[0001]

Esta solicitud es una continuación de la solicitud de patente estadounidense Ser. No. 17/106,159 presentada el 29 de noviembre de 2020, cuya divulgación completa se incorpora expresamente aquí como referencia en su totalidad para todos los fines, que a su vez es una continuación de la solicitud de patente estadounidense Ser. No. 15/944,437 presentada el 3 de abril de 2018, ahora patente estadounidense Ser. No. 10/888,051, cuya divulgación completa también se incorpora expresamente en el presente documento como referencia en su totalidad para todos los fines, cuya solicitud Ser. 15/944.437, a su vez, reclama el beneficio de la Solicitud Provisional de EE.UU. Ser. No. 62/484,043, presentada el 11 de abril de 2017, cuya divulgación completa también se incorpora expresamente aquí como referencia en su totalidad para todos los propósitos..

FONDO

[0002]

Aspectos de la invención se relacionan con la modificación del clima; aeronaves y/o vehículos terrestres tripulados y/o no tripulados, incluidos, entre otros, vehículos aéreos no tripulados (UAV, también conocidos como “vehículos aéreos no tripulados”); inteligencia artificial; aprendizaje automático; y similares.

[0003]

La modificación del clima se refiere a manipular o alterar intencionalmente el clima; La forma más común de modificación del clima es la siembra de nubes para aumentar la lluvia o la nieve. La siembra de nubes implica dispersar sustancias en el aire que sirven como condensación de nubes o núcleos de hielo. La siembra de nubes se puede realizar, por ejemplo, mediante generadores terrestres, árboles de bengala terrestres, aviones o cohetes..

[0004]

Un vehículo aéreo no tripulado o UAV, comúnmente conocido como “dron”, es un avión sin piloto humano a bordo. Los UAV son un componente de un sistema de aeronaves no tripuladas (UAS); Dichos sistemas suelen incluir un UAV, un controlador terrestre y un sistema de comunicaciones entre los dos. El vuelo de los UAV puede realizarse con distintos grados de autonomía: ya sea bajo control remoto por un operador humano o de forma autónoma mediante ordenadores a bordo..

[0005]

La inteligencia artificial (IA) o inteligencia artificial (IM) es la inteligencia demostrada por las máquinas, en contraste con la inteligencia natural (NI) mostrada por los humanos y otros animales. El aprendizaje automático es un campo de la informática que otorga a los sistemas informáticos la capacidad de mejorar progresivamente el rendimiento de una tarea específica con datos, sin estar programados explícitamente..

resumen

[0006]

Los aspectos de la invención proporcionan sistemas inteligentes para los programas de modificación del clima. En un aspecto, un método ejemplar incluye la obtención de datos que incluyen ubicaciones actuales de nubes candidatas a sembrar; Basado en los datos, incluidas las ubicaciones actuales de las nubes candidatas que se sembrarán, lo que hace que un vehículo se mueva próxima al menos una de las nubes candidatas que se sembrarán; Obtener, a partir de un conjunto de sensores asociado con el vehículo, mientras que la suite del vehículo y el sensor se indica al menos una de las nubes candidatas que se sembrarán, el clima y los datos del sistema de nubes; y obtener parámetros de posición del vehículo de la suite del sensor asociado con el vehículo. El método incluye además, según los datos del sistema climático y en la nube y los parámetros de posición del vehículo, determinando, a través de un proceso de aprendizaje automático, cuáles de las nubes candidatas deben ser sembradas y, dentro de las de las nubes candidatas que deben sembrarse, donde dispersar un material de siembra apropiado. El método incluye además controlar el vehículo para llevar a cabo la siembra en las nubes candidatas a sembrar, de acuerdo con el paso determinante.

[0007]

En otro aspecto, otro método ejemplar incluye obtener, a partir de un conjunto de sensores terrestres que incluye una pluralidad de sensores, asociados con un conjunto de siembra terrestre que incluye una pluralidad de aparatos de siembra, datos del clima y del sistema de nubes; basándose en los datos meteorológicos y del sistema de nubes, determinando, mediante un proceso de aprendizaje automático, qué aparatos de siembra terrestres se activarán y cuándo; y enviar señales de control a los individuales del aparato sembrador terrestre, para provocar que el mismo emita material de siembra, de acuerdo con el paso determinante.

[0008]

Tal como se utiliza en este documento, “facilitar” una acción incluye realizar la acción, hacerla más fácil, ayudar a llevarla a cabo o hacer que se realice la acción. Por lo tanto, a modo de ejemplo y sin limitación, las instrucciones que se ejecutan en un procesador podrían facilitar una acción llevada a cabo por instrucciones que se ejecutan en un procesador remoto, enviando datos o comandos apropiados para provocar o ayudar a realizar la acción. Para evitar dudas, cuando un actor facilita una acción además de realizarla, la acción es, no obstante, realizada por alguna entidad o combinación de entidades..

[0009]

Se pueden implementar una o más realizaciones de la invención o elementos de la misma en forma de producto de un programa de computadora que incluye un medio de almacenamiento legible por computadora con código de programa utilizable por computadora para realizar los pasos de método indicados. Además, una o más realizaciones de la invención o elementos de la misma se pueden implementar en forma de un sistema (o aparato) que incluye una memoria, y al menos un procesador que está acoplado a la memoria y la operación para realizar pasos de método ejemplares. Sin embargo, en otro aspecto, una o más realizaciones de la invención o elementos de la misma se pueden implementar en forma de medios para llevar a cabo uno o más de los pasos de método descritos en este documento; Los medios pueden incluir (i) módulos de hardware (s), (ii) módulos de software almacenados en un medio de almacenamiento legible por computadora (o múltiples medios de este tipo) e implementados en un procesador de hardware, o (iii) una combinación de (i ) y (ii); cualquiera de (i)-(iii) implementa las técnicas específicas establecidas en este documento.

[0010]

Las técnicas de la presente invención pueden proporcionar efectos técnicos beneficiosos sustanciales, como apreciará el experto en la técnica. Una o más realizaciones basan las decisiones de siembra de nubes en datos ambientales y de nubes más relevantes, en comparación con las técnicas de la técnica anterior, colocando así con mayor precisión el material de siembra, obteniendo mejores resultados de siembra de nubes, y similares. Consulte también a HIGO. 7 y texto adjunto.

[0011]

Estas y otras características y ventajas de la presente invención resultarán evidentes a partir de la siguiente descripción detallada de realizaciones ilustrativas de la misma, que debe leerse en relación con los dibujos adjuntos..

BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0012]

HIGO. 1 es una representación conceptual de sistemas ‘inteligentes’ para modificación del clima (advertida o inadvertida) y programas y/o actividades de siembra de nubes, según un aspecto de la invención..

[0013]

HIGO. 2 representa interfaces y configuraciones de subsistemas y componentes de todo el sistema para sistemas autónomos UAS/UGV (UGV=vehículo terrestre no tripulado) con control adaptativo (es decir, sistemas ‘inteligentes’ aerotransportados/terrestres), según un aspecto de la invención..

[0014]

HIGO. 3 describe los procesos de desarrollo y flujo de datos de sistemas autónomos UAS/UGV con control adaptativo (es decir, sistemas ‘inteligentes’ aéreos/terrestres). En esta figura, “Producto” es el objetivo principal de cada paso. El paso de garantía de calidad y difusión es la entrega o el punto final de cada paso (i-vii).

[0015]

HIGO. 4 Representa un sistema informático que puede ser útil para implementar uno o más aspectos y/o elementos de la invención..

[0016]

higos. 5un y 5b (colectivamente, “HIGO. 5 ”) presentar una tabla que detalla una configuración funcional conceptual ejemplar de un sistema ‘inteligente’ para identificar, monitorear y evaluar programas de siembra de nubes y/o modificación del clima a través de aproximaciones aéreas y terrestres, según un aspecto de la invención.;

[0017]

HIGO. 6 presenta una tabla que detalla sensores ejemplares livianos y compactos para una carga útil del sensor de sistema ‘inteligente’, según un aspecto de la invención;

[0018]

HIGO. 7 presenta una tabla que demuestra ejemplos no limitantes de cómo las realizaciones de la invención superan cierta efectividad que limitan las deficiencias de las actividades actuales de siembra de nubes; y

[0019]

HIGO. 8 es un diagrama de bloques que muestra la adquisición de datos ejemplar, el procesamiento de datos y los aspectos de control, según un aspecto de la invención.

DESCRIPCIÓN DETALLADA

[0020]

Aspectos de la invención proporcionan técnicas para llevar a cabo programas y/o actividades de siembra de nubes, modificación del tiempo advertida y/o inadvertida. Al menos algunas realizaciones proporcionan un método avanzado basado en la ciencia de la ingeniería adaptado para mejorar la seguridad, además de reducir la huella y el costo de, la modificación contemporánea del clima (advertida e inadvertida) y/o los programas o actividades operativas y de investigación de siembra de nubes. mientras optimiza su efectividad (en comparación con los programas contemporáneos de siembra de nubes).

[0021]

Al menos algunas realizaciones utilizan ventajosamente la información de los sensores del sistema para guiar la acción de siembra, es decir, emplean control adaptativo. De hecho, una o más realizaciones se centran en el uso de sistemas ‘inteligentes’, con control adaptativo y capacidades funcionales como se describe en el presente documento, para programas y actividades de modificación del clima y siembra de nubes configurados según lo definido por un requisito de programa específico. Al menos algunas realizaciones emplean un sistema ‘inteligente’ terrestre para sembrar niebla o un sistema ‘inteligente’ aéreo para sembrar nubes estratiformes de base baja, nubes estratiformes elevadas y nubes convectivas..

[0022]

Vale la pena señalar que una o más realizaciones mejoran aún más las técnicas y/o sistemas actuales. Por ejemplo, un proyecto actual que involucra sensores y/o componentes potencialmente pertinentes adecuados para su uso en conexión con sistemas no tripulados mencionados en este documento incluye, por ejemplo, el premio de Fase II de Innovative Dynamics, Inc., financiado por la Marina y financiado por SBIR/STTR, titulado “Condiciones de formación de hielo atmosférico”. Sistema de Medición (AiMS)”. Se hace referencia al sistema de medición de formación de hielo en el aire (AIMS) IceSight Ice Protection System disponible en Innovative Dynamics Inc., Ithaca, NY, EE. UU. Para los UAV, el sensor Cloud Water Inertial Probe (CWIP) de Rain Dynamics proporciona información meteorológica in situ para aeronaves tripuladas y no tripuladas. Se hace referencia a la sonda inercial de agua en las nubes (CWIP) y a la aleta CWIP disponibles en Rain Dynamics LLC de Boulder, CO, EE. UU. Otros dispositivos útiles están disponibles en Droplet Measurement Technologies de Longmont, CO, EE.UU.; por ejemplo, Cloud Droplet Probe es un instrumento útil en vehículos aéreos no tripulados grandes y medianos. Consulte Sara Lance, Errores de coincidencia en una sonda de gotas de nube (CDP) y un espectrómetro de nubes y aerosoles (CAS), y el rendimiento mejorado de un CDP modificado, JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY, volumen 29, páginas 1532-1541, octubre 2012 (en adelante “Lance 2012”), incorporada expresamente por referencia en este documento en su en su totalidad para todos los fines, aunque el experto en la técnica estará generalmente familiarizado con los mismos. La sonda de nube de retrodispersión de Droplet Measurement Technologies con instrumento de detección de polarización (BCPD) tiene un potencial significativo para la detección de formación de hielo con vehículos aéreos no tripulados. Se hace referencia a K. Beswick et al., The Backscatter Cloud Probe: un espectrómetro óptico autónomo compacto de bajo perfil, Atmos. Medidas. Tecnología. 7, 1443-1457, 2015 (en adelante “Beswick et al. 2014”), incorporado expresamente por referencia en el presente documento en su totalidad para todos los fines, aunque el experto en la técnica estará generalmente familiarizado con el mismo. Stratton Park Engineering Company (SPEC Inc.) de Boulder, CO, EE. UU., está miniaturizando su generador de imágenes de partículas de nubes (CPI) y sus otros espectrómetros de nubes para su uso en vehículos aéreos no tripulados. Consulte R. Paul Lawson et al., Una descripción general de las propiedades microfísicas de las nubes árticas observadas en mayo y julio de 1998 durante FIRE ACE, J. Geophys. Res. 106 (D14), 14989-15014, 27 de julio de 20101, (en adelante “Lawson et al. 2001”), incorporado expresamente en el presente documento como referencia en su totalidad para todos los fines, aunque el experto en la técnica estará generalmente familiarizado con el mismo. Dadas las enseñanzas del presente documento, el experto podrá emplear elementos y/o componentes mencionados en el presente documento, y similares, para obtener al menos una parte de la información atmosférica y/o ambiental utilizada por nuestra una o más realizaciones..

[0023]

Algunos sistemas combinan sensores terrestres con modelos e información recuperada por satélite. Los meteorólogos y los analistas determinan las mejores ubicaciones para la siembra en función de los datos cercanos disponibles y en qué condiciones ese material producirá precipitación que alcanza el área objetivo y posiblemente cuándo encender/desactivar los generadores. En los sistemas actuales, el sensor de tasa de formación de hielo en tierra, los datos satelitales y la información recuperada por satélite generalmente no son representativos de la parte en la nube que es relevante o relacionado con el lugar donde se necesita la información para determinar cuándo la siembra debe comenzar y/o detenerse o para evaluar las acciones de siembra. Una o más realizaciones miden automáticamente dicha información con mayor precisión y desde una ubicación más relevante y usan las mismas para iniciar automáticamente la siembra. Al menos algunas realizaciones usan esta información para ayudar a garantizar una efectividad y eficiencia óptimas en tiempo casi real; automáticamente.

[0024]

Una o más realizaciones proporcionan una metodología para mejorar el rendimiento y la evaluación de la modificación del clima o los programas o actividades de siembra de nubes utilizando el control autónomo adaptativo de los sistemas de siembra en el aire y tierra, y participar prudentemente en soluciones para mitigar la modificación inadvertida de la clima.

[0025]

Los proyectos de modificación meteorológica o siembra de nubes generalmente se implementan en sistemas de nubes o porciones de nubes que son naturalmente ineficientes para convertir su humedad en precipitación en el suelo dirigido a caer en un área definida. La siembra de nubes está destinada a hacer que las nubes sean precipitadores más eficientes independientemente de la causa detrás de la ineficiencia. La siembra en la nube ha evolucionado para funcionar de manera efectiva en los sistemas de nubes que contenían el rango ideal de condiciones que conducen al uso de la tecnología de siembra de nubes. Las tecnologías de siembra de nubes contemporáneas pueden aplicarse de manera efectiva para facilitar la eficiencia del ciclo del agua. Ver, por ejemplo: DeFelice, TP (ed.), American National Standards Institute, American Society Ingenieros civiles y la guía de práctica estándar del Instituto de Recursos Hídricos Ambientales para el diseño y operación de programas de dispersión de niebla sobreenfriadas (44-13), ASCE, RESTON, VA, EE. UU. (En adelante ANSI/ASCE/EWRI 2013); Langerud, D. (ed.), Práctica estándar de ASCE para el diseño y operación de proyectos de supresión de granizo (39-15), ASCE, Reston, VA, EE. UU. (En adelante ANSI/ASCE/EWRI 2015); DeFelice, TP (ed.), Práctica estándar de ASCE para el diseño y operación de proyectos de mejora de la precipitación (42-17), ASCE/EWRI, RESTON, VA, EE. UU. (En adelante ANSI/ASCE/EWRI 2017); DeFelice, TP et al., Efectos de área adicional de la siembra de nubes: una evaluación actualizada, Atmos. Res. 135-6, 193-203, 2014 (en adelante DeFelice et al. 2014); Las pautas de Keyes, CG et al. Para la siembra de nubes para aumentar la precipitación, la tercera edición, los manuales de ASCE e informes sobre la práctica de ingeniería no. 81, ASCE, RESTON, VA, EE. UU. (220 pp.) (En adelante, Keyes et al 2016), las revelaciones completas de todos los cuales se incorporan expresamente por referencia en este documento en sus entiretes para todos los fines, aunque el artesano calificado estará familiarizado con el mismo. Los programas de modificación del clima se llevan a cabo en todo el mundo en regiones donde las nubes tienen condiciones susceptibles al uso de tecnologías de modificación climática a través de agentes de siembra glaciogénica, o agentes de siembra de nubes higroscópicas o cálidas.

[0026]

Se han realizado proyectos operativos de siembra de nubes desde las primeras pruebas de agentes de siembra de nubes, también llamados agentes de siembra glaciogénica (es decir, hielo seco y yoduro de plata, AGI), a mediados de la década de 1940. La siembra de nubes para mejorar la capa de nieve de invierno en las áreas montañosas del oeste de los Estados Unidos (EE. UU.) Se considera muy exitosa desde mediados de la década de 1980. Los científicos evalúan el aumento en la cantidad de precipitación a un aumento generalmente de hasta un 10% en comparación con la naturaleza utilizando materiales de siembra glaciogénica, especialmente complejos de yoduro de plata (AGI). También se pueden sembrar nubes consideradas demasiado cálidas para la siembra glaciogénica, o nubes cálidas. Esto se conoce comúnmente como siembra higroscópica. Los resultados de la siembra de nubes cálidas o la siembra higroscópica son favorables pero aún no concluyentes. Los resultados de la siembra de nubes convectivas de fase mixta se han mezclado y, a menudo, no concluyentes. La siembra de nubes individuales aisladas ha llevado a cambios definidos y principalmente positivos en las cantidades de precipitación. Los métodos estadísticos y basados ​​en computadora han evolucionado para minimizar el ruido introducido por la complejidad de estos sistemas y por el número estadísticamente pequeño de eventos para la evaluación objetiva de la efectividad de la siembra de la nube operativa. El impacto ambiental del uso de agentes de siembra glaciogénica contemporánea es mínimo, si lo hay. El impacto ambiental del uso de agentes de siembra higroscópica contemporánea también es mínimo en este momento.

