拉萨市近49年低层大气中氧气含量的变化特征分析

杨 兴， 廖偲含，鲁同所*， 高贝贝

(1．中国科学院 上海应用物理研究所，上海 201800；2．西藏大学 理学院，西藏 拉萨 850000)

拉萨市位于有着“地球第三极”之称的青藏高原中部，由于海拔较高，自然环境特殊，空气中氧气含量比内地要低很多.拉萨市为首批国家历史文化名城，慕名而来的游客络绎不绝.而进入高原后避免不了面临高原反应的困扰，其中高原缺氧备受关注.多数人可能认为，拉萨市夏、秋两季雨水充沛，植被茂盛，氧气含量应该相对较高，然而经过系统研究发现，空气中氧气含量跟降雨量、相对湿度没有必然的联系，由于高原气候复杂多变，自然条件恶劣，生态环境脆弱，地表植被覆盖差，对空气中氧气含量的影响较小.有研究表明：氧气含量下降，会使大气层变得稀薄，增加了阳光直射地表的可能，更多的光照意味着地表水分蒸发的加剧，而水蒸气是一种强效的热传递“温室”气体，导致气温会进一步增加.因此作为最重要的气候因素之一，研究分析氧气含量在特定区域的季节变化特征有助于全面、客观、科学了解认识高海拔地区气候变化规律，以指导人们的正常生产和生活，也为其他地区该方面的研究提供全新的思路和研究手段.此外，在地球的整个历史过程中，由于大气中氧气含量的变化显著改变了全球气候，氧气浓度还可以帮助解释古气候记录的特征，重建过去的气候状况.

1 数据来源

文中主要采用的是拉萨市气象站1970—2018年的逐日平均大气压、平均水汽压和平均气温等数据资料.该数据由拉萨市气象局提供，所有观测数据经过拉萨市气象局数传组工作人员的专业分析与处理，对数据进行了严格的综合性质量检查，提高了研究结果的可信度.并且采用气象学的标准进行季节划分：3—5月为春季，6—8月为夏季，9—11月为秋季，12月—次年2月为冬季.

2 大气的对流层

大气分为对流层、平流层、中层、热层以及外大气层(外逸层)等.对流层是大气的最底层，从人类生活的地面一直扩展到对流层顶.对流层顶的高度与对流层温度(气温)密切相关，这就表现为随纬度和季节的变化而变化，大约在10～15 km之间.赤道地区的对流层顶的平均高度可达18 km；北极、南极地区的对流层顶的平均高度只有8 km左右.与地球的大气的总高度相比，对流层只占很小的一部分，但是它却含有地球大气总质量的80%，以及几乎所有的水汽.水汽在对流层中一般以很小的水滴状存在，温度升高时，会以水蒸气的形式存在；温度降低时，会以小冰晶的形式存在.除去水汽，对流层中的空气被称为干空气；除去水汽的其他成分在干空气中所占有的比例和在空气中所占有的比例基本不变.其中，氧气在干空气中的体积比恒定为20.95%，并与海拔无关.由于太阳光的辐射而引起的大气温度的变化，对流层中会因此形成垂直方向和水平方向的风，把这一现象称之为对流层热对流现象.

由于夏季地球距离太阳更近，地球受到太阳的辐射增加，导致地球的大气温度升高，对流层中垂直方向和水平方向的风增强，对流效应也随之增强.这使得空气上升的高度增加，即对流层顶的高度增加，对流层的垂直效应更加显著，表现为空气的物理性质随海拔的变化而变化得更加明显.

3 氧气分压和氧气分子数密度

3.1 氧气分压

假定

p

(单位：hPa)为日平均干空气的气压，

p

(hPa)为日平均大气压、

e

(hPa)为日平均水气压，则有

p

=

p

-

e

.

