印度北阿坎德邦亚穆纳河水质的成分分析及时序评估

《Frontiers in Water》：Component analysis and temporal evaluation of water quality in the Yamuna River, Uttarakhand, India

　　摘要
监测河流水质对于了解人类对淡水生态系统的影响程度至关重要，同时也要考虑自然变异性。本研究在亚穆纳河上游的七个不同地点，分析了季节变化条件下的物理化学、营养和微生物参数。通过描述性统计和主成分分析（PCA）确定了影响水质的主要机制。结果表明，夏季的电导率（EC）平均值为149.57±62.46 μS cm?1，冬季为195.57±87.93 μS cm?1；溶解氧（DO）从夏季的3.88±0.30 mg L?1上升到冬季的10.30±0.99 mg L?1；生化需氧量（BOD）从夏季的1.59±0.79 mg L?1变为冬季的1.60±0.95 mg L?1。PCA揭示了两个到三个主要因素，这些因素解释了超过90%的总变异，其中第一个因素主要由离子富集、有机物质指标和微生物参数主导。后两个因素则反映了与营养有关的变异，尤其是NO3?和PO43?的输入。水质的下降主要由生活污水和农业排放造成。这种综合统计方法能够揭示水文季节性和人类活动对亚穆纳河化学组成的影响。

亮点
本研究评估了亚穆纳河在四个不同水文季节的水质情况。PCA识别出影响物理化学和微生物变化的关键参数。主要污染源包括生活污水、农业径流和自然风化作用。研究结果展示了污染因素在河流各站点间的季节性聚集特征。研究结果支持在气候压力下对喜马拉雅河流系统进行可持续管理。

1 引言
根据Goswami和Bisht（2017）的观点，水是最重要的自然资源之一，对维持各种生命形式、生态平衡和社会经济发展至关重要。Parker和Oates（2016）以及Tiwari等人（2023）指出，河流为全球数百万人提供水源。河流可用于多种用途，如生活用水、农业灌溉、工业生产和娱乐活动。据报道，工业化、城市化和农业径流是导致印度地表水质量下降的原因（Rahman等人，2021；Kumar等人，2024；Sharma等人，2024）。亚穆纳河是印度恒河系统中最重要且污染最严重的支流之一（Varma和Jha，2023）。与流经德里和阿格拉等大城市的下游地区相比，亚穆纳河上游的污染程度相对较低（Sharma等人，2024）。然而，最新数据显示，这一上游段的水质正在逐渐恶化，主要原因是人口密度增加、游客流量上升以及未经处理的污水排放（Igbinosa和Okoh，2009；Sharma等人，2022）。在这种新压力下，对亚穆纳河水质进行系统性和持续的观察至关重要，以及时发现污染趋势并采取有效管理和控制措施。

2 材料与方法
2.1 研究区域
亚穆纳河起源于冰川，是恒河系统的一个子流域。其源头位于穆索里山脉的亚穆诺特里冰川，靠近下喜马拉雅山脉的班德彭丘峰（31°00′28″N，78°55′33″E），海拔约6,320米，属于北方邦（UP）的乌塔拉卡希地区（Ravindra等人，2003；Sehgal等人，2012；Ramavandi等人，2013；Seid-mohammad等人，2014）。该流域面积达366,223平方公里，占恒河流域的42.5%和该邦地理总面积的10.7%（中央污染控制委员会，CPCB）。亚穆纳河流经北方邦、喜马偕尔邦、拉贾斯坦邦、中央邦和哈里亚纳邦，以及德里联邦属地。图1展示了研究区域的分布情况。

2.2 采样程序
采样点分布在Y1至Y7共七个地点，涵盖了夏季、雨季、雨季后的秋季和冬季，以评估亚穆纳河的水质。每个季节从每个采样点收集五个水样，用于不同的分析目的（物理化学分析、微生物分析、重金属评估、生化需氧量（BOD）和化学需氧量（COD）检测）。因此，每个季节共收集了35个水样，四个季节总计140个水样。每个站点和每个季节均单独评估各项参数，并记录了具体数值。

3 结果与讨论
研究表明，水质随季节变化而有明显波动：夏季径流增加导致营养物质和有机负荷增加，使污染物质浓度升高；而夏季流量减少则可能使污染物集中。季节性分析有助于了解污染物的动态行为及其长期影响机制。多变量统计方法在多项全球性研究中被用来揭示河流水质的季节性和地理变化趋势。例如密西西比河（Day等人，2020）、多瑙河（Fr?ncu，2021）和长江（Lu等人，2023）的研究表明，主成分分析（PCA）是识别水质关键因素的有效工具。然而，特别是在喜马拉雅河流域，针对亚穆纳河上游地区的区域评估研究较少（Seth等人，2016）。本研究通过结合描述性统计和PCA，探讨了亚穆纳河在北方邦不同时间和空间的水质变化，区分自然过程（如风化和水文变化）与人为活动（如生活废物排放和农业径流）的影响。

3 结论
本研究的主要目标是：
- 观察印度北方邦亚穆纳河上游水质随季节的变化；
- 使用PCA区分水质变化的主要原因，辨别自然过程与人类活动的作用；
- 通过描述物理化学参数、营养物质、痕量金属和微生物污染物的时间演变来解释污染的变化；
- 将亚穆纳河的上游水质与全球河流系统进行对比，为可持续的河流流域管理提供科学依据，符合可持续发展目标6（SDG 6）中的清洁水和卫生要求。

