基于Mamba与深度门控注意力层的双通道并行月径流预测模型MamGA及其在水文预报中的应用

本研究提出新型双通道并行深度神经网络架构MamGA，融合选择性状态空间模型（Mamba）与深度门控注意力层（Depth-gated Attention），显著提升月径流预测精度与计算效率，为水资源管理提供强有力技术支撑。

　　

Section snippets

Tools and techniques

本节将阐述构建MamGA模型的核心技术与方法。首先明确月径流预测任务定义及模型输入输出变量，随后详细介绍MamGA模型的嵌入式编码层（Embedded Coding layer）、特征融合预测层（含Mamba层与深度门控注意力层）以及时序解码层（Sequential Decoding layer）的架构设计。最后说明模型训练策略与评估指标体系。

Study area

本研究选取具有显著下垫面与径流特征差异的澜沧江流域（中国）与雷溪流域（美国）开展实验，重点分析曼湾站（MW）、小湾站（XW）和雷溪站（TC）的预测表现。这些站点兼具水文复杂性与数据可获得性，为验证模型泛化能力提供理想场景。

MamGA model parameterization

模型涉及学习率、丢弃率（dropout）、隐藏层数等9个关键超参数。采用粒子群优化算法（PSO）以平均绝对误差（MAE）为指标进行参数寻优，确保模型性能最优化。参数敏感性分析表明，隐藏层维度与注意力头数对预测精度影响最为显著。

Discussion

基于实验结果，从模型创新性、适应性与应用价值多维度系统分析：

1. 1.

   模块协同效应实验表明Mamba与深度门控注意力的互补性；

2. 2.

   在极端水文事件与不同时间尺度下均保持稳定性能；

3. 3.

   相比Transformer显著降低计算复杂度（线性vs二次）；

4. 4.

   为数据稀缺区域提供轻量化解决方案。

Conclusions

MamGA模型通过选择性状态空间框架与深度门控注意力层的融合，显著增强长程依赖捕获能力与全局特征处理效率，同时实现双向信息依赖建模。嵌入式编码与时序解码层的引入进一步优化复杂水文过程表征精度，为中长期径流预测提供创新性技术路径。