[0027]

Los programas actuales de siembra de nubes pueden proporcionar un aumento de aproximadamente el 10% en la cantidad de precipitación (en comparación con lo normal) bajo ciertas aplicaciones de siembra glaciogénica. El aumento porcentual tiene una gran incertidumbre y tampoco es probablemente mayor debido principalmente a los siguientes factores; (a) La complejidad de los sistemas de nubes y sus interacciones con su entorno circundante, (b) La preparación de las tecnologías para sentir el medio ambiente a ser tratado bajo actividades de modificación climática es inadecuado, (c) datos insuficientes, (d) Medidas no realizadas a una frecuencia espacial y temporal adecuada para reproducir satisfactoriamente su verdadero estado natural, y (e) los sensores en sí mismos están diseñados para medir una variable dependiente. Por ejemplo, un instrumento mide el contenido de agua líquida utilizando una sonda estándar de contenido de agua líquida. El contenido de agua líquida puede ser el mismo valor para que se sembraran dos nubes, a pesar de que los tamaños de caída de nubes son diferentes. Este último agrega riesgo al resultado exitoso de la operación si la estrategia de siembra no coincide adecuadamente con la verdadera microestructura de la nube o sus características de población de gotas.

[0028]

Los aviones tripulados son la plataforma más común para la siembra de nubes. Los aviones tripulados permiten el acceso a zonas remotas, a pesar de; (i) su alto costo de operación y mantenimiento, y (ii) dificultades relacionadas con sus riesgos operativos, es decir, uso en condiciones de formación de hielo y terreno montañoso. Además, en este sentido, también existe un riesgo para los pilotos asociado con el uso de aviones tripulados para la siembra de nubes. Una o más realizaciones mejoran ventajosamente la seguridad del piloto reduciendo o eliminando la necesidad de vuelos tripulados y/o mejorando la eficacia de los vuelos tripulados y reduciendo así el número de vuelos tripulados necesarios. Los programas actuales de siembra de nubes o modificación del clima no utilizan aviones fuertemente instrumentados para realizar operaciones, a menos que exista un esfuerzo de investigación especial vinculado al programa. Incluso durante un programa de investigación, esta información no se utiliza operativamente, excepto en lo que se aplica a la investigación. En el caso aéreo, una o más realizaciones emplean aeronaves tripuladas y no tripuladas, con instrumentación y autonomía adaptativa. En una o más realizaciones, la carga útil del sensor del sistema es una parte pertinente de esta metodología y su implementación exitosa. El costo de asegurar el avión sembrador tripulado, su sistema de siembra y un avión instrumentado para respaldar los costos de investigación y desarrollo es alto. También tienen altos costos de mantenimiento y existen costos para certificar cada uno para el vuelo..

[0029]

En contraste, los sistemas actuales de siembra en tierra son muchos órdenes de magnitud menos costosos de obtener y mantener. La implementación y operación del sistema de siembra en el suelo ocasionalmente puede ser un desafío. Por ejemplo, su ubicación requiere modelar para garantizar que el material de siembra entre en las nubes apropiadas (por ejemplo, Keyes et al 2016), especialmente en terreno montañoso, montañoso y ligeramente vegetado, si lo hubiera, árido. En una o más realizaciones, el uso de sistemas “inteligentes” en el terreno proporciona datos adicionales, a menudo no disponibles, ambientales y una orientación operativa de siembra, similares a las plataformas de sistemas “inteligentes” en el aire, para proporcionar un rendimiento mejorado e incluso óptimo de rendimiento y efectividad de siembra.

[0030]

Las deficiencias que afectan a los programas actuales de modificación meteorológica/programas de siembra de nubes se pueden minimizar a través de programas de investigación y desarrollo dirigidos a la optimización de las tecnologías actuales utilizadas para administrar procesos atmosféricos “tratables”. Sec, EG, DeFelice, TP, un plan del programa de gestión atmosférica de alto nivel para el nuevo Millennium, J. Weather Modification, 34, 94-99 (2002) (en adelante “DeFelice 2002”) y Golden, J. et al. Hacia un nuevo paradigma en la investigación y la tecnología de modificación del clima, J. Modificación del clima, 38, 105-117 (2006) (en adelante “Golden and DeFelice 2006”), las revelaciones completas de los cuales se incorporan expresamente por referencia en el documento en sus entireticiones Para todos los propósitos, aunque el artesano hábil estará generalmente familiarizado con los mismos. Sin embargo, además de agregar un costo significativo, la mayoría de los patrocinadores del programa obtienen un beneficio suficiente al emplear la tecnología actual. Por lo tanto, la financiación de la investigación y el desarrollo sigue siendo escaso en el mejor de los casos.

[0031]

Una o más realizaciones superan ventajosamente la brecha de datos requerida para identificar nubes adecuadas y sembrarlas de manera más inteligente de modo que el resultado sea positivo en el área objetivo indicada. Una o más realizaciones mejoran ventajosamente lo siguiente y/o mejoran otros aspectos reduciendo la necesidad de mejorar lo siguiente: los materiales de siembra, la metodología para realizar actividades de modificación del clima, las tecnologías (por ejemplo, sistema de siembra, modelos, herramientas de soporte de decisiones, procesamiento de datos). sistema), para integrar tecnologías nuevas, auxiliares y/o auxiliares (es decir, tecnologías mejoradas y/o nuevas más eficientes). Esto último puede requerir formas novedosas de aplicar operativamente las tecnologías mejoradas. En el presente documento se divulga una guía para implementar una o más realizaciones para llevar a cabo operaciones de actividades/programas de modificación del clima y siembra de nubes y su evaluación. La guía también ayudará al experto en la materia a mantener el costo de una o más realizaciones equivalente o incluso menor que el de las actividades actuales de siembra de nubes..

[0032]

Axisa, D. y DeFelice, TP, Tecnologías modernas y prospectivas para actividades de modificación del clima: una mirada a la integración de sistemas de aeronaves no tripuladas, Atmos. Res., 178-9, 114-124 (2016) (en adelante, “Axisa y DeFelice 2016”) y DeFelice, TP y Axisa, D., Desarrollando el marco para la integración de sistemas de aeronaves no tripuladas autónomas en actividades de siembra de nubes, J. Aeronautics & Aerospace Engineering, 5:172, 001-006 (en adelante, “DeFelice y Axisa 2016”) ambos proporcionan información de antecedentes, y las divulgaciones completas de ambos se incorporan expresamente como referencia en el presente documento en su totalidad para todos los fines, aunque el experto en la materia estará generalmente familiarizado con las mismas. Una o más realizaciones amplían las capacidades de los sistemas no tripulados para abordar, por ejemplo, operaciones de siembra de nubes que involucran nubes sembrables con bases de nubes altas (más de 3.000 m sobre el nivel del suelo) y/o intensas corrientes ascendentes y turbulencias..

[0033]

Una o más realizaciones emplean sistemas aéreos (es decir, de ala fija), terrestres y otros sistemas “inteligentes” para mejorar y aumentar la precipitación y suprimir el granizo. Algunas realizaciones utilizan un sistema ‘inteligente’ terrestre para programas de modificación del clima y siembra de nubes que implican la siembra de niebla, nubes estratiformes de base baja (es decir, bases a aproximadamente 3.000 m sobre el nivel del suelo y menos) y nubes orográficas. Algunas realizaciones utilizan un sistema “inteligente” aerotransportado y/o un sistema “inteligente” terrestre para nubes estratiformes de base baja, nubes estratiformes elevadas, nubes orográficas o nubes convectivas dependiendo de los requisitos del programa. Una o más realizaciones también proporcionan una gestión de datos comparativamente más desarrollada, autonomía adaptativa, “aprendizaje automático” como se define en el presente documento y el marco de software correspondiente, que mejora una base establecida por DeFelice y Axisa 2016, en comparación con los componentes actuales del programa de siembra de nubes. y las entidades analizadas en otros lugares del presente documento.

[0034]

Una o más realizaciones proporcionan una metodología y marco de cambio de paradigma para usar sistemas ‘inteligentes’ durante el rendimiento (es decir, identificar, conducir, monitorear) y evaluar la modificación del clima, la siembra de nubes y los programas/actividades de modificación meteorológica inadvertida. Una o más realizaciones proporcionan orientación para un éxito óptimo e integración regular de capacidades tecnológicas más nuevas diseñadas para lograr objetivos basados ​​en la misión de manera más rentable. Una o más realizaciones son independientes del diseño detallado de un tipo particular de “sistema” inteligente “. Aunque el sistema ‘inteligente’ en el aire primario en una o más realizaciones es el ala fija, se divulga en este documento son capacidades funcionales pertinentes de los sistemas ‘inteligentes’ necesarios para usar de manera efectiva una o más realizaciones, incluida la autonomía adaptativa, de las cuales será el artesano experto Capaz de seleccionar una variedad de sistemas de ala fijos o móvil adecuados. En una o más realizaciones, el sistema debería poder apoyar de manera segura su peso máximo en el despegue durante el entorno atmosférico más extremo como se define en la sección de descripción detallada. Una o más realizaciones proporcionan un marco y metodología para permitir un uso efectivo e incluso óptimo durante los programas y/o actividades de modificación meteorológica.

[0035]

‘Los ‘Sistemas Inteligentes’ son sistemas autónomos con control adaptativo o son sistemas autónomos adaptativos. Consulte, por ejemplo, Dydek ZT et al., Control adaptativo de UAVs Quadrotor: un estudio comercial de diseño con evaluaciones de vuelo, IEEE Transactions on Control Systems Technology, 21(4), 1400-1406 (2013) (en adelante “Dydek et al. 2013”), cuya descripción completa se incorpora expresamente como referencia en el presente documento en su totalidad para todos los fines, aunque el experto en la materia estará familiarizado en general. con lo mismo. Estos sistemas contienen interfaces seguras con su carga útil de sensores a bordo, comunicación, navegación, gestión de datos y componentes controlados por software. Por lo general, también pueden interactuar de forma segura con otros sistemas de observación (por ejemplo, UAS/UGS) y/u otras tecnologías para llevar a cabo las actividades operativas requeridas o para monitorear y evaluar las operaciones de siembra. Los sistemas autónomos podrían contener; Aeronaves o sistemas terrestres autónomos no tripulados (UAS/UGS) con control adaptativo, Aeronaves o vehículos terrestres autónomos no tripulados (UAV/UGV) con control adaptativo, Sistemas aéreos o terrestres no tripulados (UAS/UGS) con o sin control adaptativo, Aeronaves o sistemas terrestres no tripulados vehículos (UAV/UGV) con o sin control adaptativo, aeronaves tripuladas o sistemas terrestres, lanzamiento de material de siembra con cohetes con o sin autonomía y/o con o sin control adaptativo, torres instrumentadas (incluso con un sistema de siembra), sistemas de siembra terrestres con o sin controles remotos adaptativos, globos instrumentados (incluso con un sistema de siembra), sistemas de observación móviles y estáticos equipados con sistemas de siembra, así como cualquier combinación de estos sistemas, no simplemente cada uno de ellos de forma aislada (por ejemplo, enjambre de vehículos aéreos no tripulados, sistema en red terrestre). El control adaptativo se refiere al rendimiento mejorado y la mayor robustez de un sistema autónomo mediante la configuración de su sistema de control para ajustar la acción de siembra del UAS/UGV en función de las mediciones (es decir, detección in situ o remota de un parámetro atmosférico/ambiental).)).

[0036]

En una o más realizaciones, los sistemas autónomos con control adaptativo, o ‘Sistemas Inteligentes’, son guiados por sensores remotos (por ejemplo, terrestres, incluyendo radar/radiómetro, perfiladores, aeronaves si están disponibles, y/o satélites), meteorológicos numéricos. modelos de predicción (NWP) y/o sistemas de sensores basados ​​en plataformas de sistemas ‘in situ o ‘inteligentes’ para proporcionar ubicaciones de destino para la siembra y contienen un conjunto de sensores (carga útil) que proporciona información ‘in situ’ datos atmosféricos/ambientales necesarios para identificar las condiciones adecuadas para la siembra u otra aplicación específica. Cada sistema ‘inteligente’ ingiere sin problemas, casi en tiempo real, los datos de la carga útil del sensor (es decir, temperatura, humedad relativa, viento, velocidad de la corriente ascendente, distribución del tamaño de los aerosoles y distribución del tamaño de las gotas, y otros según sea necesario), datos auxiliares/auxiliares ( ej., ubicaciones de nubes, topografía, ubicaciones de siembra basadas en convección u otros criterios definidos, información de otros sistemas ‘inteligentes’, satélites, radares, radiómetros, archivos de datos), datos de modelos de PNT, datos de acciones de siembra y datos del piloto automático o del control remoto. La acción de siembra, dónde y cuándo sembrar, están determinadas por el software del sistema de siembra que extrae datos auxiliares/auxiliares (u ‘otros datos’), datos del modelo de PNT y/o entradas de datos de sensores de plataforma. El material de siembra que se debe dispensar, si no está predeterminado, está determinado por los datos de los sensores de la plataforma, los datos del modelo NWP y, según sea necesario, los datos auxiliares/auxiliares..

[0037]

En una o más realizaciones, todos los datos están controlados de calidad utilizando una prueba simple y procesados ​​en tiempo real. Cada sistema ‘inteligente’ navega hacia las áreas de nubes candidatas (si es móvil) o se activa en espera (si está estática), según las coordenadas de ubicación obtenidas de las entradas de datos auxiliares/auxiliares y procesados ​​a bordo y/o con la ayuda de las computadoras en las computadoras en las Estación de control de tierra. El sistema de navegación o piloto automático, o control remoto (si está basado en tierra), incluye control remoto o rutina de piloto automático, base de datos de software en el bucle (SIL), planificador de misiones, radio telemetría y una unidad de procesamiento central (CPU). El piloto automático o la rutina de control remoto, la base de datos SIL y el planificador de misiones, o un controlador autónomo o equivalente, ahora se encuentra (“ahora, la transmisión” se refiere a la descripción detallada del clima actual junto con los pronósticos obtenidos por extrapolación durante un período de 0 a 6 horas por delante) Las coordenadas de ubicación auxiliar/auxiliar en tiempo real ingeridas y datos del sensor de plataforma. La salida de la rutina de autonomía, o equivalente, se vuelve a encender a la navegación (piloto automático o control remoto) que permite que el sistema adapte automáticamente su ruta en consecuencia con el muestreo interno y remoto del modelo y la orientación del modelo NWP a medida que se dirige al Nuevas ubicaciones. En una o más realizaciones, este último se actualiza continuamente durante todo el vuelo, y el sistema es capaz para el aprendizaje automático como se describe en este documento.

[0038]

Una vez que el sistema ‘inteligente’ alcanza una ubicación apropiada (preferiblemente ideal), la rutina de navegación adaptativa pasa el control y los datos del sensor al sistema de siembra (es decir, al dispensador de siembra, incluido el modelo de siembra y el software correspondiente), y comienza la siembra. La siembra comienza y finaliza cuando los sensores indican condiciones de siembra favorables y luego desfavorables, respectivamente. El ciclo de siembra continúa hasta que el UAS deba regresar para repostar combustible o exista una situación insegura, momento en el cual se instalará un sistema de reemplazo para continuar la actividad. Cada sistema ‘inteligente’ transmite todos los datos a la estación de control terrestre (GCS) a través de telemetría para su archivo y procesamiento computacional intensivo. Los resultados del procesamiento computacional intensivo, incluida la predicción en tiempo casi real en forma de conjunto de las rutas adaptadas óptimas y las ubicaciones, tasas, duraciones y materiales óptimos de siembra, basados ​​en los datos de sensores “in situ y remotos”, el algoritmo semilla, las predicciones de la base de datos SIL, las predicciones del modelo NWP y similares, se almacenan en la base de datos SIL, se validan y se envían de vuelta al sistema de gestión de datos del Sistema “Inteligente” durante su funcionamiento. . Además, en el caso específico de los sistemas ‘inteligentes’ terrestres, esto incluye qué sistemas activar para la siembra para garantizar el máximo efecto y eficiencia. En una o más realizaciones, cada Sistema ‘Inteligente’ es capaz de comunicarse con otros a lo largo de un programa de siembra (un programa de siembra puede durar del orden de meses o años, por ejemplo). Además, en una o más realizaciones, uno o más sistemas inteligentes están configurados para comunicarse con otros sistemas inteligentes, sistemas de control terrestre y/o sistemas de gestión de emergencias, y similares..

[0039]

Los sistemas ‘inteligentes’, si no están basados ​​en tierra, se pueden usar individualmente o en tándem (es decir, 2 o más), en un enjambre en red, o de una manera que logra datos de eulerianos y/o lagrangianos concurrentes, con o sin sin perfil, para cumplir adecuadamente los requisitos de la actividad de siembra. Se pueden usar junto con las tecnologías de siembra de nubes actuales. Por ejemplo, algunas realizaciones se emplean utilizando los sistemas ‘inteligentes’ en el aire (no basado en el suelo) en la modificación del clima y los programas/actividades de siembra de nubes diseñados para la mejora de la precipitación o el aumento y la supresión de granizo. Del mismo modo, algunas realizaciones se emplean utilizando sistemas ‘inteligentes’ terrestres en la modificación del clima y los programas/actividades de siembra de nubes diseñados para la dispersión de niebla y el aumento de precipitación.