4 结论
尽管一些先前的研究（Singh等人，2004；Kumar等人，2015；Mishra等人，2025）采用了多变量方法研究印度河流水质，但这些研究大多集中在下游或工业流域，忽视了原始且生态脆弱的喜马拉雅上游地区。此外，很少有研究将季节性物理化学和细菌学数据与多变量结果结合起来分析污染动态。本研究的创新之处在于对亚穆纳河上游流域进行了全面的季节性调查，并绘制了自然、农业和生活污染源的关联图谱。本研究通过将全球方法应用于当地水文实际情况，填补了相关领域的空白。样本在每个地点的河流中游处采集，大约距离水面30厘米的位置，以避免碎屑和表面污染（Liess和Schulz，2000年）。表1列出了采样点的名称、代码、地理坐标以及区域类型：

| 样本点名称 | 采样点代码 | 地理坐标 | 区域类型 |
|-----------|-----------|------------|-----------|
| Janki Chatti | Y1 | 30°58′31.97″ N 和 78°26′20.36″E | 偏远高山区 |
| Barkot | Y2 | 30°48′55.15″ N 和 78°11′58.19″E | 半偏远丘陵区 |
| Naugaon | Y3 | 30°47′30.95″ N 和 78°08′18.70″E | 过渡性山麓区 |
| Dakpatthar | Y4 | 30°30′00.73″ N 和 77°48′12.49″E | 半城市化水文控制点 |
| Vikasnagar | Y5 | 30°28′13.48″ N 和 77°43′51.23″E | 城市边缘/市郊区 |
| River Tons (汇流前) | Y6 | 30°22′53.75″ N 和 77°47′52.33″E | 偏远丘陵/森林汇流区 |
| River Tons (汇流后) | Y7 | 30°25′53.64″ N 和 77°38′48.91″E | 半乡村地区 |

2.3 测量的参数
所有样本都通过标准化的分析方法进行了物理化学、微生物学和痕量金属特性的分析。测量的水质参数包括pH值、温度、电导率（EC）、总溶解固体（TDS）、硬度、碱度以及主要离子：氯化物（Cl?）、硫酸盐（SO42?）、硝酸盐（NO3?）和磷酸盐（PO43?）。分析的痕量元素还包括铁（Fe）、锌（Zn）和铜（Cu）。这些数据有助于了解自然风化和人为过程对水质的影响。整个过程中我们遵循了2023年APHA、2012年BIS和2022年CPCB的法规要求，并定期对设备进行校准。实验重复进行了三次。所有水质参数的分析都采用了APHA标准方法（APHA，2023年），NO3?和PO43?的测定使用了Shimadzu UV-1800 UV–Vis分光光度计。总大肠菌群（TC）和粪大肠菌群（FC）的测定采用了最可能数（MPN）法，这是APHA标准方法所推荐的（APHA，2023年）。所有测量都遵循了QA/QC程序，如使用空白样品、标准样品和重复样品，并根据BIS（2012年）和WHO（2024年）的水质标准进行校准检查。这些措施确保了亚穆纳河水质分析的准确性和可靠性（表2）。

表2列出了各采样点的编号、参数、测量方法和使用的仪器。

2.4 统计分析
2.4.1 描述性统计
对所有参数进行了描述性统计，以确定数据在不同地点和季节间的中心趋势和变异性。通过计算季节性波动的平均值和标准差（SD）来识别水质变化较大的地点。
平均值 = Σxi / n，SD = √∑(xi ? x?) / (n ? 1)
其中xi表示观测值，n表示观测次数，x?表示平均值，SD表示围绕平均值的变异程度。各参数的平均值和标准差是根据每个地点的单独数据计算得出的，未合并分析重复数据。结果中的每个季节都以表格形式呈现，以分析区域和时间趋势。这些信息提供了关于不同地点和季节间物理化学参数空间和时间变化的宝贵信息（Sokal和Rohlf，2012年；APHA，2023年；Helsel等人，2020年）。我们通过统计测试来说明水质随时间和空间的变化情况。使用平均值和标准差来确定水质变化的程度，以及其在季节间和季节内的稳定性（Mohamed和Hirayama，2025年）。这些总结为Muniz和Oliveira-Filho（2023年）的多变量分析提供了适当的定量基础。此外，还在每个采样区域分别计算了描述性统计，以确定整个研究区域的站点特异性（空间）变异性。通过比较不同地点的平均值、范围、标准差和变异系数来初步判断空间差异。

2.4.2 主成分分析（PCA）
为了找出影响水质变化的主要因素并揭示潜在的污染源，对数据集应用了PCA方法。分析使用的是SPSS v25软件。在进行PCA之前，一些参数（如TC、FC和E. coli）先进行了对数转换（Log10(x + 1)。PCA作为一种探索性多变量方法，用于识别物理化学和微生物变量之间的显著模式和关系，这在河流和沿海水质研究中较为常见（Arfao等人，2021年）。PCA基于相关矩阵进行降维和变量间的关系揭示，因为本研究的主要目的是数据简化以及发现影响季节性水质变化的主要因素，而不是建模潜在结构。PCA是一种多变量统计方法，旨在将变量数量减少到有限的几个指标，同时保持原始数据中的内在联系（Xu等人，2021年）。Mustapha等人（2013年）使用PCA方法评估了Jakara河流域的水质，有助于理解地表水质量的地理变化并为未来研究建立基线。Mustapha等人（2013年）采用了Varimax旋转方法来提高结果的可解释性，根据Kaiser标准（Kaiser，1960年；Jolliffe，2011年）保留了特征值大于1.0的成分。在Jakara河流域，污染的可能原因被确定为离子组成（TDS、EC）、营养物富集（NO3?、PO43?）和有机污染（BOD、COD）。

