PrecMamba：面向极端降水的状态空间预测与流匹配集合预报

基于摘要分析。PrecMamba 研究降水临近预报中逐像素回归容易使预测模糊、压低强降水事件的问题，提出两阶段框架：先用 Mamba 确定性预测学习降水强度分布中不止中心位置的信息，再以条件 flow matching 建模剩余不确定性，生成集合预报。 第一阶段采用 Mamba 骨干建模降水的大尺度时空演化，以多分位数 pinball loss 训练；摘要指出，该目标惩罚高强度事件的低估。第二阶段对确定性预报周围的残差进行条件 flow matching 建模，旨在通过少量积分步生成清晰且多样的集合成员。其机制依赖具有空间结构、时间演化及稀疏重尾强度分布的降水场，具体分位数选择、条件输入、训练划分及积分设置尚未验证。 作者报告，在 SEVIR、MeteoNet、Shanghai Radar 和 CIKM 四个降水基准上，PrecMamba 的 critical success index（CSI，临界成功指数）均为所比较方法中的最高值，并在 SEVIR 的最高强度阈值上表现最佳。摘要未提供具体数值、阈值和对照方法，因此尚不能判断提升幅度及统计稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 预测任务也存在对少见高幅事件预测不足的问题，多分位数预测与残差生成的分工可能值得探索，但降水中的强度尾部不能直接等同于有用神经活动。可复用的是训练目标及两阶段建模思路，需改造通道表征、条件输入和预测目标；低信噪比下高幅伪迹可能主导尾部，被试与通道差异以及小数据也可能使残差生成不稳定。一个可检验的小实验是在固定 Cross-subject 划分下，对同一 EEG 短时预测骨干比较逐点回归、多分位数目标及增加残差生成后的误差与区间覆盖，并分别检查神经事件和伪迹片段。该假设不构成 BCI 解码收益的证据；已有 EEG 相关工作尚未检索确认。