全球人工智能天气模型在全球中期天气预报中已展现出较高的预报技巧，但 其优势能否通过动力降尺度传递至区域尺度，并改善空气质量预报所需的近地层 气象场，仍缺乏系统评估。本研究以京津冀地区为研究区域，选取Pangu-Weather、 FuXi、FengWu_v1、FengWu_v2、Aurora 和 FourCastNet_v2 六种公开的全球 AI 天气模型，分别采用美国国家环境预报中心全球预报系统（GFS）和欧洲中期天 气预报中心综合预报系统（IFS）的预报场作为推理输入。提出气象状态场替换 并保留陆面状态的 MSFR 方法，构建满足 WRF 模式要求的初始场和侧边界条 件，开展2025年2—4月逐日起报试验。研究首先在0.25°、6 h分辨率下比较AI 预报与相应全球数值预报基线，随后利用WRF将其动力降尺度至3 km、1 h， 并结合171个地面气象站和4个探空站观测，评估2 m温度、2 m相对湿度、10 m风速和10 m风向的预报效果。结果表明，在全球粗分辨率下，AI预报总体上 能够降低近地面温度和风速的均方根误差；0—72 h平均相对RMSE变化分别为 温度增加3.3%至减少15.9%、风速增加9.7%至减少29.1%。然而，经过WRF动 力降尺度高分辨率下，AI–WRF 相对于对应 WRF 基线的 RMSE 变化大多位于 ±2%以内，表明全球尺度的误差改善并未稳定传递至区域尺度。预报结果还明显 受到全球输入场影响，IFS驱动的AI预报及区域试验整体优于GFS驱动结果。 研究表明，全球AI天气模型具有改进区域气象预报的潜力，但其全球尺度优势 并不会对应转化为高分辨率区域预报优势。本研究揭示了全球AI天气模型在改 进区域气象要素预报上的潜力与局限，为AI模型在区域关键气象要素预报上应 用提供了科学基础。

AI气象大模型,区域预报,跨尺度