关于有效利用光谱技术评估水体中废水排放的指导

《Journal of Environmental Management》：Guidance on effective exploitation of spectroscopic techniques for assessing wastewater discharges in water bodies

　　丽塔·萨尔加多·布里托（Rita Salgado Brito）| 埃尔莎·梅斯基塔（Elsa Mesquita）| 鲁伊·M.C. 维加斯（Rui M.C. Viegas）| 乔安娜·索亚雷斯（Joana Soares）| 克劳迪奥·科斯塔（Cláudio Costa）| 玛丽亚·若昂·罗莎（Maria Jo?o Rosa）
葡萄牙里斯本，巴西大道101号，国家土木工程实验室（LNEC）水力学与环境系城市水单元，邮编1100-066

**摘要**
环境保护在城市排水管理中日益重要。虽然处理过的废水排放通常会受到监测，但检测到意外或未经授权的排水流入地表水仍然是一个挑战——尤其是由于排放点往往没有记录，时间和空间分布不规律，发生在条件变化很大的情况下，而且监测条件也远非标准化。这是2024年欧洲城市废水处理指令中提出的新挑战之一。分光光度技术在水处理厂中更为常见，但在排水系统和水体中的应用较少，但它能够实现实时、原位的水质监测，即使是对低污染排放物的监测也是如此。本文提出了一种新的逐步方法，利用光谱技术来定位和表征排入水体的城市废水，提出了一种新的水质标签指数，并全面指导了这些技术的应用。基于紫外-可见光（UV-Vis）吸收光谱和荧光光谱，本文展示了视觉数据挖掘、差分光谱、等吸点分析、主成分分析（PCA）、偏最小二乘法（PLS）和并行因子分析（PARAFAC）在这些应用中的有效性。该方法在一个处理过的废水排放案例研究中得到了验证，该废水的污染物浓度低于通常与未经注册的非法排水相关的浓度。通过检测河流水质的微妙变化，分光光度技术有助于定位未知排放源并支持污水处理厂的运行。这种方法有助于更好地理解城市排水动态、处理过的废水排放与接收水体质量之间的相互作用，支持监测和控制工作，并推动综合城市水资源管理，符合新的欧盟指令要求。

**1. 引言**
保护地表水免受污染物排放的影响变得越来越重要。进入21世纪第二个季度，欧洲河流的生态状况仍然是一个严重的环境问题，影响着生物多样性、公共卫生和水资源安全。2021年，只有37%的欧洲地表水达到了良好或高的生态状态，大多数水体受到污染、栖息地退化和其他人为压力的影响（EEA, 2024）。美国地表水也普遍受到损害，许多河流和湖泊未能达到《清洁水法》规定的水质标准（EPA, 2024）。澳大利亚和新西兰提供了水质管理指南，并指出盐度和土地利用是影响地表水质的主要压力因素（AGI, 2026）。主要压力源包括：农业径流——过度使用化肥和农药导致营养物质富集和化学污染；工业污染——化学品、重金属或生化污染物可能进入水体；以及城市废水——未经处理或处理不当的废水会释放额外的有机负荷、微生物污染或新兴污染物（CECs）。

从城市水务公司的角度来看，监测污水处理厂（WWTPs）的排放是一项法律义务，这基于多项欧盟指令，因为污水处理厂在处理城市和工业废水后将其排放到环境中之前，对于保护水生生态系统和公共卫生至关重要。此外，无论来源如何，都必须检测任何异常流入河流的情况，以确保及时响应。未经处理的废水可能由于非法或无监管的排放而进入地表水体，例如直接从家庭（包括灰水和黑水）、工业设施或商业场所（如餐馆、加油站、洗衣店）或污水处理厂/泵站排放。即使雨水径流也会携带污染物，如重金属、油和油脂。设计用于同时输送污水和雨水的合流管道通常配备有溢流装置，在大雨或管道堵塞时可能会无意中释放大量污染物。

合流管道溢流（CSO）的监管因地区而异。例如，在美国，CSO的排放受到《清洁水法》的监管，该法规定了每项排放的报告要求。相比之下，欧盟的CSO报告标准较为宽松，通常取决于各国自身的实施情况而非欧盟统一的法律要求。根据修订后的《城市废水处理指令》（UWWTD, Directive 2024/3019）及其他旨在保护不同环境下水质的指令（如Directive 2008/105/EC，该指令设定了环境质量标准（EQS）（见补充材料），欧洲将加大努力，提高对排水网络向接收水体排放的理解和控制。

紫外-可见光（UV-Vis）光谱已成为水质监测和过程控制的成熟技术，具有快速、无需试剂、样品准备简单以及连续实时测量的能力（Thomas和Burgess, 2022）。在污水处理厂中，光谱方法——尤其是在线浸入式UV-Vis吸收光谱传感器——已被广泛用于过程控制（Vanrolleghem和Lee, 2003；Shi等人, 2022），而在排水网络中的应用相对有限。近二十年来，这些方法在表征废水和雨水质量方面表现出显著效果（Platikanov等人, 2014；Brito等人, 2016；Chen等人, 2021；Rong等人, 2024），尽管其性能可能受到传感器污染、校准要求以及基质成分变化等因素的影响（Causse等人, 2017；Guo等人, 2020）。

除了UV-Vis吸收光谱外，二维或三维荧光光谱在生物科学中广泛应用（Christensen等人, 2006），由于其更高的灵敏度和特异性，在环境监测中也受到关注（Carstea等人, 2020）。UV-Vis吸收光谱或荧光光谱技术都允许进行快速的原位或离位水质监测。在污水系统中，光谱特征高度依赖于废水的性质（Pouet等人, 2004）。雨水流入通常会稀释溶解物质并增加悬浮固体，导致UV-Vis吸收光谱发生变化。尽管河水质量在降雨事件或污染排放后可能会有很大变化，UV-Vis吸收光谱技术在这些情况下仍能成功应用（Assaad等人, 2017；Zhang等人, 2022；Brito等人, 2022；Ritson等人, 2022）。因此，UV-Vis吸收光谱可以作为整个城市水循环中水质的宝贵指标。Thomas和Burgess（2022）提出了一种简单的水质测试方法，根据三个关键波长的吸收值来分类自然溪流中的水质：210纳米（与硝酸盐存在相关）、240纳米（用于区分溶解有机物和悬浮固体）和320纳米（指示悬浮固体）。该方法将水质从低有机物或硝酸盐含量的天然水分为四个等级。

