自动化β-D-葡萄糖醛酸酶活性监测用于识别导致水质恶化的合流制污水系统溢流现象

《Water Research X》：Automated β-D-glucuronidase activity monitoring for identification of combined sewer overflows driving microbial water quality degradation

　　阮阮-Thanh | 让-巴蒂斯特·伯内特 | 拉贾·卡蒙 | 娜塔莎·麦克奎德 | 萨拉·多纳
蒙特利尔理工学院土木、地质与采矿工程系，加拿大魁北克省蒙特利尔，H3C 3A7

**摘要**
城市地区合流制污水溢流（CSO）排放的数量众多且变化无常，是重要的污染来源，会恶化受污染水域的水质，尤其是在这些水域用于饮用水供应的情况下。由于气候变化导致降水量增加，有必要准确识别对水源水质影响最大的CSO，无论是单独考虑还是同时考虑累积效应。在两个城市饮用水取水点实施了β-D-葡萄糖醛酸酶（GUS）活性的自动化现场监测（AOM），持续了1.5年，以评估上游CSO排放对水源水质的影响。观察到春季初期粪便污染的峰值持续时间较长，通常连续2-3天（最长可达6-12天），主要与融雪和/或降雨事件相关。取水点处的GUS活性与间歇性CSO事件高度相关。一部分CSO的排放特征（如溢流持续时间和同时溢流的总次数）被确定为粪便污染峰值的主要驱动因素。根据GUS活性峰值的前95百分位数，确定了对取水点影响最严重的CSO。这种利用高频微生物水质数据的新方法为制定有效的源头水保护措施提供了关键信息。

**1. 引言**
合流制污水系统设计用于收集废水和雨水及融雪产生的污水。这些混合的污水通过管网输送到污水处理厂（也称为水资源回收设施WRRF）。然而，在强降雨或融雪事件期间，合流制污水系统的容量会被超出，导致未经处理或部分处理的污水直接排入受污染水域（Jalbert等人，2024；Li等人，2023；Shayan等人，2025；Yu等人，2013）。排放的污水中含有高浓度的污染物，如微生物病原体（例如隐孢子虫、贾第虫）、营养物质、重金属以及新兴关注的污染物（多氟烷基物质、药品、个人护理产品、杀虫剂和工业产品）（Araujo等人，2024；Beltran de Heredia等人，2024；Moneta等人，2023；Xiao等人，2018；Zhu等人，2024）。因此，CSO排放被认为是受污染水域中污染负荷的主要来源，其污染水平往往超过经WRRF处理后的污水（Petrie，2021；Phillips等人，2012）。

短期内的强降雨触发的CSO事件会迅速排放大量粪便污染物（包括水传播病原体）（Tolouei等人，2019），导致河水中大肠杆菌（E. coli）浓度迅速增加约1到2个对数单位（log10）（Ouattara等人，2014；Passerat等人，2011；Shayan等人，2025），在城市溪流（Li等人，2023）和饮用水取水点（DWIs）（Jalliffier-Verne等人，2016；Madoux-Humery等人，2016；Taghipour等人，2019）中也是如此）。来自CSO排放的污染羽流受河流流量的影响，而河流流量会随着雨季天气的变化而变化（Jalliffier-Verne等人，2015；Li等人，2023）。溢流事件严重影响了饮用水处理厂（DWTPs）的微生物水质（Haley等人，2024；Taghipour等人，2019），并与水传播疾病爆发有关（Hrudey等人，2003）。

魁北克及其他地区的饮用水处理标准基于水源中的平均大肠杆菌浓度（MELCCFP，2025）。在某些饮用水供应系统中，平均浓度受到上游未经处理的污水排放导致的间歇性粪便污染高峰的强烈影响（Sylvestre等人，2020；Sylvestre等人，2021b）。因此，了解CSO和当地水文条件对未来气候情景下饮用水源受微生物危害的脆弱性至关重要（Leveque等人，2025；Russell等人，2025），并采取适当的缓解措施来保护公众健康（Botturi等人，2020；Perry等人，2024；Wang等人，2023b）。现有的监管性微生物水质监测采用低频率采样（每周1至3次），因此可能低估了CSO引发的饮用水取水点短期污染峰值的影响，除非有长期数据序列（Hachad等人，2024；Sylvestre等人，2021a；Taghipour等人，2025）。此外，传统的培养基方法需要较长的样本到结果时间（至少24小时），限制了其对短期粪便污染峰值快速响应的能力。因此，通过高频测量进行微生物水质的自动化现场监测（AOM）为捕捉饮用水取水点处大肠杆菌波动的强度、规模和持续时间提供了有希望的解决方案（Burnet等人，2025）。β-D-葡萄糖醛酸酶（GUS）活性的AOM是一种保守的粪便污染生化指标（Demeter等人，2020），它为娱乐用水（Cazals等人，2020）、喀斯特水域（Ryzinska-Paier等人，2014）以及为DWTPs供水的河流（Burnet等人，2019b；Sylvestre等人，2020）中的微生物污染时间动态提供了重要见解。通过连续监测WRRF和饮用水处理厂的信号，并结合时间序列分析，AOM能够识别出大蒙特利尔地区一个饮用水取水点的主要粪便污染来源（Burnet等人，2019b）。然而，与污水处理厂不同，CSO的数量更多，排放是间歇性的，并且在流量和污染物浓度方面的监测要求较低。虽然GUS活性能够识别出主要的连续污染源，但尚不清楚AOM是否能够识别和优先处理间歇性粪便污染源的混合体。在流量较大的河流中，CSO对粪便指示物浓度的影响持续时间较短（大约4到6小时），常规的培养基大肠杆菌监测方法往往无法捕捉到所需的关键峰值浓度。此外，尽管水流动力学模型为CSO中粪便指示细菌的迁移和分布提供了有价值的见解（Jalliffier-Verne等人，2016；Jalliffier-Verne等人，2017），但这也存在不确定性，需要现场验证。本研究针对城市水道中以间歇性CSO为主的污染源，旨在：1）评估GUS活性监测在识别导致下游饮用水取水点微生物水质下降的间歇性CSO方面的可靠性；2）利用现有的CSO、气象水文和物理化学数据开发GUS活性预测模型，以确定与饮用水取水点粪便污染最密切相关的因素；3）将GUS活性的AOM与基于CSO特征的简单微生物威胁指数方法进行比较，以确定优先处理的CSO；4）评估GUS活性的AOM在识别导致饮用水取水点粪便污染峰值方面的效果，并与监管性大肠杆菌监测和水流动力学建模方法进行对比，以改进水源保护规划。

