Operacyjne systemy prognozowania parametrów powierzchni Ziemi oparte na modelach Mamba z rodziny Structured State Space Models wchłaniają w swoje macierze przejść stanów niestacjonarne zdarzenia zakłócające - niezarejestrowane zmiany w systemach nawadniania, przesunięcia w operacjach zapór czy rekalibracje czujników. Te problemy tkwią w modelu długo po tym, jak zniwelowany zostaje fizyczny powód zakłócenia, systematycznie zniekształcając prognozy wskaźnika wegetacji NDVI, temperatury powierzchni ziemi LST i fenologii upraw.
Badacze zaprezentowali SSU-LSF (State-Space Unlearning for Land Surface Forecasting) - pierwszy dedykowany dla geonauk framework machine unlearning do usuwania takich stronniczości z modeli Mamba. Metodologia łączy specjalistyczne funkcje wpływu EKFac dostosowane do macierzy stanu Mamba, wykorzystuje spektralnie ważone progi elbow do zlokalizowania czasowych śladów zakłócenia oraz zastosowanie projekcji gradientu wznoszącego w obszarze zaufania opartym na dywergencji KL. Teoretycznie wykazano, że pozostałe zniekształcenia są ograniczone matematycznie i rosną wraz z długością analizowanego okna czasowego.
W testach na trzech heterogenicznych zbiorach danych i porównaniu z jedenaścioma metodami bazowymi SSU-LSF osiągnęła redukcję stronniczości na poziomie 77,3 procent (dataset CropHarvest), 82,1 procent (NDVI-LST) i 85,9 procent (ERA5), przy najgorszym spadku jakości na domenie czystej danych wynoszącym 4,2 procent RMSE. Konwergencja następowała w 3-5 epokach, a koszt GPU był 8,4 razy niższy niż całkowite przeszkolenie modelu od zera. Kod został opublikowany jako open source, co ułatwi wdrażanie w operacyjnych systemach prognozowania.