(1)

由于分子间的距离远远大于分子单个的体积，单个分子可以看成质点，体积忽略不计.各种条件都相同的条件下(同温同压)，根据理想气体状态方程，气体体积比等于气体物质的量之比，物质的量之比等于分子个数比，从而推知分子数

n

的占比为20.95%.对流层的热对流现象可以视为一准静态的过程，并且对流层中的空气可以视为处于平衡态；大气中的各种气体，无论作为个别气体处理，或者把它们作为混合气体处理，都严格服从理想气体方程

p

=

nkT

,

(2)

在温度

T

(K)一定时，

k

是常数(1.38×10J·K)，则氧气在干空气中的气体分压占比也为20.95%.令日平均氧气分压为

p

(hPa)，则

p

=

p

×20.95%.

(3)

3.2 氧气分子数密度

令氧气分子数密度为

n

(个·m)，根据(2)式可得

(4)

其中：

T

为日平均气温(K).由(4)式可知，想要得到

n

，除了需要压强等相关数据之外，还需要气温数据.由拉萨市气象局提供的1970—2018年数据，可以得到拉萨市逐年日平均气温分布，结果如图1所示.由拉萨市1970—2018年日平均氧气分压和日平均气温，结合(4)式即可得到

n

.

图1 1970—2018年日平均气温分布

4 空气中的氧气含量

空气中氧气含量的计算公式由下式给出

(5)

由(5)式可以得到空气中的氧气含量，已知标准大气情况下的氧气含量

ρ

=283.8 g·m,即在平均海平面上标准大气情况下的氧气含量是在温度为288.15 K、大气压为1 013.25 hPa下用(5)式计算出的氧气含量.则空气中的氧气含量的百分比为

(6)

由(6)式和相应的数据可以得到1970—2018年日平均氧气含量的分布如图2所示.

由图2可以直观地看出：氧气含量的变化特征为冬季高、夏季低，从一年最高的冬季下降到最低的夏季，再从最低的夏季上升到第二年最高的冬季，以此规律循环反复；日平均氧气分压和日平均氧气分子数密度均与日平均氧气含量的变化特征相同.从近49年来的日平均氧气含量的线性拟合图可以看出，日平均氧气含量总的趋势正以每天2.735 7×10%的速度下降.残差指的是实际数据值与拟合值之间的差，绘制残差图可以看出数据值与拟合值之间的差值分布，并能够确定差值范围、差值的极值点.图2的残差图表明，实际的日平均氧气含量在所拟合的线性曲线大约以-4%～5%的范围浮动.

而造成这一特征的主要原因在于：夏季强烈的太阳辐射使得对流效应更强，致使对流层的垂直效应更加显著，对流层也更高，能够把更多的空气(包含氧气)推向高空，导致其中气体的物理性质有所降低(例如氧气分压、氧气分子数密度和氧气含量).次要影响为：拉萨市平均海拔较高，地表的热辐射使得地表和大气温度进一步升高；加上夏季的雨水较多，所以蒸发量相应地就会提高，地表的水汽压因此升高，水分子的占比也就升高，进而使得空气中的氧气分压、氧气分子数密度和氧气含量进一步降低.

图2 1970—2018年日平均氧气含量分布和残差

5 对氧气含量的相关性分析

相关分析是一种研究随机变量之间相关性的统计学分析方法，包括线性相关分析、偏相关回归分析和距离分析3种.考察两个变量之间的相关程度，用两者之间的皮尔逊相关系数(以下简称相关系数)来描述.当计算相关系数时，必须满足两个变量的标准差都不为零的这个基本条件，否则没有定义.相关系数适用于两个变量之间是线性关系，都是连续数据；两个变量总体呈正态分布，或接近正态的单峰分布；两个变量的观测值是成对的，每对观测值之间相互独立.文中的日平均大气压、日平均水气压、日平均气温和日平均氧气含量的数据存在线性关系且都是日连续的，并满足分布规律，各物理量的数据均是每天一个以及相互独立.由此可以进行数据之间的相关性分析，并主要分析日平均氧气含量与日平均大气压、日平均水气压和日平均气温之间的线性关系.日平均氧气含量与日平均大气压、日平均水气压、日平均大气压与日平均水气压的差值和日平均气温的标准差的计算可以调用标准差函数，即STD.导入拉萨市1970—2018年的日平均氧气含量、日平均大气压、日平均水气压和日平均气温的数据，调用STD函数，用

S

表示标准差，并令

S

=STD(

Δρ

)，

S

=STD(

p

)，

S

=STD(

e

)，

S

=std(

p

-

e

)，

S

=STD(

T

),可以得到表1的结果.

