RiverMamba：用于全球河流流量与洪水预报的状态空间模型

基于摘要分析。该研究针对现有水文深度学习方法偏重局地应用、未充分利用水体空间连接的问题，提出 RiverMamba，通过长期再分析数据预训练与 Mamba 时空建模开展全球河流流量及洪水预报。其主要研究对象是水文预测，而非 EEG 或 BCI。 方法上，RiverMamba 利用高效 Mamba blocks 捕捉全球尺度河网的水流路由关系，以支持较长预报提前期；预报模块整合 ECMWF HRES 气象预报，并通过时空建模处理其不准确性。摘要未说明河网连接如何编码、具体输入变量、训练损失、预训练与后续训练流程，这些实现细节尚未验证。 作者报告，模型可在 0.05° 网格上开展最长提前 7 天的全球河流流量及洪水预报，并在不同洪水重现期和预报提前期下提供可靠预测，包括极端洪水；作者报告其表现优于业务化 AI 模型和物理模型。摘要未提供具体评估指标、数值、基线名称、数据划分及区域覆盖，因此不能量化优势，也不能判断不同评估协议下的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 借鉴的是状态空间序列建模与空间关系联合建模的思路，而非水文预训练权重或河网结构本身。假设该机制有助于处理多通道长时序 EEG，则需将河网关系替换为适合 EEG 的通道关系，并重新设计输入与任务监督；河网路由与 EEG 通道依赖并不等价，低信噪比、通道布局差异、跨被试变化及小样本规模均可能使迁移失败。一个可检验的小实验是在固定 Cross-subject 划分和训练预算下，比较加入通道关系建模与不加入该模块的 Mamba 基线，并进行通道扰动测试。已有相关 EEG 工作尚未检索确认，此建议不代表已证实的 BCI 效果。