UV-Vis荧光光谱通常使用激发-发射矩阵（FEEM光谱）记录，通过跨激发波长的发射扫描生成荧光强度等高线图（Coble, 1996）。光谱数据——即引发荧光的激发波长（λex）和发射信号的发射波长（λem）——有助于识别不同的有机荧光团。在水生环境中，通常有四类荧光有机化合物，它们与特定的荧光峰相关——称为Coble峰（Coble, 1996），这些峰被用作溶解有机物质（DOM）的生物地球化学来源和转化状态的指标：（i）与土壤DOM相关的非常复杂或复杂的分子（类似腐殖质的化合物，具有C和AC峰）；（ii）由微生物产物产生的复杂分子（类似微生物腐殖质的化合物，具有M和AM峰）；（iii）直接来自微生物活动的简单有机化合物（含有色氨酸的蛋白质类化合物，具有T峰）；（iv）含有酪氨酸的蛋白质类化合物（具有B峰）。基于二维的荧光指数可以进一步了解DOM的组成和来源。最常用的指标包括腐殖化指数（HIX）（Zsolnay等人, 1999）、荧光指数（FI）（McKnight等人, 2001）和生物指数（BIX）（Huguet等人, 2009）。HIX表示DOM的腐殖化或降解程度，与土壤、植被和上游径流相关（Zsolnay等人, 1999）；FI表示DOM的复杂性，与陆地或微生物来源相关（McKnight等人, 2001）；BIX表示生物来源的DOM，与微生物活动、藻类生产或生物处理后的废水排放相关（Huguet等人, 2009；Jeon等人, 2022）。并行因子分析（PARAFAC）将三维FEEM数据分解为化学上有意义的成分，通过标准化得分-浓度关系进行量化（Yang等人, 2015；Soares, 2025）。因此，FEEM为监测水中溶解有机物质的组成变化提供了有价值的工具。

UV-Vis吸收光谱和荧光光谱技术在快速、直接评估水质方面显示出巨大潜力，通过将光谱数据与关键水质参数相关联，包括总悬浮固体（TSS）、化学需氧量（COD）、总有机碳（TOC）、溶解有机碳（DOC）和生化需氧量（BOD）（Brito等人, 2013；Carstea等人, 2016；Zhang等人, 2022；Ritson等人, 2022）。即使不量化这些参数，UV-Vis吸收光谱的形状和FEEM等高线图也能指示水质的显著变化——例如由于雨水进入卫生管道（Brito等人, 2013）或工业废水输入（Pouet等人, 2004；Brito等人, 2017；Carstea等人, 2016；Thomas和Burgess, 2022）导致的有机负荷变化。在这种情况下，光谱轮廓本身成为一种诊断工具，能够检测和跟踪变化（Brito等人, 2017；Assaad等人, 2017）或检测异常值（例如通过主成分分析，PCA）（Booksh, 2000；Brito等人, 2022），或估计水质参数（例如通过偏最小二乘回归，PLS）（Van der Broeke等人, 2006；Torres和Bertrand-Krajewski, 2008；Brito等人, 2013；Viegas等人, 2022）。化学计量方法使用先进的多变量分析，如PCA，来增强和解释光谱数据。PCA通过减少数据维度来识别模式和趋势，用主成分得分表示光谱，并突出数据集中的相似性或异常值。PLS也减少数据维度，建立预测模型，将输入数据（如光谱）与输出变量（如水质参数）相关联。

尽管光谱技术具有强大的单独能力和互补潜力，但对其在水务实践中的综合和逐步应用仍缺乏指导。本文旨在填补这一空白，提出了一种方法，将这些技术应用于排水网络或污水处理厂的排放源定位和表征。该方法提出了一种逐步监测策略，根据对排放位置的初步怀疑或了解逐步增加复杂性——提供了一种新颖且可扩展的环境评估方法。为了提供实用指导，本文介绍了从简单到复杂的技术（包括视觉数据挖掘、差分光谱、等吸点分析以及多变量方法（PCA、PLS和PARAFAC）在UV-Vis吸收光谱和FEEM光谱中的应用和结果解释。选择UV-Vis和荧光光谱是因为它们快速、无破坏性且成本效益高，广泛用于受废水影响的水体表征。此外，FEEM结合PARAFAC提供了化学可解释的成分，而UV-Vis数据可以方便地整合到预测性化学计量模型中。虽然其他新兴的光学监测工具（如高光谱传感器或原位探针）也很有前景（Pu等人, 2017；Kumar等人, 2024），但它们超出了本研究的范围。

通过一个处理过的废水排放案例研究，旨在展示所提出方法的应用和局限性，该方法能够通过快速检测接收环境中的水质变化来改进传统方法，即使是在微量处理过的废水中也是如此。这对于根据水体的自净能力而非固定排放限制，实现更有效、高效和可持续的废水处理至关重要，符合《水框架指令》（WFD）和EQS的要求。这种方法旨在增强对城市排水动态、处理过的废水排放与接收水体之间相互作用的理解，并支持早期预警、监测和控制措施的实施，最终促进综合城市水资源管理，符合新的UWWTD（Directive 2024/3019）的要求。

**2. 材料与方法**光谱数据处理和解释的程序
UV-Vis吸光光谱的形状或FEEM光谱的等高线图本身就能提供大量信息。初步的数据挖掘可以通过视觉数据分析来进行，旨在发现数据集中的模式和关系，并通过图形可视化来提高对数据集的理解，在这些图形中可以很容易地发现趋势、簇和异常值（Oliveira和Levkowitz，2003年）。例如，当用一个UV-Vis光谱减去另一个UV-Vis光谱时，差分光谱可以提供关于中间事件的相关信息（Thomas和Burgess，2022年）。所有光谱在单一点上的收敛，称为等吸光点（IP），表明是两种相同化合物的混合物（Pouet等人，2004年）。有时，通过光谱标准化可以揭示一个隐藏的等吸光点（HIP）（Thomas和Burgess，2022年）。当河流中发生工业排放时，可能不存在HIP（Pouet等人，2004年）。可能需要进行预处理，例如均值中心化（Coombes等人，2007年）。统计和化学计量方法被广泛用于提取有意义的信息。主成分分析（PCA）用于检查大型数据集（如光谱），并已被用来检测异常值或突出数据趋势（Miller，2000年）。它将原始数据转换为一组新的主成分（PC）。偏最小二乘法（PLS）回归基于一种分解方法，类似于PCA，它寻求最能解释X矩阵（例如多个光谱）的变化性的少量潜在变量（LVs，类似于PCs），以解释Y矩阵（例如每个光谱中的水质参数）（Miller，2000年；Louren?o等人，2008年）。补充材料提供了额外的信息。

2.2. 用于检测或监测城市排放的方法论
所提出的方法论适用于怀疑特定河段有异常或不受控制排放的水质专业人员，以及负责监测和管理已知排放影响的人员。为了支持这一点，该方法论包括一系列光谱处理和解释程序，这些程序根据对排放位置和特性的了解进行了调整——如图1所示。如补充材料中详细说明的，这些程序可能涉及或不涉及在潜在排放点（D）及其上游（UP）和下游（DS）收集样本，可能需要样本预处理，并包括从直接视觉数据分析、差分光谱计算、IP或HIP计算到统计分析。

下载：下载高分辨率图像（308KB）
下载：下载全尺寸图像

图1. 根据对河流中排放位置及其水质了解程度的增加，推荐的光谱处理和解释程序：
1）UV-Vis吸光光谱的视觉数据分析；
2）差分UV-Vis光谱；
3）UV-Vis吸光光谱中的等吸光点（如需要，包括隐藏的等吸光点）；
4）基于UV-Vis光谱的排放稀释度的视觉数据分析；
5）FEEM光谱的视觉数据分析；
6）UV-Vis吸光光谱的PCA；
7）UV-Vis吸光光谱的PLS；
8）FEEM光谱的PARAFAC。

