MambaDS：基于地形约束选择性状态空间建模的近地面气象场降尺度

基于摘要分析。本文研究近地面气象场降尺度，即从全球尺度预报结果重建目标区域的高分辨率气象状态，提出 MambaDS，将选择性状态空间建模用于这一任务，并增强多变量相关性与地形信息的利用。 核心机制与贡献：作者认为，既有受 CNN 和 Transformer 超分辨率模型启发的降尺度方法缺乏面向气象问题的专门设计，尤其难以高效整合地形先验。MambaDS 针对这些问题进行设计，同时保留 Mamba 的长程依赖建模能力与线性计算复杂度。摘要未说明地形约束的具体实现、多变量交互方式、损失函数、训练流程及复杂度测量条件，不能据此还原模型结构。 结果与证据边界：作者报告，在中国大陆与美国本土连续区域（CONUS）的实验中，MambaDS 在三类气象场降尺度设置下取得最先进结果。摘要未列出三类设置的定义、数据集名称、变量、空间分辨率、数据划分、对照基线或具体指标，因此该结论目前只能保留为作者报告，不能量化其优势或比较不同协议。实验协议、消融及统计信息尚未验证。作者表示将随后发布代码；现有材料不足以确认代码已公开。 平台推测（待验证）：假设多变量相关性建模与长程依赖建模能够迁移，可探索其对 EEG 多通道时序建模的价值，但原任务依赖气象空间场及地形先验，不等同于 EEG 解码。可能复用的是选择性状态空间建模思路；气象网格输入、降尺度输出及地形约束需要改造，电极空间关系也不能直接替代地形的物理作用。低信噪比、跨被试差异、通道配置变化与小数据可能削弱收益。一个可检验的小实验是在固定 EEG 数据集与跨被试划分下，以相同预处理和训练预算比较基础状态空间模型及加入电极空间先验的变体，检验该先验是否带来稳定收益。此实验检验的是迁移假设，而非原论文已验证的 BCI 效果；相关 EEG 工作尚未检索确认。