企业官网建设流程全解析

1. 为什么无人机需要一双“透视眼”：光学传感器的天花板

做无人机巡检和测绘这些年，我越来越觉得光学镜头这套东西像是“白天戴墨镜，晚上蒙黑布”工作。白天光线好、天气晴的时候，可见光相机拍出来的画面确实漂亮，RGB三个波段还原地面跟肉眼看到几乎一样。但真正的实战任务里，哪有那么多好天气、好光线等着你。夜间执法巡查、暴雨后的灾情评估、高海拔地区的云海干扰、森林火场浓烟遮蔽——这些场景下，光学传感器基本直接罢工，无人机飞上去就是在“盲飞”。

我第一次接触无人机SAR是2022年，当时参加一个地质灾害应急演练。演练设定是暴雨过后山区发生滑坡，云层很低、雾气很重，固定翼无人机带着光学吊舱上去根本拍不到地面，飞了两架次全是白茫茫一片。后来兄弟单位调来一套SAR载荷，也是无人机挂载的，在同样的天气条件下飞了一圈，地面滑坡体、堰塞湖的水面边界、甚至被掩埋的公路轮廓，全都看得清清楚楚。当时在场的人都说，雷达那个屏幕上的灰白图像像是“透视眼”，把云层和雨幕背后的真实地形给掀开了。

所谓无人机SAR，全称是合成孔径雷达（Synthetic Aperture Radar）的机载化应用。它不依赖阳光，也不怕云雨雾，主动向地面发射微波脉冲并接收回波，通过处理多普勒信息获得高分辨率图像。SAR这项技术最早是军用侦察的看家本领，卫星上用了大几十年，这两年随着无人机载荷能力和处理器算力的提升，开始大规模下沉到民用领域。对测绘、应急、农业、电力巡检这些行业来说，多了一双随时随地能“看见”的眼睛，那意义完全是另一个量级。

这篇文章，我想把自己摸过的无人机SAR系统、踩过的坑、还有那些“如果有人早点告诉我该多好”的经验，一次性倒出来。适合下面这些人读：打算给无人机选型雷达载荷的飞手和技术负责人；正在做SAR数据处理但缺乏飞行经验的研究生；以及那些想搞清楚“SAR到底能不能解决我手头项目问题”的行业用户。

先说清楚一个前提。SAR不是要取代光学相机，它和光学是互补关系。光学的优势是直观、符合人眼判读习惯、地物纹理细节丰富；SAR的优势是全天时、全天候、对地物有独特的电磁散射响应。你手里有两种传感器，就等于夜航时既带着照明弹又带着红外夜视仪，哪个场景用哪个，甚至两个都用再融合，这才是正确的打开方式。

2. SAR成像的核心机制：从“大锅盖”到“小天线”的逆袭

2.1 实孔径雷达的尺寸魔咒

要把SAR讲明白，得先从雷达的分辨率说起。普通雷达，也就是实孔径雷达（Real Aperture Radar），想提高方位向分辨率，唯一的办法就是把天线做大。道理跟手电筒一样——灯珠越小，光束越发散；口径越大，照出去的光束越集中，落到地面上的“光斑”就越小。雷达的方向分辨能力由波束宽度决定，而波束宽度约等于波长除以天线尺寸。波长固定时，天线越大，波束越窄，地面分辨单元越小。

举个实际数字你就明白了。假设我们用X波段雷达做侦察，波长大约3厘米，要在一个几十公里的斜距上实现1米的方向分辨率，需要多大的天线？算下来大概是几十米长。几十米的天线装在无人机上，这已经不是天线而是机翼了。这就是为什么早期机载雷达的分辨率都很难看，因为飞机背上驮不了那么大的锅。

2.2 合成孔径的核心思想：飞行就是天线扫描

SAR的聪明之处在于，它不跟物理尺寸硬碰硬，而是“骗”出了一个大天线。雷达装在飞机或无人机上往前飞，每到一个位置就向侧面发射一次脉冲并记录回波。同一个地面目标，不是只被照一次，而是被飞行路径上一连串位置连续照射到。把这些不同位置接收到的回波信号，按相位关系做相干叠加处理，等效于把一个个小天线“拼”成了一面很长的虚拟天线。这面虚拟天线的长度，就等于无人机在这段时间里飞过的距离。