3 结果与讨论
3.1 不同参数的描述性统计
表3显示了四个季节中所有测量参数的描述性统计，反映了乌塔拉坎德地区亚穆纳河水质的明显时间趋势。这些变化可能是由于自然水文循环以及人为因素造成的，这与喜马拉雅山脉和印度-恒河流域的早期研究结果一致（Bhutiani等人，2016年；Pramanik和Bhaduri，2016年；Sorí等人，2017年）。

表3：不同参数的描述性统计
| 参数 | 夏季（平均值 ± 标准差） | 季风期（平均值 ± 标准差） | 雨季后（平均值 ± 标准差） | 冬季（平均值 ± 标准差） |
|------------|---------------|-----------------|-----------------|-----------------|
| pH | 7.90 ± 0.47 | 7.47 ± 0.25 | 8.11 ± 0.43 | 7.91 ± 0.30 |
| DO | 3.88 ± 0.30 | 6.35 ± 0.79 | 7.20 ± 1.37 | 10.30 ± 0.99 |
| EC | 149.57 ± 62.46 | 183 ± 113.24 | 167.43 ± 58.66 | 195.57 ± 87.93 |
| TDS | 74.29 ± 30.93 | 94 ± 55.20 | 97.86 ± 23.77 | 103.57 ± 44.67 |
| 温度 | 21.34 ± 5.85 | 22.13 ± 4.99 | 15.12 ± 5.51 | 12.64 ± 3.76 |
| 碱度 | 103 ± 60.30 | 78 ± 57.65 | 70.43 ± 29.93 | 85.86 ± 56.03 |
| 硬度 | 85.71 ± 65.10 | 84.57 ± 78.37 | 88.43 ± 37.89 | 101.43 ± 65.83 |
| 氯化物 | 7.37 ± 3.30 | 5.31 ± 4.27 | 5.41 ± 1.82 | 6.45 ± 3.33 |
| 浊度 | 1.69 ± 0.89 | 1.06 ± 0.71 | 9.57 ± 9.50 | 1.02 ± 0.75 |
| BOD | 1.59 ± 0.79 | 1.79 ± 0.61 | 2.14 ± 0.48 | 1.60 ± 0.95 |
| COD | 3.17 ± 1.40 | 3.79 ± 1.22 | 4.27 ± 1.06 | 3.14 ± 1.86 |
| K | 4.75 ± 1.25 | 2.93 ± 0.35 | 3.20 ± 1.84 | 2.63 ± 0.56 |
| 钠 | 6.41 ± 2.60 | 5.77 ± 1.43 | 3.43 ± 1.64 | 3.81 ± 1.44 |
| 铅 | 0.18 ± 0.01 | 0.02 ± 0.02 | 0.27 ± 0.05 | 0.05 ± 0.01 |
| 铜 | 0.26 ± 0.02 | 0.26 ± 0.05 | 0.05 ± 0.01 | 0.01 |
| 铁 | 0 ± 0.02 | 0.03 ± 0.03 | 0.64 ± 0.08 | 0 |
| 锌 | 0.16 ± 0.05 | 0 ± 0 | 0 ± 0 | 0 |
| 硫酸盐 | 38.31 ± 33.13 | 47.47 ± 39.22 | 38.63 ± 34.78 | 40.76 ± 37.15 |
| 硝酸盐 | 0.22 ± 0.13 | 0.11 ± 0.03 | 0.13 ± 0.02 | 0.17 ± 0.07 |
| 磷酸盐 | 0.15 ± 0.07 | 0.18 ± 0.04 | 0.25 ± 0.04 | 0.17 ± 0.05 |
| 总大肠菌群 | 81.59 ± 79.72 | 78.93 ± 80.57 | 53.14 ± 37.15 | 103.69 ± 121.67 |
| 粪大肠菌群 | 67.14 ± 64.41 | 80.43 ± 86.82 | 31 ± 18.02 | 74.50 ± 83.27 |
| 大肠杆菌 | 8.66 ± 4.07 | 2.90 ± 1.18 | 7.86 ± 5.30 | 4.57 ± 1.74 |

3.1.1 pH值和温度
本研究中，pH值介于7.47至8.11之间，表明喜马拉雅河流具有中等的碱性，这主要由碳酸盐和碳酸氢盐离子调节（Bhutiani等人，2016年）。季风期间，pH值较低，为7.47 ± 0.25，可能是由于附近流域的酸性径流影响。雨季后的pH值（8.11 ± 0.43）比其他三个季节高，这可能归因于光合作用的增强和稀释作用的减少（Jargal等人，2021年）。另一个重要的物理参数温度也呈季节性变化，夏季最高达到21.34 ± 5.85°C，冬季降至12.64 ± 3.76°C，反映了印度北部的气候特征（Sharma和Kansal，2011年；Tandon等人，2025年）。

