Heterotrophic-sulfur autotrophic denitrification (HAD) has been proposed to be a prospective nitrogen removal process. In this work, the potential of fermentation liquid (FL) from waste-activated sludge (WAS) as the electron donor for denitrification in the HAD system was explored and compared with other conventional carbon sources. Results showed that when FL was used as a carbon source, over 99% of NO3−-N was removed and its removal rate exceeded 14.00 mg N/g MLSS/h, which was significantly higher than that of methanol and propionic acid. The produced sulfate was below the limit value and the emission of N2O was low (1.38% of the NO3−-N). Microbial community analysis showed that autotrophic denitrifiers were predominated in the HAD system, in which Thiobacillus (16.4%) was the dominant genus. The economic analysis showed the cost of the FL was 0.062 €/m3, which was 30% lower than that in the group dosed with methanol. Our results demonstrated the FL was a promising carbon source for the HAD system, which could reduce carbon emission and cost, and offer a creative approach for waste-activated sludge resource reuse.

Analyzing three-dimensional excitation-emission matrix (3D-EEM) spectra through machine learning models has drawn increasing attention, whereas the reliability of these machine learning models remains unclear due to their "black box" nature. In this study, the convolutional neural network (CNN) for classifying numbers of fluorescent components in 3D-EEM spectra was interpreted by gradient-weighted class activation mapping (Grad-CAM), guided Grad-CAM, and structured attention graphs (SAGs). Results showed that the original CNN classifier with high classification accuracy may make a classification based on misleading attention to the non-fluorescence area in 3D-EEM spectra. By removing Rayleigh scatterings in 3D-EEM spectra and integrating convolutional block attention module (CBAM) in CNN classifiers, the correct attention of the trained CNN classifier with CBAM greatly increased from 17.6% to 57.2%. This work formulated strategies for improving CNN classifiers associated with environmental fields and would provide great help for water determination in both natural and artificial environments.