas subterráneas
1 pobre
2 moderado
3 alto
4 muy alto
295
296
297
298 Delineación de la zona potencial de aguas subterráneas
60
62
299 Después de obtener los factores ponderados normalizados, cada capa temática se ingresó en el en -
300 torno SIG y se integró con una ecuación basada en píxeles (Ecuación (3)). El mapa
301 GPZ se creó con herramientas de análisis de superposición ponderada y el mapa se
302 dividió en cuatro zonas: pobre, moderada, alta y muy alta. La Figura 11 muestra la
303 clasificación, área y porcentaje de GPZ de cada zona potencial. Como se muestra
304 en el Cuadro 6 , el 38.01% del área total tiene potencial muy alto para aguas subte-
305 rráneas, quedando en segundo lugar el 19.37% con potencial alto, que tiene un gra-
306 do de pendiente bajo con bajo escurrimiento y alta tasa de infiltración y se ubica en
307 el norte. parte del área de estudio cerca de la región del Mar Negro. En el área de
308 estudio, alrededor de 68.41 km 2 del área total fueron clasificados como zona de po-
309 tencial pobre, lo que representa el 3.78% del área total ubicada en la parte norte del
310 área de estudio, debido a la baja tasa de infiltración y forma de uso del suelo de la
311 zona. En primer lugar, 687,65 km 2 del área total se encuentran dentro de la zona de
312 muy alto potencial de la GPZ; en segundo lugar, 350.44 km 2 del área total se ubica-
313 ron en la zona alta de la GPZ para el área de estudio, y 702.38 km 2 del área total se
314 ubicaron bajo la zona moderada de la GPZ, lo que puede indicar que esta región
315 tiene un excelente y buen potencial. o acuíferos de agua subterránea de alto rendimiento. En
316 conclusión, se determina que la precipitación, la geología, LULC, LD y los factores de pen-
317 diente influyen fuertemente en la GPZ para el presente estudio
318
319
320
321
322
323
324
325
326
327
328
329
330
Ilustración 10Mapa GPZ del área de estu-

