Minkowski-MambaNet：用于森林生物量量化的选择性状态空间模型点云框架

基于摘要分析。该研究针对航空 LiDAR 点云中树木区分所需的长程依赖难以建模、木质体积与地上生物量（Aboveground Biomass，AGB）难以直接估计的问题，提出 Minkowski-MambaNet，将 Mamba 的选择性状态空间模型（SSM）整合进 Minkowski network，直接从原始 LiDAR 数据估计体积与 AGB。 机制上，框架利用选择性 SSM 编码全局上下文与长程依赖，以改善树木区分，并引入跳跃连接增强特征、加快收敛。摘要未说明点云如何组织为 SSM 输入、模块插入位置、预测目标的监督构造及损失函数，相关实现细节尚未验证。 作者报告，在 Danish National Forest Inventory LiDAR 数据上的评估中，该方法优于所比较的现有方法，并获得更准确、稳健的估计；作者还报告框架无需 Digital Terrain Model（DTM），且对边界伪影具有鲁棒性。摘要未提供具体指标、数值、数据划分或对照方法名称，因此无法量化优势，也无法判断其跨区域或不同森林结构下的泛化能力。实验协议、消融及统计信息尚未验证。 论文的主要研究对象是森林三维结构与生物量估计，而非 EEG 或 BCI。选择性 SSM 的长程建模机制具有通用方法参考价值，但材料未建立点云处理与神经信号建模之间的具体对应关系，不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现前需核对点云预处理、训练与测试划分、体积及 AGB 标签来源，以及无需 DTM 和边界鲁棒性结论所对应的评估条件。