[0040]

Del mismo modo, los sistemas ‘estatales, atados, atados y móviles’) ‘inteligentes’ se pueden usar individualmente, o en una red configurada para garantizar una cobertura óptima del material de siembra en los sistemas de nubes específicos para garantizar que la precipitación del sistema de nubes cayera en el área dirigida. En una o más realizaciones, el sistema terrestre tiene un componente de autonomía que está controlado de forma remota por la guía del modelo NWP y su carga útil del sensor concurrente. Este último identifica cuando los sistemas de nubes se pueden sembrarse, encender todos, uno o ninguno de los sistemas en función de las condiciones ambientales medidas o simuladas, y continúa la operación de siembra hasta que las condiciones hayan terminado. La guía del modelo NWP se basa en los datos de los sistemas de tierra inteligentes (por ejemplo, “empuje”), así como a los modelos NWP de mesoescala y regional. Ese conjunto de datos se procesa y se usa en tiempo casi real para controlar de manera óptima las acciones de sembrado de inicio y parada, así como para controlar el tipo de material dispensado, y para realizar un seguimiento de la cantidad total dispensada. Este último se actualiza continuamente en una o más realizaciones, y el sistema es capaz del aprendizaje automático como se describe en este documento. En una o más realizaciones, el sistema también proporciona alertas para recargar los materiales de siembra y comunicar las condiciones climáticas extremas. Una vez que termina la siembra, cada sistema generalmente puede continuar haciendo mediciones según sea necesario. Además, en al menos algunos casos, se pueden emplear sistemas ‘inteligentes’ no sembrados en una variedad de sistemas ‘inteligentes’ basados ​​en tierra para recopilar datos durante el mismo período, simultáneamente con los sistemas que estaban sembrando.

[0041]

Una o más realizaciones emplean tecnologías mejoradas, detallan la configuración de sus interfaces y permiten que esas tecnologías y sistemas de software relevantes evolucionen independientemente de su uso. Consulte la tabla de HIGO. 5 . Este último contribuye a operaciones de siembra de nubes más simplificadas que tienen huellas y costos operativos más pequeños (en comparación con los programas de siembra de nubes contemporáneos), al tiempo que mejoran o incluso optimizan su efectividad. Además, aunque sin costo adicional, los datos en sensibilidades temporales y espaciales para superar los problemas de previsibilidad o escasez de los parámetros ambientales que identifican condiciones adecuadas para la siembra y cómo se pueden implementar que se puedan implementar están disponibles más allá de su uso operativo. Los conceptos de gestión e implementación para utilizar la metodología descrita también se proporcionan en este documento.

[0042]

Por lo tanto, una o más realizaciones proporcionan una metodología y un marco de cambio de paradigma para usar sistemas ‘inteligentes’ para identificar, realizar, monitorear y evaluar actividades de modificación del clima, siembra de nubes y modificación del clima inadvertida. Referirse a HIGO. 1 , que representa una realización ejemplar de la invención que incluye un UAS 105–2, un UAS 105–1 (colectivamente 105), y dos UGV113 a, 113 b (colectivamente 113), entendiéndose que se podrían usar vehículos aéreos y/o terrestres tripulados en otras realizaciones, y que se podrían usar menos o más vehículos; es decir, desde un vehículo hasta cualquier número deseado. La realización ejemplar también incluye sistemas de siembra terrestres convencionales o UGV estacionarios121, 123, 125, que podrían usarse solos o en combinación con los vehículos aéreos y/o terrestres. En una realización ejemplar no limitativa, el UAS 105–1, 105–2 se lanzan desde área de lanzamiento 103 y volar en tándem, y el UGV113 a, 113 b están estacionarios y/o se mueven según sea necesario; todos funcionan como una unidad para garantizar una orientación óptima de las nubes candidatas 143 para a su vez garantizar que se logren resultados óptimos en el área objetivo 115. En el ejemplo no limitativo de HIGO. 1 , cada UAS 105–1, 105–2 y/o cada uno UGV113 a, 113 b tiene un carga útil similar 127 y resistencia. Los dos UAS-es, es decir, UAS1 (105–2; por ejemplo, por encima del nivel de formación de nubes/observador) y UAS2 (105–1, ej., cerca del nivel de formación de nubes/sembradora) vuela hacia una o más nubes objetivo iniciales que se dirigen hacia el área objetivo. Una carga útil ejemplar no limitante se describe en HIGO. 6 ; Cada UAS/UGV puede incluir una cámara de vídeo como parte de 127.

[0043]

Vale la pena señalar que, en las operaciones de siembra convencionales, los objetivos de nubes generalmente son elegidos visualmente por el meteorólogo en el suelo y/o el piloto en la aeronave. Ver, EG, Keyes et al 2016 y ANSI/ASCE/EWRI 2017. En la UAS, el meteorólogo en el suelo puede no tener una visual del objetivo de la nube, y el procesamiento de videos a bordo de los objetivos de la nube puede identificar regiones nubladas utilizando análisis fotogramétrico estéreo y Combinación automática de características que reconstruyen escenas de nubes 3D. Ver Romatschke, U. et al. Análisis fotogramétrico de nubes de rotor observadas durante T-Rex, 97ª Reunión Anual de la Sociedad Meteorológica Americana, Robert A. Houze, Jr. Simposio, #443, AMS, Boston. MA, EE. UU. 2017 (en adelante, “Romatschke et al. 2017”), cuya divulgación completa se incorpora expresamente por referencia en este documento en su totalidad para todos los fines, aunque el artesano calificado generalmente estará familiarizado con el mismo. Una o más realizaciones utilizan información de los sensores 127 (incluyendo cámara de video, y ver también HIGO. 6 ); de Radar101, 111; y/o de satélite 117 a través de enlaces de comunicacion133, 135, 137. Enlaces de comunicaciones145, 147, y 149 se puede emplear cuando se basa en tierra sistemas121, 123, 125 se utilizan. La información de los sensores en otros UAS y/o UGV también se puede emplear a través de campo de golf129, 137, Por ejemplo, así como a través de un enlace adecuado entre UAVS 105–1 y 105–2 (omitido para evitar el desorden). También se pueden proporcionar enlaces de comunicación adecuados entre la estación de control del suelo-GCS 109 y cada UAS/UGV 105–2, 113 b, 105–1, 113 a y el satélite 117; Ver, por ejemplo., enlaces de comunicacion119, 139, y 141. También se pueden proporcionar enlaces de comunicación (omitidos para evitar el desorden) entre el GCS 109, UAS 105–1 y UGV 113 a, Por ejemplo. En una realización ejemplar, la red de malla 131 entre uas1 y uas2 es capaz de tasas de datos de 100 Mbps, mientras que las operaciones de línea de visión y más allá de la línea de visión son capaces de 56 kbps y 2.4 kbps, respectivamente, por ejemplo. Esta información se procesa y/o se almacena en cada UAS/UGV 105–1, 105–2, 113 a, 113 b y/o en sistemas de procesamiento en GCS 109. El UAS y UGV y cualquier sistemas terrestres121, 123, 125 están controlados por y/o desde el estación de control terrestre 109. Los niveles de isoterma denotados por 151 y 153 se proporcionan para una orientación relacionada con las preocupaciones operativas para implementar un aspecto de la invención de efectos óptimos (como lo apreciarán el artesano calificado, niveles entre los cuales el yoduro de plata, tal como se produce en el equilibrio térmico, activa más efectivamente la fase de hielo para el agua y y y y y y y y y y y y y sea; Reflectividad umbral para la detección de granizo de radar).

[0044]

Una o más realizaciones incluyen la integración regular de las capacidades tecnológicas más nuevas diseñadas para mejorar sus objetivos de misión. Aunque el sistema ‘inteligente’ en el aire primario es el ala fija en algunas realizaciones, en general, las realizaciones pueden emplear cualquier sistema ‘inteligente’ con capacidades funcionales pertinentes definidas necesarias. Una o más realizaciones no se limitan a un tipo particular de “sistema” inteligente “. Los “sistemas” inteligentes “son sistemas autónomos con control adaptativo, o son sistemas de autonomía adaptativa; Consulte nuevamente a Dydek et al. 2013. Consulte también ahora a HIGO. 2 . Bloquear 113 es generalmente representativo de UGV113 a, 113 b, mientras Bloquear 105 es generalmente representativo de UAVS 105–1, 105–2. El control adaptativo se refiere al rendimiento mejorado y una mayor robustez de un sistema autónomo al configurar su sistema de control para ajustar la acción de siembra de los sistemas autónomos en función de las mediciones. Los sistemas autónomos se definen en este documento como aeronaves autónomas no tripulados o sistemas de tierra con control adaptativo, aeronaves autónomos no tripulados o sistemas de tierra sin control adaptativo, aeronaves no tripuladas o sistemas de tierra (UAS/UGS) con o sin control adaptativo, aeronaves no tripuladas o vehículos terrestres (UAV (UAV (UAV /UGV) con o sin control adaptativo, aeronaves tripuladas o sistemas de tierra, torres instrumentadas (incluidas aquellas con un sistema de siembra), sistemas de siembra en tierra con o sin controles remotos adaptativos, globos instrumentados (incluso con un sistema de siembra), móvil y móvil Sistemas de observación estática equipados con sistemas de siembra, material de siembra entregado con cohetes, y también cualquier combinación de estos sistemas, no solo cada uno de forma aislada (p. Ej., Swarm UAV, sistema en red en la tierra.).

[0045]

Los sistemas autónomos con control adaptativo, o sistemas ‘inteligentes’, están, por ejemplo, guiados por sensores remotos (por ejemplo, terreno, incluido el radar/radiómetro, los perfiladores, los aeronaves si están disponibles y/o el satélite) y/o ‘In- Sensores y/o sistemas de sensores basados ​​en la plataforma del sistema situ o ‘inteligente’ para proporcionar ubicaciones objetivo para la siembra y generalmente contienen una suite de sensores (carga útil) que proporciona datos atmosféricos/ambientales ‘in situ’ como apropiado para identificar condiciones adecuadas para la siembra u otra aplicación especificada.

[0046]

En una o más realizaciones, los sistemas ‘inteligentes’ contienen interfaces seguras con su carga útil de sensor integrado, gestión de datos, modelos, ‘aprendizaje automático’ como se define en este documento y componentes controlados por software. También pueden interactuar de forma segura con otros sistemas de observación y/u otra tecnología para su uso en programas de modificación del clima para llevar a cabo actividades operativas o para monitorear y evaluar las operaciones de siembra (ver, por ejemplo, tabla de HIGO. 5 para sistemas aerotransportados y terrestres).

[0047]

Una o más realizaciones no se limitan a ningún diseño en particular y/o cualquier técnica de fabricación particular para el sistema ‘inteligente’ en sí o para cualquier componente del sistema ‘inteligente’, excepto por expresar sus capacidades requeridas en función de su aplicación, adaptable Autonomía y la metodología y el marco que se emplearán para su uso en las actividades del programa de modificación del clima o siembra en las nubes. Es decir, una o más realizaciones proporcionan una mejor manera de realizar la modificación del clima y los programas de siembra de nubes dado el sistema ‘inteligente’ como generalmente se revela aquí.

[0048]

Una o más realizaciones utilizan un sistema ‘inteligente’ de ala fija si un requisito es para la mejora y el aumento de la precipitación (aunque esto no se pretende como una limitación a menos que se recita en un reclamo particular). Una o más realizaciones utilizan sistemas ‘inteligentes’ basados ​​en el suelo (es decir, UGV autónomo móvil o estático con control adaptativo) si el requisito es para la dispersión de niebla o implica sembrar sistemas de nubes estratiformes de baja base (es decir, bases en aproximadamente 3,000 my más bajos ) (aunque esto no se pretende como una limitación a menos que se recita en un reclamo particular). Un sistema ‘inteligente’ en el aire podría usarse para nubes estratiformes de baja base o una cubierta antiniebla más gruesa de 700 pies (213 metros). Del mismo modo, se podrían usar sistemas ‘inteligentes’ terrestres al sembrar nubes estratiformes elevadas y/o nubes convectivas. Sin embargo, los sistemas ‘inteligentes’ en el aire podrían usarse preferentemente al sembrar nubes estratiformes elevadas y/o nubes convectivas. La elección final depende de los requisitos proporcionados por el patrocinador del programa, como lo apreciará el artesano hábil, dadas las enseñanzas en este documento. Una o más realizaciones emplean ventajosamente la autonomía adaptativa, la configuración interfacial de los componentes del sistema y el marco de software correspondiente, mejorando el trabajo previo de DeFelice y Axisa 2016. programa y actividades, serán apreciados por el artesano hábil dadas las enseñanzas en este documento.

[0049]

En una o más realizaciones, un marco para desarrollar sistemas ‘inteligentes’ e integrarlos en actividades de modificación del clima tal como se definen abarca tres componentes básicos de desarrollo, a saber:

1) Sensores integrados en plataformas autónomas aéreas o terrestres. Los sensores miden los parámetros del estado meteorológico, el viento en 3D, la turbulencia y las propiedades microfísicas de las nubes de aerosoles en condiciones propicias para la siembra de nubes estratiformes (incluida la niebla) y/o nubes convectivas, o cualquier combinación de las mismas..

2) Algoritmos que gestionan la recopilación, el control de calidad (QA), la distribución, el análisis y el uso de sensores remotos (por ejemplo, radar), datos de sensores in situ en tiempo real y/u otros datos necesarios para guiar la plataforma hacia objetivos adecuados para implementar el siembra, en el caso de sistemas terrestres aerotransportados o móviles. Sin embargo, en el caso de sistemas terrestres estacionarios, los algoritmos equivalentes controlan el inicio/parada de la siembra, la tasa de siembra y, posiblemente, la elección del uso del material de siembra..

3) Despliegue de todos y cada uno de los sistemas ‘inteligentes’, incluso en una configuración para la que se utilizarán para llevar a cabo una misión específica..

[0053]

En una o más realizaciones, una vez que cada sistema “inteligente” pasa con éxito por estos pasos, está listo para su uso para cumplir con los requisitos de la misión. La plataforma del sistema ‘inteligente’, que debería ser capaz de soportar el peso de la carga útil, la gestión de datos y/o los sistemas de siembra, también debería poder soportar las turbulencias en los niveles atmosféricos que atraviesa. Consulte Axisa y DeFelice 2016, que también señala que las pequeñas plataformas UAS, con o sin autonomía y/o control adaptativo, podrían ser capaces de transportar algún material de siembra en forma de bengalas eyectables o quemadas en el lugar. Las operaciones de modificación del clima probablemente requerirán UAS más grandes, ya que probablemente necesiten llevar sensores, solución de acetona AgI y/o micropolvo de sal, a menos que se desarrollen e integren tecnologías más nuevas en estos sistemas. Este último se adapta fácilmente mediante una o más realizaciones..

[0054]

Refiriéndose a la tabla de HIGO. 5 , una o más realizaciones establecen capacidades funcionales para sistemas ‘inteligentes’ apropiados e incluso óptimos utilizados durante las actividades de modificación del clima y/o siembra de nubes, es decir, carga útil del sensor, sistema de procesamiento de datos a bordo con acceso remoto, software correspondiente para todas las funciones de la plataforma, control sistema y componentes de comunicación. En una o más realizaciones, el sistema de control incluye una capacidad de Inteligencia, Vigilancia y Reconocimiento que, dependiendo de la aplicación, incluirá la funcionalidad que se muestra en la tabla de HIGO. 5 y/o funcionalidad adicional o alternativa. La información del vídeo, junto con sus mediciones termodinámicas, las propiedades microfísicas de las nubes de aerosol, el radio efectivo de las gotitas de las nubes obtenidas por satélite y/u otros sensores relevantes se puede utilizar para identificar las condiciones de siembra adecuadas en las nubes identificadas. Cabe señalar que existe una diferencia sutil en el uso del vídeo entre los sistemas aéreos, móviles terrestres y estacionarios terrestres, principalmente en lo que se refiere a cuándo y cómo se utiliza la información del vídeo. Las plataformas terrestres utilizan el vídeo para cambiar el estado del Sistema a standby y comenzar a tomar medidas; mientras que el sistema móvil también utiliza vídeo para permanecer dentro de la nube. El sistema aerotransportado utiliza vídeo para determinar si una nube determinada es la identificada por el planificador de la misión. Estos datos, sin embargo, también pueden utilizarse para garantizar la validez del sistema de control y/o para usos adicionales o alternativos..

[0055]

En una o más realizaciones, los sistemas ‘inteligentes’, especialmente si están en el aire, son capaces de soportar el peso de la carga útil del sensor, el sistema de siembra, la gestión de datos, las comunicaciones y los componentes/aspectos controlados por software en las condiciones atmosféricas más severas sin ningún fallo de componente. y operar para cumplir con los requisitos de la misión para la siembra. Dadas las enseñanzas del presente documento, el experto podrá adaptar, por ejemplo, un UAS de ala fija para implementar una o más realizaciones..