dio.
63
65
331
332
333
334
335
336 6. Clasificación de GPZ con el porcentaje y superficie de cada zona.
337
338 Potencial de aguas Porcentaje de cobertura del área Área (Km2)
339 Pobre 3.78 68.41
340 Moderado 38. 702.38
341
Alto 19.37 350.44
342
Muy alto 30.01 387.62
343 Referencias
344
[1]
345 A. Akinsemolu, H. Onyeaka, and O. Fagunwa, “Toward a Resilient Future : The Promise of Microbial Bioeconomy,”
346 pp. 1–13, 2023.
[2]
347 V. Pathmanandakumar and N. Thasarathan, “An Approach to Delineate Potential Groundwater Zones in Kilinochchi
348 District , Sri Lanka , Using GIS Techniques,” 2021.
[3]
349 S. Pandey et al., “Wastewater Treatment with Technical Intervention Inclination towards Smart Cities,” 2022.
[4]
350 K. Taweesin, U. Seeboonruang, and P. Saraphirom, “The Influence of Climate Variability Effects on Groundwater
351 Time Series in the Lower Central,” 2018, doi: 10.3390/w10030290.
[5]
352 R. Sensing et al., “Delineation of Groundwater Potential Area using an AHP ,” 2023.
[6]
353 H. Chen et al., “Study on Groundwater Function Zoning and Sustainable Development and Utilization in Jining City
354 Planning Area,” 2023.
[7]
355 M. Abdelkareem, F. Abdalla, and F. Alshehri, “Mapping Groundwater Prospective Zones Using Remote Sensing and
356 Geographical Information System Techniques in Wadi Fatima , Western Saudi Arabia,” pp. 1–21, 2023.
[8]
357 G. Gopalakrishnan, T. Ramkumar, V. Senapathi, and S. Vasudevan, “Evaluation of Vulnerability Zone of a Coastal
358 Aquifer Through GALDIT GIS Index Techniques,” no. June, 2019, doi: 10.1016/B978-0-12-815413-7.00015-8.
[9]
359 A. Azma, E. Narreie, A. Shojaaddini, N. Kianfar, and R. Kiyanfar, “Statistical Modeling for Spatial Groundwater Po-
360 tential Map Based on GIS Technique,” pp. 1–18, 2021.
66
68
[10]
361 S. Genç and H. T. Güner, “Precipitation and Streamflow Reconstructions from Tree Rings for the Lower Kızılırmak
362 River Basin , Turkey,” 2022.
[11]
363 A. J. A. Sci, “Araştırma,” vol. 26, no. 2, pp. 136–144, 2011.
[12]
364 F. Wei et al., “Spatiotemporal Distribution Characteristics and Their Driving Forces of Ecological Service Value in
365 Transitional Geospace : A Case Study in the Upper Reaches of the Minjiang River , China,” 2023.
[13]
366 Y. Huang, “Improved SVM-Based Soil-Moisture-Content Prediction Model,” 2023.
[14]
367 A. Dervisoglu, “Investigation of Long and Short-Term Water Surface Area Changes in Coastal Ramsar Sites in Turkey
368 with Google Earth Engine,” 2022.
[15]
369 Y. Su et al., “Improved Understanding of Trade-Offs and Synergies in Ecosystem Services via Fine Land-Use Classifi-
370 cation and Multi-Scale Analysis in the Arid Region of Northwest China,” 2023.
[16]
371 L. Images, “Analysis of the Spatiotemporal Characteristics and Influencing Factors of the NDVI Based on the GEE
372 Cloud Platform and Landsat Images,” pp. 1–21, 2023.
[17]
373 A. Padrão, L. Duarte, and A. C. Teodoro, “A GIS Plugin for Susceptibility Modeling: Case Study of Wildfires in Vila
374 Nova de Foz Côa,” Land (Basel), vol. 11, no. 7, 2022, doi: 10.3390/land11071093.
[18]
375 A. Taibi and B. Atmani, “Combining Fuzzy AHP with GIS and Decision Rules for Industrial Site Selection,” Interna-
376 tional Journal of Interactive Multimedia and Artificial Intelligence, vol. 4, no. 6, 2017, doi: 10.9781/ijimai.2017.06.001.
[19]
377 V. Yildirim, T. Memisoglu, S. Bediroglu, and H. E. Colak, “Municipal solid waste landfill site selection using multi-cri-
378 teria decision making and gis: Case study of Bursa province,” Journal of Environmental Engineering and Landscape Man-
379 agement, vol. 26, no. 2, 2018, doi: 10.3846/16486897.2017.1364646.
[20]