3.1.2 溶解氧（DO）和生化需氧量（BOD）
溶解氧表现出显著的季节性波动，夏季平均浓度最低为3.88 ± 0.30 mg/L，冬季最高为10.30 ± 0.99 mg/L。夏季的较低值与较高的温度和微生物活动相关，而冬季的氧气富集则与溶解度的增加和分解速率的降低有关（Sharma和Kansal，2011年；Walz等人，2017年）。BOD值在1.59至2.14 mg/L之间波动，雨季后达到峰值，这可能是由于径流带来的有机物分解（Shamim和Chakraborty，2025年）。许多印度河流（包括恒河和戈达瓦里河）都观察到了这种有机负荷的季节性变化（Navasakthi等人，2023年；Varma和Jha，2023年）。

3.1.3 化学需氧量（COD）
冬季COD值为3.14 ± 1.86 mg/L，雨季后为4.27 ± 1.06 mg/L。根据Jargal等人（2021年）的研究，雨季后的高COD值与雨季降雨带来的更多有机物和农业径流有关。布拉马普特拉河也出现了类似的季节性高峰（Tareq等人，2013年）。

3.1.4 离子组成（EC、TDS、碱度、硬度和主要离子）
通过EC和TDS评估的盐度是地表水质量的重要特征（Wang和Li，2022年）。EC和TDS都出现了季节性变化，冬季的最大值分别为195.57 ± 87.93 μS/cm和103.57 ± 44.67 mg/L。这种行为归因于冬季补给减少导致的盐分沉积（Xu等人，2023年）。夏季碱度峰值达到103 ± 60.30 mg/L，表明浓度效应；冬季硬度略升至101.43 ± 65.83 mg/L，这可能是由于水流减少期间的碳酸盐溶解（Islam等人，2020年）。此外，风化、家庭废物和农业回流可能也在夏季和雨季增加了钠（Na）和钾（K）的浓度（Khatri和Tyagi，2015年；Maharana等人，2015年；Bhutiani等人，2016年）。

3.1.5 营养物质（硝酸盐（NO3?）和磷酸盐（PO43?）
夏季硝酸盐浓度达到0.22 ± 0.13 mg/L，而雨季浓度降至0.11 ± 0.03 mg/L，表明存在硝化-稀释平衡机制（Deswal等人，2014年；Jithesh和Radhakrishnan，2020年）。雨季后磷酸盐浓度为0.25 ± 0.04 mg/L，可能是由于肥料和有机残渣的淋溶（Hobbie等人，2017年；Chaudhary等人，2025年）。所有参数均显示营养物水平保持在富营养化限制范围内，这与之前对亚穆纳河上游的研究结果一致（Varma和Jha，2023年，2024年）。

3.1.6 金属（铅（Pb）、铜（Cu）、铁（Fe）和锌（Zn）
痕量金属的水平通常较低，并随季节变化。雨季后铅（Pb）和铜（Cu）浓度增加，这可能是由于城市和汽车的径流（Nazeer等人，2014年；Shirode和Yeole，2018年）。铁（Fe）在雨季后达到最高浓度0.64 ± 0.08 mg/L，可能是由于流域内富含铁的岩石被侵蚀并渗入水中（Bhutiani等人，2016年）。锌（Zn）浓度较低，表明亚穆纳河上游的工业排放根据Hong等人（2010年）和Sampson等人（2006年）的研究，细菌在较冷月份中的存活率以及稀释作用的降低，是导致这些月份细菌数量增加的原因。大肠杆菌的数量在夏季最高（8.66 ± 4.07 MPN/100 mL），这可能是由于人类活动增加和与沐浴相关的污染所致（Sampson等人，2006年）。亚穆纳河观察到的季节性变化反映了水文过程与人类活动之间的相互作用。季风带来的径流减少了离子和有机物的负荷，但夏季和冬季由于流量减少和蒸发作用，污染浓度会增加（Sharma和Kansal，2011年；Isaac等人，2024年）。季风过后，由于地表径流和流域渗漏，有机物质和金属的含量会增加（Hossain等人，2020年；Kshetriya等人，2021年）。这些趋势与其他印度河流（如恒河、戈达瓦里河和布拉马普特拉河）的多季节性评估结果一致，表明了这些河流流域中季节性动态的普遍性（Bhutiani等人，2016年）。溶解氧（DO）、电导率（EC）、生化需氧量（BOD）和营养物质的季节性变化与河流系统的水文动态相符，这些动态受到季风引起的稀释作用在流量大时和浓度效应在流量小时的影响。

Hong等人（2010年）和Sampson等人（2006年）的研究指出，细菌在较冷月份的存活率以及稀释作用的降低是导致这些月份细菌数量增加的原因。夏季大肠杆菌的数量最高（8.66 ± 4.07 MPN/100 mL），这可能是由于人类活动增加和与沐浴相关的污染所致（Sampson等人，2006年）。亚穆纳河观察到的季节性变化反映了水文过程与人类活动之间的相互作用。季风带来的径流减少了离子和有机物的负荷，但夏季和冬季由于流量减少和蒸发作用，污染浓度会增加（Sharma和Kansal，2011年；Isaac等人，2024年）。季风过后，由于地表径流和流域渗漏，有机物质和金属的含量会增加（Hossain等人，2020年；Kshetriya等人，2021年）。这些趋势与其他印度河流（如恒河、戈达瓦里河和布拉马普特拉河）的多季节性评估结果一致，表明了这些河流流域中季节性动态的普遍性（Bhutiani等人，2016年）。溶解氧（DO）、电导率（EC）、生化需氧量（BOD）和营养物质的季节性变化与河流系统的水文动态相符，这些动态受到季风引起的稀释作用在流量大时和浓度效应在流量小时的影响。