用生活里的例子来类比。你站在远处拍一栋楼，拍一张照片看不出细节，但如果你沿着一条路一边走一边连续拍几十张，回来之后把这些照片按位置对齐、叠加，细节是不是就比单张丰富很多？SAR就是这个逻辑，只不过它叠加的不是像素亮度，而是包含相位信息的微波回波。正因为处理的对象有相位维度，合成出的虚拟口径才可能远远超过机身的物理尺寸限制。

2.3 方位分辨率、PRF与天线尺寸的约束关系

关于SAR的分辨率公式，有两条最关键的，一个给方位向，一个给距离向，搞懂它们，后面所有参数设计都好商量了。

方位向分辨率 δa 简化公式是天线物理孔径D的一半，即 δa = D / 2。注意，这个值跟飞行高度、斜距、波长统统无关。天线越小，合成孔径角越大（因为小天线波束宽，能持续照射同一目标的时间越长），合成的等效孔径越长，分辨率反而越高。这就是为什么无人机SAR的雷达天线，普遍设计得扁扁小小、像一块平板，而不是像锅盖那样大而圆。小型化不仅为了减重，物理上就说得通。

距离向分辨率 δr 取决于发射信号的带宽B，公式是 δr = c / (2B)，c是光速。带宽越大，距离向分辨能力越强。要获得0.3米的分辨率，信号带宽需要做到500MHz左右。高带宽意味着高采样率、大数据量，这对无人机载荷的数据链和存储提出了不低的门槛。

但天线也不是能无限做小。天线小了，波束角就大，会带来两个副作用：一是照射范围变大，回波的信噪比下降；二是同一距离门内的多目标回波出现模糊。要解决模糊问题，脉冲重复频率（PRF）就得相应提高，而PRF太高又会导致最大不模糊距离变短。所以SAR设计本质上是一个多参数互相牵制的平衡游戏，天线尺寸、波长、飞行速度、PRF、测绘带宽度，都要在一个合理区间里联动。

2.4 无人机SAR与卫星SAR的本质差异

你可能听说过哨兵一号、高分三号这些卫星SAR，在概念上无人机SAR和它们是同一套物理原理，但工程实现上的差别非常大。首要区别是飞行高度和速度。卫星轨道高度几百公里，飞行速度每秒七公里以上，成像条带宽、覆盖范围巨大；无人机高度一般几百到几千米，速度每秒二三十米，测绘带窄，但优势是可以贴近目标区域飞行，重访时间可以做到分钟级，需要拍哪块就飞哪块，机动灵活得多。

第二个区别是载荷重量和功耗约束。卫星SAR那种十几平方米的展开天线和数千瓦峰值功耗，放到无人机上是想都不敢想的。无人机SAR必须在几公斤重量、几百瓦功耗的预算下实现尽量好的分辨率和覆盖。近年来，随着射频前端芯片化、轻量化天线工艺和机载实时处理板卡的进步，这个约束已经松动了不少。我自己用过的一套Ku波段SAR，整个雷达载荷加天线不到4公斤，挂在一架中等尺寸的垂直起降固定翼无人机上，0.5米分辨率的成像效果已经能满足大比例尺应急测绘的判读需求。

第三个差别是运动误差的来源和量级。卫星在太空中的运动轨迹非常平滑，可以做精确的轨道预报；无人机在大气层内飞行，受气流颠簸影响明显，航迹、姿态每时每刻都在抖动。这种不规则的抖动混进回波相位里，如果不做校正，图像就会散焦、发花。所以无人机SAR的机载系统里，运动测量设备（IMU/GPS组合导航）的重要程度，甚至比雷达本身还高。

3. 搭建一套无人机SAR系统：关键部件与选型逻辑

3.1 雷达频段怎么选：X/Ku/Ka/W段的取舍

无人机SAR第一个关键选型是频段。不同频段的物理特性差异，直接决定了你的雷达能穿多厚的树叶、看多细的目标、扛多大的天线。

我在实际项目中接触最多的是Ku波段。原因很直接：无人机SAR的最主要应用场景是应急测绘和灾害评估，这些场景需要的是“可靠的全天候获取能力”，而不是极致的穿透深度。Ku波段在中等重量约束下可以做到0.3到0.5米分辨率，天线面积做得很小，整套载荷的重量可以把控在4公斤上下，对中小型无人机非常友好。X波段更适合需要穿透植被看地表情况的林业项目，如果你要探测的是被树冠遮挡的地形、或者需要获得较长波段的干涉数据，那X会更有优势。