[0056]

En la figura se muestra un esquema para una realización ejemplar de comunicaciones de sistemas ‘inteligentes’ terrestres y aéreos e interfaces de componentes y sus subsistemas. HIGO. 2 . HIGO. 2 muestra un esquema de rutina de control UAS ejemplar para el control autónomo del vehículo(s)) 105, 113. La adquisición de datos incluye entradas del sensores a bordo255, 275. Los datos también se obtienen en una o más realizaciones de la Radar101, 111 cubriendo el área objetivo 115; ver en general 293; así como de la camaras253, 273. Los pasos del procesamiento de datos son llevados a cabo por CPU257, 277 para garantizar que se transmitan datos de buena calidad al algoritmos243, 263 y modelos241, 261, donde se realiza un control de alto nivel (es decir, de siembra dispensadores245, 265 y de vehículos113, 105 Por mando a distancia 249 y piloto automático 269, respectivamente). Datos 293 También se puede comunicar a través de estaciones terrestres. 109–1 y 109–2 (colectivamente, 109) Por telemetria289, 291, 251, 271, 283–1, 283–2. El planificador de misiones 287–1, 287–2 incluye un algoritmo que produce las coordenadas donde se predice que ocurrirán las condiciones de siembra y pasa esas ubicaciones al piloto automático UAS 269/UGV mando a distancia 249, según sea el caso. Una vez que el UAS esté cerca de estas coordenadas, el algoritmos de sensores263, 243 y modelo de coalescencia (que se ejecuta en CPU277, 257 y/o computadoras 285–1, 285–2) se activan y, a través de una jerarquía de declaraciones lógicas, determinan la ubicación exacta para comenzar a sembrar. Una o más realizaciones emplean un simulador que implementa tecnología de software en el bucle (SIL). 281–2, /281–1 para simular las características de vuelo del UAS, UAS datos del sensor de carga útil275, 255, 263, 243, Datos 293 y resultados del planificador de misión 287–1, 287–2. Estos resultados se utilizan para optimizar los umbrales de semilla/no semilla y el algoritmo de focalización, ahorrando el alto costo de los enfoques de prueba y error y asegurando el éxito, y deberían proporcionar un número menor de detecciones de condiciones de siembra falsas positivas (en comparación con las prácticas actuales).).

[0057]

El datos de carga útil del sensor255, 275, siembra datos del algoritmo241, 261 y datos del piloto automático 269 (o mando a distancia 249 Si se transmiten en tierra) se transmiten a una estación de control de tierra (GCS) 109 y de allí a un centro de operaciones 299 a través de telemetria289, 291 y Ethernet 297, con prioridad dada a piloto automático 269/mando a distancia 249 Datos cuando el ancho de banda es limitado. Con esta configuración, cualquier sistema inteligente móvil, incluido UAS1 105–1/UAS2 105–2 Para aplicaciones aéreas, solo requiere coordenadas cargadas a través de la telemetría para navegar hasta la ubicación preferida para la orientación inicial. Todo el otro control de navegación se puede hacer a bordo del vehículo (con el exceso de pasajeros del piloto activo en todo momento, por ejemplo). El sistema ‘inteligente’ de tierra es capaz del aprendizaje automático como se describe en este documento. La computadora GCS 285–1, 285–2 utiliza planes de vuelo predefinidos desde el software de control de la misión 287–1, 287–2 Para generar coordenadas de navegación iniciales para UAS1 105–1 y uas2 105–2 y/o UGV 113. Otras realizaciones podrían arquitectar la ubicación del control de navegación de manera alternativa.

[0058]

El sistema “inteligente” aerotransportado se guía, en una o más realizaciones, mediante el uso de mediciones in situ en “tiempo real” y guía de vuelo del planificador de misiones GCS. 287–1, 287–2 y base de datos SIL 281–1, 281–2 para navegar por el sistema ‘inteligente’ de forma autónoma a áreas de temperatura, humedad relativa, velocidad de corriente ascendente, distribución del tamaño de los aerosoles y distribución del tamaño de las gotas adecuadas para implementar una siembra óptima. La siembra óptima significa que la siembra comienza y avanza a un ritmo que producirá la máxima conversión del agua de las nubes en precipitación que cae en el lugar previsto en el suelo o en el área objetivo. La tecnología Software-in-the-loop (SIL), por ejemplo, se utiliza en una o más realizaciones para integrar los datos de misiones anteriores de un tipo similar y evaluarlos para formular un plan de misión. El planificador de misiones 287–2, 287–1 ‘interroga’ al SIL 281–1, 281–2 para encontrar la mejor misión coincidente que haya sido validada. El resultado de la interrogación es un conjunto de características de vuelo simuladas, datos del sensor de carga útil, datos del modelo NWP de predicción meteorológica numérica (datos del modelo NWP1 y NWP2 en el conjunto de datos). 293) y sembrando salida del modelo261, 241 para llevar a cabo la misión utilizando los datos ingeridos hasta ese momento. La rutina del simulador (dentro de 287–2, 287–1; 281–2, 281–1; y 285–2, 285–1) Luego se aplica para optimizar los umbrales de semilla/no semilla y las rutinas de focalización. Una vez completadas las simulaciones, las campañas de campo que involucran al sistema105 o 113 se llevan a cabo. Las simulaciones se actualizan continuamente. Este último incorpora el aprendizaje automático como se describe en el presente documento. Esto se prefiere al alto costo de los enfoques de prueba y error y garantiza el éxito. Tiene una utilidad ampliada junto con sistemas terrestres 113. La misma tecnología de software-in-the-loop (SIL), por ejemplo, se utiliza en una o más realizaciones para integrar los datos de misiones pasadas de un tipo similar y evaluarlos para formular un plan de misión para operaciones futuras. Este último incorpora el aprendizaje automático como se describe en este documento..

[0059]

En el caso de los sistemas ‘inteligentes’ terrestres, en una o más realizaciones, el sistema de control (control remoto y rutina 249, Base de datos SIL 281–1, Planificador de misión-287–1, telemetría o radio 283–1, computadora 285–1) difiere ligeramente del sistema ‘inteligente’ en el aire (105) equivalente (respectivamente, 269, 281–2, 287–2, 283–2, 285–2). En algunas realizaciones, el sistema de control es ejecutado por NWP (consulte el conjunto de datos 293) y/o siembra guía del modelo241, 261, Según los datos o la información de otras técnicas, los datos del móvil sistemas terrestres inteligentes 113, y sistemas terrestres estacionarios121, 123, 125 y otro conjunto de datos parámetros 293, y los datos del 105). Por lo tanto, en una o más realizaciones, un modelo enciende el sistema de tierra, no un humano. Todavía existe la capacidad del exceso de viaje humano en una o más realizaciones a través del centro de operaciones 299. Los sistemas de tierra desplegados, al despliegue, están en espera con la capacidad de comunicarse con el centro de operaciones 299 (ver HIGO. 2 ) y el cámara de video 253 está activado. Una vez que se detecta la nube su sistema de sensores completo 255 se activa, pero no necesariamente se les ordena sembrar en ese momento. Los sistemas ‘inteligentes’ terrestres información del vídeo 253, Propiedades microfísicas termodinámicas, aerosol en la nube, el parámetro de hidrometeor de nubes de nubes de sensor relevante se procesa mediante UPC 257 y según sea necesario 285–1 identificar condiciones de siembra adecuadas en la nube identificada, controlar las acciones de inicio y dejar de siembra, así como para controlar el tipo de material dispensado (si se especifica en los requisitos del programa) y para realizar un seguimiento de la cantidad total dispensada por dispensador 245 bajo control de UPC 257 y/o mando a distancia 249 a través de telemetria251, 291. Si el sistema terrestre es móvil, su elevación también se agrega a los mencionados anteriormente. A diferencia del sistema ‘inteligente’ en el aire y, en parte, el sistema móvil ‘inteligente’ basado en tierra, al menos algunas realizaciones del sistema ” inteligente ” inteligente ‘basado en tierra está está en la información de la carga útil del sensor para mover el sistema a lo ideal ubicación; En su lugar, usan esa información para identificar cuándo el sistema de siembra debe estar en espera, encender/apagar, establecer la velocidad de siembra y, si no predeterminado, para determinar qué material de siembra debe ser dispensado. Además, en una o más realizaciones, los sistemas ‘inteligentes’ no sembradores en una variedad de sistemas ‘inteligentes’ basados ​​en el suelo pueden recopilar datos durante el mismo período, simultáneamente, con los sistemas que estaban sembrando. Tenga en cuenta que la telemetría es un ejemplo no limitante de una técnica de comunicación; Una o más realizaciones generalmente pueden emplear sistemas de comunicaciones inalámbricos y/o con cable para transmitir datos y/o comandos, al entender que los sistemas con cable se emplearían para activos terrestres que son estacionarios o que tienen como máximo un rango de movimiento limitado.

[0060]

Simultáneamente con las mencionadas, y en al menos algunos casos, principalmente en las computadoras de la estación de control de tierra 285–1, 285–2, Datos del sensor del sistema ‘inteligente’ basado en tierra (por ejemplo, temperatura del aire, campo eólico, datos microfísicos de nube de aerosol, datos de siembra, incluida la altitud y la elevación del terreno., 255 y 293) combinado con mesoescala y regional modelos de PNT a escala 293 Arc utilizado para realizar un conjunto de simulaciones y resultados asimilados en el SIL 281–1, 287–1, 285–1. Estos se analizan para garantizar la máxima efectividad de la siembra, es decir, que los generadores producen mejores resultados en situaciones meteorológicas específicas. Cuando las mediciones del sensor del ‘sistema inteligente’ ‘y/o los datos del modelo NWP coinciden con los’ mejores resultados ‘asimilados o los casos de umbral asimilados en la base de datos SIL (281–1), una señal se telemeteriza a 113 a través de 291 que llega al mando a distancia 249 instrucción 249 para enviar la señal a 245 de cada ‘inteligente’ sistema 113 Eso le dice a la siembra sistema 245 para comenzar a sembrar y dejar de sembrar. Esto se repite para todos los terrenos inteligentes’ sistemas 113 involucrado en un proyecto. La base de datos SIL 281–1 Construye una climatología con el tiempo que hace que el sistema sea más inteligente. Si la decisión es tener una semilla del sistema ‘inteligente’ móvil basada en el suelo, y la dirección del viento es del rango de dirección del viento requerido, la ubicación final óptima del móvil basado en tierra ‘inteligente’ inteligente’ sistema 113 está determinado, transmitido de vuelta al mando a distancia 249 y este terreno inteligente’ sistema 113 Comienza de forma autónoma y posteriormente adapta su camino en consecuencia a medida que se mueve hacia ese punto de “finalización” mientras se siembra y realiza mediciones. Si en algún momento durante la ruta del sistema móvil, su altitud cae por debajo de la altitud en y por debajo del cual el material de siembra no llegará al área objetivo (en función del conjunto de los ahora transcurridos), entonces la siembra se detiene. El sistema 113 se redirige a una ubicación más alta apropiada para mantener la orientación óptima de su material de siembra, y se reinicia la siembra. Como se señaló a priori, estos últimos se actualizan continuamente en todas las operaciones. La siembra ‘inteligente’ comienza y termina una vez que los sensores indican condiciones de siembra favorables y luego desfavorables, respectivamente. Una vez que se siembra desde el suelo móvil, inteligente’ sistema 113 se detiene o hay una situación insegura, el sistema deja de moverse pero continúa haciendo mediciones, momento en el cual hay un sistema de reemplazo para continuar la actividad en consecuencia. El planificador de misión de la estación de control del suelo (GCS) 287–1 También puede tener planes de rutas ‘impulsar’ predefinidos del software de control de misión y los datos de posición para generar coordenadas de navegación iniciales para cada sistema ‘inteligente’ basado en tierra que se requiere para ser móvil. Un conjunto de ahora se puede configurar, ejecutar y analizarse en tiempo casi real utilizando los datos obtenidos de una o más realizaciones (y no simplemente climatología), incluso mientras las operaciones están en curso y no solo después del hecho, para determinar dónde Cada sistema ‘inteligente’ no móvil basado en tierra debe ubicarse en situaciones meteorológicas específicas para producir resultados óptimos en un área objetivo. La actividad correspondiente en los programas actuales de modificación del clima se basa en la climatología (es decir, la meteorología promedio espacial y temporal para la misma región) y generalmente se separa del programa/actividades de modificación del clima operativo. En una o más realizaciones, todos los sistemas “inteligentes” también pueden comunicar alertas para recargar los materiales de siembra y sobre condiciones climáticas extremas a la centro de operaciones 299, otro ‘inteligente’ sistemas105, 113 y conjunto de datos de aeronaves 293.

[0061]

La capacidad de hacer que la precipitación caiga en un área prevista del suelo se conoce como focalización. La focalización es un aspecto complicado de cualquier operación/actividad de siembra y el software lo adapta, en una o más realizaciones. Los sistemas de una o más realizaciones son guiados por satélite o radar meteorológico que envía datos al planificador de la misión y a los componentes de la base de datos SIL que luego procesa y pasa coordenadas actualizadas casi en tiempo real al piloto automático del sistema para navegar a regiones de convección adecuada para la siembra de nubes. . Una o más realizaciones tienen la capacidad de utilizar datos relevantes del sistema de nube in situ, casi en tiempo real, para respaldar la orientación, lo cual es una mejora con respecto a las capacidades de siembra de nubes convencionales a través de plataformas terrestres o aéreas..

[0062]

Refiriéndose a la tabla de HIGO. 5 , la carga útil del sistema ‘inteligente’ móvil o estacionario, incluidos sensores diseñados para proporcionar mediciones in situ en ‘tiempo real’, pasa la temperatura, la humedad relativa y la velocidad de la corriente ascendente, por ejemplo, a través del algoritmos de sensores243, 263 en su UPC257, 277 al planificador de misiones 287–1, 287–2 y bases de datos SIL 281–1, 281–2. La tecnología SIL simula las características de vuelo del sistema ‘inteligente’, los datos del sensor de carga útil y del radar y la salida del modelo de siembra. Luego, este simulador se aplica para optimizar los umbrales de semilla/no semilla y el algoritmo de orientación. Una vez completadas las simulaciones, se realizan pruebas de siembra que involucran al Sistema. El simulador que implementa SIL simula las características de vuelo del Sistema, con la navegación impulsada por los datos de sensores y radar recopilados en las pruebas anteriores. El rendimiento del simulador SIL del algoritmo de orientación combinado de sensor y radar se puede evaluar, por ejemplo, ejecutando un conjunto de escenarios de simulación. Las simulaciones se pueden comparar con ubicaciones relevantes de rutas de vuelo reales recorridas en misiones anteriores de siembra de nubes para comprender las diferencias de comportamiento entre las operaciones tripuladas y las realizadas por UAS. En uno o más casos, los datos de las misiones anteriores son previamente cargados y almacenados en la base de datos del SIL. 281–1, 281–2. Este análisis comparativo sirve como guía para mejorar el algoritmo y el software de simulación a medida que se pasa al planificador de la misión. 287–1, 287–2. El planificador de la misión utiliza estos datos para actualizar las rutas de vuelo y las coordenadas actualizadas por telémetro al piloto automático del sistema ‘inteligente’, lo que garantiza una navegación autónoma óptima hacia áreas de temperatura, humedad relativa y velocidad de corriente ascendente adecuadas. Los conjuntos de datos existentes (por ejemplo, ver Axisa y DeFelice 2016) proporcionan valiosas fuentes de datos para desarrollar y restringir los algoritmos que guían los “sistemas ‘inteligentes'”. Estos datos se pueden extraer, analizar y extraer características para localizar series temporales representativas de sensores clave de aviones de investigación que vuelan en la base de las nubes o debajo de ella (por ejemplo, sensores que miden la velocidad de las corrientes ascendentes, la distribución del tamaño de los aerosoles y la distribución del tamaño de las gotas). Un ejemplo para determinar umbrales es el análisis de las distribuciones de tamaño de aerosoles medidas, las distribuciones de tamaño de hidrometeoros y su relación con la producción de lluvia. Una distribución amplia del tamaño de las gotas con una cola de gotas grandes podría no ser adecuada para la siembra higroscópica, especialmente si hay grandes partículas de aerosol higroscópico presentes debajo de la base de las nubes. En términos generales, y cuando se justifica la siembra, las gotas tienen una distribución de tamaño de gota estrecha y son más pequeñas cerca de la base de la nube. Se puede considerar que este tipo de nubes tienen propiedades continentales, con un número relativamente grande de pequeñas gotas que pueden inhibir la formación de lluvia. Por otro lado, las gotas menos numerosas y más grandes en la nube favorecen la formación natural de lluvia cálida. Los datos de distribución del tamaño de los aerosoles y de los hidrometeoros medidos ‘in situ’ se pasan de manera similar a través del algoritmos de sensores243, 263 Proporcionar más orientación para optimizar la implementación de la siembra y la orientación de la misma. material241, 261, 249, 269, 245, 265. Por lo tanto, una o más realizaciones emplean y desarrollan técnicas para distinguir entre estas propiedades de las nubes y aplicar el material de siembra basado en el análisis y la asimilación de datos derivados de mediciones in situ y no de observaciones que están muy alejadas y son poco representativas del sistema de nubes particular que se está sembrando. , como podría hacerse en actividades de investigación de modificación del clima o evaluaciones de programas..

[0063]

También se pueden realizar análisis similares sobre datos de radar en regiones de nubes que se sabe que son adecuadas para la siembra, para establecer firmas de radar representativas para los períodos y ubicaciones correspondientes. Se puede garantizar la calidad de los datos y procesarlos para que su salida sea similar a la producida por la carga útil del sensor del sistema. Estos datos luego se analizarían para desarrollar y restringir los algoritmos que guían el sistema, para finalizar y probar los algoritmos de carga útil de los sensores; realizar los análisis de datos; y desarrollar el algoritmo de radar.

[0064]

Los programas operativos de modificación del clima suelen utilizar un radar meteorológico de 5 cm que a menudo tiene capacidad Doppler para monitorear el desarrollo de las precipitaciones y el movimiento de las tormentas (por ejemplo, con un campo de velocidad Doppler) durante las operaciones. Consulte Keyes et al 2016 y ANSI/ASCE/EWRI 2017. Un ‘Sistema Inteligente’ 113, 105 equipado con software de radar dentro de su planificador de misión 287–2 (y/o 287-1 en algunas realizaciones) se dirige a nubes (o células) convectivas que pueden ser objetivos de siembra viables. El algoritmo de orientación de nubes sembrables encuentra la nube más adecuada para la siembra basándose en datos microfísicos in situ a escala real de subnubes, así como en datos de radar convencionales. También asimila campos de datos de radar meteorológico Doppler polarimétrico en conjunto de datos 293, que mejoran significativamente la orientación actual sobre focalización.