**2. 材料与方法**
**2.1. 研究地点**
研究地点位于大蒙特利尔地区的一条河流段，该河段流域面积为146,000平方公里，贯穿City 1和City 2，为约40万人提供饮用水。DWI-A和DWI-B负责供应City 2 75%的人口（约30万居民）的用水（图1）。该地区具有湿润的大陆性气候，年平均降水量为920毫米，包括雨水和雪水。冬季（11月至次年4月）降雪量较大，年积雪量约为1400厘米。河流日流量平均在432至3,313立方米/秒之间（加拿大环境部，2025）。夏季末和初秋时节流量较低（2000-2015年），9月份月平均流量最低（775立方米/秒），其次是8月份（784立方米/秒）。春季由于区域融雪和雨水的影响，流量较高（平均1,693立方米/秒），5月份来自上游流域的流量为1,357立方米/秒。Jalliffier-Verne等人（2016；Jalliffier-Verne等人，2017）提供了包含不同流量和CSO产生的大肠杆菌负荷的河流详细水动力模型。

**2.2. 可培养大肠杆菌的测定**
魁北克的饮用水处理等级规定基于最近36个月内原始水监测数据的可培养大肠杆菌的最高12个月算术平均值（魁北克政府，2019）。可培养大肠杆菌的测定采用膜过滤法（USEPA方法1604），具体操作方法由Burnet等人（2019b）描述。在研究期间（2020-2021年），每周采集3至4次样本，并由DWTP工作人员在其常规监测框架内分析大肠杆菌浓度。

**2.3. 饮用水取水点处GUS活性的AOM**
2020年和2021年，在饮用水取水点使用了Coliminder仪器（VWM Solutions GmbH）对GUS活性进行了自动化现场监测。测量频率为每两小时一次（每天12次），仪器接收用于在线监测物理化学参数的相同连续水流。GUS活性测量的特点、分析性能和仪器维护需求详见（Burnet等人，2019b）。测量结果由仪器自动收集并通过无线传输到在线平台进行可视化进一步分析（附录A）。

**2.4. 气象水文和物理化学数据**
饮用水取水点对浊度、pH值和电导率（EC）进行了高频（每2分钟一次）监测。河流流量数据来自加拿大环境部的公共数据库（2025），每日降水量数据则由当地气象站提供（图1）。

**2.5. 合流制污水溢流**
从两个市镇（City 1和City 2）收集了沿河流分布的每个CSO排放口的地理位置、持续时间和频率数据（溢流口：红色圆点；CSO排放口：黄色方块）。这些CSO排放口将水从一个或多个流域直接排放到河流中。

**2.6. 统计分析**
Kruskal-Wallis检验（显著性p值<0.05）比较了不同季节粪便参数的平均值和变异性。通过主成分分析（PCA）研究了使用每日GUS活性最大值或常规采样可培养大肠杆菌的粪便监测与气象水文参数（地面积雪、河流流量、总降水量）以及物理化学参数（pH值、浊度、电导率）在DWIs和City 1及City 2的CSO之间的关系。使用Spearman等级相关方法（成对完成观测）构建相关矩阵来分析两个变量之间的关系。PCA和时间序列的结果使用ggbiplot包（Vu等人，2011；R Core Team，2016；版本0.55）和R编程语言中的ggplot包（R Core Team，2016；版本4.2.2）进行计算和可视化。同时进行了多元线性回归（MLR）和随机森林（RF）分析，研究了每日GUS活性最大值与其他变量之间的关系，包括地面积雪、总降水量、日均浊度、日均电导率以及City 1和City 2的每日总溢流持续时间和累计同时溢流次数。由于无法确定CSO（合并污水系统）发生的具体时间，如果它们发生在同一天内，则被视为同时发生。这些模型被用来预测GUS（地衣类细菌）活动的存在，通过各种环境因素的影响，包括CSO的排放物。模型及其可视化是使用Python和scikit-learn库（Kramer, 2016）进行的。首先，数据集被分为训练集（80%）和测试集（20%），并进行了五折交叉验证。在基于训练集和交叉验证集训练和验证MLR（多元线性回归）和RF（随机森林）之前，使用数据预处理来缩放特征。然后，使用测试集来评估训练好的模型并预测其性能。在MLR模型中，变量重要性是通过系数绝对值与系数绝对值总和的比率来标准化的（贝塔权重，Johnson (2000)）。在RF模型中，特征重要性是根据每个特征在决策树分割时减少杂质的平均量来自动计算的（减少杂质的数量，Breiman (2001)）。

