1.一种雷达回波外推方法，其特征在于，包括：

由获取的实时雷达回波图像序列中提取待测试的雷达回波数据彩图，对待测试的雷达回波数据彩图进行预处理后输入至预先训练好的Sat‑Lstm‑RNN网络模型得到雷达回波预测值，根据雷达回波预测值还原成雷达回波；

所述Sat‑Lstm‑RNN网络模型的训练过程包括：获取历史雷达回波图像序列，并按照设定的时间间隔对历史雷达回波图像序列提取待训练的雷达回波数据彩图；对所述待训练的雷达回波数据彩图依次进行灰度值映射和归一化处理形成归一化灰度数据，构建训练图像集；

基于编码器、Sat‑ConvLstm模块和解码器构建Sat‑Lstm‑RNN网络模型；通过训练图像集对Sat‑Lstm‑RNN网络模型进行训练，具体过程包括：利用编码器对训练图像集中归一化灰度数据进行下采样形成的时间和空间特征信息；将时间和空间特征信息 输入至堆叠设置L层的Sat‑ConvLstm模块；所述Sat‑ConvLstm模块包括注意力模块和循环神经网络模块组成；

设定第l层的Sat‑ConvLstm模块输出的第t时间步隐藏态为隐藏态 ；设定第l‑1层的Sat‑ConvLstm模块输出的第t时间步隐藏态为隐藏态 ；l的取值范围为1至L；设定，隐藏态 之前的 个时间步的隐藏态为全零张量；将隐藏态 之前的 个时间步的隐藏态记为隐藏态 ；

将时间和空间特征信息 、隐藏态 以及隐藏态 输入至第l层Sat‑ConvLstm模块的注意力模块获得运动信息 ；

将运动信息 、时间和空间特征信息 和细胞态 输入至第l层Sat‑ConvLstm模块的循环神经网络模块获得第t时间步的细胞态 和隐藏态 ；

将细胞态 和隐藏态 输入至下一层Sat‑ConvLstm模块，重复迭代直至第L层的Sat‑ConvLstm模块输出细胞态 和隐藏态 ；

利用解码器对细胞态 和隐藏态 进行上采样输出雷达回波预测值；

根据Sat‑Lstm‑RNN网络模型输出的雷达回波预测值与雷达回波真实值建立损失函数，利用损失函数调整循环神经网络参数，重复迭代训练过程直至Sat‑Lstm‑RNN网络模型收敛。

2.根据权利要求1所述的一种雷达回波外推方法，其特征在于，对待测试的雷达回波数据彩图进行预处理的处理包括：对所述待测试的雷达回波数据彩图依次进行灰度值映射和归一化处理。

3.根据权利要求2所述的一种雷达回波外推方法，其特征在于，对雷达回波数据彩图进行灰度值映射和归一化处理的方法包括：将通道维度为3的待训练的雷达回波数据彩图或待测试的雷达回波数据彩图映射到通道维度为1的灰度数据，表达公式为：；

公式中，R表示为雷达回波数据彩图中像素点在红色通道的亮度，G表示为雷达回波数据彩图中像素点在绿色通道的亮度，B示为雷达回波数据彩图中像素点在蓝色通道的亮度，表示为雷达回波数据彩图中像素点在灰度通道的亮度；

将灰度数据进行归一化处理得到归一化灰度数据，表达公式为：；

公式中，Pixel表示为归一化灰度数据。

4.根据权利要求1所述的一种雷达回波外推方法，其特征在于，基于编码器、Sat‑ConvLstm模块和解码器构建Sat‑Lstm‑RNN网络模型的方法包括：将编码器后堆叠设置L层的Sat‑ConvLstm模块；将第L层的Sat‑ConvLstm模块的输出设置为解码器的输入。

5.根据权利要求1所述的一种雷达回波外推方法，其特征在于，将时间和空间特征信息、隐藏态 以及隐藏态 输入至第l层Sat‑ConvLstm模块的注意力模块获得运动信息 的方法包括：计算隐藏态 的注意得分 ，表达公式为：