[0065]

En una o más realizaciones, el “sistema ‘inteligente'” también contiene un sistema de siembra para llevar a cabo la siembra de nubes. La siembra sistema245, 265 es capaz de dispensar bengalas higroscópicas y/o bengalas glaciogénicas; soluciones o polvos de micropartículas o nanopartículas u otras dependiendo de los requisitos. Las estrategias de siembra que usan una o más realizaciones pueden, pero no necesariamente, cambiar en comparación con las utilizadas actualmente. Por ejemplo, los objetivos de nubes se identifican de manera diferente en una o más realizaciones versus operaciones de siembra convencionales. Convencionalmente, los objetivos de siembra (nubes) son elegidos visualmente por el meteorólogo en el suelo y/o el piloto en la aeronave (por ejemplo, Keyes et al 2016; ANSI/ASCE/EWRI 2017; ANSI/ASCE/EWRI 2013; y ANSI/ASCE /EWRI 2015). En una o más realizaciones, el meteorólogo en el suelo puede no tener un visual, y el piloto/operador de un sistema no tripulado en el aire/tierra a menudo estará más allá de la línea de visión. Los observadores más allá de la línea de visión pueden estar presentes y no calificados para identificar las nubes adecuadas a pesar de la regulación actual (además, a este respecto, las reglas de la FAA actualmente no permiten que UAS opere en la nube o más allá de la línea de visión; sí permiten a los centros de excelencia extender los centros de excelencia. línea de visión más allá del punto de origen: han habido excepciones). Por lo tanto, la visual en una o más realizaciones se realiza utilizando el procesamiento de video a bordo de objetivos de nubes.

[0066]

Esa información puede introducirse en el módulo de autonomía junto con otras entradas de datos como se indicó a priori, y la ruta del “Sistema ‘Inteligente'” se modifica en consecuencia casi en tiempo real. El piloto/operador del sistema ‘inteligente’ normalmente tendrá la opción de anular la autonomía desde su punto de control a través del centro de operaciones 299. Por el contrario, un piloto de una aeronave tripulada que lleva una tecnología adaptativa (es decir, por ejemplo, CWIP, véase Axisa y DeFelice 2016), combinada con un sistema de siembra (por ejemplo,., 113 y/o 105), podría usarse efectivamente dentro de una o más realizaciones, sin perjuicio de todas las demás consideraciones de aeronaves tripuladas..

[0067]

Otros ejemplos incluyen el uso de información del sensor de velocidad de formación de hielo con dispensadores o generadores de semillas de tierra, y sensores de tierra combinados con modelos y propiedades microfísicas recuperadas por satélite en Cloud Top (por ejemplo, Keyes et al. 2016, ANSI/ASCE/EWRI 2017). En tales casos convencionales, especialmente en áreas orográficas difíciles de alcanzar, la información del sensor de tasa de formación de hielo se puede enviar a la persona responsable de encender/apagar el sistema de siembra. Esa persona luego llama al generador y presiona un botón para encenderlo o desactivarlo; de lo contrario lo hace manualmente. Una o más realizaciones emplean (en comparación con la técnica anterior) datos más relevantes y más precisos de una ubicación más relevante para iniciar automáticamente la siembra. En otro ejemplo, a saber, los sensores de tierra, los mismos se combinan con modelos NWP e información recuperada por satélite, y se usan manualmente con los mejores datos meteorológicos/climatológicos cercanos disponibles para determinar las mejores ubicaciones para los generadores de siembra y bajo qué condiciones producirá precipitación. Eso llega al área objetivo, y posiblemente cuándo encender/apagar los generadores. El sensor de formación de hielo y los datos de satélite terrestres y la información retrabada por los satélites generalmente no son representativos de la parte en la nube que es relevante o relacionado con el lugar donde se necesita la información para determinar cuándo la siembra debe iniciar/detener o evaluar las acciones de siembra. Estos siguen siendo esfuerzos manuales principalmente y se utilizan actualmente después de las operaciones o como un aprovechamiento de una actividad de investigación rara. Una o más realizaciones, en contraste, miden u obtienen automáticamente dicha información con mayor precisión y desde una ubicación más relevante y usan las mismas para iniciar automáticamente la siembra.

[0068]

Ahora se discutirán aspectos pertinentes sobre cómo equipar la plataforma UAS con un sistema de dispensador (o entrega) de siembra. El artesano calificado apreciará que el sistema de dispensadores de siembra para los sistemas ‘inteligentes’ utilizados en una o más realizaciones será más robusto que simplemente montar una bengala AGI en una plataforma UAS e encender esa bengala en vuelo, ya que usa cualquier UAS en un clima operativo La actividad del programa de modificación es muchos órdenes de magnitud más difíciles. Las tecnologías convencionales utilizadas operacionalmente hoy en los aviones de semillas tripuladas aún no son directamente transferibles a ningún UAS. Un ejemplo es la longevidad del vuelo a través de la nube superenfriada por la plataforma UAS. Hay productos disponibles comercialmente que podrían usarse en una plataforma UAS. Sin embargo, hasta que se pruebe el sistema particular, que es una parte integral de una o más realizaciones, la autonomía tendría que reposicionar el UAS en una ubicación más cálida y seca. Después de perder la acumulación de hielo, el vehículo puede reposicionarse para sembrar la parte superior de la nube o en la base de la nube, por ejemplo, dependiendo de la situación meteorológica específica. Estos problemas se acomodan como práctica estándar a través de una o más realizaciones..

[0069]

La siembra en la cima de las nubes suele utilizar bengalas lanzables, que requieren aproximadamente de 600 a 1800 m, dependiendo del tiempo de combustión después de la ignición, antes de consumirse por completo (Keyes et al. 2016). El ‘Sistema Inteligente’ de una o más realizaciones es capaz de adaptarse a dicha distancia y mantener restricciones de altitud mínima según lo exigen las agencias reguladoras, además de garantizar que el material de siembra alcance el nivel de nube vertical de -5 °C para que se produzcan llamaradas de AgI. convertirse en núcleos de hielo activos. Los aviones de siembra convencionales pueden utilizar bengalas AgI, entre otros materiales de siembra. El tratamiento exitoso de las nubes para aumentar las precipitaciones generalmente requiere tasas de siembra en las nubes de decenas a cientos de gramos de AgI por kilómetro, y de cientos a miles de gramos por hora cuando se siembra en las cimas de grandes sistemas de nubes convectivas (Keyes et al., 2016). Por el contrario, el uso de soluciones de AgI de generadores terrestres normalmente produce alrededor de 5 a 35 g de AgI por hora de operación (Keyes et al.. 2016).

[0070]

Vale la pena señalar que el nivel de isoterma de −5 C dentro de una nube convectiva se utiliza para determinar la probabilidad de hielo (granizo) dependiendo de los valores de reflectividad del RADAR para esa área general. Con el nivel de -5 C y el valor de reflectividad del RADAR excediendo un valor umbral (depende de la longitud de onda del radar) en ese nivel de -5 C, entonces es probable que haya granizo dentro de ese sistema y la estrategia de siembra tendría que cambiar o detenerse. dependiendo de la situación meteorológica y de nubes específica.

[0071]

Si se requiere que un UAS en el aire utilice un dispensador de semillas capaz de transportar 100 bengalas, cada una de las cuales contenga 10 g de AgI (en peso), esto agregaría al menos 4,3 kg de peso extra total solo de las bengalas (las bengalas tienen un peso significativo aparte del la carga útil, es decir, una bengala tiene un peso total de 43 g, de los cuales 10 g son AgI). Sin embargo, esto no tiene en cuenta el peso añadido de todo el sistema dispensador de semillas (es decir, la rejilla abocinada). La cantidad de AgI dispensada podría producir una cantidad suficiente de AgI para mejorar la eficiencia de precipitación de ese sistema de nubes durante su tiempo de vuelo. Sin embargo, dependiendo del tamaño del programa y sus requisitos, es posible que se necesiten varios sistemas para garantizar una siembra continua. Una alternativa sería integrar en el sistema un nuevo dispensador de semillas tecnológicamente avanzado, que puede requerir o no un nuevo tipo de material de siembra o una modificación para permitir el uso de los materiales de siembra utilizados actualmente. Suponiendo que se tuvieron en cuenta las consideraciones operativas del sistema y la entrega de material de siembra liviano, cómo se entrega el material de siembra y si la plataforma del sistema ‘inteligente’ solo lo transportaría y llegaría a la parte apropiada de la nube es parte de este aspecto. En este ejemplo se utilizó AgI, pero se aplican preocupaciones similares cuando los requisitos exigen que el material de siembra sea un polvo de nanopartículas/micropartículas, o una solución glaciogénica o que contenga sal..

[0072]

En una o más realizaciones, el sistema de gestión de datos para el Sistema ‘Inteligente’ utilizado en esta metodología tiene el rendimiento computacional y la capacidad para manejar los volúmenes de datos generados para al menos una misión y actividad de programa completa. Abarca el sistema de procesamiento de datos a bordo (CPU y almacenamiento de datos) con acceso remoto, las interfaces configuradas con el sistema de control (control remoto o piloto automático, base de datos SIL, Mission Planner, radio, CPU), sistema de siembra (siembra modelo241, 261 y sembrando dispensador245, 265, y software correspondiente), comunicaciones (la telemetría es un ejemplo no limitativo de comunicaciones inalámbricas adecuadas) 283–1, 283–2, 291, 289, 251, 271, carga útil del sensor (incluidos los algoritmos del sensor)) 255, 275, 243, 263 y las conexiones auxiliares/auxiliares (u otros datos, incluidos otros ‘Sistemas inteligentes’) (es decir, conjunto de datos 293), así como los modelos correspondientes (en conjunto de datos 293; así como 287–1, 287–2, 241, 261), ‘aprendizaje automático’ como se define en este documento, y software para todas las funciones de la plataforma. Ingiere sin problemas, casi en tiempo real, los datos de la carga útil del sensor (por ejemplo, temperatura, humedad relativa, campo de viento 3D, presión, distribución del tamaño de los aerosoles y distribución del tamaño de las gotas, contenido de agua líquida/contenido de agua helada, otros según sea necesario), auxiliares. /datos auxiliares (p. ej., ubicaciones de nubes, topografía, ubicaciones de siembra basadas en convección u otros criterios definidos, información de otros sistemas ‘inteligentes’, satélites, radares, archivos de datos), datos de acciones de siembra y datos del piloto automático (p. ej., en almacenes de datos247, 267 así como 283), (y opcionalmente otros datos apropiados) de acuerdo con estaciones de control terrestres 109 y conjunto de datos 293. Luego realiza un simple control de calidad (QA) de estos datos. Además, si las interfaces de comunicación entre cada sensor de la carga útil de siembra y cada componente del sistema de siembra, el componente funcional de procesamiento de datos, el componente funcional de software que incluye la planificación de ruta autónoma, no están optimizados para un sistema específico y para un objetivo o función de misión específica. , entonces sus mediciones pueden ser inutilizables científicamente y su uso puede desviar la trayectoria de vuelo, dando lugar a resultados desfavorables. Hemos descubierto que el uso de estudios comerciales estándar, en lugar de prueba y error como es hoy en día, es preferible para abordar las cuestiones relacionadas con el material de siembra, la entrega de la siembra, la orientación, la ubicación de los sensores y las interfaces no óptimas con la plataforma/los sensores. En algunos casos, es apropiado realizar un estudio comercial de ingeniería que investigue el rendimiento de los sensores, de forma individual y, en última instancia, como una unidad combinada, en función de la integración y ubicación de la plataforma, por ejemplo..

[0073]

En un ejemplo no limitativo, el almacenes de datos247, 267 enviar sus datos a las computadoras GCS y a la base de datos SIL para su uso como se describe en este documento; es decir, aprendizaje automático, pero también copia de seguridad o archivo (conservación de la información más reciente sobre el estado y la ubicación de la nube, parámetros del material de siembra, por ejemplo). El almacenes de datos247, 267 retener la información necesaria principalmente como un sistema de seguridad sistemático, como en el caso de pérdida de comunicación terrestre y/o datos de sensores, por ejemplo, y para agilizar la siembra operativa. El almacenes de datos247, 267 por lo tanto, puede tener un almacenamiento limitado con almacenamiento primario en el terreno (por ejemplo, bases de datos SIL). En un ejemplo no limitativo, ante la pérdida de datos del sensor, utilice los datos almacenados en 247,267 y participar 269,249 enviar una señal a través de 271, 251 a 293 y 281–1, 281–2 u otra fuente para recuperar “otros” datos relevantes para llenar el vacío de información que falta y continuar con el programa de la misión de siembra.

[0074]

La acción de siembra, dónde y cuándo sembrar están determinados por el software del sistema de siembra (es decir, siembra modelo241, 261 y sembrando dispensador245, 265, y software correspondiente) que extrae elementos auxiliares/auxiliares (p. ej., conjunto de datos 293) y plataforma entradas de datos del sensor255, 275, con capacidad para tener anulación del piloto 299. Para determinar cuándo sembrar se utiliza principalmente el datos del sensor de plataforma 255, 275) una vez que “dónde” sembrar se determina mediante rutinas de piloto automático/control remoto. Qué material de siembra dispensar, si no está predeterminado, está determinado, en una o más realizaciones, por los datos del sensor de la plataforma, principalmente, y según sea necesario, datos auxiliares/auxiliares u “otros”. Por ejemplo, utilizando ejemplos en otros lugares del presente documento como base, el algoritmo del modelo de siembra ingiere y extrae las entradas de datos del sensor con marca de tiempo y luego procesa estos datos para extraer aquellos datos que caen dentro de los valores umbral de las cantidades operativas para determinar cuándo sembrar, y qué material dispensar si no está predefinido. Los valores umbral de las cantidades operativas provienen de la carga útil del sensor a bordo, que incluye propiedades microfísicas ambientales (p. ej., vientos 3D, temperatura, humedad relativa, presión), aerosoles y nubes (p. ej., concentración de aerosoles, química de los aerosoles, higroscopicidad de los aerosoles, gotas). concentración, distribución del tamaño de la gota, tamaño efectivo de la gota, tamaño del hidrometeorito, tipo de hidrometeorito, relación de despolarización de la nube de hielo). La calidad de los datos se controla mediante una prueba simple (por ejemplo, prueba de rango de datos) y se procesan en tiempo real (por ejemplo, se pasan a través de un filtro de paso bajo) para proporcionar datos que describen el parámetro atmosférico/ambiental de interés medido (por ejemplo, velocidad de corriente ascendente, tamaño de gota y concentración de gota correspondiente, y tamaño de aerosol y concentraciones correspondientes). Luego, estos datos se pasan a través de una serie de declaraciones si/entonces que esencialmente abarcan los criterios de umbral para indicar la capacidad de siembra. Si se cumplen los umbrales, la siembra se produce de acuerdo con las condiciones ambientales y el material elegido para dosificar. Por ejemplo, si se utiliza material de siembra higroscópico, probablemente se dispensará en la base de las nubes o al nivel del suelo; mientras que el material glaciogénico podría dispensarse en la base de las nubes, en la cima de las nubes o al nivel del suelo, mientras este y otros sistemas continúan realizando mediciones de sensores, recopilando datos auxiliares/auxiliares y gestionando sus funciones programáticas. Los umbrales también se utilizan para establecer la variabilidad natural, abordar investigaciones y análisis científicos y, en algunas circunstancias, se pueden relacionar con casos de control si la siembra se produjo en una nube cercana..

[0075]

En una o más realizaciones, cada sistema ‘inteligente’ en el aire navega de forma autónoma hacia el área de la nube candidata donde la siembra es probablemente efectiva, según las coordenadas de ubicación proporcionadas a través del piloto automático, que ganó sus coordenadas a través del planificador de misiones 287–1, 287–2. Las coordenadas de ubicación se pueden obtener, por ejemplo, de las entradas de datos auxiliares/auxiliares y procesadas, como mediante un módulo de tipo de control de navegación (piloto automático/mando a distancia249, 269, Planificador de misión 287–1, 287–2 y base de datos SIL 281–1, 281–2), A bordo del sistema (en una o más realizaciones ejemplares no limitantes, el recorte de piloto está disponible a través de centro de operaciones 299 En todo momento (es decir, 24 horas por día, 7 días por semana durante los períodos operativos). La navegación o el sistema automático, o el control remoto (si se basan en la tierra), incluye control remoto o rutina de piloto automático249, 269, Base de datos SIL 281–1, 281–2, Planificador de misión 287–1, 287–2, radio 283–1, 283–2 (comunicando con radios251, 271 a través de telemetria 291, 289), UPC 285–1, 285–2. Nuevamente, la telemetría es un ejemplo de comunicación no limitante. El piloto automático o la rutina de control remoto, la base de datos SIL y el planificador de misiones, o un controlador autónomo, o equivalente, ahora se encuentra las coordenadas de ubicación auxiliar/auxiliar ingerida en tiempo real y datos de sensores de plataforma. La salida de la rutina de autonomía, o equivalente, se vuelve a alimentar a la navegación (control automático o control remoto, 249, 269) Eso permite que este sistema adapte automáticamente su camino de acuerdo con el muestreo in situ en curso y la guía del modelo NWP a medida que se dirige a las nuevas ubicaciones. Este último se actualiza continuamente durante todo el vuelo. Una vez que el sistema ‘inteligente’ alcanza la ubicación ideal, la rutina de navegación adaptativa pasa los datos de control y sensores al sistema de siembra (es decir, siembra dispensador245, 265 incluyendo siembra modelo241, 261 y el software correspondiente), y comienza la siembra. La siembra comienza y termina una vez que los sensores indican condiciones de siembra favorables y luego desfavorables, respectivamente. El ciclo de siembra continúa hasta que el UAS debe regresar para el alimentación o hay una situación insegura, momento en el que existe un sistema de reemplazo para continuar la actividad, según corresponda. La computadora de control de tierra (GCS) Computadora 285–2, 285–1 ha sido predefinido planes de vuelo de control de misión 299 El software y los datos de posición para generar coordenadas de navegación iniciales para cada sistema ‘inteligente’.