3.2 天线形式：平板阵列、波导缝隙阵与相控阵

SAR天线的形态，直接决定了载荷的体积、功耗和造价。目前无人机SAR圈子里，主流的三种天线形式是微带平板阵列、波导缝隙阵和相控阵。

微带平板阵列是把大量微带贴片天线单元做在一块介质基板上，用微带线进行馈电。优点是剖面低、重量轻、工艺成熟、批量生产成本低，非常适合载荷预算严格的小型无人机。缺点是损耗较大，天线效率偏低，不适合追求极端性能的高端应用。我见过的大部分轻量化SAR，包括我自己用过的那套Ku波段设备，前端用的都是这种平板阵列。

波导缝隙阵是在金属波导壁上开一系列缝隙作为辐射单元，损耗小、功率容量大，发射效率比微带高不少。代价是机械结构复杂、重量大、加工成本高。对于需要作用距离远、等效辐射功率大的中大型固定翼无人机，波导缝隙阵是常见选择。

相控阵天线则通过移相器控制每个单元的相位，实现波束的电子扫描，不需要转动天线就能改变指向。这让SAR可以在一次飞行中同时实现条带、聚束、扫描等多种成像模式，也能做星载那样的多通道动目标检测。但相控阵的成本和复杂度摆在那里，一套天线动辄几十万起步，现阶段更多出现在高端验证平台或军用技术上，普通行业项目上确实用得少。

3.3 运动补偿精度：IMU比雷达还贵不夸张

前面说到，无人机SAR跟卫星SAR比，最大的工程难点在大气湍流引起的航迹误差。SAR成像处理假设雷达天线相位中心沿着一条理想的直线匀速运动，可实际飞行中无人机始终在颠簸，偏航、俯仰、滚转、升沉，各种方向都有抖动。这些偏差对于光学相机可能只是画面晃动，后期做一下稳像就完事；但在SAR里，相位误差直接转化成图像散焦和几何畸变，必须逐脉冲测量、逐脉冲补偿。

解决这个问题的核心器件是组合导航系统，也就是高精度IMU加差分GPS的组合。IMU测量角速度和加速度，GPS提供绝对位置和速度基准，两者通过卡尔曼滤波融合，得到每个脉冲发射时刻的天线相位中心精确位置和速度。对0.3米分辨率级别的SAR来说，位置误差要控制在厘米级，姿态误差要控制在0.01度量级。买一套这样性能的战术级组合导航系统，价格常常比雷达前端还要贵，这是很多第一次做无人机SAR集成的团队容易低估的预算项。

3.4 机载实时成像还是地面后处理

数据算完去哪处理，也是系统集成时要提前想清楚的。两类路线各有拥趸：一是机载实时成像，在无人机上搭载高性能计算板卡，飞行过程中就把原始回波数据加工成图像，落地即可交付。另一类是原始数据落地后，在地面工作站上做聚焦处理。

我的经验是，如果你的应用是应急响应、巡逻侦察这类对时效要求极高的场景，很有必要预留实时成像能力。想象一下，灾情现场哪里有垮塌、哪里有积水，现场指挥员如果能在无人机还在天上飞的时候就看到雷达图像，决策效率完全不一样。但实时成像要付出重量和功耗代价，比如一块带GPU的机载板卡可能就要一两公斤的重量预算。如果你的任务场景是常规测绘，做完数据处理还要叠加到原始影像台账里，那地面后处理就足够了，飞行时只需要保证原始数据完好记录，落地后花几十分钟慢慢算就行。

4. 完整作业流程：从航线设计到图像产品

4.1 航线设计：四个参数的连锁反应

SAR不是随便飞个航线就能出好图的，航线设计质量对成图效果的影响，怎么强调都不过分。在规划一条SAR任务航线时，要同时考虑四个彼此牵制的参数：飞行高度、地速、测绘带宽和分辨率需求。

飞行高度决定斜距和测绘幅度，高度越高，单条航带覆盖越宽，但距离向分辨率对应的地距分辨率会被投影拉粗，信号也衰减得更厉害。地速决定多普勒带宽，地速越快，同一目标经历的多普勒频率变化范围越大，这本身有利于方位向分辨率，但要求PRF也相应提高，否则会出现多普勒模糊。测绘带宽又反过来限制PRF的最大值，因为PRF的值不能超过不模糊距离对应的上限。

