本报告围绕人工智能在区域天气预报中的应用与发展展开，首先梳理了AI天气与气候预报研究从ConvLSTM、WeatherBench到Pangu、GraphCast、FuXi、AIFS等大模型的演进，并指出当前研究正从全球预报、临近预报迈向区域化、高分辨率和业务应用阶段。报告重点介绍了YingLong Weather区域预报模型。该模型基于HRRR数据，面向美国大陆3 km逐小时区域预报任务，设计东西两个区域实验域，并通过多尺度空间特征提取与边界平滑方法提升有限区域预报能力。结果显示，YingLong在多变量预报中具有较好表现，但对极端大风事件预测偏保守，且边界条件对靠近区域边界约90 km范围内的预报误差影响明显。

在此基础上，CAS-Former作为YingLong的升级模型，将AFNO与Swin结构结合，引入1×1卷积以增强不同气象变量之间的交互建模能力，并纳入长波、短波辐射变量。消融实验表明，算法结构升级和辐射变量引入均有助于降低预报误差，且改进不仅体现在近地面变量，也扩展到高空气象变量。报告还提出AERO-ODE系统，通过粗分辨率全球物理方程求解与3 km区域AI参数化相结合，实现全球—区域一体化预报，并避免对区域侧边界条件进行专门处理，实验结果达到新的区域预报先进水平。最后，HiFA-Diff模型面向气象降尺度任务，将ERA5低分辨率再分析数据降尺度至1 km，通过UNet学习低频信息、扩散模型学习高频残差，实现多变量协同降尺度并增强细节表达。