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。RiverMamba 面向全球河流流量与洪水预报，旨在突破现有深度学习水文方法主要用于局地、未充分利用水体空间连接关系的限制。其核心贡献是利用 Mamba blocks 建模大规模河网的时空关系，并结合长期再分析数据预训练与气象预报输入开展预测。 机制与预测设置：模型使用长期再分析数据进行预训练，预测模块融合 ECMWF HRES 气象预报；作者表示，时空建模有助于处理气象预报的不准确性并改善较长提前期的预测。摘要给出的任务范围为在 0.05° 网格上进行全球河流流量和洪水预报，提前期最长为 7 天。河网连接如何编码、空间与时间维度如何组织、预训练目标、损失函数及训练规模尚未验证。 结果与证据边界：作者报告，RiverMamba 在不同洪水重现期（包括极端洪水）和不同提前期下提供可靠预测，并优于 AI 与物理模型。摘要未提供具体指标、分数、对照模型名称或数据划分，因而无法量化优势，也不能判断其在不同地域和事件条件下的泛化程度；实验协议、消融及统计信息尚未验证。作者声明代码和数据已在项目页公开，但具体复现配置、数据许可与计算需求尚未核验。 平台推测（待验证）：迁移假设是，大规模网络中的时空依赖建模可用于探索 EEG 长序列与多通道关系，但河网拓扑、长期再分析数据和气象预报条件不等同于 EEG 电极关系、监督标签及数据规模。可考虑复用 Mamba 时序模块，通道空间编码与任务输出则需改造；低信噪比、跨被试差异、通道配置变化及小数据训练均可能使迁移失效。一个可证伪的小实验是在固定 EEG 数据集、相同跨被试划分与训练预算下，对比仅使用 Mamba 时序建模和加入电极空间关系的版本，检验空间模块是否带来稳定增益。该实验属于平台建议，不是原论文结果；已有 EEG 相关工作尚未检索确认。