380 G. Kolkos, A. Stergiadou, A. Kantartzis, S. Tampekis, and G. Arabatzis, “Effects of forest roads and an assessment of
381 their disturbance of the natural enviroment based on GIS spatial multi-criteria analysis: case study of the University
382 Forest of Taxiarchis, Chalkidiki, Greece,” EuroMediterr J Environ Integr, vol. 8, no. 2, 2023, doi: 10.1007/s41207-023-
383 00362-6.
[21]
384 H. Allafta and C. Opp, “GIS-based multi-criteria analysis for flood prone areas mapping in the trans-boundary Shatt
385 Al- Arab basin , Iraq-Iran,” Geomatics, Natural Hazards and Risk, vol. 12, no. 1, pp. 2087–2116, 2021, doi:
386 10.1080/19475705.2021.1955755.
[22]
387 M. Rakhimova, K. Zulpykharov, A. Assylbekova, and N. Zhengissova, “Using the Revised Universal Soil Loss Equa-
388 tion and Global Climate Models ( CMIP6 ) to Predict Potential Soil Erosion Associated with Climate Change in the
389 Talas District ,” 2024.
[23]
390 T. Li, D. Shi, S. Jiang, and Y. Li, “Analysis of Spatial — Temporal Variation in Ecosystem Service Value in Shandong
391 Province over the Last Two Decades,” 2024.
69
71
[24]
392 H. M. Salem et al., “Evaluating Intra-Field Spatial Variability for Nutrient Management Zone Delineation through
393 Geospatial Techniques and Multivariate Analysis,” 2024.
[25]
394 O. Mert, “Spatial Analysis of Seasonal Precipitation Using Various Interpolation Methods in the Euphrates,” pp. 1–26,
395 2022.
[26]
396 G. Shuai et al., “Comparison of Multiple Machine Learning Methods for Correcting Groundwater Levels Predicted by
397 Physics-Based Models,” 2024.
[27]
398 V. I. Trukhachev, S. L. Belopukhov, I. I. Dmitrevskaya, and M. Grigoryeva, “Study of the Sustainability of Ecological
399 and Chemical Indicators of Soils in Organic Farming,” 2024.
[28]
400 K. County et al., “UC Hastings Scholarship Repository Groundwater Recharge for a Regional Water Bank : Kern Water
401 Groundwater Recharge for a Regional Water Bank : Kern Water Bank , Kern County , California,” vol. 1, 2021.
[29]
402 H. Liu et al., “Effects of Different Forest Types on Stoichiometric Characteristics of Carbon , Nitrogen , and Phospho-
403 rus in Tropical Soils , China,” pp. 1–15, 2024.
[30]
404 B. Etikala, V. Golla, P. Li, and S. Renati, “HydroResearch Deciphering groundwater potential zones using MIF tech-
405 nique and GIS : A study from Tirupati area , Chittoor District , Andhra Pradesh , India,” HydroResearch, vol. 1, pp. 1–7,
406 2019, doi: 10.1016/j.hydres.2019.04.001.
[31]
407 S. Lamichhane and N. M. Shakya, “Journal of Hydrology : Regional Studies Shallow aquifer groundwater dynamics
408 due to land use / cover change in highly urbanized basin : The case of Kathmandu Valley,” J Hydrol Reg Stud, vol. 30,
409 no. June, p. 100707, 2020, doi: 10.1016/j.ejrh.2020.100707.
[32]
410 S. N. County, “Analysis of Land Use Change and Its Impact on the Hydrology of Kakia and Esamburmbur of the,”
411 2019.
[33]
412 Y. Ouyang, W. Jin, J. M. Grace, S. E. Obalum, W. C. Zipperer, and X. Huang, “Journal of Hydrology : Regional Studies
413 Estimating impact of forest land on groundwater recharge in a humid subtropical watershed of the Lower Mississippi
414 River Alluvial Valley,” J Hydrol Reg Stud, vol. 26, no. September, p. 100631, 2019, doi: 10.1016/j.ejrh.2019.100631.
[34]
415 M. H. Ayazi, S. Pirasteh, A. K. A. Pili, P. Biswajeet, B. Nikouravan, and S. Mansor, “D i s a s t e r s a n d R i s k R e d u
416 ctioninGroundwater:ZagrosMountainSouthwestIranUsingGeoinformaticsTech
417 n i q u e s,” vol. 3, no. January, pp. 1–8, 2010.
[35]
418 C. Allende-prieto and J. Roces-garc, “The High-Resolution Calibration of the Topographic Wetness Index Using PAZ
419 Satellite Radar Data to Determine the Optimal Positions for the Placement of Smart Sustainable Drainage Systems