每年的溶解氧（DO）、电导率（EC）、氮含量、浊度和微生物活性的变化也导致了河流水质的退化。这些现象是由多种因素共同引起的，包括人为因素和自然水文过程。季风会导致大量降雨，通过径流，河水变得浑浊，同时更多的营养物质从农田冲刷到水中。此外，这减少了盐分含量，从而降低了电导率和总溶解固体（TDS）（Oyeboade和Olagoke-Komolafe，2023年；Shamim和Chakraborty，2025年）。此时较高的溶解氧水平与水体的重新曝气和湍流作用有关，这些因素有助于水体更新（Yavuz，2025年）。在炎热干燥的季节，电导率（EC）、总溶解固体（TDS）和微生物数量会增加。这些增加可能是由于流量减少、蒸发速度加快以及污染物浓度升高所致，同时农业活动和人类活动也会进一步加剧这一现象（Isaac等人，2024年；Saifullah等人，2025年）。较高的温度与更活跃的微生物活动相关，而溶解氧（DO）的降低则与温度变化和娱乐性沐浴及生活污水的直接污染有关（Dey等人，2021年）。这些现象证明，自然降雨-径流过程和人类活动共同影响了河流的水质，对印度其他河流（如恒河、戈达瓦里河和亚穆纳河）的研究也支持了这一结论（Bhat等人，2018年；Sinha和Sinha，2020年）。

表3的研究结果显示，研究区域内的水质会随地理位置和时间的不同而变化。平均值及其在不同地点和季节间的差异表明了自然水文条件、地形和人类活动对水质的影响。夏季总溶解固体（TDS）、电导率（EC）和硬度值较高，表明更多矿物质溶解在水中，而降雨和径流减少了污染物的浓度（Kumar，2021年；Saxena，2021年）。各站点之间的描述性统计特性存在差异（表3），特别是在平均值和变异系数上，说明研究区域内存在特定地点的空间变异。所有采样点的季节性变化总结在表3中，相关空间变化则通过图2-7展示，这些图表展示了七个采样点（Y1-Y7）的物理化学和微生物参数分布情况。

图2展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）pH值、（b）溶解氧（mg/L）、（c）电导率（μS/cm）和（d）总溶解固体（ppm）的地点特异性（位置）分布，反映了亚穆纳河沿岸的空间变异情况。

图3展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）温度（°C）、（b）碱度（mg/L）、（c）硬度（mg/L）和（d）氯化物（mg/L）的地点特异性（位置）分布，同样反映了亚穆纳河沿岸的空间变异情况。

图4展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）浊度（NTU）、（b）生化需氧量（mg/L）、（c）化学需氧量（mg/L）和（d）钾离子（mg/L）的地点特异性（位置）分布，反映了亚穆纳河沿岸的空间变异情况。

图5展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）钠离子（mg/L）、（b）铅离子（mg/L）、（c）铜离子（mg/L）和（d）铁离子（mg/L）的地点特异性（位置）分布，反映了亚穆纳河沿岸的空间变异情况。

图6展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）硫酸盐（mg/L）、（b）硝酸盐（mg/L）、（c）磷酸盐（mg/L）和（d）总大肠菌群（MPN/100 mL）的地点特异性（位置）分布，反映了亚穆纳河沿岸的空间变异情况。

图7展示了不同季节（季风过后、季风期间、冬季和夏季）七个采样点（Y1-Y7）的（a）粪便大肠菌群（MPN/100 mL）和（b）大肠杆菌（MPN/100 mL）的地点特异性（位置）分布，反映了亚穆纳河沿岸的空间变异情况。

从地理上看，上游地区由于人口较少，因此不太可能出现高离子和营养物质负荷；而下游地区由于生活污水和农业径流的影响，硝酸根离子（NO3?）、磷酸根离子（PO43?）和生化需氧量（BOD）的平均值较高（Sharma等人，2024年；Tiwari等人，2024年；Das，2025a）。喜马拉雅河流域的自然过程和人类活动似乎形成了这种模式。总体而言，这些描述性发现体现了季节性稀释和浓度变化以及流域特定的污染梯度，增强了数据集的可靠性和统计结果的准确性（Khan等人，2020年）。类似的研究结果也出现在恒河（Singh等人，2018年）和戈达瓦里河流域（Vidyarthi等人，2020年），表明水质的季节性变化取决于季风水文条件和局部人为压力源。