表1 各组数据的标准差

从表1可以看出：日平均氧气含量、日平均大气压、日平均水气压和日平均气温满足相关系数的定义要求(标准差不为0)，可以进行相关性分析.

以

R

表示相关系数，

R

的取值范围为[-1,+1].当

R

>0时，表示两变量正相关；

R

<0时，两变量为负相关.当|

R

|=1时，表示两变量为完全线性相关，即为函数关系.当

R

=0时，表示两变量间无线性相关关系，但是可能存在其他的关系.当0<|

R

|<1时，表示两变量存在一定程度上的线性相关.且|

R

|越接近1，两变量间线性关系越密切；|

R

|越接近于0，表示两变量的线性相关越弱.一般情况下的线性相关性可按以下五级划分：微弱线性相关，|

R

|<0.3；低度线性相关，0.3≤|

R

|<0.5；中度性相关，0.5≤|

R

|<0.8；高度线性相关，0.8≤|

R

|≤0.95；显著线性相关，|

R

|>0.95.调用corrcoef函数，并令

R

=corrcoef(

x

，

y

)表示序列

x

和序列

y

的相关系数，得到的是1个2×2矩阵，其中对角线上的数值分别表示

x

和

y

的自相关，非对角线上的数值分别表示

x

与

y

的相关系数和

y

与

x

的相关系数，两个是相等的，即相关系数为1.令

x

分别为

p

、

e

、

p

-

e

和

T

，

y

为

Δρ

；导入拉萨市1970—2018年的日平均氧气含量、日平均大气压、日平均水气压和日平均气温的数据，调用

R

=corrcoef(

x

，

y

)函数，可以得到

p

和

Δρ

的相关系数为0.040 0、

e

和

Δρ

的相关系数为-0.821 4、

p

-

e

和

Δρ

的相关系数为0.722 5、

T

和

Δρ

的相关系数为-0.981 2.由此可见：

p

和

p

-

e

与

Δρ

的关系为正相关；

e

和

T

与

Δρ

的关系为负相关.

p

和

Δρ

的相关系数为0.040 0，为微弱线性相关；

p

-

e

、

e

和

T

与

Δρ

的相关系数的绝对值分别为0.722 5、0.821 4和0.981 2，分别为中度线性相关、高度线性相关和显著线性相关.其中

T

与

Δρ

的相关性最高，相关系数的绝对值为0.981 2，非常接近于1，可以近似认为是完全线性相关，为函数关系；而

p

-

e

和

e

与

Δρ

的相关系数的绝对值均小于

T

与

Δρ

相关系数的绝对值.综上，可以认为气温是氧气含量的主要影响因素；水汽压是氧气含量的次要影响因素；而大气压与水汽压差值的相关系数接近于7，故不做考虑.导入拉萨市1970至2018年的日平均氧气含量和日平均气温，得出两者的关系图，如图3所示.

图3 1970—2018年的日平均氧气含量和日平均气温的线性关系

由图3可以看出：日平均氧气含量和日平均气温的相关性十分显著，其数据点均匀地分布在线性拟合线的两侧，并且此线性关系通过了0.001显著性检验.由日平均氧气含量和日平均气温的线性关系，可以认为氧气含量和气温成极大负相关，氧气含量的主要影响因素为气温，气温升高氧气含量降低，气温降低氧气含量升高.