420 ( SuDS ) in Urban Environments,” 2024.
[36]
421 G. O. Adesola, K. H. Thamaga, O. Gwavava, and B. K. Pharoe, “Groundwater Potential Zones Assessment Using
422 Geospatial Models in Semi-Arid Areas of South Africa,” 2023.
72
74
[37]
423 S. Mapping and M. Using, “Development and Assessment of GIS-Based Landslide Susceptibility Mapping Models
424 Using ANN, Fuzzy-AHP, and MCDA in Darjeeling Himalayas, West Bengal, India,” 2022.
[38]
425 S. K. Sarkar, P. C. Das, and M. M. Ekram, “Delineating the groundwater potential zones in Bangladesh,” vol. 22, no. 4,
426 pp. 4500–4516, 2022, doi: 10.2166/ws.2022.113.
[39]
427 L. Riassunto, “Geospatial delineation and mapping of groundwater potential in Embu,” no. Jica 2012, pp. 39–51, 2019,
428 doi: 10.7343/as-2019-369.
[40]
429 G. B. Lentswe and L. Molwalefhe, “Journal of Hydrology : Regional Studies Delineation of potential groundwater
430 recharge zones using analytic hierarchy process-guided GIS in the semi-arid Motloutse watershed , eastern
431 Botswana,” J Hydrol Reg Stud, vol. 28, no. February, p. 100674, 2020, doi: 10.1016/j.ejrh.2020.100674.
[41]
432 S. Sapkota, V. Prasad, U. Bhattarai, and S. Panday, “Journal of Hydrology : Regional Studies Groundwater potential
433 assessment using an integrated AHP-driven geospatial and field exploration approach applied to a hard-rock aquifer
434 Himalayan watershed,” J Hydrol Reg Stud, vol. 37, no. June, p. 100914, 2021, doi: 10.1016/j.ejrh.2021.100914.
[42]
435 W. H. Sulaiman and Y. T. Mustafa, “Geospatial Multi-Criteria Evaluation Using AHP – GIS to Delineate Groundwater
436 Potential Zones in Zakho Basin , Kurdistan Region , Iraq,” pp. 655–675, 2023.
[43]
437 A. A. J. Ghanim, A. M. Al-areeq, M. Benaafi, M. S. Al-suwaiyan, A. A. Al Aghbari, and M. Alyami, “Mapping Ground-
438 water Potential Zones in the Habawnah Basin of Southern Saudi Arabia : An AHP- and GIS-based Approach,” 2023.
[44]
439 F. R. Models, H. Ahmadi, O. A. Kaya, E. Babadagi, T. Savas, and E. Pekkan, “GIS-Based Groundwater Potentiality
440 Mapping Using AHP and,” pp. 1–15, 2021.
[45]
441 O. Rahmati and A. N. Samani, “Groundwater potential mapping at Kurdistan region of Iran using analytic hierarchy
442 process and GIS,” 2014, doi: 10.1007/s12517-014-1668-4.
[46]
443 T. Dar, N. Rai, A. Bhat, and T. Dar, “Delineation of potential groundwater recharge zones using analytical hierarchy
444 process ( AHP ) hierarchy process ( AHP ),” Geology, Ecology, and Landscapes, vol. 5, no. 4, pp. 292–307, 2021, doi:
445 10.1080/24749508.2020.1726562.
[47]
446 C. Chen and J. Huang, “Deriving Fuzzy Weights from the Consistent Fuzzy Analytic Hierarchy Process,” 2022.
[48]
447 U. Analytical, H. Process, and C. Aquifer, “and Multi-Influencing Factors to Map Groundwater Recharge Zones in a
448 Semi-Arid Mediterranean,” 2020.
[49]
449 N. Beden, N. G. Soydan-Oksal, S. Arıman, and H. Ahmadzai, “Delineation of a Groundwater Potential Zone Map for
450 the Kızılırmak Delta by Using Remote-Sensing-Based Geospatial and Analytical Hierarchy Processes,” Sustainability
451 (Switzerland), vol. 15, no. 14, 2023, doi: 10.3390/su151410964.
[50]
452 L. M. Cerón, J. D. Sarria, J. S. Torres, and J. Soto-Paz, “Agua subterránea: tendencias y desarrollo científico,” Informa-
453 ción tecnológica, vol. 32, no. 1, 2021, doi: 10.4067/s0718-07642021000100047.
75
77
[51]
454 S. Castillo-Herrera, S. Barrezueta-Unda, and J. Arbito-Quituisaca, “EVALUACIÓN DE LA CALIDAD DE AGUAS
455 SUBTERRÁNEA DE LA PARROQUIA LA PEAÑA, PROVINCIA EL ORO, ECUADOR,” CIENCIA UNEMI, vol. 12,
456 no. 31, pp. 64–73, Sep. 2019, doi: 10.29076/issn.2528-7737vol12iss31.2019pp64-73p.
[52]
