编辑推荐：
在合流制污水系统中，准确分离干季流量（DWF）和降雨入渗流量（RDII）是一大难题，现有方法在湿区效果不佳。研究人员开发了两次去趋势残差法（TDRM），能有效分离两者，该方法可应用于湿区污水流量数据处理，助力污水治理。
在城市的污水治理领域，合流制污水系统就像一个复杂的谜题，困扰着众多科研人员。在这类系统中，雨水、雪水的径流和生活污水一股脑地涌入同一管道，这使得污水处理厂在处理污水时面临巨大挑战。每当暴雨倾盆，大量稀释的污水涌入处理厂，不仅浪费资源，而且当流量超过系统承载能力时，多余的污水就会溢流到附近水体，这些未经处理的污水含有大量污染物，对公众健康构成严重威胁，就像隐藏在城市地下的 “污染炸弹”，随时可能爆发。
为了有效应对这些问题，准确区分合流制污水中的干季流量（Dry - Weather Flow，DWF）和降雨入渗流量（Rain - derived Inflow and Infiltration，RDII）至关重要。DWF 是污水处理厂真正需要处理的部分，包括居民、商业和工业产生的生活污水，以及干季时通过污水管道缺陷渗入的地下水；而 RDII 则是降雨或融雪期间进入污水系统的额外流量，它是导致污水溢流的主要原因，也是规划污水管道和处理厂规模时的关键考量因素。
然而，现有的分离 DWF 和 RDII 的方法却存在诸多弊端。传统的基于物理原理的模型，虽然在理论上能够精确计算两者流量，但它需要大量详细信息，如污水管网特征、土地利用情况、降水数据和污水产生模式等，不仅计算成本高昂，而且数据获取困难，不同部门间的数据共享限制也增加了构建模型的难度。随着城市基础设施的不断变化，这些模型还需要持续投入大量资源进行维护和更新，否则很快就会过时。
数据驱动模型虽然应用广泛，但在处理湿区和半湿区数据时却力不从心。这类模型通常需要先从测量的总污水流量时间序列中分离出 DWF 和 RDII，而建立准确的 DWF 日变化曲线是关键步骤。但由于 RDII 的影响具有持续性，仅仅依据某一天无降水来判断干季并不准确，在湿区和半湿区，很难获取足够多的干季数据来准确估计 DWF。若将干旱季节的模式应用到湿润季节，又会因为地下水渗入和污水产量的季节性变化而引入较大误差，导致模型对湿区流量成分的计算不准确，在分离出的 RDII 中还会残留 DWF 的信号。
面对这些困境，来自国外（文中未明确具体机构）的研究人员展开了一项极具意义的研究。他们致力于开发一种高效的数据驱动方法，以解决在湿区和半湿区准确分离 DWF 和 RDII 的难题。经过不懈努力，研究人员成功开发出两次去趋势残差法（Twice - Detrended Residual Method，TDRM）。
该研究成果意义重大。TDRM 方法能够充分利用所有可用数据，无需剔除湿季流量数据，避免了因数据缺失导致的误差。通过将一周中的每一天都视为具有独特的日变化模式，有效减少了统一 DWF 模式对剩余 RDII 的影响。并且，研究人员利用快速傅里叶变换（Fast Fourier Transform，FFT）来评估模型的有效性，通过比较原始流量数据和最终 RDII 中 12 小时和 24 小时信号的幅度，直观地展示了模型对 DWF 模式的捕捉精度。这一方法为湿区和半湿区的污水流量分析提供了可靠的工具，有助于城市更合理地规划污水处理方案，减少资源浪费，降低污水溢流对环境的污染，为城市的可持续发展和居民的健康生活提供了有力保障。该研究成果发表在《Environmental Modelling 》上。
研究人员开展此项研究时，主要运用了以下关键技术方法：首先，收集了来自美国俄亥俄州大辛辛那提市都市污水区（Metropolitan Sewer District of Greater Cincinnati，MSDGC）三个不同地点的污水流量数据，这些数据以 5 分钟为间隔进行测量，最长跨度超过 65 个月（大于 5 年），涵盖了丰富的流量信息。其次，运用 TDRM 算法对收集到的流量数据进行处理，通过一系列复杂的计算步骤实现 DWF 和 RDII 的分离。最后，利用 FFT 技术对 TDRM 模型的效果进行评估，通过分析不同数据的频谱密度，判断模型对 DWF 模式的捕捉程度。
下面来详细了解一下研究结果：
- 输入数据：研究使用的数据由 MSDGC 提供，包含三个不同地点的污水流量数据，测量间隔为 5 分钟，数据时长最长可达 65 个月。这些数据代表了总流量，即 DWF 和 RDII 之和。通过收集如此长时间和多地点的数据，为后续研究提供了丰富的信息基础。
- 模型效果评估（以 Location - 1 和 Location - 2 为例）：研究运用 FFT 评估 TDRM 的有效性。以 Location - 1 数据集为例，通过绘制建模得到的 DWF、测量的总流量和残差的频谱密度图发现，残差中信号强度（功率）相较于总流量降低，这表明 TDRM 在一定程度上准确捕捉到了 DWF 模式，能够有效分离 DWF 和 RDII。Location - 2 数据集也得到了类似的结果，进一步验证了模型的可靠性。
- 敏感性分析：研究还对数据长度对模型效果的影响进行了敏感性分析。结果表明，在一定范围内，数据长度的增加有助于提高模型的准确性，但超过某个阈值后，数据长度的增加对模型效果提升的作用逐渐减弱。这为后续研究在选择数据时长时提供了参考依据。
在研究结论和讨论部分，研究人员指出，TDRM 方法为从包含降雨的污水流量数据集中分离 DWF 和 RDII 提供了一种有效的途径。通过视觉检查和基于 FFT 的有效性度量，该方法能够合理地从包含降雨的数据中分离出 DWF 并建立模型，克服了现有方法在湿区和半湿区的局限性。这一成果不仅为污水流量分析提供了新的思路和方法，也为城市污水治理规划提供了更准确的数据支持。未来，研究人员可以在此基础上进一步优化模型，探索其在更广泛地区和复杂环境下的应用，为全球的污水治理事业做出更大的贡献。