3. 结果
3.1. 水文气象条件
图2展示了2020年1月1日至2021年4月30日期间研究区域的水文和气象条件。每日总降水量在0.2到44毫米之间，其中2020年1月11日的降雨量最大，相当于1个月的降雨量在24小时内落下（图2A）。研究期间的月平均降水量和15年历史平均值（2000-2015年）展示在图S1A中。研究期间最高的月降水量出现在2020年8月（169.2毫米），是15年历史平均值的1.7倍（图S1A）。相比之下，最低的月累计降水量出现在2020年5月（28.8毫米），低于历史平均值。在无雪期间，地表月平均积雪量从0.16厘米（11月）到35.7厘米（2月）不等（图S1C）。最高的日河流流量（2,407立方米/秒）记录在2020年4月15日，这是由于3月底至4月中旬的融雪和降雨共同作用的结果（图2A）。正如预期的那样，这一趋势在2021年的3月和4月也再次出现。最低的日流量（834-1,390立方米/秒）出现在2020年6月至9月期间，对应于典型的历史低流量期。月平均流量在916.5至1,639.8立方米/秒之间（图S1B），与15年的历史监测结果一致，其中最低的月流量记录在2020年7月（916立方米/秒）。

3.2. 在DWI（双重波长成像）处对可培养大肠杆菌的常规监测
在1.5年的时间内，每周从两个DWI（DWI-A和DWI-B）采集三个样本，测量可培养的大肠杆菌浓度（图2）。在DWI-A，大肠杆菌浓度平均为17.6 CFU/100mL（范围：1-119 CFU/100mL），而在DWI-B，大肠杆菌浓度平均为34.5 CFU/100mL（范围：1-460 CFU/100mL），大约是DWI-A的两倍。两个DWI处大肠杆菌浓度的季节性变化和统计差异测试显示在图S2A；附录B中。大肠杆菌浓度在之前为DWI-A和B发布的范围内（Madoux-Humery et al., 2016）。两个DWI的夏季平均大肠杆菌浓度最高值出现在秋季。在没有融雪的情况下（2020年、2021年；144个样本），大肠杆菌浓度在4到28 CFU/100mL之间。在大雪融化和/或降雨事件期间，大肠杆菌浓度增加，在3月中旬达到峰值。这种年度模式在2020年和2021年都观察到（图3，图S4）。2020年3月的融雪期间，DWI-A和DWI-B的平均大肠杆菌浓度分别达到40.1和48.1 CFU/100mL（每个DWI各有14个样本）。2021年3月/4月的融雪期间，平均大肠杆菌浓度较低（DWI-A和DWI-B分别为21.1和32.9 CFU/100mL，每个DWI各有17个样本）。可培养的大肠杆菌浓度与GUS活动的峰值之间存在弱相关性，这将在下一节中讨论。

3.3. 在DWI处对未经处理/部分处理污水排放的自动现场监测
在研究期间，DWI-A和DWI-B进行了自动现场监测（AOM），共生成了3,274和4,338次测量数据。在DWI-A，GUS活动范围从0到62.8 mMFU/100mL（平均：7.3 mMFU/100mL；第95百分位数：24 mMFU/100mL），最高值记录在2020年1月19日（该日期的DWI-B数据缺失）。在DWI-B，GUS活动范围从1.9到55.4 mMFU/100mL（平均：8.6 mMFU/100mL；第95百分位数：25.2 mMFU/100mL），最高值出现在2021年3月29日。同一天，DWI-A测得的值为22.9 mMFU/100mL。超过第95百分位数的值被定义为GUS活动峰值，以便进一步分析。在研究期间，DWI-A共记录了167次GUS活动峰值，DWI-B共记录了219次。这些峰值从持续几小时的短暂峰值到持续多天的长期事件不等（平均：2-3天）。最长的峰值在DWI-A持续了6天，在DWI-B持续了12天，发生在融雪和降雨之后（图3）。DWI-A的最高峰值记录在2020年1月17日至23日的连续几天内（24.4-62.8 mMFU/100mL）（图2），这发生在第3.1节描述的历史降雨事件之后。在2020年2月和3月的冬季期间，没有融雪和CSO事件时，GUS活动的日变化范围约为2到10 mMFU/100mL（图3）。然而，当考虑整个季节的数据（包括冬季降雨和融雪事件）时，冬季（DWI-A）和春季（DWI-B）的GUS活动平均值高于夏季和秋季（图S2B）。这与大肠杆菌不同，后者在夏季和秋季的浓度较高。因此，大肠杆菌与GUS活动的日峰值（或日平均值）之间的相关性较低（图S5，图S6）。在2020年早春的降雨和融雪事件期间，GUS活动范围在DWI-A为3到33.5 mMFU/100mL，在DWI-B为9到52 mMFU/100mL（图3）。2021年春季也观察到了类似的模式。