457 Y. Huang, “Improved SVM-Based Soil-Moisture-Content Prediction Model for Tea Plantation,” Plants, vol. 12, no. 12,
458 Jun. 2023, doi: 10.3390/plants12122309.
459
[1]
460 A. Akinsemolu, H. Onyeaka, and O. Fagunwa, “Toward a Resilient Future : The Promise of Microbial Bioeconomy,”
461 pp. 1–13, 2023.
[2]
462 V. Pathmanandakumar and N. Thasarathan, “An Approach to Delineate Potential Groundwater Zones in Kilinochchi
463 District , Sri Lanka , Using GIS Techniques,” 2021.
[3]
464 S. Pandey et al., “Wastewater Treatment with Technical Intervention Inclination towards Smart Cities,” 2022.
[4]
465 K. Taweesin, U. Seeboonruang, and P. Saraphirom, “The Influence of Climate Variability Effects on Groundwater
466 Time Series in the Lower Central,” 2018, doi: 10.3390/w10030290.
[5]
467 R. Sensing et al., “Delineation of Groundwater Potential Area using an AHP ,” 2023.
[6]
468 H. Chen et al., “Study on Groundwater Function Zoning and Sustainable Development and Utilization in Jining City
469 Planning Area,” 2023.
[7]
470 M. Abdelkareem, F. Abdalla, and F. Alshehri, “Mapping Groundwater Prospective Zones Using Remote Sensing and
471 Geographical Information System Techniques in Wadi Fatima , Western Saudi Arabia,” pp. 1–21, 2023.
[8]
472 G. Gopalakrishnan, T. Ramkumar, V. Senapathi, and S. Vasudevan, “Evaluation of Vulnerability Zone of a Coastal
473 Aquifer Through GALDIT GIS Index Techniques,” no. June, 2019, doi: 10.1016/B978-0-12-815413-7.00015-8.
[9]
474 A. Azma, E. Narreie, A. Shojaaddini, N. Kianfar, and R. Kiyanfar, “Statistical Modeling for Spatial Groundwater Po-
475 tential Map Based on GIS Technique,” pp. 1–18, 2021.
[10]
476 S. Genç and H. T. Güner, “Precipitation and Streamflow Reconstructions from Tree Rings for the Lower Kızılırmak
477 River Basin , Turkey,” 2022.
[11]
478 A. J. A. Sci, “Araştırma,” vol. 26, no. 2, pp. 136–144, 2011.
[12]
479 F. Wei et al., “Spatiotemporal Distribution Characteristics and Their Driving Forces of Ecological Service Value in
480 Transitional Geospace : A Case Study in the Upper Reaches of the Minjiang River , China,” 2023.
[13]
481 Y. Huang, “Improved SVM-Based Soil-Moisture-Content Prediction Model,” 2023.
[14]
482 A. Dervisoglu, “Investigation of Long and Short-Term Water Surface Area Changes in Coastal Ramsar Sites in Turkey
483 with Google Earth Engine,” 2022.
[15]
484 Y. Su et al., “Improved Understanding of Trade-Offs and Synergies in Ecosystem Services via Fine Land-Use Classifi-
485 cation and Multi-Scale Analysis in the Arid Region of Northwest China,” 2023.
78
80
[16]
486 L. Images, “Analysis of the Spatiotemporal Characteristics and Influencing Factors of the NDVI Based on the GEE
487 Cloud Platform and Landsat Images,” pp. 1–21, 2023.
[17]
488 A. Padrão, L. Duarte, and A. C. Teodoro, “A GIS Plugin for Susceptibility Modeling: Case Study of Wildfires in Vila
489 Nova de Foz Côa,” Land (Basel), vol. 11, no. 7, 2022, doi: 10.3390/land11071093.
[18]
490 A. Taibi and B. Atmani, “Combining Fuzzy AHP with GIS and Decision Rules for Industrial Site Selection,” Interna-
491 tional Journal of Interactive Multimedia and Artificial Intelligence, vol. 4, no. 6, 2017, doi: 10.9781/ijimai.2017.06.001.
[19]
492 V. Yildirim, T. Memisoglu, S. Bediroglu, and H. E. Colak, “Municipal solid waste landfill site selection using multi-cri-
493 teria decision making and gis: Case study of Bursa province,” Journal of Environmental Engineering and Landscape Man-
494 agement, vol. 26, no. 2, 2018, doi: 10.3846/16486897.2017.1364646.
[20]
495 G. Kolkos, A. Stergiadou, A. Kantartzis, S. Tampekis, and G. Arabatzis, “Effects of forest roads and an assessment of
496 their disturbance of the natural enviroment based on GIS spatial multi-criteria analysis: case study of the University
