WSSM：用于全球气象站天气预测的地理信息增强层次化状态空间模型

基于摘要分析。本文研究全球气象站天气预测（Global Station Weather Forecasting，GSWF），重点解决极端天气事件难以高精度预测的问题，提出基于 Mamba 的 Weather State-space Model（WSSM），通过地理信息增强与多尺度时频特征建模适配这一任务。 核心机制：作者指出，早期研究中 Mamba 在 GSWF 上表现不佳，因此需要针对任务进行改造。WSSM 在常用位置编码之外引入地理知识，以表征绝对时空位置；同时由粗到细融合多尺度时频特征，尝试覆盖从季节变化到极端天气的动态。摘要未说明地理信息的具体编码形式、时频特征提取方法、层次化结构、损失函数及训练与推理流程，不能据此确定实现细节。 结果与证据边界：作者报告，WSSM 提升了整体预测准确性与极端天气预测表现，并在 Weather-5K 子集上取得 state-of-the-art 结果。摘要未提供该子集的构成、时间划分、对照模型、评价指标或具体数值，因此这些结论仍需结合正文核对，不能将天气预测的“准确性”直接理解为分类 Accuracy。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：可探索的迁移假设是，多尺度时频融合可能帮助 EEG 建模不同时间尺度的信号变化，而气象站地理信息编码可考虑改造成电极空间位置编码；这不意味着季节或极端天气机制与 EEG 机制等价。可复用候选是 Mamba 时序建模与多尺度融合，需改造输入、空间编码、时间尺度及任务输出。EEG 的低信噪比、跨被试差异、通道布局变化和小数据规模均可能使迁移失败。一个可证伪的小实验是在固定 EEG 任务与相同数据划分下，对比基础 Mamba、加入多尺度融合及进一步加入电极位置编码的模型，分别报告被试内与跨被试结果，检验增益是否稳定。已有相关 EEG 工作尚未检索确认。