3.4. 对微生物威胁指数的合并污水溢流特征化
从两个DWI上游的CSO记录的排放事件包括来自城市1的21个CSO排放口（O1到O21）和来自城市2的32个CSO排放口（P1到P32）（图1）。来自城市2的排放事件（n=497，占60%）在溢流持续时间上更频繁且变化更大（图S3）。根据过去5年的溢流频率（每年最大溢流事件次数）、距离进水口的距离、污水管道人口数量和管道直径，为每个CSO计算了微生物威胁指数，分类从非常低到非常高（表C1）。这种方法遵循McQuaid等人（2019年）和Petrucci等人（2025年）提出的方法，结果在附录B中描述。在城市1中，CSO O1-O7位于DWI-A下游但DWI-B上游。排放口O1最活跃，其次是O7、O4和O6（分别为n=65、39、34和30次事件）（图S3）。它们的溢流持续时间从0.02到14.6小时不等（图4）。对于位于两个DWI上游的CSO O8-O21，记录了1到22次排放事件，溢流持续时间从0.05到24小时不等（图4，图S3）。在城市2中，P14（位于DWI-A上游2公里范围内）是最活跃的CSO（54次事件），其次是P27（41次）、P17（20次）和P21（11次）（图S3）。P14的溢流持续时间平均约为P27的六分之一（平均：2.76小时）（图4）。这些溢流事件仅发生在春季和冬季。CSO P17-P21在排放时间上高度相关（R = 0.61–0.94；图S7），并且它们的排放模式与DWI-A附近的P29和P30相似。然而，P29和P30的排放强度较低，事件较少，平均持续时间也较短（分别为0.4小时和1.6小时）。在DWI-B上游，P8的频率最高（n=50次事件），其次是P11、P6和P2（分别为n=48、42和39次事件）。P6的平均持续时间最长（大约7.2小时），是P1-P11的1.5-30倍（图4）。由于河流水动力影响污染物的传输、扩散和再悬浮，确定最活跃和最危险的CSO不仅需要考虑排放频率、持续时间和与DWI的接近程度（如微生物威胁指数所反映的），还需要考虑它们与进水口的 Hydraulic 连接性。

3.5. 与微生物威胁指数相关的CSO
基于微生物威胁指数，AOM捕获的GUS活动峰值超过了第95百分位数（DWI-A > 24 mMFU/100mL；DWI-B > 25.2 mMFU/100mL），并且通常持续几天（图3）。根据微生物威胁指数对CSO进行分类，分别显示在表C2和表C3中（附录C）。表S1和表S2分别识别了在DWI-A和DWI-B测量到的GUS活动峰值期间活跃的CSO。表S3比较了使用微生物威胁指数的高风险和非常高风险CSO与那些在GUS活动峰值期间超过第95百分位数的CSO。对于DWI-A，位于进水口上游的35个CSO中，有17个使用任一指数方法或基于GUS活动的AOM方法都显示没有影响（表S3），而有5个通过两种方法都确认有影响（表S3）。DWI-A上游的9个CSO与GUS活动峰值相关，但使用指数方法并未被识别为高风险或非常高风险，而4个CSO显示出相反的趋势（表S3）。使用指数方法被识别为高风险的两个CSO（P12和P25）与DWI-A的GUS活动峰值无关，但它们与DWI-B的GUS活动峰值相关，这说明了Hydraulic 连接性的重要性。由于DWI-B上游有53个CSO，后者总体上受到排放的影响更大，这既基于CSO风险指数也基于GUS活动测量（表S3，附录C）。只有9个CSO通过两种方法都被识别为低风险。有三个CSO使用指数方法被识别为DWI-B的高风险到非常高风险，但它们与GUS活动峰值无关（表S3）。其中的两个高风险的CSO（P26和P15）虽然在DWI-A处与GUS活动峰值无关，但与DWI-B的GUS活动峰值相关。由于河流水动力控制污染物的传输、扩散和再悬浮，确定最活跃和最危险的CSO时，不仅要考虑排放频率、持续时间和与DWI的接近程度（如微生物威胁指数所示），还要考虑它们与进水口的Hydraulic 连接性。