实际操作层面，我一般按这个顺序来：先定分辨率指标，由距离向分辨率查表或按公式推算需要的信号带宽；接着根据作业面积算测绘带宽需求，定下飞行高度；然后根据雷达参数约束退算出允许的飞行地速范围，交给飞控程序设置巡航速度；最后再核对一遍PRF与方位向采样是否匹配。看起来步骤多，但流程理顺之后，像我们常用的那套系统，航线设计十分钟内就能做出来一版，到现场微调即可。

4.2 原始数据记录：高速存储与数据量估算

SAR原始回波数据量非常大，这点很多人第一次接触时会吓一跳。拿我们那套Ku波段系统举例：发射信号带宽500MHz，满足奈奎斯特采样定理至少要1GHz采样率，如果ADC是12位量化，单通道数据率就是每秒1.5GB。再加上I/Q两路通道，峰值数据率能到每秒3GB。当然实际系统不会持续全速记录，因为雷达是脉冲式发射的，占空比一般只有10%左右，折合下来连续工作时数据写入速率大约每秒300MB到500MB。

这个量级对机载存储设备是有要求的。消费级SD卡根本扛不住持续高速写入，我们用的是工业级NVMe固态硬盘阵列，容量至少1TB，才能保证一次架次30到40分钟的全流程记录。数据备份也是老生常谈的问题，野外作业时我每次落地后第一时间把原始数据拷到两块移动硬盘，一块现场留存，一块随身带回，防止设备在返程路上出意外导致数据全丢。

4.3 成像处理：距离压缩、方位聚焦、自聚焦与几何校正

SAR原始数据就是一堆乱七八糟的复数回波，不经处理看上去完全是噪声。从噪声到图像，要经过一道标准的处理流程。

第一步是距离压缩。发射的线性调频信号回波经过匹配滤波，把能量在距离向上压缩成一个窄脉冲，这一步决定了距离向分辨率。第二步是距离徙动校正。由于卫星或无人机在脉冲发射间隙也在移动，同一点目标的回波在不同脉冲里出现在不同的距离门上，必须把这条弯曲的轨迹拉直，才能为下一步方位聚焦创造条件。第三步是方位向匹配滤波，也就是把合成孔径方向上接收到的所有回波做相干叠加，得到方位向高分辨率。这三步合起来，就是经典的Range-Doppler算法（距离-多普勒算法）的主体。

成像完成之后，图像还有两个需要处理的方面。一是自聚焦，实际飞行中即便有IMU补偿，残余的相位误差还是会让图像出现轻微散焦，这时候用相位梯度自聚焦算法（PGA）或更简单的子孔径相关法，利用数据本身估计并修正残余相位误差，图像清晰度能有肉眼可辨的提升。二是几何校正，SAR图像是斜距投影，近距端的比例尺和远距端不一样，需要通过距离多普勒定位模型，结合数字高程模型（DEM）把图像重采样到标准的平面坐标系下，才能跟地图或光学影像叠加使用。

4.4 如何判断一幅SAR图像“能用”

处理完的SAR图像怎么评判能不能交付，我自己形成了一套快速检查办法。第一，用图像上明显的强点目标看聚焦质量，比如地面的角反射器、路灯杆、金属围栏，这些目标在理想聚焦时应该呈现为一个有规则的十字叉丝状响应，如果强点散射在周围一个大圆斑里，说明相位误差没补干净。第二，用已知长度的地物验证几何精度，机场跑道、标准足球场这些固定尺寸的目标，在图像上量出的长度和实际长度的偏差应该在几个像素以内。第三，看阴影和叠掩的关系是否合理，SAR是侧视成像，高大建筑的背后应该有清晰的雷达阴影，朝向雷达的一面应该有叠掩效应。如果阴影方向不一致，大概率是成像参数设置或者飞行方向搞错了。

5. 无人机SAR的实战边界：哪些场景真的香，哪些场景是坑

5.1 经典适用场景：从洪水到夜间侦查

把无人机SAR拿去实战，哪些场景是公认的“高光时刻”？我梳理了几个自己见过甚至参与过的典型。

第一个是洪水灾害评估。水面对雷达波是镜面反射，回波极弱，SAR图像上水体呈现为非常均匀的暗色区域，跟周边的农田、道路、建筑形成强烈反差。而且SAR不受云雨影响，暴雨刚停后的第一时间就能起飞获取灾情范围，这对应急决策来说极其关键。我记得某次洪涝应急中，无人机在雨停后两小时内就交付了完整受灾范围图，而同一地区的光学影像因为云层遮挡晚了两天才拿到。

