En santé publique, de nouveaux programmes de surveillance et de gestion sont à proposer notamment pour les masses d'eaux fortement affectées par l'urbanisation et les rejets urbains par temps de pluie. Les niveaux, les réservoirs et les sources de contamination microbiologique des milieux aquatiques doivent être évalués et identifiés, et leur incidence sur la dissémination des bactéries pathogènes et les risques d'exposition des populations humaines comprises. Parmi les agents pathogènes retrouvés dans les milieux hydriques, Pseudomonas aeruginosa représentent une préoccupation sanitaire majeure. A partir de deux sites expérimentaux, les objectifs de ce travail de thèse furent de définir la contribution des rejets d'eaux usées sur la prévalence de P. aeruginosa dans les cours d'eau récepteurs et d'étudier l'écologie des formes introduites dont ces habitats incluant leur dynamique spatiotemporelle. Les sédiments, les biofilms de surface (périphyton) et les végétaux aquatiques submergés, permettraient leur survie voire la multiplication de certains génotypes de Pseudomonas aeruginosa. La répartition des indicateurs de contaminations fécales et de la bactérie pathogène Aeromonas caviae ont également été étudiée. Il a été mis en évidence que les forces hydrauliques, le morpho-dynamisme de la rivière et les variations saisonnières étaient des facteurs structurants de la répartition des contaminants microbiens analysés. La dangerosité des souches isolées a été évaluée et montré que toutes les souches avaient un potentiel de virulence élevée. Ceci s'est confirmé par la détection de clones épidémiques majeurs au sein de la collection dont des souches apparentées aux clones PA14 ou C. Les capacités métaboliques de ces souches ont été étudiées dont leur antibio-résistance / In Public Health, new monitoring and management programs are needed, especially for the aquatic environments strongly affected by urbanization and urban wet weather discharges. The levels, reservoirs and sources of microbiological contamination of the aquatic environment should be assessed and identified, and their impact on the spread of pathogenic bacteria and the risk of exposure of human populations understood. Among the pathogens found in water environments, Pseudomonas aeruginosa is of major health concern. From two experimental sites, the objectives of this work were to define the contribution of wastewater discharges on the prevalence of P. aeruginosa in receiving watercourses and study the ecology of the introduced forms, including their spatiotemporal dynamic and preferential habitats. Sediments, surface biofilms (periphyton) and the submerged aquatic vegetations appeared to favour the survival or growth of some genotypes of Pseudomonas aeruginosa. The distribution of fecal indicator bacteria and of Aeromonas caviae were also studied. It was highlighted that hydraulic forces, the morpho-dynamics of the river and the seasonal vaiations were determinant factors in the distribution of the analyzed microbial contaminants. The health hazard of the clones found in these systems was estimated through indirect molecular approaches. It was shown that all Pseudomonas aeruginosa strains had a high virulence potential and that some were related to the PA14 and C clones which are spread worldwide and pathogenic

Die Urbanisierung und Ausbreitung von Siedlungsgebieten führt unweigerlich zur Beeinträchtigung der daran angrenzenden Ökosysteme. Haupteinflussfaktoren sind häufig Abwassereinleitungen bzw. Entlastungen, die eine stoffliche und hydraulische Belastung für natürliche Lebensräume darstellen. Um diese zu begrenzen und betroffene Ökosysteme besser zu schützen, ist die Kenntnis der im Abwasser transportierten Inhaltsstoffe von entscheidender Bedeutung. Ziel der Arbeit war es daher, das Systemverständnis der Abwasserzusammensetzung über die Standard-Analyseparameter hinaus zu erweitern, durch den Einsatz von in situ UV-/Vis-Messtechnik ergänzt durch die Bestimmung pharmazeutischer Spurenstoffe. Der einfache lineare Kalibrieransatz zur Beschreibung der Abflussbedingungen Trocken- und Allwetter im Mischwasserkanal wurde durch das ODR-Verfahren (Ordinary Distance Regression) ergänzt, um die Varianzhomogenität der zugrundeliegenden Messdaten zu berücksichtigen und präzisere Abschätzungen zu liefern. Neben der Kalibrierung für die Parameter TSGes, oTSGes, CSBGes, CSBmf, TOC und DOC erfolgte zusätzlich die Beschreibung der Fraktion feiner Partikel von 0,45 µm bis 63 µm als TS63 und oTS63, da diese als Träger von Schadstoffen fungieren und ein Nachweis durch das