3.6. GUS活动、大肠杆菌与DWI处的物理化学参数之间的关系
由于可培养大肠杆菌仍然是监管的金标准，因此将可培养大肠杆菌和GUS活动与可以整合到水质预警系统中的物理化学参数进行了比较。采用多元方法结合主成分分析（PCA）来降低数据维度，并识别水文气象参数（河流流量、地面积雪、日均降水量）、城市1和城市2的计算机化污水系统（CSOs，总溢出持续时间）、物理化学参数（浊度、电导率）以及粪便污染（大肠杆菌水平/浓度和每日最大GUS活性）之间的相关性。PCA双图（图5C，D）显示，每日GUS活性峰值与流量、电导率、总溢出持续时间之间存在中等到强相关性（通过向量间距定义），而日均降水量和地面积雪与大肠杆菌（图5A）及每日GUS活性峰值（图5C）在DWI-A时呈弱相关或负相关。大肠杆菌和GUS活性峰值都与CSO持续时间相关，且GUS活性还与河流流量有关。在DWI-B时，大肠杆菌与日均降水量呈强相关（图5B），而GUS活性峰值与溢出持续时间相关，但与降水量和地面积雪无关（图5D）。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图5. 使用PCA的双图显示了浊度、电导率、局部水文气象参数（地面积雪、河流流量、日均降水量）、城市1（红点）和城市2（蓝点）的CSOs、DWI时的GUS活性和大肠杆菌。
(A) DWI-A时的大肠杆菌，
(B) DWI-B时的大肠杆菌，
(C) DWI-A时的每日最大GUS活性峰值，
(D) DWI-B时的每日最大GUS活性峰值。

图5B和图5D展示了城市2的CSOs对DWI-B时粪便污染的显著影响，大多数事件（蓝点）聚集在每日GUS活性峰值和大肠杆菌附近。城市1的排放（红点）与日均降水量和大肠杆菌的相关性更强，但与DWI-B时的GUS活性无关。这种模式在图5D中清晰可见，城市1的排放受日均降水量和地面积雪因素的约束。图S5中显示的相关性矩阵也反映了类似趋势。城市1排放与日均降水量在DWI-A和DWI-B时的相关系数分别为0.35和0.52。相反，城市2排放与日均降水量之间没有显著相关性。

3.7. 在波动环境因素下对微生物污染的预测
RF和MLR模型使用10个输入变量进行训练，包括物理化学参数、水文气象参数以及城市1和城市2的CSO特性（同时溢出的总次数和总溢出持续时间）。每日最大GUS活性被用作目标变量。模型性能通过均方根误差（RMSE）、均方误差（MSE）和R平方值（针对训练和测试数据集）进行评估（表S7）。总体而言，RF和MLR模型均成功捕捉到了GUS活性的趋势和变化。然而，RF模型的表现优于MLR模型，其RMSE和MSE更低，R2值更高（分别为0.8和0.78）（表S7）。MLR的相关系数表明训练模型存在欠拟合现象。

识别对饮用水源粪便污染动态有显著影响的因素对于理解污染的传播和迁移机制至关重要。早期预警系统需要这些信息来预测即将发生的粪便污染事件或采取预防措施。图6B和图6D基于DWI-B数据集（294次训练观测和74次测试观测）展示了影响粪便污染的各种因素的相对重要性。两种模型均表明电导率是与粪便污染最相关的变量，对GUS活性预测的贡献分别为40%（MLR）和77%（RF）。城市2的CSOs也有中等程度的影响，其中溢出持续时间在RF模型中贡献约16%，在MLR模型中贡献13.6%，同时发生的CSO数量在MLR模型中贡献16.7%。在DWI-B时，浊度（图6B，D）是粪便污染的 moderately 预测因子，而在DWI-A时（图6A，C）作用更强。同时发生的CSO数量在DWI-A时不是显著的预测因子，尽管城市1和城市2的同时溢出事件在MLR模型中仍然显著。

下载：下载高分辨率图像（419KB）
下载：下载全尺寸图像

图6. 水文气象参数、污水排放（城市1和城市2的同时发生的CSOs总数和总溢出持续时间）对每日最大GUS活性的影响。
(A，B) 分别为DWI-A和DWI-B时的RF模型。
(C，D) 分别为DWI-A和DWI-B时的MLR模型。

4. 讨论
4.1. 间歇性上游合流制污水溢出对DWI微生物质量的影响
与之前关于连续废水排放的研究不同，本研究使用AMO方法分析了间歇性CSO期间GUS活性的微生物污染结果（图2）。高频采样在融雪期捕捉到了更长的趋势以及夏季强降水量事件引起的短暂峰值（图2，图3）。溢出持续时间和同时发生的CSO数量是导致DWI微生物质量下降的主要因素（图5，图6），这考虑了水文气象参数的变化。GUS活性的最大值出现在早春，而最低值出现在夏季（图2）。Madoux-Humery等人（2016）也确定早春融雪是DWI粪便污染最关键的时期，这与魁北克政府（2013）的规定一致，该规定在春季融雪期间不限制CSO排放。早春GUS活性的最大峰值发生在强降雨和融雪事件之后（图3），随后河流流量增加（Burnet等人，2019b）。尽管在较低水温下饮用水处理效率较低（Payment等人，2000），但在融雪高峰期间大肠杆菌和病原体的去除仍可保持有效（Sylvestre等人，2021a）。在融雪事件期间，GUS活性随着CSO的持续增加而逐渐增强。2020年3月29日至30日期间，由于融雪后的降雨，CSO持续时间增加。随着融雪期的结束，GUS活性逐渐减弱。