日平均氧气含量和日平均水汽压的线性关系如图4所示.

图4 1970—2018年的日平均氧气含量和日平均水汽压的线性关系

由图4可以看出：相比于日平均氧气含量和日平均气温的相关性，日平均氧气含量和日平均水汽压的相关性就不是很好了，其数据点并不是很均匀地分布在线性拟合线的两侧.由此可以认为，氧气含量的次要影响因素为水汽压，水汽压升高氧气含量会相应降低，水汽压降低氧气含量会相应升高.

对氧气含量进行相关性分析可知：影响氧气含量的主要因素为气温，次要因素为水汽压；氧气含量和气温的相关系数的绝对值为0.981 2，两者几乎可以认为是线性关系，而其线性拟合线的方程为

y

=-0.271 38×

x

+141.81,

(7)

其中：

x

为气温(单位为K)，

y

(%)为氧气含量；由(7)式计算出的氧气含量的数值与实际数据误差在1.5%之内.所以当只知道气温数据时，就可以根据(7)式大致算出此时的氧气含量.

由氧气含量和气温成极大负相关关系可知：一天中气温最高的时候氧气含量最低，这个时候人就容易犯困；特别是平均气温高的夏季，一天中正午之后的几个小时，气温是最高的，人会普遍出现困意，此时氧气含量最低.大多数绿色植物白天光合作用释放的氧气量大于白天呼吸作用所需求的氧气量，使得氧气量增加；而夜间光合作用停止，只存在呼吸作用，即吸收氧气，放出二氧化碳，且夜间吸收的氧气量很少,释放的二氧化碳量也很少.在日出后的两到三个小时内，此期间气温较低，植物也会释放出氧气，一天内氧气含量将在此期间达到最高值，人的舒适度将在这个时候达到最高.

6 气温和氧气含量的小波分析

6.1 小波分析

6.1.1 小波函数

6.1.2 小波变换

对于能量一定的有限信号

f

(

t

)∈

L

(

R

),

ψ

,(

t

)的连续小波变换为

(8)

其中：

W

(

a

,

b

)为小波变换系数，

f

(

t

)为一个信号或平方可积函数.若设函数

f

(

kΔt

),(

k

=1,2,…,

N

;

Δt

为取样间隔)，则式(8)的离散小波变换为

(9)

由此可知，小波分析的基本原理为通过增加或减小

a

来得到低频或高频信息，综合分析信号的概貌或细节，得到信号在不同时间尺度和空间局部的特征.

6.1.3 小波方差

6.2 数据处理

将气温和氧气含量数据(以时间为序排为一列)转化为Matlab可识别的数据.因为气温和氧气含量数据为有限时间数据序列，其两端可能会产生“边界效应”.为消除或减小序列开始点和结束点附近的边界效应，对其两端数据进行对称性延伸，并对延伸后的数据用复小波函数进行小波变换.之后去掉两端延伸数据的小波变换系数，保留原数据序列时段内的小波系数.最后计算复小波系数的实部、模、模方、方差，并绘制小波系数实部、模、模方等值线图和方差图、主周期趋势图.小波系数实部等值线图能反映气温和氧气含量序列在不同时间尺度的周期变化及其在时间域中的分布，据此预测气温和氧气含量的未来变化趋势.当小波系数实部值为正时，代表偏高期；为负时，代表偏低期.小波系数模等值线图反映的是在时间域中不同时间尺度变化周期所对应的能量密度分布，模值越大，则时间尺度的周期性就越强.小波系数模方等值线图反映的是不同周期的震荡能量.小波方差图反映的是气温和氧气含量时间序列的波动能量随尺度

a

的分布情况，确定气温和氧气含量变化过程中的主周期.进而作出主周期趋势图，得出在不同时间尺度下，气温和氧气含量的平均周期及高—低变化特征.

6.3 气温的小波分析

拉萨市年平均气温小波分析结果如图5所示.