3.2 主成分分析
在当前研究中，在进行主成分分析（PCA）之前，首先对水质数据进行了相关性分析。相关性分析用于确定感兴趣参数之间的关联程度。表现出显著相关性的参数（即r2 ≥ 0.5）被选为PCA的分析对象。由于数据量有限，未进行Kaiser-Meyer-Olkin（KMO）样本充分性检验和Bartlett球形性检验，因为这两项检验需要更多的数据。在本研究中，根据变量之间的相关性确定了数据是否适合进行PCA分析。由于样本量较小，PCA分析过程中未使用旋转方法，因为旋转仅有助于提高数据的可解释性。旋转的一个前提是数据集足够大，以产生稳定的结果（Hair等人，2010年）。在本研究中，未旋转的成分矩阵被用来确定各个参数对PCA的贡献程度（Jolliffe，2011年）。变量在PCA中的负荷值大于0.5的被选中进行分析（Jolliffe，1986年）。Liu等人（2003年）将负荷分为强、中等和弱三个等级，其中大于0.75的负荷被视为强负荷，中等和弱负荷分别位于0.75–0.50和0.5–0.30之间。

3.2.1 季风过后时期的PCA分析
对于季风过后的数据集，根据 scree 图和特征值（图8）选择了三个主成分，这些成分解释了水质测量值的整体主要变异（表4）。最初选择的三个主成分解释了92.91%的总方差，意味着这些成分有助于解释季风过后水质的数据结构。PC1在电导率（EC，0.91）、总溶解固体（TDS，0.98）、碱度（0.96）、硬度（0.96）、氯离子（Cl-，0.95）、浊度（0.94）、生化需氧量（BOD，0.88）、化学需氧量（COD，0.89）、钾离子（K+，0.97）、钠离子（Na+，0.99）、硫酸根离子（SO42?，0.86）、硝酸根离子（NO3?，0.84）和大肠杆菌（E. coli，0.84）方面有较高的负荷。pH值、溶解氧（DO）和温度在PC1中的负荷分别为0.66、0.71和0.68，表明这是一个混合污染源。PC2的主要贡献因素包括自然风化、流域径流以及未经处理的生活污水和农业径流（Dhanush等人，2024年；Das，2025b；Rao等人，2022年）。PO??（0.71）、化学需氧量（TC，0.56）、氟化物（FC，0.45）和大肠杆菌（E. coli，0.47）以及温度（0.49）对水质有较大影响，解释了12.20%的方差。PC3主要反映了人为污染，尤其是未经处理的污水排放。PC3包含中等负荷的pH值（0.63）和氟化物（FC，-0.58），表明这与微生物活动和pH依赖性的生化条件有关。

3.2.2 夏季的PCA分析
夏季数据集的 scree 图（图9）显示了两个特征值超过1的主成分。这些因素解释了93.15%的水质变异（表5）。

表5显示，夏季数据集的两个主成分解释了93.15%的方差。PC1在碱度（0.98）、硬度（0.97）、电导率（EC，0.71）、温度（0.88）、浊度（0.83）、生化需氧量（BOD，0.88）、化学需氧量（COD，0.90）、钾离子（K+，0.95）、钠离子（Na+，0.96）、硫酸根离子（SO42?，0.99）、硝酸根离子（NO3?，0.99）、磷酸根离子（PO43?，0.99）和总大肠菌群（TC，0.96）方面有较高负荷，显著影响了夏季的水质变化。PC1显示出这些参数的高度正负荷，表明水质受到了人类活动的影响。

3.2.3 季风时期的PCA分析
表6显示，两个特征值超过1的主成分解释了91.13%的方差。PC1在碱度（0.98）、硬度（0.97）、电导率（EC，0.71）、温度（0.88）、浊度（0.83）、生化需氧量（BOD，0.88）、化学需氧量（COD，0.90）、钾离子（K+，0.95）、钠离子（Na+，0.96）、硫酸根离子（SO42?，0.99）、硝酸根离子（NO3?，0.99）和磷酸根离子（PO43?，0.99）方面有较高负荷，显著影响了整个季风期间的水质变化。该组成部分表明了特定养分的变异性，这可能与扩散性输入有关，例如农业径流和降水事件期间的肥料渗入（May等人，2023年）。这一组成部分不受其他变量的显著影响，因为它们对PC2的负荷极小。PCA结果表明，在雨季影响水质的主要因素包括径流引起的离子富集、有机微生物污染和养分转移。硝酸盐被确定为重要的次要驱动因素（Kong等人，2025年）。这些解释表明，在雨季的水文条件下，存在主要的调节因素，而不是确定的污染来源分配。

3.2.4 冬季的PCA分析
冬季数据集的Scree图显示有两个特征值大于一的主成分（PC）（图11）。这些因素解释了94.10%的水质变化（表7）。PC1对影响冬季水质的因素有显著影响，因为它占据了总体方差的84.32%。PC1包括溶解氧（DO，0.88）、电导率（EC，0.97）、总溶解固体（TDS，0.97）、温度（0.77）、碱度（0.99）、硬度（0.97）、氯离子（Cl?，0.91）、浊度（0.97）、化学需氧量（COD，0.92）、生化需氧量（BOD，0.93）、钾离子（K+，0.97）、钠离子（Na+，1.00）、硫酸盐（SO42?，0.93）、硝酸盐（NO3?，0.86）、磷酸盐（PO43?，0.70）、总碳（TC，0.91）、悬浮固体（FC，0.92）和大肠杆菌（E. coli，0.91）。在冬季，河流流量和稀释率降低，进一步促进了有机物的积累。所有这些情况都为微生物生长创造了有利条件，并同时增加了离子元素、养分和微生物参数的浓度。微生物证据表明，人类活动不断将物质引入水中；然而，冬季河流流量减少和自净能力下降可能是导致溶解固体和养分水平升高的原因（Zlatanovi?等人，2017年）。PC2主要由温度（0.55）和磷酸盐（PO42?，0.65）组成，两者都呈正值，负责9.78%的总变化。这一组成部分可能解释了养分传输随时间的变化，而不是污染的来源。它还显示了与生物地球化学过程和天气有关的次级变化。其他因素对PC2的影响相对较小，因此不会对其产生太大变化。PCA结果表明，在冬季，离子富集、有机微生物污染和氮含量增加是影响水质的关键因素（Hammoumi等人，2024年；Satzinger和Bachmann，2025年）。