在2020年1月的冬季降雨期间（图2），城市1和城市2持续发生溢出。冬季河流流量通常低于春季融雪期间，导致传输时间较长，分散作用较弱。然而，同时发生多次溢出的累积效应以及较低的温度使得GUS活性的降解速率降低（Shayan等人，2023）。较低的降解和失活速率意味着更上游的粪便污染源可以到达DWI，导致更长时间和延迟的GUS活性峰值。在融雪期间，CSO的长期存在及其高数量导致了GUS活性的长期峰值（图3）。与春季融雪期间的长期峰值不同，夏季月份与CSO相关的GUS活性峰值较短（图2）。有趣的是，虽然大肠杆菌与排入河流的CSO的电导率（EC）有强相关性（Madoux-Humery等人，2013），但EC对于间歇性峰值并未提供强烈信号（图S5），这可能是因为来源范围更广且稀释过程复杂，与GUS活性提供的直接粪便污染测量不同，这对早期预警系统的开发有影响。

与可培养的大肠杆菌相比，GUS活性的自动在线测量（AOM）提供了足够的测量数据，用于基于水文气象和物理化学数据开发预测统计模型。更大的数据集使RF和ML模型能够捕捉复杂的关系和变化，从而实现更可靠的预测。由于研究期间可培养的大肠杆菌数据较为有限，它们错过了短期时间模式。长期数据集可以有效捕捉大肠杆菌的概率分布（Sylvestre等人，2020），而短期数据集由于采样频率低，常常错过间歇性峰值（Madoux-Humery等人，2016）。与GUS活性相比，可培养大肠杆菌的时间覆盖范围有限，使用PCA（图5）、RF和MLR模型（图6）的统计稳定性降低。相比之下，GUS活性被用来识别最大的每两小时间歇性峰值，并更准确地捕捉数据中的模式和变化。虽然长期数据集能够捕捉到由强降雨引起的粪便污染的间歇性峰值，但气候变化预计会导致每年CSO体积的增加（Gogien等人，2023）。此外，冬季的强降雨在我们研究中导致了DWI最大的粪便污染峰值。气候变化预计会导致更多冬季降雨事件（Leveque等人，2021），这些事件导致接收水体中的细菌浓度非常高，因为地面冻结，渗透水量减少，从而导致上游CSO大量发生。

使用可培养的大肠杆菌捕捉短期变化特别具有挑战性，因为1.5年研究期间很少有大肠杆菌数据与溢出和水力事件同时发生。此外，水力和算法建模方法需要大量数据集进行适当的校准和优化。因此，可培养的大肠杆菌更适合在传统监测框架内进行长期污染趋势评估。

4.2. GUS活性和其他参数在早期预警系统中的应用
可以考虑使用GUS活性的阈值作为DWI的早期预警系统，就像用于指导娱乐用水管理的海滩行动值一样（Cazals等人，2020）。鉴于不同地点的具体变异性和影响水中大肠杆菌命运和酶活性的因素，用于娱乐用水的GUS活性阈值因地点而异，其中使用与可培养大肠杆菌的相关性来确定阈值（Cazals等人，2020）。然而，为了确定由于CSO导致的更高微生物风险的时期，GUS活性与CSO事件之间的关系比基于常规监测的可培养大肠杆菌的相关性更为重要。鉴于CSO的间歇性，本研究使用了GUS活性的第95百分位数来定义与CSO相关的DWI峰值，两个DWI的第95百分位数分别是24和25 mMFU。此外，还可以添加基于GUS活性的其他阈值水平，以指示低至中等风险以及高风险时期。

GUS活性与可培养大肠杆菌之间的低相关性（图S5）并不出乎意料，因为可培养大肠杆菌的值低于1000 CFU/100 mL，Burnet等人（2019b）观察到当接近方法检测限时相关性最弱。此外，其他相关性较高的研究采用了配对事件采样，而不是依赖常规的定期采样（Burnet等人，2019a；Cazals等人，2020）。溶解有机物中的色氨酸类荧光与大肠杆菌呈正相关（Sorensen等人，2018；Sorensen等人，2015）；然而，相关性强度因地点而异，并不总是强烈。与传统的粪便指标相比，色氨酸类荧光能够指示来自更多来源的更广泛的污染风险（Ward等人，2021）。与可培养大肠杆菌方法相比，色氨酸类荧光可能提供更可靠的微生物风险早期预警指标（Ward等人，2021），值得进一步探索。

