1.基于GNSS掩星数据校正的多智能气象模型融合方法，其特征在于：包括以下步骤：S1、获取P模型和F模型的初始背景场数据以及GNSS掩星数据；S2、对步骤S1中获取的数据进行处理；S3、对步骤S2中处理后的数据进行插值；S4、对步骤S3中插值后的数据进行构建优化模型；S5、基于步骤S4优化后的模型数据返回步骤S1处理形成气象预报；在步骤S1中，获取P模型和F模型的初始背景场数据以及GNSS掩星数据，包括：S11、获取ERA5再分析数据，并将该数据分别作为P模型和F模型的初始背景场；S12、令初始时刻t＝0；S13、令当前时刻T＝t，驱动P模型和F模型，获取当前时刻T的P模型输出产品和F模型输出产品，产品信息为：P模型：经度坐标Lon P 、纬度坐标Lat P 、压强Pre P 、温度Tmp P 、比湿SH P ；F模型：经度坐标Lon F 、纬度坐标Lat F 、压强Pre F 、温度Tmp F 、相对湿度RH F ；S14、获取当前时刻T的实际观测值GNSS掩星数据，产品信息包括：经度坐标Lon RO 、纬度坐标Lat RO 、压强Pre RO 、折射率Ref RO ；在步骤S4中，对步骤S3中插值后的数据进行构建优化模型，包括：S41、计算损失函数D：其中，Y P 、Y F 、Y RO 的数据量均为N，第i个数据分别记做Y Pi 、Y Fi 、Y ROi ；S42、利用求解D最小值的最小二乘法计算待拟合系数a、b和c，计算方法为：S43、计算优化折射率Ref opt ，计算方法为：Ref opt ＝a×Ref P +b×Ref F +c；在步骤S5中，基于步骤S4优化后的模型数据返回步骤S1处理形成气象预报，包括：S51、准备优化背景场，将当前时刻T计算的优化折射率Ref opt 分别作为P模型和F模型的优化背景场；S52、为进行下一时刻气象预报，令t＝t+1，返回步骤S13，形成基于GNSS掩星数据校正的多源三维智能气象模型融合预报。
2.根据权利要求1所述的基于GNSS掩星数据校正的多智能气象模型融合方法，其特征在于：在步骤S2中，对步骤S1中获取的数据进行处理，包括：S21、计算P模型湿压WP P ，计算方法为：S22、计算F模型湿压WP F ，计算方法为：其中，E为水蒸气分压，计算方法为：E＝α×E water +(1-α)×E ice ；其中，E water 、E ice 分别为水蒸气相对于水和冰的饱和分压，α为混合相位参数，计算方法分别为：其中，e为自然底数；S23、分别计算P模型和F模型折射率Ref P 、Ref F ，计算方法分别为：
3.根据权利要求2所述的基于GNSS掩星数据校正的多智能气象模型融合方法，其特征在于：在步骤S3中，对步骤S2中处理后的数据进行插值，包括：S31、固定设定压强值，分别根据GNSS掩星数据经度坐标Lon RO 、纬度坐标Lat RO 随压强的变化关系，插值得到设定压强处的经度坐标Lons和纬度坐标Lats；S32、将折射率Ref P 、Ref F 和Ref RO 分别插值到经度坐标Lons和纬度坐标Lats上，依次得到步骤S4所示优化模型的输入数据Y P 、Y F 和Y RO 。
4.根据权利要求1所述的基于GNSS掩星数据校正的多智能气象模型融合方法，其特征在于：多源三维智能气象模型包括P模型和F模型，其中P模型为Pangu模型，F模型为FourCastNet模型。
5.根据权利要求3所述的基于GNSS掩星数据校正的多智能气象模型融合方法，其特征在于：步骤S31中所用插值方法为三次样条插值法。
