近日，史培军教授团队在《Science China Earth Sciences》发表题为“Spatiotemporal variation of near-surface oxygen concentration on the Qinghai-Tibet Plateau based on an experimental observation network of georeferenced oxygen sensors”的研究论文。该研究基于青藏高原氧气定位观测实验网络，整合了近地表氧含量、气象、地形与植被等多源数据，构建了近地表氧含量机器学习模型，系统揭示了近地表氧气浓度的主要环境驱动因素及其时空变化规律，刻画了季节和月尺度动态特征。研究为认识高原氧环境变化、缺氧健康风险评估提供了观测基础与科学依据。

青藏高原高海拔、寒冷和低氧的环境条件显著影响高原人畜健康，厘清其近地表氧含量的空间分布、季节变化及其地理环境影响因素，是高原氧环境监测与缺氧风险评估的重要基础。然而，受自然条件和资源限制，已有研究主要依赖有限的野外路线采样，研究团队于2022-2024年建立了覆盖青藏高原的65站氧气定位观测实验网络，连续获取近地表氧含量及同期气象观测数据，并结合海拔、植被叶面积指数等地理数据，比较随机森林、梯度提升决策树和极端梯度提升三种机器学习模型的预测性能，利用夏普利加性解释方法（SHAP）分析各环境因素的相对重要性与关联方向。研究发现，梯度提升决策树模型表现最优，解释约93.7%的氧含量变异，纳入相对湿度和风速后，相较于先前主要利用海拔、气温和植被解释约82.0%氧含量变化的结果，模型解释力进一步提高。海拔、气温、植被、相对湿度和风速的SHAP相对贡献分别为-45.6%、33.2%、12.4%、4.9%和-3.9%。其中，海拔与风速总体呈负向关联，气温与植被总体呈正向关联。海拔、气温与氧含量之间主要表现为线性关系，而植被、湿度和风速则表现出非线性关系。湿度与氧含量的关联还具有季节依赖性，在生长季呈正相关，在非生长季转为负相关，表明其作用受到季节与环境背景的共同影响(图1)。

图1 青藏高原近地表氧含量主要环境因素的相对重要性及模型解释结果。（a）各环境因素的SHAP相对重要性；（b-d）随机森林、梯度提升决策树和极端梯度提升模型的SHAP蜂群图。

为进一步刻画青藏高原近地表氧含量的时空变化，研究团队利用最优模型，结合月尺度气象、地形和植被数据，以2022年为例开展了1/30°空间分辨率的区域模拟。结果表明，青藏高原平均氧含量从冬季至夏季增加，7月达到峰值，随后下降，3月和9月为年内变化的重要转换时期。空间上，近地表氧含量呈现明显的地带性分异，总体表现为东部高于西部、周边地区高于内部地区、低海拔地区高于高海拔地区。拉萨河谷、三江并流地区和河湟谷地全年保持相对较高的氧含量，羌塘高原、昆仑山脉及祁连山脉部分地区冬季氧含量较低。高原中北部地区的氧含量年内变化幅度较大，柴达木盆地等区域尤为突出，反映了地形、气象和植被条件共同作用下高原氧气环境的空间异质性（图2）。

图2 2022年青藏高原近地表氧含量的季节分布与年内变化。（a-d）春、夏、秋、冬季平均氧含量；（e）年平均氧含量；（f）氧含量年较差。

本研究基于全年连续定位观测，结合多源环境数据和机器学习模型，深化了对青藏高原近地表氧含量时空分异及其影响因素的认识，为高原氧环境监测、低氧相关健康风险评估提供了数据与方法支持。研究同时指出，未来需通过更高精度的氧气测量开展交叉验证，并进一步纳入风向、大气边界层动力学、大气输送及土壤呼吸等过程，进一步增强对氧含量时空区域变异的评估。

北京师范大学地理科学学部博士生张颖为本文第一作者，地表过程与水土风沙灾害风险全国重点实验室/地理科学学部史培军教授为通讯作者，合作者包括青海师范大学高院科学与可持续发展研究院马永贵教授、北京师范大学地理科学学部唐海萍教授、朱文泉教授，文理学院姜璐副教授以及地理科学学部毕业生胡小康博士、杨雯倩博士等。本研究得到第二次青藏高原综合科学考察研究项目（2019QZKK0606；2019QZKK0906）的资助。