图5 拉萨市年平均气温小波系数实部等值线

由图5可以看出，拉萨市年平均气温周期性规律十分明显，气温在变化过程中存在多时间尺度特征.总体上看，其变化过程中存在25～30 a长周期性规律，以及5～10 a的短周期规律.而在25～30 a时间尺度上表现出冷-暖交替的2.5次震荡，经历了2个完整的冷-暖的交替变化阶段，在整个研究时间序列上表现稳定，具有全域性，震荡中心大约在28 a左右；在5～10 a尺度上存在8.5次震荡，在整个研究时间序列上表现相对稳定，并且具有全域性，震荡中心大约在8 a.

整个时间序列中，拉萨市年平均气温的变化在5～10 a和25～30 a时间尺度下的周期性强度分布情况如图6所示.

图6 拉萨市年平均气温小波系数模等值线(a)及其模方等值线(b)

由图6可看出，25～30 a时间尺度上小波系数模值及模方值最大，该时间尺度上的能量最强、周期最显著，且周期变化具有全域性，占据整个研究时域，说明长时间尺度周期性规律最明显且稳定；5～10 a时间尺度上小波系数模值及模方值最小，该时间尺度上能量最弱，周期性规律不显著，且周期变化也具有全域性，并占据整个研究时域，说明短时间尺度周期性规律频繁变化.

图7中存在2个较为明显的峰，分别为28 a和8 a的时间尺度.其中，最高峰为28 a时间尺度，说明28 a的长周期震荡能量最强，为拉萨市近49 a平均气温变化的第一主周期；最低峰为8 a时间尺度，说明8 a的长周期震荡能量最弱，为拉萨市近49 a平均气温变化的第二主周期；上述2个周期的波动控制着拉萨市年平均气温在整个时域内的变化特征.

图7 拉萨市年平均气温小波方差图

根据小波方差检验的结果，绘制出控制气温变化的第一和第二主周期小波系数实部变化过程，如图8所示.

图8 8 a(a)及28 a(b)特征时间尺度小波实部过程

由图8可以看出，拉萨市年平均气温在8 a时间尺度上平均周期为5 a左右，从1970—2018年间气温的小波系数变化较均匀，各时域强弱相等，共发生了19次冷暖转换.2018年后小波系数由正值变为负值，由此预测2019年气温将处于偏冷期，2020年后气温又将进入偏暖期.在28 a时间尺度上平均周期为20 a左右，经历了2个半冷暖交替周期，小波系数变化较均匀，各时域强弱相等，共发生了6次冷暖转换.2018年后小波系数由负值变为正值，由此预测2019—2028年气温将处于偏暖期，而2029年后气温又将进入偏寒期.

6.4 氧气含量的小波分析

拉萨市年平均氧气含量小波系数实部等值线如图9所示.

图9 拉萨市年平均氧气含量小波系数实部等值线

由图9可以看出，拉萨市年平均氧气含量周期性规律十分明显，氧气含量在变化过程中存在唯一的时间尺度.总体上看，其变化过程中存在25～30 a长周期性规律.而在25～30 a时间尺度上表现出高-低交替的2次半震荡，经历了2个完整的高-低的交替变化阶段，在整个研究时间序列上表现稳定，具有全域性，震荡中心在28 a左右.

整个时间序列中，拉萨市年平均氧气含量的变化在25～30 a时间尺度下的周期性强度分布情况如图10所示.

图10 拉萨市年平均氧气含量小波系数模等值线(a)和模方等值线(b)

由图10可以看出，25～30 a时间尺度上小波系数模值及模方值很大，该时间尺度上的能量强、周期显著，且周期变化具有全域性，占据整个研究时域，说明28 a时间尺度周期性规律明显且稳定.

在拉萨市年平均氧气含量小波方差图(图11)中只存在1个峰，为28 a时间尺度，说明28 a的周期震荡能量强，为拉萨市近49 a平均氧气含量变化的主周期；此周期的波动控制着拉萨市年平均氧气含量在整个时域内的变化特征.