使用测量254纳米波长紫外吸收的传感器进行化学需氧量（COD）监测已被提出作为一种简单、有效且经济的在线方法来评估CSO的污染物负荷（Brzezinska等人，2016；Waldner等人，2025）。与其他光谱在线监测方法一样，COD监测需要特定地点的校准（Guan等人，2024；Li等人，2020）以及针对浊度和其他干扰因素的校正（Dong等人，2024；Li等人，2019；Nini和Nohair，2025；Wang等人，2023a）。虽然在线COD监测有望检测到到达DWI的CSO的整体污染，但Madoux-Humery等人（2013）并未观察到大肠杆菌与总有机物或总悬浮固体之间的相关性，而这些是当前研究的对象。早期预警系统中包含的参数选择取决于系统的目标。虽然COD监测很可能会检测到CSO（建筑物污水溢出）的发生，并可以进一步调查，但GUS（葡萄糖醛酸酶）活性被认为与微生物风险更为密切相关，尽管在低浓度下与可培养的大肠杆菌之间的相关性通常较弱。另一个需要考虑的早期预警系统参数是电导率（EC）（图S8）。通过PCA分析（图5）和相关矩阵（图S5）发现，EC是与大肠杆菌和GUS活性最相关的水质参数。值得注意的是，使用RF（随机森林）和MLR（机器学习回归）模型时，EC与GUS活性的相关性比流量和排放持续时间更强。降雨事件可能会根据具体的环境条件（如降水频率、持续时间和强度）浓缩或稀释接收水体中的大肠杆菌水平（Carlton等人，2014；Liu等人，2025）。由于雨水和废水中EC的典型差异显著，EC已被用于估计CSO中的废水和径流水的比例（Launay等人，2016）。Burnet等人（2019b）报告了当地融雪期间GUS活性与电导率之间存在显著相关性。然而，将EC作为粪便指示物也会捕捉到与粪便污染无关的道路盐分和雨水，从而在监测粪便污染时产生噪声。EC的变化反映了雨水和废水之间的稀释动态，以及影响水质的污水系统内部过程。此外，如前一节所讨论的，在短时间CSO事件期间，EC并未像GUS活性那样作为强烈信号响应。

4.3 优先处理影响饮用水取水口水质的CSO
与连续污染源（如WRRF废水排放）不同，后者可以通过时间序列分析和交叉相关性来确定影响取水口水质的主要污染源（Burnet等人，2019b），CSO的挑战在于它们是间歇性的、数量众多，且常规监管监测可能无法在事件发生时采集样本。所研究的河段没有连续的废水排放，尽管一些雨水管道因交叉连接而受到污染（Hachad等人，2022）。粪便污染的主要来源是间歇性的CSO，在事件发生后的1-3天内会产生GUS活性峰值（图3，图S4）。鉴于CSO的数据包括位置、持续时间和日期，但没有具体的流量、浓度和发生时间信息，因此考虑多条证据来识别优先处理的CSO是有用的。由于DWI-A和DWI-B更靠近城市2的岸边，首先需要解决的问题是哪些CSO系列最有可能到达取水口。城市1通过监测和实时控制来减少CSO的发生，而城市2的CSO响应则与当地天气条件和水文情况更为直接相关。城市1的同时溢出次数和总持续时间在RF和MLR模型中对粪便污染的预测有中等程度的贡献（图6）。特别是来自城市2的CSO同时排放显著增加了粪便污染（图6）。许多研究报道，同时溢出会延长取水口处大肠杆菌浓度的峰值（Jalliffier-Verne等人，2017；Jalliffier-Verne等人，2015；Jalliffier-Verne等人，2025）。DWI-B的RF和MLR结果（图6B,D）显示，城市2的CSO对饮用水水质的影响大于河流流量。相反，DWI-A的RF模型（图6A）表明河流流量对粪便污染的影响更大。这种差异反映了上游CSO距离 DWI-A较远，其羽流传输取决于流量变化所驱动的流体动力学条件（见3.6节关于GUS活性的关系，以及3.7节关于波动环境因素下微生物污染的Advanced预测）。两个城市的CSO同时发生次数及其总持续时间是对DWI-B粪便污染的重要因素，而河流流量则作用较小。虽然基于GUS活性的预测模型有助于识别城市1和城市2的CSO的相对重要性，但为了确定适当的源头保护措施，仍需识别个别优先处理的CSO。尽管贝叶斯网络方法（Kammoun等人，2023）可以处理定性数据，就像用于与95百分位GUS活性方法进行比较的微生物威胁指数方法一样，这里提供了两种方法之间的简单比较。对于DWI-A，微生物威胁指数和GUS活性方法之间有69%的一致性。对于DWI-B，由于上游CSO数量更多，两种方法之间的一致性为49%。虽然同时排放会导致粪便污染峰值，但风险指数仅考虑个别CSO的特征及其距离取水口的距离。通过结合高频GUS活性监测和溢出持续时间（第3节，表S3、表S4、表S5、表S6），识别出了最麻烦的CSO。虽然微生物威胁指数方法提供了一种简单的方法来识别高风险CSO，但峰值GUS活性提供了更可靠的CSO影响取水口的估计，考虑了累积负荷和河流流体动力学。CSO的累积效应可能导致取水口处粪便浓度升高（Jalliffier-Verne等人，2016），特别是在DWI-B中尤为明显。峰值GUS活性与总溢出持续时间相关（图5D），并且使用GUS活性方法识别出的贡献CSO数量比单独检查每个CSO的微生物威胁指数方法更多。GUS活性方法还有助于识别那些不太可能影响取水口的CSO，因为羽流在从CSO到对岸取水口的短距离内不会越过河流（Jalliffier-Verne等人，2016）。微生物威胁指数高估了位于取水口上游500米处的CSO的相关风险，因为它过分强调了空间邻近性（Kammoun等人，2023）。