所提出的程序从1到8，复杂度逐渐增加。程序1到5基于光谱的图形表示或基本光谱计算，而程序6到8基于统计方法。这些方法需要访问不同的信息。例如，当排放被确认但其位置尚未确认时，建议使用PCA、PLS和PARAFAC。当排放的水质参数已知时，或者当可能已经识别出其主要成分时，也可以应用这些技术。换句话说，对于监测计划而言，应用PLS和PARAFAC意味着可以访问排放点并收集样本。

表1总结了根据不同监测目标和应用方法应采用的方法论程序。

表1. 根据监测目标提出的光谱数据监测、处理和解释方法论
程序ID | 目标 | 监测方法 | 数据处理 | 数据解释
--- | --- | --- | --- | ---
1 | UV-Vis光谱（吸光度）的视觉数据分析 | 收集沿河流的UV-Vis光谱；可能需要均值中心化吸光光谱以考虑自然河流稀释；在同一图表上绘制给定位置的上下游吸光光谱；通过视觉方式识别光谱形状的变化；光谱形状的变化表明在该位置引入了不同的物质；在这种情况下：计算并绘制WQL（公式（1）以评估吸光变化的显著性。
2 | 差分UV-Vis光谱 | 收集潜在排放点上下游的UV-Vis光谱；对光谱进行均值中心化；确定差分光谱（Diff）：减去均值中心化的上下游光谱；将Diff中的相关特征与相应参数关联起来。
3 | UV-Vis等吸光点 | 收集沿河流的UV-Vis光谱；对光谱进行标准化；在同一图表上绘制标准化后的上下游光谱；识别现有的HIP；使用光谱窗口更好地了解有机/无机成分；如果出现HIP，则表明在该位置之间添加了不同的物质，需要采用更复杂的程序。
4 | 排放稀释度光谱的视觉数据分析 | 收集上游、下游和稀释后的水样；制备稀释液；获取稀释后的UV-Vis光谱；叠加下游、稀释后和稀释液的光谱；通过视觉方式识别稀释光谱；使用光谱窗口改进模型结果；稀释后光谱的稀释值可以估计河流的排放稀释程度。
5 | FEEM光谱的视觉数据分析 | 收集上游、下游和稀释后的水样；如有必要，用超纯水过滤和稀释；测量FEEM光谱；检查上游、下游和稀释后的FEEM等高线图以识别原始变化和共享的荧光区域；计算荧光指数以评估DOM组成和性质；FEEM的变化表明在该位置引入了不同的DOM成分；在这种情况下：计算荧光指数（FI、BIX、HIX）。
6 | UV-Vis光谱的PCA | 收集潜在排放点上下游的UV-Vis光谱；对光谱进行均值中心化；进行PCA分析；在得分图中识别上游和下游的簇；将其他光谱（例如上游工业）纳入PCA中以检查与下游的聚类情况；如果上游和下游出现单独的簇，则表明在该位置添加了不同的物质。
7 | UV-Vis光谱的PLS | 收集潜在排放点上下游的UV-Vis光谱；分析常规水质参数；对光谱进行均值中心化；为上游和其他位置建立PLS模型（X：UV-Vis光谱；Y：水质参数）；使用光谱窗口改进模型结果；如果模型结果可接受，则根据UV-Vis数据估计水质参数。
8 | FEEM光谱的PARAFAC | 收集上游、下游和稀释后的水样；如有必要，用超纯水过滤和稀释；测量FEEM光谱；检查上游、下游和稀释后的FEEM等高线图以识别原始变化和共享的荧光区域；应用PARAFAC分析以识别和量化DOM成分；上游和下游FEEM的差异表明两点之间存在新的DOM成分；上游和下游共享的荧光区域但在上游不存在，表明河水受到污染。

如前所述，视觉数据分析（图1，程序1）可以是初步识别UV-Vis吸光光谱中的变化、模式或簇的第一步。基于某些光谱特征（如峰值、肩部或特定波长处的残余吸光度），可以将天然水分类为来自城市、混合或农村的小溪。城市小溪通常在220纳米以下显示出高于0.5 a.u. cm?1的吸光度值，而农村小溪在整个UV-Vis波长范围内通常保持低于0.5 a.u. cm?1的吸光度（Delpla，2011年）。沿河流比较光谱形状有助于定位和表征中间的排放。视觉分析可以通过确定天然水的质量标签（WQL）来支持，这是对Thomas（1995年）提出的水质代码的改编（引用自Thomas和Burgess，2022年）。它依赖于在三个诊断相关波长（210纳米，与亚硝酸盐/硝酸盐的存在相关；240纳米，用于区分DOM和悬浮固体；320纳米，对悬浮固体的存在敏感）测量的UV吸光度。pH值、温度和生物活性的变化，以及DOM来源和环境条件的空间异质性可能会影响吸光度测量（Jaffé等人，2008年；Erlandsson等人，2012年；Ma和Li，2020年）。尽管这种方法简单，但它通过整合（i）三个选定波长处的吸光强度值和（ii）DOM、无机成分（主要是硝酸盐、亚硝酸盐和铁或铬复合物）以及悬浮物质（如有机胶体和细小矿物颗粒）对整体水UV-Vis吸光度的典型相对贡献，提供了关于水源来源和组成的宝贵初步见解（Thomas和Burgess，2022年，见表2）。当同一光谱中可能分配不同的代码时，建议将最低的代码分配给每个吸光度值，然后使用公式（1）计算每个光谱的天然水质标签（WQL）：

表2. 基于210纳米（A210）、240纳米（A240）和320纳米（A320）处吸光度的天然水质量代码及其解释（改编自Thomas和Burgess，2022年）。
| 吸光度（a.u.cm?1） | 代码 | 解释 |
| --- | --- | --- | --- |
| <0.5 | 1 | 无（或非常低）DOM和硝酸盐的天然水；处理过的、脱氮后的废水 |
| 0.5 - 1.0 | 2 | 含有硝酸盐或高效生物污水处理厂的出水 |
| 0.5 - 0.2 | 3 | 活性污泥-污水处理厂出水 |
| >1.0 | 4 | 未经处理的废水 |

WQL：水质标签（?）
Ci：根据表2中210纳米、240纳米和320纳米波长的吸光值（Aλi）分配的水质代码（1到4）。

WQL的范围可以在0.25到1.00之间变化（数值越高，水质越差），以下是相应的解释：
（i）0.25到0.375之间，表示不含（或含有非常低浓度）DOM和硝酸盐的天然水，或处理过的、脱氮后的废水；
（ii）0.375到0.625之间，表示含有硝酸盐或高度处理的生物污水处理厂出水；
（iii）0.625到0.875之间，表示类似于常规生物污水处理厂出水的天然水；
（iv）0.875到1.00之间，表示类似于未经处理的废水。
然而，由于吸光度对环境变化的敏感性，这些WQL必须谨慎使用，作为初步指标。