表7 参数
PC1 PC2
DO 0.88 0.28
EC 0.97 -0.23
TDS 0.97 -0.15
温度 0.77 0.55
碱度 0.99 -0.15
硬度 0.97 -0.24
氯离子 0.91 -0.27
浊度 0.97 -0.08
BOD 0.93 -0.31
COD 0.92 -0.35
钾离子 0.97 0.18
钠离子 1.00 -0.02
硫酸盐 0.93 -0.35
硝酸盐 0.86 -0.17
磷酸盐 0.70 0.65
总碳 0.91 0.35
大肠杆菌 0.91 0.26

特征值 15.18 1.76%（方差）
累积百分比 84.32 94.10%

表7的结果与表3中的描述性统计数据结合在一起，清楚地展示了上雅穆纳河在不同空间和季节中的变化情况。我们的发现与在其他大型印度河流中的观察结果一致。Ganga河（Kumar等人，2021年；Hemprabha和Sunita，2025年）和Godavari河（Subrahmanyam和Srilatha，2024年）也报告了类似的季节性变化，这些变化由自然水文条件和人类活动共同驱动。Niloy等人（2022年）还报告了布拉马普特拉河流域在干旱低流量期间的离子浓度升高。所有这些观察结果表明，印度河流在湿润月份趋于稀释，在干燥月份趋于浓缩。需要注意的是，PCA是一种相关性和探索性的多变量统计方法，所观察到的关系是变量共变的描述，而不是因果关系或污染来源的证明。与溶解固体、有机物和微生物指标相关的元素在下游通常得分较高，这意味着沿河流的累积效应。相反，在上游地区，与地质变量相关的组分的关联更为显著，反映了自然背景条件的影响。这些空间模式与河流的纵向动态一致，在下游区域，河流结合了自然因素和通过城市地区及土地利用活动的人为影响。主要组分的月度变化显示了研究期间的水文变化。在雨季和雨季后，增加的径流和河流流量增强了养分、有机物和微生物指标的迁移和混合，导致与扩散性输入相关的组分负荷增加。而在夏季和冬季低流量条件下，稀释作用减弱，促进了溶解固体和人为成分的浓缩，使得与矿物质含量和有机富集相关的组分占主导地位。

本研究直接为可持续发展目标（SDGs）做出了贡献，特别是SDG 6（清洁水和卫生设施）。我们支持SDG 6.3，即通过季节性监测物理化学和微生物污染指标来减少污染和改善水质，以及SDG 6.6，即保护和恢复与水相关的生态系统。我们通过研究水文和气候对水质季节性影响，为非静态气候下的适应性水资源管理做出了贡献。简而言之，这项工作为可持续的河流流域管理提供了基于证据的建议，有助于印度向综合水和气候韧性转型。

4. 政策含义和建议
本文以清晰实用的方式概述了如何管理和治理上雅穆纳河，使其水质恢复到更健康的水平。通过描述性统计和PCA分析，研究表明水质的空间和时间变化与自然水文过程和人类活动的结合有关。主要指标，即离子、养分和有机污染物，表明土地利用的农业径流、家庭污水以及处理基础设施不足是水质季节性恶化的关键原因。该研究支持SDG 6（清洁水和卫生设施），目标是确保每个人都能获得清洁的水。根据研究结果，操作程序进行了重大调整。研究人员提倡制定严格的法规、可持续农业、在战略位置进行废水处理以及保护河岸带（Das和Mishra，2025年；Rosmaria，2025年）。研究表明，允许未经处理的家庭废物在低流量期间与其他废物混合会对雅穆纳河及其支流造成严重问题。为解决这一问题，小型城镇和农村社区必须采用分散式处理方式，如人工湿地、芦苇床系统和厌氧反应器，如果在地方/区域层面实施这些方案，可以显著降低BOD、COD和大肠杆菌水平（Singh等人，2009年；Jamshidi等人，2014年；Pachamuthu Muthaiyah，2020年）。社区参与和公共机构与私人机构在这些系统的运营和维护中的合作可以确保这些系统的长期可持续性。这种策略将支持SDG 6.3，即减少污染，尽可能降低未经处理的废水排放量，并提高整体水质（UN-Water，2023年）。

