槳葉通過頻率：有用的旋翼特徵，而非不變的聲學指紋

物理關係可以持續成立，觀察值卻同時改變。旋翼轉速改變時，BPF 也會改變；飛行控制並不會讓它固定不變。

許多多旋翼飛行器透過改變旋翼轉速來控制推力與姿態，各旋翼也不必以完全相同的轉速運轉。加速、姿態變化及氣動負荷，都可能改變音調和各成分的相對強弱。Intaratep 等人（2016）在靜態推力測量中已發現，各旋翼存在細微轉速差異，並出現相關的次要峰值。即使尚未考慮飛行條件的變化，這項證據已提醒我們，不宜把整架多旋翼視為一組完全固定的諧波序列。

懸停在某些情況下可以提供相對平穩的聲源，但並非所有情況下都最容易進行聲學偵測。懸停飛行器仍可能因應擾動而調整旋翼，背景聲音與傳播也會影響可觀察到的內容。風既可能影響聲學環境，也可能改變飛行器的運作狀態。增加載荷同樣可能改變所需推力與旋翼運作。這些因素不一定讓每種飛行器出現相同變化，但已足以排除「風、機動或載荷不會影響 BPF」的假設。

週期性源於重複的物理運動。飛行器旋翼與地面機械都可能具有這種性質，因此諧波模式是線索，而非獨一無二的特徵。

風扇及其他旋轉設備可能產生槳葉通過音調，泵與壓縮機則可能帶來重複的機械或氣動聲音。Intaratep 等人（2016）明確指出，受測四旋翼頻譜的部分特性與軸流機械的聲學行為相近。因此，工業背景不只是毫無結構的噪聲，其中有些聲音可能包含與關注證據相似的結構。把某個音調稱為類似旋翼的聲音，並不能單憑這一點確立聲源在空中、屬於無人機，或來自特定機型。

相較於單一音調，諧波之間的關係仍能補充有用情境。若評估涵蓋了相關差異，諧波的相對強弱及變化可能有助於區分樣本。但同一架飛行器可能隨狀態改變而發出不同聲音，無關的聲源也可能共享部分特徵。即使諧波模式看來熟悉，仍需要相關比較來支持解讀。真實機械樣本很重要，因為模型可能分得清無人機與一般背景錄音，卻仍無法確定如何判斷聲學上相似的機械聲。

機器學習可以利用反覆出現的聲學差異，但一次成功輸出不能證明模型只依賴 BPF。它使用的證據可能包括其他聲音特性，或錄音情境特有的線索。

Al-Emadi 等人在《Sensors》發表的聲音式無人機偵測與識別研究（2021），以錄製及人工生成的無人機音訊評估深度學習。研究在熟悉機型上得到有用結果，也另外檢視了先前未見的無人機類型。分類器對全新類型的效果較弱，而結合錄製與生成音訊的訓練材料，相較於比較對象，改善了未見類型的結果。這具體說明訓練資料多樣性可能重要，卻沒有證明模型能不受限制地辨識任何新飛行器。

原始無人機錄音來自安靜室內環境，額外材料包含混入背景聲音的增補樣本。這些條件共同界定了研究結果的含義。未見類型實驗關注的是從陌生類型辨認無人機活動，不是確立未知機型的精確身分。這篇研究與旋翼物理都不能證明，所有學習模型只是擷取 BPF。要理解模型是否穩健，以及它實際利用哪些資訊，仍需要聲源物理解釋以外的證據。

當每項結論都有明確範圍，旋翼特徵的商業價值才最清楚。察覺事件、指定類別與評估產品，不應被壓縮成一個看似篤定的標籤。

偵測關注證據是否支持所關注活動，誤報與漏報是不同結果。分類關注已有依據的觀察屬於哪個明確類別，模糊與陌生案例仍然重要。評估則關注，這些能力是否已針對擬議產品及所述條件，對照可靠的參照資訊獲得證明。這些是需要區分的責任，而不是指定的處理順序。偵測成功不能抵銷錯誤的類型標籤，在選定樣本上分類正確，也不能確立其他情境中的偵測可靠性。

在技術與商業審查中，有依據的主張會把明確結果連結到受評估系統版本、資料情境及限制，也會解釋未成功或未定案例，而不把它們藏在醒目的整體分數裡。公開研究提供有用的問題與物理背景，卻沒有驗證 New Ark 產品。當 BPF 有助於解釋現有證據時，它就是可理解的參照。把它說成不變的聲學指紋，或當成產品專屬評估的替代品，只會削弱而非提高其價值。