视觉分析还可以通过差分光谱（图1，程序2）来支持，该方法通过计算上游和下游样本在相同波长处的吸光度差值得到。通过视觉数据挖掘发现的峰值和异常点可以被分离出来，并与中间添加的物质所引起的特定光谱变化联系起来。如表1中提到的，某些程序可能需要进行初步的光谱标准化处理，这包括根据方程式(2)为所有光谱分配相同的面积：(方程式2) Ai?=Ai·N∑(Ai·Δλ)，其中：Ai?：波长i的校正吸光度（a.u.）；Ai：波长i的测量吸光度（a.u.）；N：通过标准化要施加的光谱面积（例如，100 nm）；Δλ：波长步长（例如，1 nm）。在UV-Vis光谱中的等吸光点（IP）（图1，程序3）指的是几个水样吸光度保持恒定的特定波长或区域，即所有光谱在图中交叉的地方。IP的存在（或隐藏的等吸光点HIP）表明样品之间的变化仅涉及两种相互转化的主要成分。当应用于上游和下游光谱时，IP或HIP的存在表明中间没有添加其他相关物质。这些可以通过确定差分光谱（图1，程序2）并识别出残余吸光度接近零的单一位置来在图中视觉上检测到，并且可以通过计算光谱变异性（Thomas和Burgess，2022）来简单评估，如方程式(3)所示。光谱变异性V越低，IP或HIP的证据就越强。(方程式3) V=(1?NIP/Nt)·100，其中：V：关于IP或HIP的光谱变异性（%）；NIP：穿过IP或HIP的光谱数量（-）；Nt：光谱总数（-）。为了估计给定排放物的稀释程度（图1，程序4），可以使用视觉数据挖掘来检验一个假设。真实的下游UV-Vis光谱（DS）可以与在不同复合样品中获得的几个光谱进行比较，这些样品代表了排放物（D）在上游河流中的不同稀释度（Dilj）（正在测试的几个假设）。DS光谱将位于Dilα和Dilβ的光谱之间，这意味着下游河流（DS）大约由α%到β%的排放物（D）组成，这些排放物在上游河水中被稀释。对UP和DS荧光光谱的视觉数据挖掘可以检测到相关的DOM排放（图1，程序5）。可以使用2D激发或发射光谱、3D激发-发射矩阵（FEEM）等高线图——荧光强度作为激发（λex）和发射（λem）波长的函数——或峰值分析。在较长激发和发射波长下的荧光发射信号与更复杂的分子相关，而较短波长对应于更简单的有机化合物（Zsolnay等人，1999）。表3总结了水生环境中常见的DOM荧光峰值、它们的特征和可能的来源。表3. 水生环境中常见的DOM荧光峰值（Stedmon等人，2003；Coble，2007；Serène等人，2025）。描述 λex,max λem,max 峰值 常见DOM来源 类似色素 398 660P 非常复杂的DOM 类似土壤腐殖质 455 521E 非常复杂的土壤来源DOM 390 509D 250 504-320–360 420–460C 260 400–460AC 复杂的土壤来源DOM 类似微生物腐殖质 290–310 370–410M 由微生物产物聚集形成的复杂N富集DOM 240 350–400AM 280 370N 富集DOM，由浮游植物生产力产生 类似色氨酸，类似蛋白质 275 340T 小型N富集DOM，直接来自微生物活动 230 340AT 类似酪氨酸，类似蛋白质 275 305B 230 305AB 计算为在特定激发波长下选定发射波长或波长范围内的荧光强度比的荧光指数提供了补充信息，当联合解释时，可以提供关于DOM组成和潜在来源的信息。最常用的指数（表4）区分了微生物来源的物质和陆地来源的物质，并评估了分子复杂性、芳香性和DOM腐殖化程度。所呈现的值是指示性的，可能会随着环境条件的变化而变化（Serène等人，2025）。如果水生环境与开发该指数时使用的环境不同，可能需要对其进行轻微调整（Serène等人，2025）。表4. 荧光指数的计算、含义和解释（Zsolnay等人，1999；McKnight等人，2001；Huguet等人，2009；Serène等人，2025）。指数 含义 值 DOM主要特征 HIX∑λem=435 480 Iem∑λem=300 345 Iemat λex = 254 nm 考虑非常复杂分子（许多芳香核，高分子量的有机物，类似腐殖质）与简单分子（少数芳香核，低分子量，类似蛋白质）的有机物质复杂性。<4 简单DOM含量高 4 – 6 非常复杂的类似腐殖质DOM含量低，简单DOM含量高 6 – 10 非常复杂的类似腐殖质DOM含量高，简单DOM含量低 >16 非常复杂的类似腐殖质DOM含量高 FII 450 I500 在λex = 370 nm时 类似腐殖质C化合物前体的指标；非常复杂与简单类似腐殖质C化合物的比率 1.3 – 1.5 地质来源DOM 1.7 – 1.9 微生物来源DOM BIXI 380 I430 在λex = 310 nm时 类似腐殖质来源的指标：微生物（类似腐殖质M）或木质素/土壤来源（类似腐殖质C）；只有在存在M峰时才能计算 <0.7 微生物来源DOM含量低 0.7 – 0.8 微生物来源DOM含量中等 0.8 – 1 微生物来源DOM含量高 >1 生物或微生物来源DOM 如上所述，主成分分析（PCA，图1，程序6）将原始数据（UV-Vis吸光度光谱）转换为一组新的变量（主成分，PC1，PC2等）。对于PCA，光谱进行了预处理，并使用得分图（显示前两个PC）以及Hotelling的T2和Q残差图（程序的详细信息在补充材料中）识别异常值。在这些图中位于95%置信区间之外的样本可能被标记为异常值。然后检查这些样本，以确定它们是否对应于一个代表性不足的正常样本（在这种情况下将其保留在模型中），或者是否有其他证据表明不信任该样本，例如在活动记录或水质参数中（在这种情况下将其移除）。当在得分图（PC1/PC2图）中表示每个光谱时，相似的光谱将聚集在一起。如果上游和下游光谱共同聚集，这意味着它们基本上是相似的。如果它们分别聚集，则表明中间添加了不同的物质。当有潜在废水源的光谱可用时（例如上游工业），将它们包含在PCA模型中可以检查与下游光谱的聚集情况，从而证明其为可能的排放物（Brito等人，2017）。模型通常使用训练集（可用数据的三分之二）构建，然后使用外部测试集（剩余的三分之一）进行验证。然而，在处理较小的数据集时，可以使用所有可用数据进行训练，并通过交叉验证来估计模型的预测性能。在这项研究中，由于每个活动每个部分的样本数量少于15个，因此使用整个数据集作为训练集。它使用了留一法交叉验证进行评估，当数据集非常小且没有独立的测试集可用时，这是推荐的。由于存在过拟合的风险，因此得到的模型被视为初步验证，而不是模型性能的最终证明。为了降低过拟合风险，重要的是要限制模型的复杂性并使用较少的主要成分。确定了交叉验证的均方根误差（RMSE，方程式（5））。最佳的主要成分数量是捕获超过99%数据方差的同时最小化RMSE的那个数量。(方程式5) RMSE=∑(Oi?Pi)2n，其中：n：样本数量；Oi：样本i的观测水质参数；Pi：样本i的预测水质参数。至于偏最小二乘法（PLS，图1，程序7），它可以作为一种多变量统计方法来建模两个数据集X和Y（例如UV-Vis光谱和水质参数如TOC、COD等）之间的关系。这个预测模型将光谱的变化与水质参数联系起来。有了一个稳健的PLS模型，可以仅基于光谱（X）快速估计河水参数（Y）。PLS被用来预测COD、NO3、TOC和电导率值，这些数据使用了Savitzky-Golay滤波器和均值中心化进行了预处理。应用了与PCA模型相同的留一法交叉验证程序，并且为了减少过拟合，潜在变量的数量被保持在最小化RMSE所需的最小值。通过计算每个水质参数的相对RMSE（RMSErel，%）来确定模型的适当性，即与参数的平均观测值相关的RMSE（方程式（6）。(方程式6) RMSErel=∑(Oi?Pi)2n O￣·100，其中：n：样本数量；Oi：样本i的观测水质参数；Pi：样本i的预测水质参数；O￣：所有样本的平均观测值。PARAFAC（图1，程序8）可以用来分解FEEM数据并识别水中的荧光团。PARAFAC相对于其他统计方法的一个关键优势是它保留了数据集的三维结构，允许识别具有物理可解释意义的化学成分。在进行PARAFAC分析之前，必须进行探索性数据评估。正确选择发射和激发波长范围将减少噪声并提高整体数据质量。应使用Hotelling的T2和Q残差图识别并移除数据集中的异常样本（Stedmon和Bro，2008）。在模型拟合过程中必须应用几种数据处理程序，即非负性约束、随机正交初始化和样本重排。PARAFAC模型的验证程序包括分半分析和核心一致性诊断（Murphy等人，2013；Stedmon和Bro，2008）。在这项研究中，测试了具有逐渐增加组件数量的PARAFAC模型，并根据分半验证、核心一致性诊断和激发和发射载荷的化学可解释性选择了最终模型。使用每个采样集的完整数据集建立了PARAFAC组件分数与测量水质参数之间的简单线性回归。由于样本数量有限，没有应用独立的校准/测试分割。因此，使用决定系数（R2）和RMSErel来评估模型性能。成功实施所提出的方法依赖于适当的监测活动、可靠的水质分析结果以及适当的数据分析和工具。2.3. 监测站和采样活动该方法在位于葡萄牙北部Vizela河的Lordelo案例研究中进行了测试，靠近Lordelo WWTP排放口，属于LIFE Fitting项目。Vizela河受到几个大坝的调节，其中一些大坝与泵站集成，这显著影响了自然水系统的水力行为。Lordelo废水系统包括污水网络和一个WWTP——日处理能力约为28,000立方米，包括工业和城市废水。Lordelo WWTP方案包括预处理（泵送、筛分、去除油脂和砂粒）、二级处理（通过活性污泥的生物处理）以及使用砂过滤和臭氧处理的三级处理以去除颜色。排水系统部分是混合的，一些雨水进入污水系统并到达WWTP。雨水流量可以迅速变化，改变水质矩阵，影响系统的处理能力，降低处理效率，并增加质量不确定的排放物。从气候上看，该地区夏季炎热、湿度适中（6月至9月），秋季和冬季漫长、寒冷且多雨（9月至3月），年平均降水量为1500毫米。通常，Vizela河在夏季几乎干涸。此外，8月份工业排放量减少（一些工厂因假期关闭）。因此，WWTP的流入量在日内、季节性和年度上都有波动，受到城市和工业用水以及降水动态的影响。上游有一些纺织公司和其他工厂被允许排放处理过的工业废水。为了测试所提出的程序是否能够检测到低影响的排放物，选择了Lordelo WWTP的处理后的出水（D）作为河流中的排放物（D）。图2和图3展示了采样站的背景：WWTP排放物（D）以及D的上游（UP）和下游（DS）。河宽从大约10米到超过45米不等，取决于流量。下载：下载高分辨率图像（899KB）下载：下载全尺寸图像图2. WWTP排放物（D）上游（UP，左）和下游（DS，中）的河流部分。下载：下载高分辨率图像（810KB）下载：下载全尺寸图像图3. 采样站的位置：WWTP排放物（D）、河流上游（UP）和下游（DS）。在Lordelo进行了九次河流采样活动（表5）。前三次（C1、C2、C3）在干燥天气下进行，而其余的在潮湿天气下进行，要么在降雨事件之后，要么在降雨期间。在C2期间，由于暑假，工业活动停止，导致WWTP的排放量发生变化。表5。采样活动。
活动编号。天气状况。工业活动。
离体光谱。原位光谱。

