多模式探测成为目标探测识别领域重点发展的技术手段之一，其中视距模型的优选成为指导探测器件设计的重要依据。本文以飞翼布局的低特征飞行器为研究对象，采用计算流体动力学（CFD）方法结合辐射平衡壁面模型预测本体温度，结合MODTRAN大气红外衰减数据库，采用视在光线（LOS）法计算考虑壁面遮挡效应的辐射传输，建立基于噪声等效辐照度（NEFD）、最小可探测温差（MDTD）和最小可分辨温差（MRTD）的地基探测视距模型，计算探测系统对低特征飞行器的最大探测距离和最大探测天顶角。结果表明：低特征飞行器在典型飞行工况下的光谱辐射强度在长波波段（8~12 μm）较中波波段（3~5 μm）辐射积分强度高出2个数量级；NEFD视距模型在长波波段的探测距离高出中波波段近1个数量级，MDTD和MRTD视距模型在中长波波段探测距离基本一致；三种视距模型在长波波段对应的探测能力依次为NEFD>MDTD>MRTD；在中波条件下MDTD视距模型的探测距离最大，对飞行器底部的探测距离约为57 km；MRTD视距模型在观察等级为辨认时无法辨别飞行器具体类型。该研究可为低特征飞行器的探测识别以及探测器的设计提供理论支撑。

叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。