第二个是地质灾害监测。滑坡、泥石流发生区域往往伴随恶劣天气和复杂地形，光学手段经常“拍不到、看不清”。SAR对地表的微形变有惊人的敏感性，通过干涉SAR（InSAR）技术可以检测到毫米级的地表位移。无人机SAR在这个方向上的独特价值是重访周期短、机动灵活，可以对重点隐患点做高频次的形变监测，虽然精度比星载InSAR略低，但胜在随时可飞、针对性强。

第三个是夜间侦察与执法。边境巡逻、非法采砂监管、偷捕巡查这类任务，往往需要在夜间行动。热红外相机能发现热源，但对目标“长什么样”无能为力；SAR则能直接给出目标的轮廓和结构特征，一条船、一台挖掘机、一片违建厂房，在SAR图像上都有清晰的几何形态。

第四个是农业估产与土壤水分监测。SAR回波对目标的介电常数变化极其敏感，土壤湿度高了，回波强度就会明显变化。这几年用无人机SAR做田间土壤水分反演、作物生物量估算的研究越来越多，虽然目前还偏科研向，但落地潜力很大。

5.2 容易被低估的难点：叠掩、阴影与强反射体判读

SAR图像表面上看起来像灰度照片，实际上成像机理跟光学完全不同，没有经验的人第一次拿到SAR图经常被“误导”。这里有几个非常经典的现象，必须提前心里有数。

叠掩（Layover），山地或城市里的高大目标，顶部反射回波比底部先到达雷达，导致目标顶部在图像上“倒向”雷达方向，看起来像建筑物倒在地上。阴影（Shadow）则由雷达波束被遮挡造成，目标背后出现一条长长的无信号区域。这两个现象在侧视雷达成像中天然存在，关键在于判读时要有意识地识别，否则很容易把阴影区域当成水面或把叠掩现象当成目标真实形态。

强反射体是另一个常见的坑。金属围栏、高压线铁塔、大型厂房这类面朝雷达方向的金属目标，回波强度极大，在图像上形成一个特别亮的十字叉或扇形亮带，把周边一片区域的回波都掩盖掉。做建筑物普查时我遇到过好几次，一排铁塔的强散射直接抹掉了几百平方米内的细节。应对办法一是选择合适成像角度，让强反射体尽量处于阴影区；二是在解译时自动检测强散射模式，对其覆盖区域做标识提示，避免误判。

5.3 多源融合：让SAR与光学影像互相补台

单独看SAR图像，灰度视觉效果远不如光学影像直观，行业用户接受度偏低。解决这个问题的办法是多源融合，把SAR的“全天候获取能力”和光学的“直观纹理细节”结合起来。

最简单的融合方式是图像层面的替换与修补。常见的一种应用是光学影像去云，在测区有云覆盖时，用同时相或相近时相SAR图像把云遮挡区域的灰度信息填进去。更高级的做法是像素级融合，对SAR和光学影像做小波变换或主成分分析，把两者的高频细节和低频结构按权重叠加，得到一张兼具SAR纹理特性和光学视觉效果的融合影像。我在一个农业监测项目里用过这种方案，融合后的影像既保持了光学影像的自然色彩，又在多云地区补全了关键信息，客户反馈判读效率提升非常明显。

当然融合也有代价。SAR和光学影像之间存在系统性几何偏差，直接叠加会出现重影，需要先用地面控制点做精确配准。姿态角差异也会导致地物形态不一致，所以在采集两种数据时，尽量让航向一致或接近，能显著降低后处理配准难度。

5.4 新趋势：干涉SAR测高、动目标检测与AI解译

无人机SAR这个领域，技术迭代速度相当快。我最近关注的几个方向，都是实践层面能直接带来价值的。

干涉SAR（InSAR）测高是利用同一区域两次成像的相位差，反演地表三维信息，精度可以达到米级甚至亚米级。把InSAR载荷装到无人机上，等于给无人机装了一副“三维透视眼”，低成本获取高精度地形数据在工程测绘和矿山监测里前景很大。动目标检测（GMTI）则通过SAR的相位历史提取运动目标的速度和方向信息，在交通监测、边境巡逻这些场景里价值极高，目前已经有部分商用无人机SAR开始集成这个功能。

另一个不可忽视的趋势是AI解译。SAR图像的传统判读非常依赖专家经验，一个熟练的判读员培养周期以年为单位。现在深度学习技术在SAR目标检测与地物分类上已经能做到相当高的准确率，尤其在舰船检测、车辆识别这些任务上，效果已经接近甚至超过人工判读。我强烈建议做SAR应用的朋友，无论你是做处理还是做应用，都在自己的流程里从早期就规划好“AI+人工复核”的解译链路，这是效率提升最明显的一条路。