C1 | 2023.07.06，下午
干燥
是
2个上游样本 + 2个下游样本 + 1个中间样本

C2 | 2023.08.30，中午
干燥
否
2个上游样本 + 2个下游样本 + 1个中间样本

C3 | 2023.10.12，中午
干燥
是
2个上游样本 + 4个下游样本 + 1个中间样本

C4 | 2024.01.04，中午
湿润
是
3个上游样本 + 3个下游样本 + 1个中间样本

C5 | 2024.07.11，中午
湿润
是
7个上游样本 + 5个下游样本 + 1个中间样本

C6 | 2024.10.03，上午
湿润
是
3个上游样本 + 2个下游样本 + 1个中间样本
11个上游样本 + 11个中间样本

C7 | 2024.10.14，下午
湿润
是
–
14个上游样本 + 10个中间样本

C8 | 2024.10.15，上午
湿润
是
1个上游样本 + 1个下游样本 + 1个中间样本
5个上游样本 + 5个中间样本

C9 | 2024.10.15，中午
湿润
是
1个上游样本 + 1个中间样本
5个上游样本 + 5个中间样本

根据安全条件和河流可通行性，每个站点的样本数量从1到7个不等，这有助于更好地理解不同河段的差异。在污水处理厂排放口，每次采样活动收集一个样本。分别获得了21个、20个和8个上游样本、下游样本和中间样本。这些样本的光谱是在实验室中使用台式分光光度计测得的（离体光谱）。此外，在C6至C9活动期间，使用便携式UV-Vis探针进行了原位测量。每次河流采样活动共获得了5到14个原位光谱，总计35个上游样本和31个下游样本的光谱（表5）。

观察到不稳定的河流涡流呈现圆形运动。湍流增强了径向混合，从而提高了样本的代表性。将1升烧瓶固定在杆子上，使采样更接近中心线，远离河岸——那里的水流速度较低。样本在运输前被冷藏；UV-Vis光谱和质量参数在24小时内进行分析。

最初提出的程序应用于离体光谱。由于只有最新的活动有原位光谱数据，因此使用这些数据来验证结论的一致性。

2.4. 分析方法
总有机碳（TOC）、硝酸盐和电导率分析遵循标准方法（Rice等人，2012年）。离体UV-Vis光谱使用分光光度计（Evolution 201，Thermo Scientific）在200-750纳米范围内以1纳米间隔进行测量，使用10毫米光程的石英池。原位UV-Vis光谱使用便携式浸入式探针（Spectrolyser，Scan）在200-750纳米范围内以2.5纳米间隔进行测量。必要时，用水样（1:10）稀释以克服紫外区域的信号饱和。