图11 拉萨市年平均氧气含量小波方差图

根据小波方差检验的结果，绘制出控制氧气含量变化的主周期小波系数实部变化过程如图12所示.

图12 28 a特征时间尺度小波实部过程图

由图12可以看出，拉萨市年平均氧气含量在28 a时间尺度上平均周期约为20 a，经历了2个半高低交替周期，小波系数变化均匀，各时域强弱相等，共发生了6次高低转换.2018年后小波系数由负值变为正值，由此预测2019—2028年氧气含量将处于偏高期，而2029年后氧气含量又将进入偏低期.

由以上分析可知：氧气含量在周期性上与气温大致接近，几乎一致.这也佐证了氧气含量与气温是紧密联系的.

7 近49 a氧气含量的趋势分析

对拉萨市近49 a来的氧气含量数据进行年平均处理，并进行smoothing spline拟合和线性拟合，可以得到图13.

图13 近49年来氧气含量的变化趋势和残差

图13中对氧气含量进行smoothing spline拟合，得到的和方差SSE为0.126 8，确定系数

R

-square为0.922 1，这说明smoothing spline拟合在对氧气含量进行趋势分析时准确、合理.由图13可以看出：氧气含量总体呈下降趋势，并指出在2019年时氧气含量将会继续下降；这与气温变化是相对应的，特别是2019年拉萨市平均气温达到了历史最高值，更是在6月24 日出现了30.8 ℃的高温.近些年来，气候变暖已经成为世界关注的焦点，在全球气候变暖大背景下，极端气候事件发生的频率及强度不断增多，近49 a以来全球气温总体上呈现出更加显著的变暖趋势.1880—2012年，全球海洋和陆地平均表面温度有明显上升趋势，上升了0.85 K(0.65～1.06 K).1951—2012年，全球地表平均温度的上升速率为0.012 K·a，是1880年以来温度上升速率的两倍.同时许多学者也发现，中国气温也正以0.025 K·a速率持续上升，近49 a来全国平均气温升高了1.3 K.

而图1表示气温会以0.051 K·a速率继续上升，拉萨市气温上升速率约是全球气温上升速率的4倍，是全国平均气温上升速率的2倍.于是在全球气候变暖的背景下，由于气温与氧气含量成极大负相关，所以对于氧气含量，拉萨市的下降速率大致是全球下降速率的4倍、全国下降速率的2倍，所以拉萨市的氧气含量变化可以为全国和全球提供重要参考价值和预警机制.

图13中的残差图表明1997年的残差值最高，并且1997年之后氧气含量的下降趋势更加显著，所以1997年可能是氧气含量变化的一个突变点.对氧气含量Mann-Kendall检验(简称M-K检验)，结果如图14所示.

图14 氧气含量的Mann-Kendall检测曲线

由拉萨市近49 a氧气含量的M-K检验(图14)可知，拉萨市近49 a氧气含量在1997年出现交点，且交点在显著性水平

α

=0.05的两条临界线之内，说明交点就是突变点，氧气含量呈显著下降趋势，突变点之前氧气含量为65.51%，在突变点之后，氧气含量为65.21%，两者相差0.3%，表明突变显著，查阅文献得知，在20世纪90年代以后，受ENSO事件和异常反气旋性环流影响，拉萨市的气温和降水都发生了极大变化(均呈现出显著上升趋势，特别是气温，上升趋势更加显著)，而气温是影响氧气含量的最主要因素，且成极大负相关.因此，氧气含量的下降将会更加显著.

8 对氧气含量的预测分析

分别选择interpolant，Custom Equation，Lowess，Polynomial模型，得到各模型的和方差SSE和确定系数

R

-square，见表2所列.