当地农业对上雅穆纳河的水质有很大影响。PCA结果显示，雨季时硝酸盐（NO3?）和磷酸盐（PO43?）的浓度上升，这明确表明肥料径流是一个问题。政策制定者应大力鼓励养分预算、精准灌溉和有机农业。这些技术可以保护水资源，减少肥料浪费，并有助于恢复土壤。缓解农业径流引起富营养化的一种方法是实施河岸激励计划，鼓励农民减少过量施肥，从而保护水生环境。当这些努力与国家可持续农业计划和Pradhan Mantri Krishi Sinchayee Yojana等认可的计划相结合时，可以帮助农民更顺利地转型。通过地方示范和培训，农民可以获得高效农业的实际知识，这将为其他雅穆纳河流域树立标准。通过清洁河流恢复生态系统，以及创造可持续就业机会，可以实现这些目标，包括SDG 6和SDG 13（Varma和Jha，2023年；Sharma等人，2024年；Shenode，2025年）。

河岸缓冲带修复在改善河流纯度方面特别有效。在雅穆纳河及其支流沿岸种植植被缓冲带可以捕捉沉积物、养分和细菌，防止它们流入主河。这些河岸植被增强了河岸稳定性，减少了侵蚀，并形成了生物多样性走廊，提高了生态稳定性。可以引入本地植物以增强土壤稳定性和污染物吸收。缓冲带恢复活动符合州森林计划和Namami Gange计划，有助于生态恢复和水质改善。缓冲带也支持SDG 6.6，即保护和恢复依赖水的生态系统，并促进SDG 13的气候韧性目标（Katusiime和Schütt，2020年；UN-Water，2023年）。加强对水质的监控和问责也非常重要。本研究指出，采样范围有限，无法反映区域和季节性变化。为了监测上雅穆纳河的情况，CPCB需要增加监测站点和实时传感器，以识别自发的变化。连续监测指标应包括溶解氧（DO）、电导率（EC）、浊度、温度和养分、痕量金属以及微生物，每年在实验室进行4次评估。公民科学监测可以将河流保护的角色分散到当地社区、学术机构和非政府组织（NGOs）。通过公共数据库和移动报告促进透明度和公众参与。这符合UN-Water（2023年）关于SDG 6.5的指南，该指南强调综合水资源管理和社区参与。

除了废水处理和控制外，迫切需要设计具有气候抗性的河流流域。水质还存在季节性差异，这表明水文和污染之间的相互关系复杂。通过将水质数据与水文气象和气候预测相结合，在《气候变化行动计划》（SAPCC）下，可以提前预警与径流增加或干旱延长相关的威胁。为了实现气候适应型设计，需要适应性流量管理和极端条件下的湿地保护。喜马拉雅河流是SDG 13的重点，因为将这些主题纳入区域气候适应计划有助于更好地理解水和气候之间的相互关系（Desai等人，2021年；SAPCC，2022年；Shrivastava等人，2025年）。

5. 限制
在解释结果时，应考虑某些限制因素。缺乏直接的河流流量或径流测量数据限制了水质稀释和浓度效应的定量确定。七个站点提供了代表性的空间覆盖范围，但未能反映河流微尺度的异质性。此外，由于分析限制，痕量金属的分析有限，未包括所有潜在的相关污染物（如砷和铬），这些污染物本可以提供更全面的污染模式理解。因此，未来的工作应尝试提高采样频率、扩大站点覆盖范围，并使用更广泛的化学和生物水质指标，以实现更精细的空间和时间分辨率。此外，鉴于有限的空间和时间采样分辨率，PCA结果应被视为变量之间的统计关联，而不是因果关系或细微尺度上的污染梯度。此外，本研究中的污染源分配是通过水质参数之间的统计关联推断出来的，并未直接使用化学示踪剂、同位素特征或排放数据等独立证据进行验证。6 结论 在季节性调查中，发现人类活动和水文因素对北阿坎德邦亚穆纳河水质的变化产生了重要影响。描述性统计分析和主成分分析（PCA）使我们能够仔细研究在不同时间和地点影响水质变化的因素。研究的主要结果如下：描述性统计数据显示，所研究的物理化学和微生物参数随季节发生了显著变化。冬季溶解氧（DO）水平较高，夏季较低，表明溶解度受温度和有机负荷的影响。冬季电导率（EC）、总溶解固体（TDS）、硬度和碱度升高表明在流量较低的情况下离子浓度较高；而雨季后的浊度和生化需氧量（BOD）增加则表明有地表冲刷和有机物质流入河流。营养指标（硝酸盐离子NO3?和磷酸盐离子PO43?）及微生物数量显示出季节性和地点特异性的波动，这很可能归因于农业径流和污水排放。PCA在确定各种主要污染源及其季节性变化方面非常有效。在所有数据集中，电导率、总溶解固体、硬度、碱度、氯离子（Cl?）、硫酸盐离子（SO42?）、生化需氧量（BOD）和大肠菌群等指标都始终被纳入第一主成分（PC1）中。次要成分突出了与营养物质相关的变异性，尤其是硝酸盐离子和磷酸盐离子，反映了广泛分布的农业污染源而非特定的点源污染。所分析参数之间的这种强相关性非常明显，超过90%的总变异可以通过提取的主成分来解释。研究发现，亚穆纳河上游的水质受到自然风化和局部人为活动以及自然径流（尤其是农业径流和生活污水径流）的显著影响。通过PCA等多变量统计方法进行持续监测对于识别水质变化和实现可持续的水资源管理非常重要。本研究的结果可为当地政府提供支持，帮助他们采取有效的污染控制措施，保护北阿坎德邦亚穆纳河的生态完整性。