3. 结果与讨论
3.1. 程序1 | UV-Vis吸收光谱的视觉数据挖掘
直接比较下游（D）、上游（UP）和中间（DS）的UV-Vis吸收光谱（图5）发现，大多数样本具有相似的形状，在220纳米以下峰值吸收率超过0.7 a.u.cm?1，并在280纳米附近有一个轻微的肩峰。这意味着在该位置，这条河是典型的城市小溪（Delpla，2011年），无论是上游还是下游。虽然整体形状相似，但下游光谱相对于上游光谱有所偏移。当所有采样活动一起显示时（图4），这种差异不太明显，因为下游光谱几乎与上游光谱重叠。然而，当单独显示各个活动的光谱时（图5），差异变得更加明显。

下载：下载高分辨率图像（268KB）
下载：下载全尺寸图像
图4. 下游（D）、上游（UP）和中间（DS）的UV-Vis光谱。

下载：下载高分辨率图像（302KB）
下载：下载全尺寸图像
图5. C2（左）和C5（右）下游（D）、上游（UP）和中间（DS）的UV-Vis光谱示例。

对所有光谱确定了水质量指数（WQL）并进行分类（图6）。结果表明，上游样本已经含有大量的硝酸盐和溶解有机物质（DOM），类似于活性污泥污水处理厂的出水——在下游样本中这种相似性更为明显。

下载：下载高分辨率图像（253KB）
下载：下载全尺寸图像
图6. 所有上游（UP）和下游（DS）光谱的水质量指数（WQL）箱线图。

3.2. 程序2 | 差分UV-Vis吸收光谱
下游（DS）和上游（UP）的差分光谱（图7，C7除外——数据不可用）证实了视觉数据挖掘所提示的差异。

下载：下载高分辨率图像（241KB）
下载：下载全尺寸图像
图7. 每次活动Ci的差分光谱。

差分光谱方法有助于识别样本之间的变化。由于废水成分具有重叠的光谱特征区域，而不仅仅是单一的尖锐峰值，因此解释差分光谱需要了解特定波长范围与不同废水成分以及控制其吸收光谱的物理化学性质之间的关系。为了帮助解释差分光谱，表6列出了河水和污水处理厂出水中UV-Vis吸收的典型贡献因素以及差分光谱中的共同特征（Guo等人，2020年；Thomas和Burgess，2022年）。

表6. UV-Vis吸收光谱和差分光谱解释的典型贡献因素（Guo等人，2020年；Thomas和Burgess，2022年）：
波长（纳米） | 典型贡献因素 | 差分光谱（DS – UP） | 解释
--- | --- | --- | ---
200–230 | 硝酸盐、亚硝酸盐、低分子量DOM | 硝酸盐、亚硝酸盐、有机酸、残留氧化剂 |
220–250 | 具有共轭双键的天然DOM、不饱和醛和酮 | 具有共轭二烯的DOM、不饱和羰基化合物、表面活性剂 | 吸收范围扩大；有时形成肩峰 | 暗示出水中添加了含有共轭系统的有机化合物
250–280 | 天然来源的芳香族和腐殖质类物质 | 芳香族化合物、酚类、木质素衍生物、染料 | 260–270纳米处吸收增加或形成肩峰 | 反映了处理后的废水中的芳香族和腐殖质物质
280–380 | 腐殖质和富里酸、有色DOM | 有色DOM、Fe3+复合物、残留微污染物 | 280–300纳米处峰值增强 | 表明有有色DOM和金属-有机复合物的输入

3.3. 程序3 | UV-Vis吸收光谱中的IP和HIP
由于没有观察到IP，所有光谱都进行了归一化以寻找HIP。归一化的上游（UP）、下游（DS）和中间（D）光谱的联合分析（图8，顶部）显示，下游样本缺乏共同的HIP，表明污水处理厂出水和河流样本涉及两种以上的主要重叠化合物。

下载：下载高分辨率图像（751KB）
下载：下载全尺寸图像
图8. 所有活动的归一化光谱（左：190–470纳米；右：放大低波长部分）。顶部：在下游（D）、上游（UP）和中间（DS）光谱中未观察到HIP。底部：仅比较上游（UP）和下游（DS）时出现HIP（红色方块）。

下载：下载高分辨率图像（324KB）
下载：下载全尺寸图像
图9. 通过包含i%下游（D）和剩余上游（UP）的复合样本来估计污水处理厂的稀释程度；活动C3（左）和C5（右）。

相反，归一化的上游（UP）和下游（DS）光谱（图8，底部）显示了一个共同的HIP，表明尽管存在一些差异，河流在纵向上主要保持相同的成分。尽管排放的下游样本有所不同，但并未显著改变河流的基本水质。光谱变异性（V，公式（3）为6%，进一步证实了这一点的存在。

在其他波长也检查了潜在的HIP，但没有检测到。

还对以下光谱子集进行了额外的HIP调查：
i) 所有活动中的上游（UP）；
ii) 所有活动中的下游（DS）；
iii) 每个活动中的上游（UP）和下游（DS）。在所有情况下都发现了HIP。光谱变异性（V，公式（3）分别为（i）和（ii）11%，证实了HIP的存在；由于光谱数量较少，（iii）未确定V值。结果表明，除了稀释作用外，河流的主要水质成分在上游（i）和下游（ii）以及不同季节和时间段（iii）都相对稳定，尽管污水处理厂的排放量和输入的废水有所变化。

3.4. 程序4 | 对排放稀释度的视觉数据挖掘
对于Vizela河的每次活动，获取了含有5%、10%、25%、50%、75%和90%污水处理厂排放物（D）与上游（UP）混合的复合样本的光谱。这些光谱（Dil5%、Dil10%等）与上游（Dil0%）和下游（Dil100%）一起在图9中绘制——颜色从浅蓝色（Dil0%）到深蓝色（Dil100%）逐渐变化。下游（DS）也以红色绘制，以估计污水处理厂的实际稀释程度。C3（图9，左）的下游样本在Dil25%以上，C5（图9，右）在Dil10%以上，分别表明污水处理厂的稀释程度为25%和略高于10%。在其他活动中，估计的稀释程度约为C1的10%，C2的5–10%，C5的低于5%。

3.5. 程序5 | FEEM光谱的视觉数据挖掘
UP、D和DS样本的FEEM等高线图（图10）显示了每次活动之间UP和DS样本的特定模式，并突出了D和DS样本中的共同荧光区域，表明D影响了河流中的DOM，这可能与富含氮的复杂有机化合物（类似微生物腐殖质）和简单的有机化合物（类似色氨酸或蛋白质）与微生物活动有关。

下载：下载高分辨率图像（469KB）
下载：下载全尺寸图像
图10. 活动C1-C3中UP、D和DS样本的FEEM等高线图；1:2和1:5表示与超纯水的稀释比例，颜色刻度表示荧光强度。箭头指示D和DS中存在的共同荧光区域，但在UP中不存在或强度较低。