DWA-A 102 gefordert wird. Für die insgesamt 16 Kalibrierungen wurden die Wellenlängen 230nm, 300nm und 732,5nm verwendet. Die Bestimmtheitsmaße reichen dabei von 0,43 (TS63 – Allwetter) bis 0,92 (oTS63 – Trockenwetter). Durch zeitlich hochaufgelöste Messungen wurde der Tagesverlauf der Fracht von 12 pharmazeutischen Spurenstoffen des häuslichen Schmutzwasserabflusses bestimmt. Der Verlauf zeigt insbesondere für Clarithromycin, Gabapentin und Metoprolol einen wiederkehrenden Tagesgang im Schwankungsbereich des 1,5- bis 4-fachen der mittleren Tagesfracht, wobei weitere Stoffe um das 1,5- (Clarithromycin) bis 5-fache (Pregabalin, Telmisartan) der mittleren Tagesfracht schwanken. Für die untersuchten pharmazeutischen Spurenstoffe Citalopram (Rohprobe: 28%, <63µm: 21%) und Telmisartan (Rohprobe: 22%, <63µm: 27%) konnten Anhaftungen an den Feststoffen nachgewiesen werden. Diese fanden vorrangig an der Fraktion <63µm statt. Eine Korrelation zu den untersuchten nass-chemischen Analyseparametern konnte jedoch nicht hergestellt werden.:Abbildungsverzeichnis v Tabellenverzeichnis ix Abkürzungsverzeichnis xi 1 Einleitung 1 1.1 Hintergrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Grundlagen 5 2.1 Abwassercharakteristik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1.1 Herkunft und Anfall . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1.2 Beschaffenheit und Beschreibung von Summenparametern . . . . . . 7 2.2 Feststoffe im Kanalsystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2.1 Auswirkung von Niederschlagsabflüssen in Mischwasserkanälen . . . . 9 2.2.2 Feinfraktion TS63 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3 Optische Spektroskopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.1 Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Störeinflüsse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.3 Anwendung zur Beschreibung von Abwasserparametern . . . . . . . . 16 2.3.4 Verfahren zur Kalibrierung von Online-Spektrophotometern . . . . . 18 2.4 Pharmazeutische Spurenstoffe . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.4.1 Relevante Kinetik und Ausscheidungswege . . . . . . . . . . . . . . . 20 2.4.2 Priorisierung umweltrelevanter Arzneimittel . . . . . . . . . . . . . . 21 2.4.3 Feststoffaffinität & Sorptionspotential . . . . . . . . . . . . . . . . . . 23 2.4.4 Bewertung und Beschreibung ausgewählter Stoffe . . . . . . . . . . . 24 3 Material 33 3.1 Einzugsgebiet der Messstation . . . . . . . . . . . . . . . . . . . . . . . . . 33 iii Inhaltsverzeichnis 3.2 Equipment im Messstationsbetrieb . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.1 Online-Spektrophotometer . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.2 Probenehmer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.3 Durchfluss- und Füllstandsmessgeräte . . . . . . . . . . . . . . . . . . 36 3.3 Aufbau und Anordnung des Messequipments . . . . . . . . . . . . . . . . . 37 4 Methode 41 4.1 Datenerhebung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.1.1 Probenahmekonzept . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.1.2 Probengewinnung am Standort MS 1 . . . . . . . . . . . . . . . . . . 42 4.1.3 Durchführung der nass-chemischen Analysen . . . . . . . . . . . . . . 44 4.2 Datenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.1 Datenvorbereitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.2 Interquartilsabstand (IQR) . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.3 Gradientenfilterung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.2.4 Glättung mittels LOWESS und gleitendem Mittelwert . . . . . . . . 48 4.3 Kalibrierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.3.1 Lineare Einfachregression (OLS) . . . . . . . . . . . . . . . . . . . . . 49 4.3.2 Orthogonale Einfachregression (ODR) . . . . . . . . . . . . . . . . . 50 4.3.3 Bewertung der Modellgüte . . . . . . . . . . . . . . . . . . . . . . . . 52 4.4 Formulierung von Modellunsicherheiten . . . . . . . . . . . . . . . . . . . . 53 4.4.1 Vorbetrachtungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.4.2 Ermittlungsmethode A der Standardunsicherheit . . . . . . . . . . . 55 4.4.3 Ermittlungsmethode B der Standardunsicherheit . . . . . . . . . . . . 56 4.4.4 Ermittlung der kombinierten Standardunsicherheit . . . . . . . . . . 56 4.4.5 Ermittlung der erweiterten Unsicherheit . . . . . . . . . . . . . . . . 56 4.5 Pharmazeutische Spurenstoffanalyse . . . . . . . . . . . . . . . . . . . . . . 57 4.5.1 Auswahl der Spurenstoffe . . . . . . . . . . . . . . . . . . . . . . . . 