；

；

；

公式中， 表示为Hadamard积；

基于注意得分 计算长期运动信息 ，表达公式为：

；

利用长期运动信息 、时间和空间特征信息 计算运动信息 ，表达公式为：；

；

其中， 为sigmoid函数；表示卷积运算， 表示为时间和空间特征信息 的权重参数。

6.根据权利要求1所述的一种雷达回波外推方法，其特征在于，将运动信息 、时间和空间特征信息 和细胞态 输入至第l层Sat‑ConvLstm模块的循环神经网络模块获得第t时间步的细胞态 和隐藏态 ，表达公式为：；

；

；

；

；

公式中，表示卷积运算， 表示Hadamard积, 表示双曲正切激活函数, 表示Sigmoid函数； 表示为输入门的表达函数； 表示为遗忘门的表达函数， 表示为输出门的表达函数； 、 、 、 分别表示设定的偏差参数， 表示输入门中对应 的权重矩阵， 表示输入门中对应 的权重矩阵， 表示遗忘门中对应 的权重矩阵， 表示遗忘门中对应 的权重矩阵， 表示遗忘门中对应 的权重矩阵， 表示细胞态更新中对应 的权重矩阵， 表示细胞态更新中对应 的权重矩阵， 表示输出门中对应 的权重矩阵， 表示输出门中对应 的权重矩阵。

7.根据权利要求1所述的一种雷达回波外推方法，其特征在于，根据Sat‑Lstm‑RNN网络模型输出的雷达回波预测值与雷达回波真实值建立损失函数的方法包括：；

公式中， 表示为第t时间步的雷达回波真实值； 表示为第t时间步的Sat‑Lstm‑RNN网络模型输出的雷达回波预测值；n表示为雷达回波的序列；w表示为雷达回波的横坐标；h表示为雷达回波的纵坐标。

8.一种雷达回波外推系统，其特征在于，包括：

预测模块，用于由获取的实时雷达回波图像序列中提取待测试的雷达回波数据彩图，对待测试的雷达回波数据彩图进行预处理后输入至预先训练好的Sat‑Lstm‑RNN网络模型得到雷达回波预测值，根据雷达回波预测值还原成雷达回波；

获取模块，用于获取历史雷达回波图像序列，并按照设定的时间间隔对历史雷达回波图像序列提取待训练的雷达回波数据彩图；对所述待训练的雷达回波数据彩图依次进行灰度值映射和归一化处理形成归一化灰度数据，构建训练图像集；

构建模块，用于基于编码器、Sat‑ConvLstm模块和解码器构建Sat‑Lstm‑RNN网络模型；

训练模块，用于通过训练图像集对Sat‑Lstm‑RNN网络模型进行训练，根据Sat‑Lstm‑RNN网络模型输出的雷达回波预测值与雷达回波真实值建立损失函数，利用损失函数调整循环神经网络参数，重复迭代训练过程直至Sat‑Lstm‑RNN网络模型收敛；

所述训练模块通过训练图像集对Sat‑Lstm‑RNN网络模型进行训练，具体包括：利用编码器对训练图像集中归一化灰度数据进行下采样形成的时间和空间特征信息；将时间和空间特征信息 输入至堆叠设置L层的Sat‑ConvLstm模块；所述Sat‑ConvLstm模块包括注意力模块和循环神经网络模块组成；

设定第l层的Sat‑ConvLstm模块输出的第t时间步隐藏态为隐藏态 ；设定第l‑1层的Sat‑ConvLstm模块输出的第t时间步隐藏态为隐藏态 ；l的取值范围为1至L；设定，隐藏态 之前的 个时间步的隐藏态为全零张量；将隐藏态 之前的 个时间步的隐藏态记为隐藏态 ；

将时间和空间特征信息 、隐藏态 以及隐藏态 输入至第l层Sat‑ConvLstm模块的注意力模块获得运动信息 ；

将运动信息 、时间和空间特征信息 和细胞态 输入至第l层Sat‑ConvLstm模块的循环神经网络模块获得第t时间步的细胞态 和隐藏态 ；

将细胞态 和隐藏态 输入至下一层Sat‑ConvLstm模块，重复迭代直至第L层的Sat‑ConvLstm模块输出细胞态 和隐藏态 ；

利用解码器对细胞态 和隐藏态 进行上采样输出雷达回波预测值。

9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至权利要求7任一项所述雷达回波外推方法的步骤。