根据表4中的描述，计算了荧光指数（FI和BIX），以评估D、UP和DS中荧光DOM的来源（图11）。

图11. 活动C1-C6（C4除外）中D、UP和DS的荧光指数HIX、FI和BIX及其与DOM来源的关系。
HIX值（图11，左）表明所有样本中的DOM主要是非复杂的，且在UP和DS河流样本中相对稳定（1.4–1.5），而在D中变化较大（1.1–2.5）。然而，该指数并未显示D对接收水有明显影响。FI值（图11，中）表明即使在中，DOM也主要来源于陆地。从UP到DS的指数变化表明D中的类似腐殖质的DOM影响了接收水。BIX值（图11，右）显示UP的值始终低于0.8，表明DOM主要为低到中等的生物或微生物来源。DS的BIX值较高，尤其是在C5中，表明受D影响的微生物DOM成分较强。D的BIX值最高，证实处理后的出水显著排放了生物来源的DOM。总体而言，这种模式突出了污水处理厂排放与下游氮富集、低分子量DOM之间的关联。

这些指数揭示的化合物来源和命运具有指示性，但应谨慎解释，因为它们取决于分解者对有机物的接触（Lehmann和Kleber，2015年）以及环境条件（pH值、这些生物的生存条件），这些因素会影响荧光强度和峰值位置（Serène等人，2025年）。

3.6. UV-Vis光谱的PCA分析
使用两种方法对所有活动开发了PCA模型：
(a) 上游（UP）、下游（DS）、中间（D）；
(b) 上游（UP）、下游（DS）。为了避免偏差，即使每天有更多的光谱可用，每个河流站点（UP、DS）也只使用了两个光谱，对于下游（D）也是如此（表4）。有限的干燥天气数据限制了与湿润条件的比较。光谱进行了均值中心化和Savitzky-Golay预处理。表7显示了模型细节。

表7. PCA模型的特征。
模型 | 主成分数量（n） | 解释的方差百分比（PC%） | 均方根误差（RMSE） | 异常值（a）
--- | --- | --- | ---
a) 来自上游（UP）、下游（DS）和中间（D）的光谱 | 40 | 39 | 9.9 | 0.096
b) 来自上游（UP）和下游（DS）的光谱 | 28 | 39 | 9.8 | 0.069

少数主成分就足以构建一个具有高解释方差和低RMSE的模型，表明模型性能稳健。保留了识别出的异常值，因为没有其他样本不可信的迹象。图12显示了每个光谱的PC1-PC2得分。

下载：下载高分辨率图像（277KB）
下载：下载全尺寸图像
图12. PCA模型得分图，95%的解释方差用虚线表示：
(a) 上游（UP）、下游（DS）和中间（D）光谱（左）；
(b) 上游（UP）和下游（DS）光谱（右）。

模型a）中的得分图（图11，左）显示排放物（D）形成了一个明显的簇，与河流光谱明显分开。相比之下，上游（UP）和下游（DS）的河流数据在任一模型中都没有聚类，表明两个站点的水质相似；需要更受污染的排放物才能将它们分开。图6中显示的UP水体与污水处理厂（WWTP）排放物的相似性可能具有重要意义。其他主成分分析（PCA）方法，如限制波长范围或使用其他站点数据进行验证，也得出了与上述一致的结论。

3.7. 程序7 | UV-Vis光谱的PLS分析
为UP和DS光谱（X矩阵）以及总有机碳（TOC）、电导率、化学需氧量（COD）和硝酸盐（Y矩阵）开发了PLS模型。表8显示了每个参数的单独模型。TOC和电导率的模型表现良好，其Y方差和RMSErel均低于20%，能够提供合理的参数估计，并且误差在可接受范围内。然而，使用更小波长窗口的测试仍然显示出超过12%的RMSErel，这表明需要更多数据来建立更稳健的PLS模型；IPLS方法可能有助于确定最佳的光谱窗口。COD和硝酸盐的相关性较差，表现为较低的Y方差和较高的RMSErel，这可能是由于它们的参数范围不如TOC和电导率具有代表性。

表8. PLS模型的特征
参数 范围 LV% Var X% Var RMSErel 异常值
TOC (mgC/L) 1.2 – 12.3 28 29 7.2 97.7 14%
电导率 (μS/cm) 88 – 178 28 39 7.2 95.6 19%
COD (mgO2/L) 9 – 47 28 49 9.9 82.1 25%
NO3 (mg/L) 0.9 – 3.7 28 79 9.9 33%

3.8. 程序8 | FEEM光谱的PARAFAC分析
对UP、D和DS的FEEM光谱数据进行PARAFAC分析，识别出五个组分（图13），这些组分与表3中的峰值相对应：C和AC（非常复杂和复杂的土壤腐殖质类DOM）、M和AM（微生物腐殖质类DOM）以及T（色氨酸类、蛋白质类DOM）。通过组分得分（图14）评估了所有样本（C1-C6活动期间，C4除外）中各组分的相对含量。D样本在所有组分中得分最高，除了AC峰值，在所有活动期间UP和DS中的AC峰值都更高。在工业活动（主要是纺织业）条件下，微生物腐殖质类组分是主要成分，其中AM峰值（代表较简单的微生物腐殖质类DOM）的得分最高。这可能反映了复杂有机污染物（如染料、表面活性剂）通过臭氧处理以及后续在污水处理厂的微生物降解过程中的化学转化。这些氧化过程使得处理后的出水中的DOM变得不那么复杂，从而提高了AM峰值的荧光强度。

下载：高分辨率图片（375KB）
下载：全尺寸图片
图13. 在UP、D、DS中识别的FEEM PARAFAC组分及其与Coble峰值的关联。
下载：高分辨率图片（412KB）
下载：全尺寸图片
图14. 活动C1-C6期间UP、D和DS样本的FEEM PARAFAC组分得分（对应Coble峰值C、AC、M、AM和T）。

在河流样本中，这五个组分的得分从UP向DS逐渐变化，趋向于D处的值，荧光指数FI和BIX的趋势也是如此。河流样本中的组分得分与多个参数显示出显著相关性（表9），表明组分得分可以作为化学和微生物指标的替代指标。特别是微生物腐殖质类（AM峰值）和土壤腐殖质类（D峰值）组分与大多数参数都有良好的相关性，尽管并非总是最佳相关性，但大肠杆菌（E. coli）除外。表9显示了每个参数在单独模型中的最佳相关性。

表9. PARAFAC模型的特征
参数 PARAFAC组分（Coble峰值） % Var RMSErel
TOC (mgC/L) 2.0 – 6.8 83.3 18%
COD (mgO2/L) 9 – 41 10 90.8 11%
总磷 (mg/L) 0.10 – 1.1 10 90.9 23%
总氮 (mg/L) 2.3 – 10.2 98.3 15%
大肠杆菌 (NMP/100 mL) 4.0×10^1 – 9.0×10^3 77.4 14%
盐酸噻嗪 (ng/L) 11 – 31 97.5 8%