57 4.5.2 Bestimmung pharmazeutischer Spurenstoffe . . . . . . . . . . . . . . 58 4.5.3 Berechnung pharmazeutischer Tagesdosen auf Basis gemessener Konzentrationen im Schmutzwasser . . . . . . . . . . . . . . . . . . . . . 59 5 Ergebnisse 61 5.1 Datenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.1.1 Überblick und Einordnung . . . . . . . . . . . . . . . . . . . . . . . . 61 5.1.2 Datenvorbereitung des Durchfluss- und Füllstandssignals . . . . . . . 61 5.1.3 Separation von Regenwetterzeiten . . . . . . . . . . . . . . . . . . . . 63 5.2 Vorbetrachtungen zur Kalibrierung des Spektrophotometers . . . . . . . . . 66 5.3 Ermittlung der geeignetsten Wellenlängen . . . . . . . . . . . . . . . . . . . 68 5.4 Kalibrierung und Validierung durch Datenaufteilung . . . . . . . . . . . . . 69 5.4.1 Feststoffgehalt gesamt (TSGes) . . . . . . . . . . . . . . . . . . . . . . 70 5.4.2 Feststoffgehalt < 63 µm (TS63) . . . . . . . . . . . . . . . . . . . . . . 73 5.4.3 Weitere Kalibrierungen . . . . . . . . . . . . . . . . . . . . . . . . . . 76Inhaltsverzeichnis iii 5.5 Vorbetrachtungen der weiterführenden Validierung . . . . . . . . . . . . . . 78 5.5.1 Datenzuordnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.5.2 Durchfluss- und Füllstandskontrolle . . . . . . . . . . . . . . . . . . . 79 5.6 Weiterführende Validierung durch Mischproben . . . . . . . . . . . . . . . . 81 5.6.1 Feststoffgehalt gesamt (TSGes) . . . . . . . . . . . . . . . . . . . . . . 81 5.6.2 Feststoffgehalt < 63 µm (TS63) . . . . . . . . . . . . . . . . . . . . . . 83 5.6.3 Weitere Validierungen . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.7 Pharmazeutische Spurenstoffanalyse . . . . . . . . . . . . . . . . . . . . . . 86 5.7.1 Vorbetrachtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.7.2 Adsorptionsverhalten im Schmutzwasser . . . . . . . . . . . . . . . . 89 5.7.3 Korrelation zu nass-chemischen Analyseparametern . . . . . . . . . . 91 5.7.4 Tagesgang pharmazeutischer Spurenstoffe . . . . . . . . . . . . . . . 92 5.7.5 Errechnete DDD im Tagesverlauf . . . . . . . . . . . . . . . . . . . . 97 6 Diskussion 103 6.1 Datenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 6.1.1 Probenvorbereitung und Analyse des TS63 . . . . . . . . . . . . . . . 103 6.1.2 Datenvorbereitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 6.2 Kalibrierung und Validierung . . . . . . . . . . . . . . . . . . . . . . . . . . 105 6.2.1 Bewertung der Kalibrierung und Validierung durch Datenaufteilung . 105 6.2.2 Bewertung der weiterführenden Validierung . . . . . . . . . . . . . . 107 6.3 Pharmazeutische Spurenstoffe . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7 Schlussfolgerungen und Ausblick 115 Literaturverzeichnis 119 Anhang 135 A Anhang zu Kapitel 4 – Methode 135 A.1 Voruntersuchung zur pharmazeutischen Spurenstoffbestimmung . . . . . . . 135 A.2 Handlungsanweisung zur Probenvorbereitung am ISI . . . . . . . . . . . . . 138 A.3 Angabe der Unsicherheit nach ISO (2008) . . . . . . . . . . . . . . . . . . . 140 B Anhang zu Kapitel 5 – Ergebnisse 141 B.1 Niederschlagsabflussbeziehung . . . . . . . . . . . . . . . . . . . . . . . . . 141 B.1.1 Auswertung des Durchflusses . . . . . . . . . . . . . . . . . . . . . . . 141 B.1.2 Auswertung der Fließgeschwindigkeit . . . . . . . . . . . . . . . . . . 143 B.2 Weitere Kalibrierungen und Validierungen durch Datenaufteilung . . . . . . 144 B.2.1 Organischer Feststoffgehalt gesamt (oTSGes) . . . . . . . . . . . . . . 144 B.2.2 Organischer Feststoffgehalt < 63 µm (oTS63) . . . . . . . . . . . . . . 146 B.2.3 Chemischer Sauerstoffbedarf gesamt (CSBGes) . . . . . . . . . . . . . 148 B.2.4 Chemischer Sauerstoffbedarf membranfiltriert (CSBmf) . . . . . . . . 151iv Inhaltsverzeichnis B.2.5 Organischer Kohlenstoff gesamt (TOC) . . . . . . . . . . . . . . . . . 154 B.2.6 Organischer Kohlenstoff gelöst (DOC) . . . . . . . . . . . . . . . . . 156 B.3 Weitere Validierungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 B.3.1 Organischer Feststoffgehalt gesamt (oTSGes) . . . . . . . . . . . . . . 158 B.3.2 Organischer Feststoffgehalt < 63 µm (oTS63) . . . . . . . . . . . . . . 160 B.3.3 Chemischer Sauerstoffbedarf gesamt (CSBGes) . . . . . . . . . . . . . 162 B.3.4 Chemischer Sauerstoffbedarf membranfiltriert (CSBmf) . . . . . . . . 164 B.3.5 Gesamter organischer Kohlenstoff (TOC) . . . . . . . . . . . . . . . . 166 B.3.6 Gelöster organischer Kohlenstoff (DOC) . . . . . . . . . . . . . . . . 168