[0076]

Del mismo modo, en base a ejemplos en otros lugares en este documento para el sistema “estacionario, móvil, y/o atado)” inteligente “, datos de su carga útil del sensor o datos simulados del modelo para identificar cuándo los sistemas son sembrables, seleccione el material de siembra (si no está predeterminado. ), decida cuándo encender todo (si es una matriz), uno o ninguno de los sistemas, y continúe con la operación de siembra hasta que las condiciones adecuadas hayan terminado. La selección del material de siembra se basa en meteorología y microfísica en aerosol y datos meteorológicos. El software del sistema de siembra rastrea el uso del material y proporciona alertas para recargar los materiales de siembra. Cada sistema también comunica las condiciones climáticas extremas. Una vez que termina la siembra, cada sistema continúa haciendo mediciones según sea necesario. Además, los sistemas ‘inteligentes’ no sembradores en una variedad de sistemas ‘inteligentes’ terrestres pueden recopilar datos durante el mismo período, simultáneamente con los sistemas que estaban sembrando.

[0077]

Hay momentos en que los sistemas móviles (aviones incluidos) e estáticos serán apropiados. Un ejemplo de tal podría estar en una región orográfica donde se requiere aumento de la capa de nieve o aumento de precipitación. En aras de esta ilustración, la siembra ocurrirá utilizando un material glaciogénico utilizando una variedad de sistemas ‘inteligentes’ de tierra estática y un solo sistema móvil ‘inteligente’ móvil. El sistema ‘inteligente’ móvil basado en tierra se encuentra a la distancia más alejada del viento hacia arriba del área objetivo pero en dirección al viento (en relación con el viento del área objetivo) que no es climatológicamente frecuente. El último sector eólico generalmente produce nubes tratables, pero los otros sistemas en la matriz, y un sistema ‘inteligente’ estacionario no sería efectivo para sembrar estas nubes hasta en el área objetivo). Además, un sistema ‘inteligente’ en el aire no es factible. Dados estos requisitos, en el escenario convencional de siembra de nubes, los generadores de siembra en el suelo no se encenderían, o todos se encenderían. Cualquiera de las situaciones produciría un beneficio mínimo a un costo típico utilizando los escenarios convencionales que se utilizan actualmente hoy en día.

[0078]

Por el contrario, una o más realizaciones son más rentables y mejoran o incluso maximizan la efectividad de la acción de siembra, utilizando datos in situ de cada sistema ‘inteligente’ y otros datos para tener uno o todos los sistemas ‘inteligentes’ de tierra sembrando la nube sistema. Además, cuando la dirección del viento era del sector eólico especial, una o más realizaciones pueden, por ejemplo, tener principalmente la semilla del generador de tierra móvil el sistema de nubes. Este último requiere que el sistema de tierra móvil, si comienza a siembra, permanezca con esa nube durante la siembra hasta que de otra manera se indique. Como se discutió en este documento, la información de los estudios anteriores se puede almacenar en la base de datos SIL 281–1, 281–2 junto con los umbrales de siembra. La base de datos 281–1, 281–2 También puede contener topografía detallada, información de la carretera, tipo de cobertura del suelo y datos de morfología para el área objetivo y la región circundante. Cuando estos datos determinan que un sistema ‘inteligente’ de tierra no producirá precipitación en su área objetivo, el sistema se detendrá o no se sembrará, y hará mediciones, por ejemplo. Del mismo modo, el sistema móvil semilla a medida que se mueve cuando la dirección del viento es del sector eólico especial, y no se alcanza la ubicación final óptima del sistema móvil basado en tierra ‘inteligente’. Adapta continuamente su camino y verifica si seguir la siembra a medida que avanza hacia la ubicación final mientras se registra los datos. Si en algún momento durante la ruta del sistema móvil, los ahora transcurridos indican que estará en una elevación en y por debajo del cual el material de siembra no llegará al área objetivo, luego se detiene la siembra; El sistema deja de moverse; Pero sus sensores continúan haciendo medidas. Poco después se dirige de manera autónoma a una ubicación apropiada para mantener la orientación óptima del material de siembra hasta que el evento de siembra se detiene. Se proporcionan más detalles en otro lugar aquí.

[0079]

El sistema “inteligente” que detecta las nubes susceptibles de la siembra y la ubicación de la siembra, en una o más realizaciones, implicará el desarrollo de algoritmos de focalización, radar y sensores de una manera similar a la resaltada en otro lugar aquí para desarrollar umbrales de semillas de desarrollo los sensores. Esto se puede hacer, por ejemplo,: (1) analizando datos de campañas de campo anteriores para definir los parámetros de sensores clave que ingresan datos en el algoritmo de orientación de la nube y (2) probando el rendimiento de estos algoritmos a través del software en el- Simulador basado en bucle (SIL). Los datos de radar se usan comúnmente en programas de siembra de nubes convencionales y una o más realizaciones pueden usar datos de radar para guiar la navegación. En el caso de los sistemas ‘inteligentes’, el algoritmo de datos de radar puede contener características aumentadas por datos de sensores del sistema ‘in situ’ ‘inteligentes’ y un simple algoritmo de semillas múltiples basadas en reglas/sin semillas. Para que este algoritmo sea robusto, un modelo de siembra de nubes 261 (Se puede agregar un ejemplo no limitante es un modelo de caja de coalescencia o similar) que se ejecutará en la CPU del sistema de datos UAS (nota el modelo de siembra de nubes UGV correspondiente 241). El modelo de caja ingiere la distribución de tamaño de caída medida y calcula la evolución temporal de los tamaños de caída y la concentración en el futuro cercano. El resultado da una indicación muy fuerte sobre si la nube es capaz de producir llovizna naturalmente (es decir, sin siembra) y, por lo tanto, si debe ser dirigida a la siembra. Este algoritmo de datos de radar mejorado, o equivalente, produce las coordenadas donde se predice que ocurren condiciones de siembra, y pasa esas ubicaciones al piloto automático de los sistemas. Una vez que el sistema está cerca de estas coordenadas, los algoritmos de sensor y el modelo de coalescencia se vuelven activos, y a través de una jerarquía de declaraciones lógicas, determine la ubicación exacta para comenzar a sembrar.

[0080]

La rutina de datos de radar mejorada se puede mejorar aún más programándola para utilizar datos de radar meteorológico Doppler polarimétrico. Este es un avance significativo más allá de la guía del radar meteorológico Doppler convencional, si estos datos están disponibles, debido a la información adicional proporcionada por la función polarimétrica. Esta mejora adicional utiliza un modelo simple de caja de crecimiento de gotas de nube para calcular la evolución de la distribución del tamaño de las gotas (DSD) comenzando con los datos ingeridos de un espectrómetro que mide la distribución del tamaño de las gotas existente. El modelo realiza una comparación de umbrales utilizada para respaldar el resultado de la decisión de siembra. Si se comienza con el algoritmo básico de adquisición de datos de radar y se desea utilizar datos de polarización dual, será apropiado mejorar el manejo de datos de polarización dual. Esto proporciona la capacidad de identificar columnas ZDR (reflectividad diferencial) y regiones de fase diferencial específica alta entre las señales de polarización dual, ambos indicadores de precipitación significativa. Además, se puede incorporar y mejorar una rutina de identificación de hidrometeoros, de modo que se puedan identificar diferentes regímenes microfísicos dentro de una tormenta..

[0081]

Debería estar disponible un programa de estimación cuantitativa de la precipitación para estimar la tasa de precipitación en el suelo, y se puede utilizar para verificar el algoritmo. La distribución del tamaño de las gotas (DSD) medida correspondiente se incorpora al modelo de siembra, que calcula un conjunto de distribuciones de tamaño hasta varios minutos en el futuro. Estas distribuciones se comparan con la firma de siembra métrica para determinar si la siembra debe comenzar o detenerse. Las características distintivas de un efecto de siembra es un DSD que presenta una concentración mejorada en el rango de diámetro de ~15 μm a ~22 μm debido al “efecto de competencia” como se describe en Cooper, WA et al., “Calculations pertening to hygroscopic seeding with flares ”, J. Appl. Meteor., 36, 1449-1469 (1997) (en adelante, “Cooper et al. 1997), cuya descripción completa se incorpora aquí expresamente como referencia en su totalidad para todos los fines, aunque el experto estará generalmente familiarizado con mismo. y un “efecto de cola” de concentración mejorada de gotas grandes (rango de diámetro de ~22 μm a ~30 μm) como se describe en Rosenfeld, D. et al., “A quest for Effective hygroscopic cloud seeding”, Journal of Applied Meteorology and Climatology. 49(7) págs. 1548-1562(2010) (en adelante, “Rosenfeld et al. 2010”), cuya divulgación completa es también se incorpora expresamente por referencia en el presente documento en su totalidad para todos los fines, aunque el experto en la técnica estará generalmente familiarizado con el mismo. Si la comparación coincide con la métrica inicializada DSD, el algoritmo pasa un mensaje afirmativo para comenzar la inicialización a la rutina de inicialización..

[0082]

Alternativamente, si el número de gotas de llovizna producidas por el DSD modelado excede un cierto tamaño de umbral y concentración unos minutos en la simulación, que puede indicar un proceso de lluvia cálida activa y, por lo tanto, el algoritmo no pasa la salida de siembra al algoritmo a la siembra rutina. Por ejemplo, si se producen grandes gotas> 30 μm en el modelo de caja que indica un proceso de lluvia cálida activa; No se recomienda la siembra. Se podría estimar la tasa de siembra requerida para modificar el DSD medido para un efecto de siembra y un efecto de cola. Esto beneficiaría a las operaciones, ya que proporciona orientación para una siembra óptima basada en datos in situ reales y no valores multivariables arbitrarios o derivados. Una carga útil del sensor que podría proporcionar los datos antes mencionados se resume en la tabla de HIGO. 6 ; Lo mismo podría incluir, por ejemplo, un instrumento que mide la velocidad del viento 3D, como la sonda inercial de ángulo múltiple (MIP), que es simplemente la parte de detección del viento de la dinámica de lluvia antes mencionada CWIP, una que mide las distribuciones de tamaño de caída como Las tecnologías de medición de gotas mencionadas anteriormente sonda de nubes de dispersión posterior con detección de polarización (el instrumento incluye la capacidad de polarizar la señal antes de la detección y permite que el software determine la fase del hidrometeor, y para otros cálculos relacionados con la forma) (ver también Beswick et al. . Con respecto a este último, ver también Gao, Rs et al., “Un espectrómetro de partículas de alta sensibilidad de peso ligero para mediciones de aerosol PM2.5”, Aerosol Science and Technology, 50: 1, 88-99 (2016) (en adelante “” Gao et al 2016 ”), por la presente incorporado expresamente por referencia en este documento en su totalidad para todos los fines, aunque el artesano experto estará generalmente familiarizado con el mismo. Dadas las enseñanzas en este documento, el artesano experto podrá implementar una o más realizaciones utilizando estos sensores o similares.

[0083]

Una vez que se encuentra que cada instrumento funciona dentro de las especificaciones, se puede integrar en el sistema aéreo o terrestre. Los datos de comparación entre un sistema separado mejorarán la comparación de rendimiento. Permitirá probar múltiples instrumentos en diferentes plataformas y restringir los errores de los instrumentos.

[0084]

La complejidad de crear autonomía adaptativa a través de una jerarquía de algoritmos puede producir una funcionalidad y confiabilidad limitadas a menos que esté bien diseñada, simulada y verificada. La simulación incluye ejecutar casos archivados en la rutina de radar con un conjunto de parámetros observables de aeronaves asimilados, luego realizar la simulación para ver si el sistema ‘inteligente’ encuentra la nube de destino. Una vez que se alcanza la nube objetivo en la simulación, la aeronave cambia a la detección in situ y encuentra el área de la condición de umbral máximo, comenzando a sembrar en la última ubicación, luego encontrar la posición de la condición de umbral mínimo donde se detiene la siembra. El proceso se repite para diferentes condiciones dinámicas y microfísicas hasta que la rutina de radar se actualiza con nuevas coordenadas objetivo. La hipótesis subyacente es que la rutina de radar puede modificarse no solo para ceder ahora la ubicación de la convección con la entrada de datos de eco de radar en tiempo real sobre el entorno de la nube, sino también con la entrada de datos del sensor del sistema. La combinación de datos de radar y sensor mejora la capacidad de pronosticar condiciones de siembra óptimas.

[0085]

De una manera presentada en detalle en otra parte en este documento, las salidas de ahora en cuenta se pueden telemeter e ingerir simultáneamente en el simulador en las computadoras GCS para simular el rendimiento del algoritmo de focalización de sensores y radar combinados ejecutando un conjunto de escenarios de simulación. Las simulaciones se pueden comparar con ubicaciones relevantes de rutas de vuelo reales voladas en misiones anteriores de siembra de nubes para comprender las diferencias en los comportamientos entre las operaciones tripuladas y las realizadas por el UAS. Este análisis puede servir como guía para mejorar el algoritmo y el software de simulación.

[0086]

En una o más realizaciones, cada sistema ‘inteligente’ transmite todos los datos (es decir, sensores, sistema de siembra, control auxiliar/auxiliar y piloto automático o control remoto) a la estación de control del suelo (GCS) a través de la telemetría para el archivo y el procesamiento intensivo computacionalmente intensivo. Los resultados del procesamiento computacionalmente intensivo se pueden enviar de nuevo al sistema de gestión de datos del sistema ‘inteligente’. Además, en una o más realizaciones, se garantiza la transmisión confiable de datos entre los sistemas ‘inteligentes’ y el centro de operaciones. Una o más realizaciones incluyen copias de seguridad de energía en caso de falla de energía, así como esquemas de degradación elegantes estándar en caso de fallas de sensores o datos, registros de datos incompletos o datos malos.

[0087]

Una vez que el sistema ‘inteligente’ y su desarrollo de componentes han progresado más allá de pasar sus pruebas y sus ciclos de desarrollo han proporcionado resultados que han cumplido con los requisitos programáticos, el sistema ‘inteligente’ está listo para la implementación. En una o más realizaciones, la preparación para el despliegue incluye asegurarse no solo de que los sensores estén proporcionando datos aceptables en relación con los estándares primarios o no peor que los estándares de campo, sino también que el sistema UAS autónomo con algoritmos de control adaptativo (sistema ‘inteligente’) sean realización dentro de las especificaciones requeridas. El siguiente escenario se emplea para fines ilustrativos durante una preparación ejemplar para el proceso de implementación, en el que una o más realizaciones permiten ventajosamente el rango completo de especificaciones de componentes y para garantizar que todos los valores medidos, sin embargo, remotos, por cualquiera de los sensores sean probados. Un procedimiento de preparación adecuado, en una o más realizaciones, también considera los problemas sociales y regulatorios que rodean el uso de sistemas inventivos. Esto ayuda ventajosamente a minimizar el retraso.

[0088]

Considere el siguiente escenario ejemplar en el que el requisito del programa de modificación climática era aplicar material de siembra higroscópico. Implica umbrales programados basados ​​en el análisis de la distribución del tamaño de las gotas medidas existentes y su relación con la producción de lluvia, y de manera similar, basados ​​en el análisis de los datos de distribución del tamaño de los aerosoles medidos debajo de la base de las nubes. Un único sistema ‘inteligente’ de ala fija no terrestre, equipado para sembrar con material higroscópico (es decir, tabla de HIGO. 5 , siembra en el aire o columna de capacidades intermedias) y una carga útil del sensor que incluye los sensores en la tabla de HIGO. 6 , vuela a través de la nube candidata y determina si los valores medidos indican una distribución amplia del tamaño de las gotas con una cola de gotas grandes. Luego, después de abandonar la nube, el vehículo vuela automáticamente hacia y por debajo del nivel de su base de nube para encontrar la corriente ascendente de esa misma nube mientras su sistema de procesamiento compara las distribuciones de tamaño de aerosol con la distribución del umbral de siembra. Si hay grandes partículas de aerosol higroscópicas debajo de la base de la nube, entonces la siembra no comienza, por ejemplo.

[0089]

Hemos descubierto que esta actividad se puede mejorar utilizando, simultáneamente, dos sistemas ‘inteligentes’ alados fijos en conjunto, lo que hace que todo este proceso ocurra más rápido, con la siembra antes y optimizando el éxito con respecto a aumentar la eficiencia de la capacidad del sistema de nubes para formar Lluvia y luego tener esa lluvia adicional cae en la cuenca designada, por ejemplo. El uso de dos sistemas ‘inteligentes’ implica uno que vuela por encima de la base de la nube simultáneamente con el otro volando justo debajo de la base de la nube en el ejemplo. Cada sistema ‘inteligente’ tiene una carga útil de sensor similar, con, en este ejemplo, uno en la base de la nube que también contiene un sistema de siembra. Es probable que un avión de semillas convencional no transportara la instrumentación para determinar la distribución de tamaño de aerosol de la base de nubes a continuación, y podría tener información de distribución de gotas de baja resolución desde algún lugar por encima de la base de nubes estimada por sensores de radar, radiómetro o satélite. El sistema (uas1 105–1) sube al −5° C. isoterma 151 mientras que el otro sistema (uas2 105–2) Perfiles a favor del viento de uas1 105–1. UAS1(105–1) Perfiles Los parámetros atmosféricos desde la superficie y hasta el nivel superior de la nube y luego desde la superficie cercana hasta el nivel de formación de nubes (CFL) o la base de la nube como condiciones específicas hasta que se reciba la información sobre la existencia de una nube candidata, en la cual El tiempo se mueve al nivel de operaciones 151. UAS2 105–2 Perfila los parámetros atmosféricos desde la superficie y hasta la mayor operación nivel atmosférico 153 o el nivel superior de la nube como condiciones meteorológicas específicas justifica hasta que se recibe la información sobre la existencia de una nube candidata. Ambos sistemas vuelan en formación mientras se acercan al nube candidata 143 y mientras mantiene una separación mínima segura de 100 a 300 m. Una vez cerca del nube 143, Cada sistema asume su posición y comienza su perfil de misión de siembra donde UAS1 105–2 penetra la nube y uas2 105–1 Muestra la nube ascendente cerca del CFL. Una vez que la misión de siembra se detiene, cada sistema merodea, al recopilar datos, hasta que cada uno reciba su próxima acción que lo dirige para obtener más muestreo dentro del sistema que acaba de sembrar, lo que puede implicar una serie de penetraciones de nubes y muestreo de aerosoles debajo de la base de la nube (mientras Manteniendo la separación).