AM峰值对总有机碳（TOC）和总氮（总氮是有机污染和营养富集的关键指标）具有很强的预测能力，表明该组分能够有效捕捉到生物处理、微生物来源的DOM信号。AM在预测盐酸噻嗪浓度方面也表现优异，显示出其作为非目标药物残留物指标的潜力。色氨酸类荧光（T峰值）是预测COD的最佳指标，表明与微生物活动相关的蛋白质类DOM占需氧有机物质的很大比例。C峰值与总磷的相关性最强，可能反映了磷通常随土壤来源的腐殖质物质一起迁移，尤其是在径流或侵蚀过程中。

电导率最好由微生物腐殖质类组分（M峰值）解释，这与污水处理厂排放物样本的高电导率相关。最后，大肠杆菌（E. coli）与腐殖质类组分（AC峰值）有中等程度的关联，表明微生物污染事件可能与具有典型腐殖质光谱特征的DOM有关。然而，较低的方差表明这种关联不如化学参数那么明显。

尽管RMSErel相对较低，但与其他地点的探索性比较显示，一些荧光组分也与传统参数和选定的化学需氧量（CEC）显著相关（见补充材料）。这些结果表明该方法在研究地点之外的适用性，但在不同的环境和水文条件下仍需进行特定地点的验证。

4. 结论
本文提出了一种利用光谱技术逐步表征城市废水排放到水体中的新方法，并提出了一种新的水质标签。其新颖性在于这种逐步的方法论本身。这些单独的技术本身并不新颖，已在其他领域应用；真正增加价值的是多种方法的系统集成，而不仅仅是单一技术。这一综合框架可以帮助公用事业机构有效识别和表征受污染的排放物，从而合理分配资源来解决具体问题。作为一种逐步的技术框架，它可以支持不同阶段的公用事业机构：从刚开始保护河流水质的人，到技术能力有限的较小机构，再到更高级的光谱方法使用者。

除了适用于各种用户外，该方法还逐步处理复杂性（即使是高级从业者也可以从简单步骤开始，并根据需要增加复杂性），提高了结果的可解释性，并能根据数据的可用性和可靠性调整方法。该方法适用于各种情况，无论对排放地点的先验知识、可访问性或水质如何。当然，当河流水质未知或快速变化（无论是日常还是季节性变化）时，可能需要进行初步监测，以确定设备的适用范围（例如分光光度计的光学窗口）、采样频率和时间（例如捕捉暴雨事件或间歇性排放），或特定的采样程序（例如收集的水量、样品稀释）。

该方法在一个涉及已知的城市河流中处理过的废水排放的案例研究中得到了验证。在16个月的时间里，共进行了九次监测，涵盖了不同的天气和运行条件下的污水处理厂排放物及河流（上游和下游）。干燥天气下的数据较为有限，这限制了与湿润条件下的比较，即未能完全捕捉到季节性变化。需要进一步研究干燥天气下的数据。在九次监测中，有一次没有工业活动，这可以作为与潜在偶发排放物比较的基准。由于安全条件和河流可访问性限制，某些监测站点每站点的样本数量较少。为了防止在建立统计模型时产生偏差，即使每天有更多光谱数据，每个河流站点（UP、DS）也只使用了两个样本。

该方法证明了其在定位和追踪排放物方面的有效性（通过视觉数据挖掘、差异光谱、等吸光点、PCA或PARAFAC），即使排放物的水质符合法定标准，且河流本身已经受到污染。如前所述，根据水质标签，当地河流的水质被认为类似于活性污泥污水处理厂的排放物。由于该方法依赖于检测上游和下游水质之间的差异，因此当上游水质与排放物差异较大时效果最佳；随着这种差异的减小，尤其是由于河流背景污染的增加，该方法的效果会减弱。尽管如此，该方法仍可推广到具有不同水文或工业条件的其他城市排水系统。

该方法还证明了其在分析排放物主要水质成分方面的有效性。即使许多化合物在相同区域吸收，简单的程序（如差异光谱）也有助于揭示上游和下游河流样本之间的水质变化。光谱形状是一个重要的输入因素。在降雨期间，稀释通常会降低整体吸光度，同时保持光谱形状；在300–400纳米区域可能会由于陆地腐殖质径流而略有增加。相比之下，废水排放会在200–230纳米（亚硝酸盐/硝酸盐和低分子量DOM）、250-280纳米（芳香族和腐殖质类DOM）以及280–380纳米（有色DOM）附近增加吸光度。工业排放通常会引入新的、通常更尖锐的峰值，这取决于具体化学物质（例如染料），从而改变光谱形状而不仅仅是强度。

在案例研究中估计了排放物的稀释情况。基于PLS的水质预测部分成功，但仍需要更多的采样或更复杂的统计模型。PARAFAC-FEEM方法实现了DOM组分的量化。除了解析水质的复杂性外，FEEM还能够检测水样中DOM成分的变化。来自三次活动的现场光谱数据使得河流横截面的表征更快、更详细。视觉数据挖掘、等吸光点分析和PCA分析得出的结论与实验室测量结果一致。虽然在线传感器通常需要较高的初始投资，但它们可以减少采样和处理错误，降低运营成本，捕捉短期波动，并提供早期污染预警，支持污水处理厂和下水道系统的控制。在线水质监测提供了连续的高频数据，可以捕捉日变化和季节性变化，从而区分自然波动和异常信号，提高污染事件的检测能力。尽管在线监测无法完全替代实验室的精确度，但它提供了非常有前景且操作上可行的补充手段。简单的在线监测（例如温度、浊度、电导率或pH值）也特别有助于快速检测水质变化，特别是在自然变化背景下。

对废水排放的有限了解在城市水资源管理中造成了关键的盲点，削弱了合规性和环境保护工作。迫切需要先进的监测策略来有效识别、表征和管理这些排放物，以防止其累积影响变得难以控制。所提出的方法有助于迅速采取行动，符合新的欧盟水废物管理指令（UWWTD）的要求，保护公众健康，维护生态系统，并确保符合具有法律约束力的欧盟目标。干预的时间窗口已经很紧。

作者贡献声明
Rita Salgado Brito：撰写 – 审稿与编辑、撰写 – 原始草稿、验证、方法论、调查、正式分析、数据管理、概念化。
Elsa Mesquita：撰写 – 审稿与编辑、撰写 – 原始草稿、验证、方法论、调查、正式分析、数据管理、概念化。
Rui M.C. Viegas：撰写 – 审稿与编辑、撰写 – 原始草稿、调查、概念化。
Joana Soares：撰写 – 审稿与编辑、撰写 – 原始草稿、调查、数据管理。
Cláudio Costa：撰写 – 审稿与编辑、资源管理、数据管理。
Maria Jo?o Rosa：撰写 – 审稿与编辑、项目管理、资金获取。

声明
所有作者均已阅读并理解了《作者伦理责任声明》中的内容，并遵守了其中的规定。作者声明没有已知的财务利益冲突或个人关系影响本文的工作。本研究得到了欧盟LIFE Fitting项目的支持。出版物仅反映作者的观点，欧盟不对其中信息的任何使用负责。

资金支持
本研究获得了欧盟LIFE Fitting项目的资助：LIFE计划，项目编号101,114,188 LIFE22-ENV-PT-LIFE Fitting（https://lifefitting.lnec.pt/）。