用开源数据复盘一次防空拦截：装备参数别只看标称值

去年底想给一个战史小项目做点数据支撑，目标是复盘一次夜间防空拦截的过程记录。手头没有内部数据，只能用公开的航迹、雷达探测距离估算和装备公开参数拼。环境很普通：一台笔记本，Python 3.11，数据是几个公开航班/航迹网站的导出 CSV，约 12 万行，时间跨度 6 小时。

第一步是把航迹按 10 秒窗口重采样，统一成经纬度加高度：

import pandas as pd
df = pd.read_csv('tracks.csv', parse_dates=['ts'])
df = df.sort_values(['track_id','ts'])
df['ts'] = df['ts'].dt.round('10s')
g = df.groupby(['track_id','ts'], as_index=False).agg(
    lat=('lat','mean'), lon=('lon','mean'), alt=('alt','mean'))

第二步才是关键：不要用装备的标称探测距离当半径画圆。我一开始就这么干，结果圆画得漂亮，结论全错。实际要换成“视线距离 + 地形遮蔽”的粗算：

import math
def horizon_km(h_radar, h_target):
    # 4.12 是常用经验系数，单位米，结果公里
    return 4.12 * (math.sqrt(h_radar) + math.sqrt(h_target))

再叠加一个简单的遮蔽判断：把公开 DEM 高程按两点连线采样，只要中间有高于视线的点，就认为该段不可见。12 万行跑下来不到一分钟。

为什么这样做：标称探测距离是在理想条件下的最大值，对低空目标几乎没意义。视线距离公式本身也很粗，但它的误差方向是可预期的——会高估，不会凭空造出探测能力。代价是每个目标点都要做一次地形采样，数据量再大十倍就得换更适合的空间索引，我这版没做，属于知道但没补的坑。

哪里会失效：一是地形数据精度不够，山谷里的遮蔽判断会偏乐观；二是公开航迹的时间戳本身有抖动，重采样到 10 秒窗口后，高速目标的位置误差能到几百米；三是我拿不到真实的雷达开机时间和阵地位置，只能用公开报道里的近似点，这一步的误差没法量化，结论只能当趋势看，不能当复盘结论。我自己踩过的最大的坑是把民航航迹当成了全部空情，忘了低空慢速小目标根本不在公开数据里。

现在这个脚本还留着，但我更想知道：你们做类似复盘时，地形遮蔽这一层是用 DEM 硬算，还是有更省事的近似办法？