Artificial Neural Networks (ANNs) have been comprehensively researched, both from a computer scientific perspective and with regard to their use for predictive modelling in a wide variety of applications including hydrology and the environment. Yet their adoption for live, real-time systems remains on the whole sporadic and experimental. A plausible hypothesis is that this may be at least in part due to their treatment heretofore as “black boxes” that implicitly contain something that is unknown, or even unknowable. It is understandable that many of those responsible for delivering Early Warning Systems (EWS) might not wish to take the risk of implementing solutions perceived as containing unknown elements, despite the computational advantages that ANNs offer. This thesis therefore builds on existing efforts to open the box and develop tools and techniques that visualise, analyse and use ANN weights and biases especially from the viewpoint of neural pathways from inputs to outputs of feedforward networks. In so doing, it aims to demonstrate novel approaches to self-improving predictive model construction for both regression and classification problems. This includes Neural Pathway Strength Feature Selection (NPSFS), which uses ensembles of ANNs trained on differing subsets of data and analysis of the learnt weights to infer degrees of relevance of the input features and so build simplified models with reduced input feature sets. Case studies are carried out for prediction of flooding at multiple nodes in urban drainage networks located in three urban catchments in the UK, which demonstrate rapid, accurate prediction of flooding both for regression and classification. Predictive skill is shown to reduce beyond the time of concentration of each sewer node, when actual rainfall is used as input to the models. Further case studies model and predict statutory bacteria count exceedances for bathing water quality compliance at 5 beaches in Southwest England. An illustrative case study using a forest fires dataset from the UCI machine learning repository is also included. Results from these model ensembles generally exhibit improved performance, when compared with single ANN models. Also ensembles with reduced input feature sets, using NPSFS, demonstrate as good or improved performance when compared with the full feature set models. Conclusions are drawn about a new set of tools and techniques, including NPSFS and visualisation techniques for inspection of ANN weights, the adoption of which it is hoped may lead to improved confidence in the use of ANN for live real-time EWS applications.

In the last decades and due to the Water Framework Directive implementation, the urban wastewater cycle management has become more complex. The concept of integrated urban wastewater system management is introduced, and it becomes necessary to consider some new data as the sewer system characteristics or the receiving body. In this sense, environmental decision support systems (EDSS) are very useful and powerful tools to support during the decision making process. A new EDSS for the integrated urban wastewater system management has been developed integrating data from several sources (bibliographic, theoretical or historical) and a real case-based virtual system able to perform simulations. Results demonstrate the benefits of using this kind of systems in comparison with a standard approach, which do not use the expert knowledge and encourages continuing with this research in order to improve the quality and efficiency of this type of EDSSs / En les darreres dècades, i degut a la implementació de la Directiva Marc de l’Aigua, la gestió del cicle urbà de l’aigua ha esdevingut més complexa. S’introdueix el concepte de gestió integrada de conca, i és necessari considerar certa informació, com les característiques de la xarxa de clavegueram o del medi receptor. D’aquesta manera, els sistemes de suport a la decisió ambiental (EDSS) són eines potentíssimes que faciliten la presa de decisions en aquest camp. S’ha desenvolupat un nou EDSS per a la gestió integrada de conca que utilitza una base sòlida de coneixement expert, integrant informació de diverses fonts (bibliogràfiques, teòriques o històriques) i dos sistemes virtuals basats en dades reals sobre els quals és possible realitzar simulacions. Els resultats demostren que aquest sistema presenta beneficis importants respecte a una gestió estàndard sense sistema expert, i esperona a prosseguir amb la recerca i el desenvolupament per a millorar-lo

京都大学 / 新制・課程博士 / 博士(工学) / 甲第23179号 / 工博第4823号 / 新制||工||1754(附属図書館) / 京都大学大学院工学研究科都市環境工学専攻 / (主査)教授 田中 宏明, 教授 清水 芳久, 講師 中田 典秀 / 学位規則第4条第1項該当 / Doctor of Philosophy (Engineering) / Kyoto University / DFAM