[0090]

Una o más realizaciones de la invención tienen un marco inherente que facilita automáticamente la evolución independiente de sus tecnologías sin interrumpir su uso operativo. Esto se traduce en mantener operaciones de siembra de nubes simplificadas, huellas operativas más pequeñas y menor costo, al tiempo que optimiza la efectividad de las operaciones de siembra (en comparación con los programas actuales de siembra de nubes).

[0091]

Una o más realizaciones de la invención proporcionan un uso más inteligente de las tecnologías disponibles y preferiblemente desarrolladas recientemente que producen información real sobre el entorno real en la actividad y alrededor de la información, y emplean esa información en tiempo casi real para adaptar el camino hacia la siembra ideal. Ubicación, y use datos de sus cargas útiles de sensores para optimizar la dispersión del agente de siembra a través de sus sistemas de siembra. Por el contrario, los métodos de siembra de nubes convencionales, ya sean aviones tripulados o en tierra, dependen de los datos meteorológicos rudimentarios disponibles de aviones tripulados, datos ambientales de horas, datos del radar meteorológico, datos del modelo y datos archivados para llevar a cabo sus operaciones de siembra u operar A partir de los datos promediados durante un período más largo que los procesos de escala de nubes que no coinciden bien con el tiempo de la modificación del clima o la actividad de siembra de nubes, por ejemplo. Por lo tanto, las operaciones convencionales tienen datos relativamente menos y datos de calidad más pobres. Esto no solo significa una efectividad de siembra menos óptima, sino que también se traduce en resultados de evaluación menos precisos. Este último es remediado por una o más realizaciones y los datos utilizados en los métodos convencionales aún están disponibles, pero se convierte en auxiliar/auxiliar.

[0092]

Los proyectos operativos de siembra de nubes (ANSI/ASCE/EWRI 2013; ANSI/ASCE/EWRI 2015; ANSI/ASCE/EWRI 2017; Keyes et al. 2016) son capaces de dispersar niebla superenfriada, aumentando las cantidades de precipitación hasta aproximadamente un 10 % y posiblemente minimizar los daños causados ​​por granizadas en comparación con los sistemas naturales, a pesar de, por ejemplo; (a) complejidad de los sistemas de nube y sus interacciones con el entorno circundante, (b) preparación inadecuada de las tecnologías para detectar el entorno que se va a tratar (en a) bajo actividades de modificación del clima, (c) datos insuficientes (es decir, áreas remotas carecen de datos y los sistemas de medición son costosos y logísticamente complicados), (d) las mediciones no se realizan con una frecuencia espacial y temporal adecuada para reproducir satisfactoriamente su verdadero estado natural, y (c) los propios sensores están diseñados para medir una variable dependiente. Por ejemplo, un instrumento mide el contenido de agua líquida. El contenido de agua líquida, que se utiliza comúnmente en las operaciones de siembra, puede tener el mismo valor para dos nubes que se van a sembrar a pesar de que el tamaño de las gotas de las nubes sea diferente. Esto último añade riesgo al resultado de la operación, si la estrategia de siembra no coincide adecuadamente con las verdaderas características de la población de gotas de la nube..

[0093]

El impacto sobre el medio ambiente que utilizan los agentes de siembra glaciogénicos contemporáneos es mínimo o nulo. No parece que haya ningún impacto ambiental negativo debido a la siembra higroscópica contemporánea en este momento. El uso de aviones tripulados, que posiblemente sea la plataforma más común para la siembra de nubes, extiende la aplicación de actividades contemporáneas de modificación del clima a regiones remotas y orográficas. Véase también el análisis anterior sobre el riesgo para los pilotos asociado con el uso de aeronaves tripuladas para la siembra de nubes. El costo de asegurar el avión de siembra tripulado, su sistema de siembra y un avión instrumentado para apoyar la investigación y el desarrollo cuesta millones y tiene costos casi equivalentes de mantenimiento. Por el contrario, los sistemas de siembra terrestre son mucho menos costosos de obtener y mantener en comparación. El despliegue de sistemas de siembra terrestres puede ser un desafío, generalmente en regiones carentes de datos, y su ubicación requiere modelado para garantizar que el material de siembra llegue a las nubes apropiadas, especialmente en terrenos áridos montañosos, montañosos y con poca vegetación, si los hay (p. ej., Keyes et al., 2016).

[0094]

Refiriéndose a la tabla de HIGO. 7 , Una o más realizaciones superan las deficiencias de los métodos actuales para las actividades de siembra de nubes. Una o más realizaciones también mejoran relativamente la efectividad de la siembra y la importancia de su evaluación. Una o más realizaciones, como resultado, pueden incluso cambiar las estrategias empleadas en la siembra en comparación con las utilizadas actualmente. Una o más realizaciones proporcionan los datos de valor agregado para apoyar los esfuerzos de investigación y desarrollo necesarios para garantizar que tales deficiencias sigan siendo insignificantes, hasta que se pueda establecer un programa nacional de investigación y desarrollo integral organizado (por ejemplo, DeFelice, 2002; Golden y DeFelice, 2006). Las actividades actuales de modificación del clima operativo/siembra de nubes rara vez incluyen tareas de investigación y desarrollo debido a su alto costo y bajo beneficio adicional para el patrocinador del programa de operaciones. Los patrocinadores actuales del programa obtienen un beneficio significativo al emplear la tecnología actual. Por lo tanto, la financiación de la investigación y el desarrollo sigue siendo escaso en el mejor de los casos.

[0095]

Una o más realizaciones de la invención no requieren la necesidad de ninguna aeronave tripulada con o sin sensores adaptativos autónomos, por lo tanto, ese riesgo se mitiga. Esos pilotos pueden ser entrenados para volar y monitorear los “sistemas” inteligentes “”, y el equipo de mantenimiento capacitado para manejar cualquier mantenimiento. Los costos de los sistemas y su mantenimiento en este método son un factor de 5 a 50 veces menos que sus contrapartes tripuladas y más grandes del método actual y contemporáneo, incluso después de tener en cuenta la novedad de cualquier tecnología, longevidad de la plataforma y la reentrenamiento..

[0096]

En relación con el uso de una o más realizaciones, se advierte que, a pesar de que los UAS pequeños han operado con éxito en la vecindad de las tormentas eléctricas, y tecnológicamente se puede utilizar para realizar investigaciones y operaciones de modificación del clima, se debe realizar una investigación de seguridad exhaustiva en un caso de uso particular ; Por ejemplo, los diversos problemas y riesgos deben analizarse a través de estudios de comercio de ingeniería para actividades de modificación del clima antes de adoptarlos como se establece con respecto a HIGO. 3 y descripción detallada en otro lugar aquí. Los sistemas de nubes asociados con las actividades de modificación del clima a menudo son complejos y/o ocurren en regiones con terrenos o ecosistemas complejos. Por lo tanto, se deben observar consideraciones de seguridad apropiadas; Por ejemplo, el piloto/conductor de un UAS, y especialmente vinculado a un “sistema” inteligente “utilizado para las actividades de modificación del clima, debería al menos tener una cantidad equivalente de tiempo de vuelo y capacitación como lo haría un piloto para las actividades de modificación del clima de aviones tripulados . En un ejemplo no limitante, suponga que el sistema ‘inteligente’ tiene un tamaño adecuado, configurado de manera óptima con respecto a cada modo funcional (consulte la tabla de HIGO. 5 ), y configurado (ver HIGO. 2 ) apropiadamente para cada actividad del programa de modificación del clima.

[0097]

La implementación de los “sistemas” inteligentes “, la adaptabilidad de su uso a múltiples aplicaciones y la capacidad de infundir nuevas tecnologías generalmente se puede lograr con los artesanos calificados, dadas las enseñanzas en este documento, junto con la adaptación de los fundamentos de ciencias e ingeniería disciplinados en la industria y su aplicación para la siembra de nubes, operaciones de modificación del clima e investigación y desarrollo, particularmente optimizada para usar “sistemas” inteligentes “para el programa/actividades/actividades de siembra meteorológica publicitaria y inadvertida. Se proporcionan lo siguiente para facilitar la comprensión de las realizaciones de la invención y para ayudar a garantizar el uso exitoso de las realizaciones de la invención por parte del artesano hábil. Dado este último, el proceso para desarrollar el sistema ‘inteligente’ para cualquiera de los roles (siembra, evaluación/monitor o ambos) generalmente puede seguir estos pasos:

i. Determinar y verificar los requisitos de la aplicación..

ii. Identificar, diseñar, desarrollar, probar y documentar la carga útil de detección que proporcionará de manera óptima sensibilidades temporales, espaciales (y espectrales) dentro de los requisitos establecidos en el paso (i) para superar la previsibilidad o escasez de los parámetros ambientales, los valores umbral para la siembra..

III. Diseñar, desarrollar, probar y documentar el sistema de procesamiento de información para producir y difundir la información obtenida por el conjunto de sensores del paso (ii). Esto incluye el uso de datos de sensores in situ y otros en tiempo real para guiar la plataforma, si se trata de un sistema ‘inteligente’ aerotransportado, hacia objetivos adecuados para implementar la siembra, y el uso de datos de carga útil para identificar las condiciones adecuadas para una siembra óptima; o, alternativamente, si se trata de un sistema ‘inteligente’ terrestre, que utiliza datos de sensores in situ y otros datos en tiempo real para identificar las condiciones adecuadas para una siembra óptima, iniciar/terminar la siembra y dispensar el material adecuado..

IV. Diseñar, desarrollar, probar y documentar el comando, control, comunicaciones, computadoras, inteligencia, vigilancia y reconocimiento (C4ISR) para este sistema. Esto incluye la verificación del funcionamiento adecuado de los módulos de software de simulación (y aprendizaje automático), incluida la capacitación con cualquier corpus de capacitación disponible y verificación con cualquier corpus de prueba disponible.

v. Diseñar, desarrollar, probar y documentar el esquema de integración óptimo del conjunto de sensores de carga útil, el sistema de procesamiento, la protección y C4ISR (definido en la tabla de HIGO. 5 ) componentes del conjunto de sensores identificados en el paso (i).

vi. Integrar (ii) a (iv) y probar la operatividad..

vii. Realizar estudios comerciales de optimización según sea necesario. Regrese al paso (ii) si el resultado cambia de diseño..

viii. Pruebe en campo, desarrolle, implemente y mantenga el sistema..

[0106]

HIGO. 3 ilustra el procesamiento de la Sensor275, 255 y otros datos 293 en datos de calidad utilizados para determinar cuándo iniciar/detener la siembra, o dónde se encuentra la nube candidata, por ejemplo. Este flujo de procesamiento de datos ocurre con una interacción óptima entre un proceso de ingeniería y un proceso de desarrollo o científico. El sistema de procesamiento de datos es un aspecto pertinente del “Sistema ‘Inteligente’”. Como apreciará el experto en la técnica, el esfuerzo en cada uno de los pasos (i)-(viii) se puede demostrar de manera similar como pasos301, 303, 305, 307, 309, 311, 313 bajo HIGO. 3 . Cada paso (i-viii) se implementa en un ciclo de desarrollo adaptable. Es decir, en una o más situaciones ejemplares, los pasos 301–313 de HIGO. 3 se puede repetir para cada uno de los números romanos (i)-(viii). Además, el paso (vii) tiene como objetivo no solo mejorar el rendimiento de todo el sistema, sino que también brinda la oportunidad de insertar nuevas tecnologías. Axisa y DeFelice 2016, y DeFelice y Axisa 2016 proporcionan algunos detalles adicionales. Así, como se señala, HIGO. 3 describe los procesos de desarrollo y flujo de datos de sistemas autónomos UAS/UGV con control adaptativo (es decir, sistemas ‘inteligentes’ aéreos/terrestres). En esta figura, “Producto” es el objetivo principal de cada paso. Por ejemplo, el objetivo principal del paso (i) son los requisitos acordados para el programa de siembra contratado. El objetivo principal del Paso (ii) es identificar los sensores que se utilizarán en el programa operativo, como los de la tabla de HIGO. 6 . El objetivo principal de la suma total de pasos (i-viii) es una versión operativa de vehículos 113 y/o 105. El QA, o garantía de calidad, y paso de diseminación 313 incluye la entrega o el punto final de cada paso i-vii para ser probado en el campo o en una operación real. Tenga en cuenta que “QF1”=Marca de calidad por primera pasada. La flecha entre “proceso científico” 305 y paso 307 es una flecha de dos direcciones.

[0107]

HIGO. 3 representa así un proceso fundamental ejemplar que incluye un proceso de ingeniería y un proceso de desarrollo de la ciencia 305, y cómo interactúan. En una o más realizaciones, cada paso (i)-(viii) se implementa siguiendo este mismo proceso como se ilustra en HIGO. 3 según corresponda según los detalles. El paso (iii) proporciona un ejemplo completo de lo que se ilustra mediante HIGO. 3 . Siguiente HIGO. 3 , en el ejemplo, comience con los datos recopilados (correspondientes al bloque ‘Sensor’ 301); Asegúrese de que la información que se utilizará en el estudio del comercio de ingeniería tenga calidad asegurada (ingesta y control de calidad en bloque). 303); luego realizar el estudio comercial y los experimentos correspondientes que arrojen resultados; analizar esos resultados (bloquear 307); y producir el producto o resultado final según sea necesario según la situación en Bloquear 309. En una o más realizaciones, los resultados se difunden al siguiente y/o a todos los pasos posteriores (i-viii), a través de documentación, una estructura de datos adecuada o similar. Para cada paso por el conjunto completo de pasos (i-viii), restablezca el indicador de calidad (QF) y comience de nuevo; cabe señalar que a continuación bloque de producto 309 Control de calidad y difusión a usuario final 313 tener lugar en Bloquear 311.

[0108]

HIGO. 3 ilustra así, por ejemplo, la Sensor275, 255 y otros datos 293 se procesan en datos de calidad que se utilizan para determinar cuándo iniciar/detener la siembra, o dónde se encuentra la nube candidata, por ejemplo. Este flujo de procesamiento de datos ocurre con una interacción óptima entre un proceso de ingeniería y un proceso de desarrollo o científico..

[0109]

Una o más realizaciones de la invención pueden emplear ventajosamente materiales innovadores de siembra basados ​​en posibles tecnologías de agentes de siembra y tecnologías de entrega después de completar con éxito un proceso de desarrollo integrador como se revela aquí. Esto garantiza un uso exitoso óptimo y duradero de cada sistema ‘inteligente’ en la modificación del clima o la actividad de siembra de nubes.

[0110]

En cuanto a las tecnologías de agentes de siembra, véase, por ejemplo, Carrasco J, et al., “A one-dimensional ice Structure builded from pentagons”, Nature Materials, 8(5), 427-431 (2009) (en adelante, “Carrasco et al. 2009”); Lou, YG et al., “Un estudio comparativo sobre la preparación de TiO2 Pellets como fotocatalizadores basados ​​en diferentes precursores”, Materials Science Forum, 475-479, 4165-4170 (2005) (en adelante “Lou et al. 2005”); Zhang, W. y otros., “TiO fotocatalítico 2/Nanocompuestos adsorbentes preparados mediante impregnación química húmeda para el tratamiento de aguas residuales: una revisión”, Catálisis aplicada A: General, 371 (1-2), 1-9. (2009) (en adelante “Zhang et al., 2009”). Las divulgaciones completas de Carrasco et al. 2009, Lou et al. 2005, y Zhang et al., 2009 se incorporan expresamente en el presente documento como referencia en su totalidad para todos los fines, aunque el experto estará generalmente familiarizado con los mismos..

[0111]

Con respecto a las tecnologías de entrega, consulte, por ejemplo, Hill, GE, “Laboratory Calibration of a Vibrating Wire Device for Measurement Concentrations of Supercooled Liquid Water”, J. Atmos. Océano. Tecnología. 6 (6), 961-970 (1989) (en adelante “Hill 1989”); Hill, GE, “Radiosonde supercooled liquid water detector”, Informe final entregado en septiembre al Laboratorio de Ingeniería e Investigación de Regiones Frías de EE. UU., Hanover, NH para el contrato DACA 89-84-C-0005 (1990), Atek Data Corp, 2300 Canyon Blvd., Boulder, CO 80302 (97 págs.) (en adelante “Hill 1990”); y Hill, GE et al., “Un instrumento a bordo de un globo para la medición de perfiles verticales de concentración de agua líquida superenfriada”, J. Appl. Meteorol. 19, 1285-1292 (1980) (en adelante “Hill y Woffinden 1980”). Las descripciones completas de Hill 1989, Hill 1990 y Hill y Woffinden 1980 se incorporan aquí expresamente como referencia en su totalidad para todos los fines, aunque el experto estará generalmente familiarizado con las mismas..