497 Forest of Taxiarchis, Chalkidiki, Greece,” EuroMediterr J Environ Integr, vol. 8, no. 2, 2023, doi: 10.1007/s41207-023-
498 00362-6.
[21]
499 H. Allafta and C. Opp, “GIS-based multi-criteria analysis for flood prone areas mapping in the trans-boundary Shatt
500 Al- Arab basin , Iraq-Iran,” Geomatics, Natural Hazards and Risk, vol. 12, no. 1, pp. 2087–2116, 2021, doi:
501 10.1080/19475705.2021.1955755.
[22]
502 M. Rakhimova, K. Zulpykharov, A. Assylbekova, and N. Zhengissova, “Using the Revised Universal Soil Loss Equa-
503 tion and Global Climate Models ( CMIP6 ) to Predict Potential Soil Erosion Associated with Climate Change in the
504 Talas District ,” 2024.
[23]
505 T. Li, D. Shi, S. Jiang, and Y. Li, “Analysis of Spatial — Temporal Variation in Ecosystem Service Value in Shandong
506 Province over the Last Two Decades,” 2024.
[24]
507 H. M. Salem et al., “Evaluating Intra-Field Spatial Variability for Nutrient Management Zone Delineation through
508 Geospatial Techniques and Multivariate Analysis,” 2024.
[25]
509 O. Mert, “Spatial Analysis of Seasonal Precipitation Using Various Interpolation Methods in the Euphrates,” pp. 1–26,
510 2022.
[26]
511 G. Shuai et al., “Comparison of Multiple Machine Learning Methods for Correcting Groundwater Levels Predicted by
512 Physics-Based Models,” 2024.
[27]
513 V. I. Trukhachev, S. L. Belopukhov, I. I. Dmitrevskaya, and M. Grigoryeva, “Study of the Sustainability of Ecological
514 and Chemical Indicators of Soils in Organic Farming,” 2024.
[28]
515 K. County et al., “UC Hastings Scholarship Repository Groundwater Recharge for a Regional Water Bank : Kern Water
516 Groundwater Recharge for a Regional Water Bank : Kern Water Bank , Kern County , California,” vol. 1, 2021.
81
83
[29]
517 H. Liu et al., “Effects of Different Forest Types on Stoichiometric Characteristics of Carbon , Nitrogen , and Phospho-
518 rus in Tropical Soils , China,” pp. 1–15, 2024.
[30]
519 B. Etikala, V. Golla, P. Li, and S. Renati, “HydroResearch Deciphering groundwater potential zones using MIF tech-
520 nique and GIS : A study from Tirupati area , Chittoor District , Andhra Pradesh , India,” HydroResearch, vol. 1, pp. 1–7,
521 2019, doi: 10.1016/j.hydres.2019.04.001.
[31]
522 S. Lamichhane and N. M. Shakya, “Journal of Hydrology : Regional Studies Shallow aquifer groundwater dynamics
523 due to land use / cover change in highly urbanized basin : The case of Kathmandu Valley,” J Hydrol Reg Stud, vol. 30,
524 no. June, p. 100707, 2020, doi: 10.1016/j.ejrh.2020.100707.
[32]
525 S. N. County, “Analysis of Land Use Change and Its Impact on the Hydrology of Kakia and Esamburmbur of the,”
526 2019.
[33]
527 Y. Ouyang, W. Jin, J. M. Grace, S. E. Obalum, W. C. Zipperer, and X. Huang, “Journal of Hydrology : Regional Studies
528 Estimating impact of forest land on groundwater recharge in a humid subtropical watershed of the Lower Mississippi
529 River Alluvial Valley,” J Hydrol Reg Stud, vol. 26, no. September, p. 100631, 2019, doi: 10.1016/j.ejrh.2019.100631.
[34]
530 M. H. Ayazi, S. Pirasteh, A. K. A. Pili, P. Biswajeet, B. Nikouravan, and S. Mansor, “D i s a s t e r s a n d R i s k R e d u
531 ctioninGroundwater:ZagrosMountainSouthwestIranUsingGeoinformaticsTech
532 n i q u e s,” vol. 3, no. January, pp. 1–8, 2010.
[35]
533 C. Allende-prieto and J. Roces-garc, “The High-Resolution Calibration of the Topographic Wetness Index Using PAZ
534 Satellite Radar Data to Determine the Optimal Positions for the Placement of Smart Sustainable Drainage Systems
535 ( SuDS ) in Urban Environments,” 2024.
[36]