6. 踩坑锦囊：无人机SAR实测中的高频问题与对策

6.1 IMU标定与GPS天线相位中心偏移导致的定位漂移

我最初做无人机SAR系统集成时，遇到的第一个大问题就是精密定位参数对不齐。IMU有一个安装角误差，虽然出厂时会标定，但经过运输振动和多次拆装后，这个误差值会慢慢发生变化。如果安装角误差不修正，SAR图像明明处理流程全对，最终成果的位置就是会整体偏移几米甚至几十米。

这个问题的排查思路是先做静态检查再飞动态标定。每次装机时先用水平仪确认雷达天线面和IMU基准面之间的机械平行度，再用专用标定场做飞行标定，在地面布设角反射器作为已知坐标控制点，跟成像得到的目标位置进行对照，反算安装角误差并回填到系统配置里。GPS天线相位中心和雷达天线相位中心之间的空间偏移矢量，也要精确量测后录入处理软件，否则定位精度同样会受影响。

6.2 图像发花与散焦：运动补偿误差的典型表现

一次在山区飞行，处理出来的SAR图像出现了明显的规律性模糊，像是整张图被轻微涂抹了一样。排查下来，原因其实很简单：山区气流导致无人机横滚角出现了周期性摆动，幅度大约一度左右。之前我们在平原地区飞行时，同样幅度的姿态扰动对成像影响可以忽略，但山区近距成像时，姿态摆动导致的波束指向抖动，直接对应到地面就是不小的位移误差，刚好超出了运动补偿算法的容忍范围。

后来跟雷达厂家沟通，解决办法分两步走。第一步是改进飞控策略，在有预计颠簸的航线中把飞行高度适当抬高，留出更大的斜距冗余，摊薄姿态误差的地面投影。第二步是升级处理参数，在运动补偿模块里针对高频姿态抖动加入一个低通滤波，代价是图像边缘的方位分辨率略降，但整体清晰度稳定多了。如果你也遇到类似问题，先检查IMU带宽和运动补偿滤波参数，不要一上来就怀疑雷达坏了。

6.3 回波饱和与强反射干扰

SAR处理出的图像上偶尔会出现大面积亮带或“拉丝”现象，处理软件怎么调都去不干净。这个问题在飞越城市或工业区域时特别常见。高压电线、金属厂房、桥梁钢架这些强反射体，返回的信号功率超过接收机线性动态范围的上限，形成饱和截断，饱和导致的非线性畸变会在方位向产生长长的条带噪声，盖掉周边大片信息。

对付这个问题，最实用的一招是调整成像几何关系，让航线规划尽量避开强反射体的“垂直反射”区域——回波饱和更甚。这听起来像废话，但实际航线规划时，多数人只关注测区覆盖，很少主动检查强反射体与航线之间的角度关系。有一个技巧是：当你无法完全规避时，尝试让雷达视线与强反射体主反射面呈较大夹角，比如从斜上方斜扫过去而不是正对扫过去，饱和程度会明显下降。

6.4 载荷重量对续航的连锁反应

重量是无人机SAR项目里那个“沉默的杀手”。很多团队选型时只盯着雷达重量，觉得“4公斤，无人机能挂”，却忘了这个额外重量对整机续航、平衡、抗风性的连锁影响。无人机增加的每一公斤载荷，都会带来续航下降、电机负荷增大、抗风能力变弱等一系列后果。

我个人的经验是，选型时不要把载荷重量刚好卡在无人机的标称最大载重上，至少留出15%到20%的余量。另外，雷达载荷的挂载位置直接影响整机重心和气动焦点，挂载架的设计最好能对重心做微调。第一次试飞前，一定要做一轮完整的重心校核和电机推力余量测试，否则真到了作业现场才发现飞机飞不到目标高度，那才是真的被动。

还有一个小细节，雷达工作时对供电质量很敏感。我曾经遇到过无人机电池电压在任务后期下降，导致雷达发射功率波动，图像一致性变差的情况。后来在任务规划里加上了一条硬规矩：雷达工作时间所占用的电池容量，要与执行任务的时间匹配，确保雷达发射期间电压始终保持在高位区间。说白了，SAR无人机作业，不光是考验雷达和算法，更是一场从电量管理、飞控稳定性到数据链带宽的系统工程统筹战。