4.4 与过去水动力建模的比较、数据局限性和不确定性
关于城市1和城市2的CSO对两个取水口处可培养大肠杆菌浓度影响的详细水动力建模可以在(Jalliffier-Verne等人，2016；Jalliffier-Verne等人，2017)中找到。此外，还模拟了未来CSO负荷增加以及未来低流量和高流量的影响，提供了水动力模型敏感性和不确定性的总体评估。（Jalliffier-Verne等人，2016）还注意到城市2的CSO影响更大，以及两个城市的CSO累积效应的重要性，特别是对DWI-B的影响。水动力模型表明，城市1的CSO可以影响两个取水口处的大肠杆菌浓度，而流量增加会由于旅行时间减少而导致浓度升高。河流流量受区域尺度水文的影响，CSO与局部降水及融雪事件有关，这些事件对总流量影响有限。晚春时河流流量较高，同时排放的CSO数量增加，这也在本研究中观察到。最上游的CSO在最低流量下可以在4-5小时内到达取水口（Jalliffier-Verne等人，2016）。影响的程度与旅行时间和CSO到取水口的污染扩散有关（Burnet等人，2019b；Madoux-Humery等人，2013；Marcot和Penman，2019）。PCA（图5）和相关矩阵（图S5）都强调了河流流量对取水口处微生物污染的影响。低流量减少了稀释效果，而高流量则增强了CSO排放羽流向取水口的扩散。污染峰值的大小受CSO中的微生物污染物浓度和负荷、稀释比率以及水动力条件的影响（Madoux-Humery等人，2016）。从最麻烦的CSO同时排放后GUS活性的较长尾部表明，羽流在河流中广泛扩散。CSO到取水口的距离（图1）是脆弱性评估的关键因素（Madoux-Humery等人，2016）；然而，这一点并不完美，因为上游较远的CSO可能比靠近取水口的CSO产生更大的影响（见4.3节）。与本研究类似，(Jalliffier-Verne等人，2017)指出，最大的不确定性与对数尺度变化的CSO负荷有关。尽管有CSO频率和持续时间的数据，但没有CSO体积和流量的数据。溢出数据的时间分辨率不足以捕捉粪便污染的日内变化。为了更好地了解CSO负荷的时间动态，监测框架可以实施CSO流量和浓度的实时监测。另一种方法是开发集成了影响流量和污染物传输的各种过程的水力模型。这些水力模型对于评估减少CSO负荷的缓解方案非常有用（Petrucci等人，2026；Petrucci等人，2025）。使用水力模型结合GUS活性数据来估计CSO负荷，可以提高对CSO对取水口影响的识别。水源管理者可以为活跃的CSO设计改进的目标监测和采样计划，以改进水力模型。结合GUS活性的AOM（自动优化方法）的策略在识别优先处理的CSO方面高效且有效，有助于长期大肠杆菌数据集的建立。此外，这些方法支持更有效地缓解饮用水供应中的污染源。

5. 结论
本研究表明，GUS活性的自动优化方法为理解来自CSO的城市河流中的微生物污染动态提供了宝贵的数据：
- 即使在源水中可培养大肠杆菌浓度相对较低（低于400 MPN/100mL）的情况下，GUS活性也能有效识别与饮用水取水口相关的间歇性CSO引起的粪便污染峰值。在常规的微生物培养监测中，这些间歇性峰值通常未被观察到。研究期间可培养大肠杆菌测量的有限频率限制了它们在描述CSO事件短期影响方面的效用，因为很少有测量数据与实际CSO和气象数据同时发生。
- GUS活性和大肠杆菌与总溢出持续时间、河流流量以及物理化学参数（特别是电导率EC）有很强的正相关性。
- 尽管之前的研究表明EC与排入河流的CSO中的大肠杆菌相关，但GUS活性提供了在夏季强降水事件期间到达饮用水取水口的粪便污染的更可靠估计。然而，EC与取水口处的大肠杆菌和GUS活性的强关联性表明，它是一个有用的物理化学参数，特别是对于长期融雪期，应包含在早期预警系统中。
- 总溢出持续时间和同时溢出的总数是预测饮用水取水口GUS活性的重要特征。较高的河流流量与饮用水取水口的较高GUS活性相关，表明从CSO到取水口的旅行时间减少。
- 作为整合CSO负荷和河流流体动力学影响的参数，GUS活性是早期预警系统和识别单独及累积贡献于饮用水取水口粪便污染的CSO的有用工具。
- 最大的不确定性与CSO负荷有关。GUS活性的自动优化方法可以提供每小时的数据；然而，目前只有每日的CSO数据，而没有具体的流量和污染物浓度信息。应用水力模型估计CSO负荷和浓度可以改善对CSO对饮用水取水口影响的预测，并允许评估缓解方案。

声明
作者声明没有竞争利益。

作者贡献声明
Luan Nguyen-Thanh：写作 - 审查与编辑、撰写原始草稿、可视化、方法论、数据管理。
Jean-Baptiste Burnet：写作 - 审查与编辑、方法论。
Raja Kammoun：写作 - 审查与编辑。
Natasha McQuaid：写作 - 审查与编辑、验证、监督、项目管理、资金获取。