536 G. O. Adesola, K. H. Thamaga, O. Gwavava, and B. K. Pharoe, “Groundwater Potential Zones Assessment Using
537 Geospatial Models in Semi-Arid Areas of South Africa,” 2023.
[37]
538 S. Mapping and M. Using, “Development and Assessment of GIS-Based Landslide Susceptibility Mapping Models
539 Using ANN, Fuzzy-AHP, and MCDA in Darjeeling Himalayas, West Bengal, India,” 2022.
[38]
540 S. K. Sarkar, P. C. Das, and M. M. Ekram, “Delineating the groundwater potential zones in Bangladesh,” vol. 22, no. 4,
541 pp. 4500–4516, 2022, doi: 10.2166/ws.2022.113.
[39]
542 L. Riassunto, “Geospatial delineation and mapping of groundwater potential in Embu,” no. Jica 2012, pp. 39–51, 2019,
543 doi: 10.7343/as-2019-369.
[40]
544 G. B. Lentswe and L. Molwalefhe, “Journal of Hydrology : Regional Studies Delineation of potential groundwater
545 recharge zones using analytic hierarchy process-guided GIS in the semi-arid Motloutse watershed , eastern
546 Botswana,” J Hydrol Reg Stud, vol. 28, no. February, p. 100674, 2020, doi: 10.1016/j.ejrh.2020.100674.
84
86
[41]
547 S. Sapkota, V. Prasad, U. Bhattarai, and S. Panday, “Journal of Hydrology : Regional Studies Groundwater potential
548 assessment using an integrated AHP-driven geospatial and field exploration approach applied to a hard-rock aquifer
549 Himalayan watershed,” J Hydrol Reg Stud, vol. 37, no. June, p. 100914, 2021, doi: 10.1016/j.ejrh.2021.100914.
[42]
550 W. H. Sulaiman and Y. T. Mustafa, “Geospatial Multi-Criteria Evaluation Using AHP – GIS to Delineate Groundwater
551 Potential Zones in Zakho Basin , Kurdistan Region , Iraq,” pp. 655–675, 2023.
[43]
552 A. A. J. Ghanim, A. M. Al-areeq, M. Benaafi, M. S. Al-suwaiyan, A. A. Al Aghbari, and M. Alyami, “Mapping Ground-
553 water Potential Zones in the Habawnah Basin of Southern Saudi Arabia : An AHP- and GIS-based Approach,” 2023.
[44]
554 F. R. Models, H. Ahmadi, O. A. Kaya, E. Babadagi, T. Savas, and E. Pekkan, “GIS-Based Groundwater Potentiality
555 Mapping Using AHP and,” pp. 1–15, 2021.
[45]
556 O. Rahmati and A. N. Samani, “Groundwater potential mapping at Kurdistan region of Iran using analytic hierarchy
557 process and GIS,” 2014, doi: 10.1007/s12517-014-1668-4.
[46]
558 T. Dar, N. Rai, A. Bhat, and T. Dar, “Delineation of potential groundwater recharge zones using analytical hierarchy
559 process ( AHP ) hierarchy process ( AHP ),” Geology, Ecology, and Landscapes, vol. 5, no. 4, pp. 292–307, 2021, doi:
560 10.1080/24749508.2020.1726562.
[47]
561 C. Chen and J. Huang, “Deriving Fuzzy Weights from the Consistent Fuzzy Analytic Hierarchy Process,” 2022.
[48]
562 U. Analytical, H. Process, and C. Aquifer, “and Multi-Influencing Factors to Map Groundwater Recharge Zones in a
563 Semi-Arid Mediterranean,” 2020.
[49]
564 N. Beden, N. G. Soydan-Oksal, S. Arıman, and H. Ahmadzai, “Delineation of a Groundwater Potential Zone Map for
565 the Kızılırmak Delta by Using Remote-Sensing-Based Geospatial and Analytical Hierarchy Processes,” Sustainability
566 (Switzerland), vol. 15, no. 14, 2023, doi: 10.3390/su151410964.
[50]
567 L. M. Cerón, J. D. Sarria, J. S. Torres, and J. Soto-Paz, “Agua subterránea: tendencias y desarrollo científico,” Informa-
568 ción tecnológica, vol. 32, no. 1, 2021, doi: 10.4067/s0718-07642021000100047.
[51]
569 S. Castillo-Herrera, S. Barrezueta-Unda, and J. Arbito-Quituisaca, “EVALUACIÓN DE LA CALIDAD DE AGUAS
570 SUBTERRÁNEA DE LA PARROQUIA LA PEAÑA, PROVINCIA EL ORO, ECUADOR,” CIENCIA UNEMI, vol. 12,
571 no. 31, pp. 64–73, Sep. 2019, doi: 10.29076/issn.2528-7737vol12iss31.2019pp64-73p.
[52]
572 Y. Huang, “Improved SVM-Based Soil-Moisture-Content Prediction Model for Tea Plantation,” Plants, vol. 12, no. 12,
573 Jun. 2023, doi: 10.3390/plants12122309.
574
87

