SSU-LSF：地表预报状态空间模型的机器遗忘

基于Mamba族结构化状态空间模型的业务化地表预报系统会把非平稳混淆事件（未记录的灌溉高峰、水库调度变化、传感器重校准）吸收进状态转移矩阵，在物理原因结束很久之后仍悄悄偏置NDVI、地表温度与作物物候预测。本文提出SSU-LSF，首个专为地理科学Mamba状态空间模型构建的机器遗忘框架。我们通过闭式矩阵指数梯度开发专用于Mamba状态矩阵的EKFac影响函数，用谱半径加权的肘部阈值定位时间混淆足迹Φ，并在KL散度信任域内施加结合空间全变差正则的无Hessian投影梯度上升。命题1给出残余混淆以O((1-ρ(Ā)^{T_c})/((1-ρ(Ā))μ))为界的证明，该界随窗口长度T_c增长。在三个异构基准与十一个基线上，SSU-LSF实现0.773（CropHarvest）、0.821（NDVI-LST）与0.859（ERA5）的混淆削减率，ERA5干净域RMSE最坏退化4.2%，3-5个epoch收敛，每次遗忘请求的GPU成本比完全重训低8.4倍。代码/项目页：https://github.com/Anidipta/SSU-LSF。