表2 各模型的和方差SSE和确定系数R-square

由表2可以看出：interpolant模型得到的和方差SSE为5 695，相对于其他模型，其数值是最小的，也最接近于0，说明拟合结果与原始数据相较其他模型吻合得更好；其确定系数

R

-square为0.906 9，最接近于1，而数值越接近于1，自变量对因变量的解释程度就越高，参考价值也就越高，相对就越可靠.这充分说明了使用interpolant模型来预测氧气含量的准确性、合理性；采用interpolant模型，并以

e

为

x

轴、

p

为

y

轴、氧气含量

Δρ

为

z

轴、

T

以颜色(黄色温度最低，蓝色温度最高)表示而绘制出

p

、

e

、

T

以及氧气含量

Δρ

四者之间的综合关系，结果如图15所示.

图15 1970—2018年氧气含量与p，e，T的interpolant关系

图15中颜色由蓝到黄，其中蓝色温度最高(代表夏季)，绿色温度次之(代表春季和秋季)，黄色温度最低(代表冬季)，很明显可以看出温度高时(蓝色)氧气含量反而低，温度低时(黄色)氧气含量反而高，可直观地看出氧气含量夏季低于冬季.图中没有黑色点的地方，是对氧气含量与

p

，

e

，

T

的interpolant拟合，在一定程度上可以推测和分析其他年份的氧气含量的变化情况.

将2014—2018年的月平均氧气含量数据进行Gaussian 4次拟合，结果如图16所示.

图16 2014—2018年月平均氧气含量的Gaussian 4次拟合图

由图16可以发现，每年的7月份和8月份之间氧气含量有个突变，可能原因如下：首先，基于前面的研究结果，在气温较高的夏季，氧气含量总体上是较低的；其次，不同于内部地区，由于拉萨市的特殊地理环境和气候，绿色植被仅在降水集中的7—9月份生长且长势茂盛，其余时间段则长势稀疏甚至枯萎；最后，如果不考虑拉萨市绿色植被的影响，氧气含量大致为“V”型的变化特征(即夏季最低)，所以7—9月份拉萨绿色植被的生长率和覆盖率都将达到最高值，从而产生更多的氧气，致使氧气含量提高.

Gaussian模型在一定程度上能够起到预测的作用，具有一定的参考价值.使用该模型预测2019年的1月1日、1月2日、1月3日的日平均氧气含量分别为69.14%，69.18%，69.23%；对应的误差率分别为0.09%，0.5%，0.8%，误差率极低，不到1%.由于目前只有1970至2018年的数据，所以未来将通过拉萨市气象局提供的最新数据进行有效验证.

9 总结与展望

拉萨市是西藏自治区首府，人口比较集中，西藏不仅是重要的国家安全屏障、重要的生态安全屏障、重要的战略资源储备基地，而且是重要的高原特色农产品基地、重要的中华民族特色文化保护地、重要的世界旅游目的地.但是不管是长期生活在那里的人们还是频繁进藏的游客、援藏职工、科技工作者等，无一例外都不同程度上面临缺氧的困扰，因此对拉萨市氧气含量的研究迫在眉睫，且意义重大.

笔者基于拉萨市1970—2018年的气象观测资料，详细分析了拉萨市氧气含量的变化特征以及与其他参数的内在联系和机制，结果显示，拉萨市氧气含量存在季节性变化特征，日平均氧气含量夏季明显低于冬季，这与其他的研究结果一致；且与降雨量、相对湿度等参数没有直接的关联，而与气温成极大负相关，其中小波分析也指出氧气含量与气温存在周期上的一致性，氧气含量和气温是紧密联系的；文中还指出夏季的氧气含量还会有一个突高时期.当然影响氧气含量的因素有很多，比如大气环流、地表植被覆盖等，从笔者对拉萨市的研究结果来看，影响极小.遗憾的是，由于种种原因，目前只有氧气含量的相关数据，而随着日后数据量的增加(如紫外线数据、负氧离子数据和绿色植被数据等)，加之科学合理的处理方法，相信定能为当地居民和外来人员更好地适应该地区生活环境提供更有价值的参考.