Articulo SIG (1) (2) 14

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Articulo SIG (1) (2) 14

Cargado por

Copyright:

Formatos disponibles

1

1 Type of the Paper (Article, Review)

3 Angeli León 1, Shirley Córdova 2 and Jose Antuash 3

3 Environments 2023, 10, x. https://doi.org/10.3390/xxxxx www.mdpi.com/journal/environments

49 2.1 Área de estudio

50 En términos de ecosistema, el delta de Kyzylmak es el humedal más importante de

69 aproximadamente 1835 kilómetros cuadrados. La costa es de 65 kilómetros (Figura

73 Ilustración 1 Ubicación geográfica de la zona de estudio.

88 Ilustración 2 Diagrama de flujo general de estudio.

89 La metodología propuesta en este trabajo comprende el desarrollo de un comple-

111 de Tesalónica para fines de educación, investigación y establecimiento de un modelo

137 2.2.2. Suelos

155 Ilustración 5 Mapa de suelos para el área de estudio.

156 2.2.3. Uso/cobertura del suelo (LLUC)

174 2.2.4. Litología

186 Ilustración 7 Mapa litológico del área de estudio.

187 2.2.5. Densidad de lineamiento (LD)

205 Ilustración 8 Mapa de densidad de lineamientos del área de estudio.

206 2.3. Análisis de decisiones multicriterio utilizando AHP

232 Escala de Definición Explicación

1 0.00 6 1.24 11 1.51

2 0.00 7 1.32 12 1.48

3 0.58 8 1.41 13 1.56

4 0.90 9 1.45 14 1.57

5 1.12 10 1.49 14 1.59

Ilustración 10Mapa GPZ del área de estu-

También podría gustarte