[0112]

La implementación exitosa de una o más realizaciones puede optimizarse empleando la siguiente orientación de gestión e implementación, que es una extensión más allá de las prácticas estándar de la industria actuales en los programas de modificación del clima. Consulte ANSI/ASCE/EWRI 2013; ANSI/ASCE/EWRI 2015; ANSI/ASCE/EWRI 2017; y Keyes et al. 2016.

[0113]

En particular: (i) asegurar y adaptar un equilibrio personalizable específico del programa (/actividad) viable entre la práctica, la sociedad, la ciencia, la tecnología y las culturas de ingeniería durante todo el programa a través de una entidad de gestión del programa (en este documento etiquetado arbitrariamente PMO). (ii) El PMO está dirigido por una sola persona (plomo del programa) vinculado a una sola entidad, organización o empresa, y contiene miembros del núcleo funcional definidos por la solución. El LEAD de PMO implementa el programa, asegurando la comunicación integrada horizontal y verticalmente entre toda la fuerza laboral del programa con frecuencia de comunicación apropiada y contenido con patrocinador del programa y partes interesadas. (iii) Cada equipo funcional está dirigido por su líder (que es un miembro funcional central de la PMO). (iv) Se debe permitir que cada equipo trabaje en un componente autónomo en un componente autónomo durante el proyecto. Ningún equipo entregable, especialmente, debe ser “propiedad” de múltiples equipos. (v) Garantizar un entorno comunicativo y seguro innovador que respete las políticas y las preocupaciones de propiedad de cada entidad, al tiempo que permite que todos mejoren las actividades sin estar sujetos a las ‘cajas’ tradicionales. Este último no penalizaría a uno por tener una idea diferente. (vi) Todo el personal (suponiendo que tengan las habilidades relevantes), partes interesadas y/o patrocinadores, y generalmente todos desean que la actividad/programa tenga éxito, desee o estén dispuestos a llevarse bien con todos los demás, y quieran o están dispuestos a traer colectivamente Sus mejores esfuerzos hacia adelante siempre. (vii) tienen planes de superar los desafíos de; Diferencias culturales, las formas en que solíamos hacer estos programas “y pensando en sus cajas normales”’.

[0114]

El uso de una o más realizaciones supera ventajosamente los desafíos técnicos y operativos de las actividades actuales de siembra de nubes o modificación del clima. Esto es especialmente significativo cuando se tiene en cuenta el creciente crecimiento demográfico y la creciente desertificación en todo el mundo (ya sea que se deba a una actividad de modificación climática involuntaria o no). Existe una necesidad crítica inminente para la vida de superar la brecha de datos necesaria para identificar las nubes adecuadas y sembrarlas inteligentemente de modo que el resultado llegue al área objetivo indicada. De ahí la necesidad de mejorar los materiales de siembra, la metodología para realizar actividades de modificación del clima, las tecnologías (por ejemplo, sistema de siembra, modelos, herramientas de apoyo a la toma de decisiones, sistema de procesamiento de datos), para integrar tecnologías nuevas, auxiliares y/o auxiliares (es decir, tecnologías mejoradas y/o nuevas más eficientes).

[0115]

Las siguientes referencias también se incorporan aquí por referencia en sus entiretios para todos los fines, aunque el artesano calificado generalmente estará familiarizado con el mismo: Bates, Ts et al., “Mediciones de distribuciones verticales de aerosol atmosférica sobre Svalbard, Noruega, utilizando sistemas aéreos no tripulados. (UAS) “, Atmos. Medición Tecnología. 6, 2115-2120 (2013) (en adelante, “Bates et al. 2013”); Elston, JS et al., “El sistema de aeronaves no tripulados Tempest para observaciones in situ de supercélulas tornádicas: diseño y resultados de vuelo de Vortex2”, Journal of Field Robotics, 28 (4), pp. 461-483 (2011) (en adelante “,”, ” Elston et al. Lin, Po-Hsiung, “Observaciones: la primera misión de vuelo de reconocimiento de la penetración de typhoon typhoon de typhoon realizada por el vehículo aéreo no tripulado”, Aerosonde. Toro. Soy. Meteorol. Soc. 87, 1481-1483 (2006) (en adelante, “Lin 2006”); y Ramana, MV et al., “Albedo, mediciones de absorción solar atmosférica y velocidad de calentamiento con UAV apilados”, QJR Meteorol. Soc. 133, 1913-1931 (2007) (en adelante, “Ramana 2007”).

[0116]

Por lo tanto, las realizaciones proporcionan una metodología y un marco de cambio de paradigma para usar sistemas “inteligentes” (como se definen en otra parte del presente documento) durante la realización (es decir, identificar, conducir, monitorear) y/o evaluación de actividades de modificación del clima y siembra de nubes para mejorar y aumentar la precipitación. supresión de granizo y dispersión de niebla. Las realizaciones proporcionan, por ejemplo, una, algunas o todas una huella operativa más pequeña, operaciones más seguras, uso de datos de sensores remotos e in situ para guiar y evaluar las actividades del programa, una plataforma de siembra más versátil y autónoma y un marco de “práctica” mejorado..

[0117]

También se aplican una o más realizaciones para cuantificar el alcance y para apoyar los objetivos de una solución multidisciplinaria para actividades inadvertidas de modificación del clima.

[0118]

‘Los sistemas inteligentes en una o más realizaciones incluyen sistemas autónomos con control adaptativo. Los sistemas autónomos podrían ser aeronaves autónomas no tripuladas o sistemas terrestres (móviles, atados y estacionarios) con control adaptativo, aeronaves autónomas no tripuladas o sistemas terrestres sin control adaptativo, aeronaves no tripuladas o sistemas terrestres (UAS/UGS) con o sin control adaptativo, aeronaves no tripuladas o vehículos terrestres (UAV/UGV) con o sin control adaptativo, aeronaves tripuladas o sistemas terrestres, lanzamiento de material de siembra con cohetes con o sin autonomía y/o con o sin control adaptativo, torres instrumentadas (incluso con un sistema de siembra), sistemas de siembra terrestres con o sin controles remotos adaptativos, globos instrumentados (incluso con un sistema de siembra), sistemas de observación móviles y estáticos equipados con dispensadores de semillas, así como cualquier combinación de estos sistemas, no solo cada uno de ellos de forma aislada (por ejemplo, enjambre de vehículos aéreos no tripulados, sistema en red terrestre). Como se utiliza en este documento, ‘control adaptativo’ se refiere al rendimiento mejorado y mayor robustez de un sistema autónomo mediante la configuración de su sistema de control para ajustar la acción de siembra en función de las mediciones a medida que cumple el objetivo de su misión (por ejemplo, apuntar e implementar la siembra, evaluar la efectividad de la siembra) también conocida como autonomía adaptativa. El ‘control adaptativo’ para sistemas autónomos terrestres se refiere al rendimiento mejorado y mayor robustez para identificar cuándo es necesario encender/apagar el sistema de siembra, determinar la tasa de siembra y, en última instancia, qué material de siembra debe dispensarse..

[0119]

Los sistemas autónomos ejemplares con control adaptativo, o “Sistemas ‘Inteligentes'”, pueden ser guiados por sensores remotos (por ejemplo, terrestres, incluyendo radar/radiómetro, aeronaves si están disponibles, y/o satélites) y/o ‘in situ’ o Sensores basados ​​en plataforma del sistema ‘inteligente’ para proporcionar ubicaciones de destino para la siembra. El conjunto de sensores (carga útil) proporciona datos atmosféricos/ambientales ‘in situ’ necesarios para identificar las condiciones adecuadas para la siembra u otra acción específica..

[0120]

‘Los sistemas inteligentes de una o más realizaciones, especialmente si están en el aire, normalmente son capaces de soportar el peso de la carga útil del sensor, el sistema de siembra, la gestión de datos y los componentes/aspectos controlados por software (consulte la tabla de HIGO. 5 ) en las condiciones atmosféricas más severas sin fallas de ningún componente y operar para cumplir con los requisitos de la misión para la siembra.

[0121]

‘Los sistemas inteligentes de una o más realizaciones contienen interfaces seguras con su carga útil de sensores a bordo, gestión de datos, modelos y componentes controlados por software. Los sistemas ‘inteligentes’ también pueden interactuar de forma segura con otros sistemas de observación y/u otra tecnología para su uso en programas de modificación del clima para llevar a cabo actividades operativas o para monitorearlas y evaluarlas..

[0122]

El sistema de gestión de datos para el sistema ‘inteligente’ utilizado en una o más realizaciones tiene el rendimiento computacional y la capacidad de manejar los volúmenes de datos generados para al menos una misión y actividad completa del programa. El sistema de gestión de datos abarca el sistema de procesamiento de datos a bordo con acceso remoto, las interfaces configuradas con el sistema de control, el sistema de siembra, las comunicaciones, la carga útil del sensor y las conexiones auxiliares/auxiliares, el aprendizaje automático como se describe en este documento, así como el software correspondiente para el software correspondiente para Todas las funciones de la plataforma. En una o más realizaciones, el sistema de gestión de datos ingiere sin problemas, en tiempo real, el datos de carga útil del sensor 255, 275 (es decir, temperatura, humedad relativa, campo de viento 3D, presión, distribución del tamaño de aerosol y distribución del tamaño de la gota, otro según sea necesario), datos auxiliares/auxiliares 293 (por ejemplo, información de origen externo sobre ubicaciones de nubes, topografía, rutas de vuelo “estándar” (es decir, trabajo con la autoridad reguladora local para obtener la aprobación previa para ciertas rutas de vuelo), ubicaciones de siembra basadas en la convección u otros criterios definidos, información de otros ‘inteligentes’ sistemas113, 105, satélites, radar, archivos de datos), siembra datos de acción245, 265 y piloto automático269, 249 datos. El sistema con la ayuda de una computadora de la estación de control de tierra realiza un QA en estos datos.

[0123]

La mejora ejemplar obtenida en una o más realizaciones incluye una acción de siembra, dónde y cuándo sembrar determinado por el software del sistema de siembra que extrae entradas de datos de sensores auxiliares/auxiliares y de plataforma, con capacidad para tener anulación piloto. Cuándo sembrar utiliza principalmente los datos del sensor de la plataforma una vez que se determina “dónde”. Qué material de siembra dispensar, si no está predeterminado, puede determinarse mediante los datos del sensor de la plataforma, principalmente, y según sea necesario, mediante datos auxiliares/auxiliares. Por ejemplo, el software del sistema de siembra ingiere y extrae las entradas de datos con marca de tiempo que se encuentran dentro de los valores umbral de cantidades operativas para determinar cuándo sembrar y qué material dosificar si no está predefinido. Los valores umbral de las cantidades operativas provienen de la carga útil del sensor a bordo, que incluye propiedades microfísicas ambientales (p. ej., vientos 3D, temperatura, humedad relativa, presión), aerosoles y nubes (p. ej., concentración de aerosoles, química de los aerosoles, higroscopicidad de los aerosoles, gotas). concentración, distribución del tamaño de la gota, tamaño efectivo de la gota, tamaño del hidrometeorito, tipo de hidrometeorito, relación de despolarización de la nube de hielo). La calidad de los datos se controla mediante una prueba sencilla (p. ej., prueba de rango de datos) y se procesan en tiempo real (p. ej., se pasan a través de un filtro de paso bajo) para proporcionar datos que describen el parámetro atmosférico/ambiental medido de interés (p. ej., velocidad de la corriente ascendente, velocidad de las gotas). tamaño y concentración de gotitas correspondiente, y tamaño del aerosol y concentraciones correspondientes). Luego, estos datos se pasan a través de una serie de declaraciones si/entonces que esencialmente abarcan los criterios de umbral para indicar la capacidad de siembra. Si se cumplen los umbrales, la siembra se produce de acuerdo con las condiciones ambientales y el material elegido para dosificar. Por ejemplo, si se utiliza material de siembra higroscópico, entonces puede dispensarse, por ejemplo, en la base de las nubes o al nivel del suelo; mientras que el material glaciogénico podría dispensarse en la base de las nubes, en la cima de las nubes o al nivel del suelo, mientras este y otros sistemas continúan realizando mediciones de sensores, recopilando datos auxiliares/auxiliares y gestionando sus funciones programáticas. Los umbrales también se utilizan para establecer la variabilidad natural, abordar investigaciones y análisis científicos y, en algunas circunstancias, se pueden relacionar con casos de control si la siembra se produjo en una nube cercana..

[0124]

Una o más realizaciones de la invención incluyen una capacidad mejorada de cada sistema ‘inteligente’ para navegar hacia el área de la nube candidata donde la siembra probablemente sea efectiva en función de las coordenadas de ubicación proporcionadas. Las coordenadas de ubicación se pueden obtener de las entradas de datos auxiliares/auxiliares y procesadas, como mediante un módulo de control de navegación, a bordo del sistema. El artesano experto apreciará que se cumplan todos los requisitos regulatorios, y precauciones razonables y prudentes tomadas; Por ejemplo, en las jurisdicciones y/o en condiciones que dictan lo mismo, el exceso de piloto debe estar preferiblemente disponible en todo momento. El módulo de tipo de control de navegación puede contener una rutina de autonomía, o equivalente, que realiza un momento de las coordenadas de ubicación auxiliar/auxiliar en tiempo real en tiempo real y datos del sensor de plataforma (consulte la tabla de HIGO. 5 ). La salida de la rutina de autonomía, o equivalente, se vuelve a encender al módulo similar al control de navegación y el sistema adapta su ruta en consecuencia con el muestreo in situ continuo a medida que se dirige a esas nuevas ubicaciones. La rutina de autonomía, o equivalente, actualiza continuamente las coordenadas de siembra durante todo el vuelo, pero una vez que el sistema ‘inteligente’ alcanza la ubicación ideal, la siembra comienza y termina una vez que los sensores indican condiciones de siembra favorables y luego desfavorables, respectivamente. El ciclo de siembra continúa, por ejemplo, hasta que el UAS debe regresar para el combustible o hay una situación insegura, momento en el que estará vigente un sistema de reemplazo para continuar la actividad. La computadora de la estación de control del suelo (GCS) puede tener planes de vuelo predefinidos del software de control de la misión y los datos de posición para generar coordenadas de navegación iniciales para cada sistema ‘inteligente’. Los sistemas convencionales usan radar y piloto, o simplemente observaciones de radar y superficie para encender los generadores de tierra. La información utilizada por los sistemas convencionales que no emplean realizaciones de la invención no siempre está disponible o si está disponible está muy lejos y podría no ser relevante (por ejemplo, resolución de curso y/o mala calidad).

[0125]

Una o más realizaciones de la invención también incluyen una capacidad mejorada, incorporada y para realizar una siembra aleatoria (operaciones o experimentos). Es decir, utilizando técnicas inventivas que involucran, por ejemplo, radar y/o UAV (S), las nubes candidatas se eligen con un sesgo humano mínimo, si lo hay, y luego se sembran al azar nuevamente con un sesgo humano mínimo, si los hay. Ver la fila “G” de HIGO. 7 Por ejemplo.

[0126]

Las realizaciones incluyen la capacidad mejorada de cada sistema ‘inteligente’ terrestre (estacionario, atado y móvil) para ser controlado remotamente de forma autónoma y utilizar su carga útil de sensor concurrente o modelar datos simulados para identificar cuándo los sistemas son sembrables, seleccionar el material de siembra, decidir cuándo encender todos, uno o ninguno de los sistemas, y continuar la operación de siembra hasta que las condiciones hayan terminado. El control remoto se puede realizar mediante guía del modelo. Por lo tanto, el modelo enciende el sistema, no un ser humano, en una o más realizaciones. Una o más realizaciones proporcionan la capacidad de anulación humana. La guía del modelo se basa en los datos de los sistemas terrestres inteligentes. Dichos datos se procesan para controlar las acciones de inicio y parada de siembra, así como para controlar el tipo de material dispensado y realizar un seguimiento de la cantidad total dispensada. Cada ‘inteligente’’ sistema105, 113 también proporciona alertas para recargar los materiales de siembra e incluso comunica condiciones climáticas extremas. Una vez que finaliza la siembra, cada sistema continúa realizando las mediciones necesarias. Además, los sistemas ‘inteligentes’ que no son de siembra en una serie de sistemas ‘inteligentes’ terrestres pueden recopilar datos durante el mismo período, al mismo tiempo que los sistemas que estaban en fase de siembra. La práctica convencional es hacer que un operador local o remoto encienda o marque físicamente los generadores de siembra terrestres basándose en información disponible comercialmente que puede ser oportuna o no, o localmente relevante..

[0127]

Las realizaciones incluyen una capacidad mejorada para cada sistema ‘inteligente’ que transmite datos (es decir, carga útil, software del sistema de siembra, auxiliar/auxiliar y piloto automático) a la estación de control de tierra (GCS) automáticamente a través de telemetría para el archivo y el procesamiento intensivo computacionalmente intensivo. Los resultados del procesamiento computacionalmente intensivo se pueden enviar de nuevo al sistema de gestión de datos del sistema ‘inteligente’. Además, cada sistema ‘inteligente’ generalmente puede comunicarse entre sí a lo largo de un programa. Una mejora beneficiosa en una o más realizaciones incluye el caso de obtener la información necesaria para conducir y evaluar las acciones de siembra en comparación con los datos piloto convencionales. El primer trabajo del piloto es volar su avión. El formato de su información rara vez está digitalizado y generalmente escrito a mano cuando es seguro grabar, lo que podría ser muy después del vuelo final del día. Los datos de radar pueden estar disponibles en algunos sistemas actuales, pero con software especial y recuperado después del hecho con datos meteorológicos y de flujo.

[0128]

Una o más realizaciones permiten que las tecnologías inventivas evolucionen independientemente de su uso. Esto se traduce en operaciones de siembra de nubes más optimizadas, una huella operativa más pequeña y un menor costo (en comparación con los programas de siembra de nubes contemporáneos), al tiempo que mejora o incluso optimiza la efectividad de las operaciones de siembra. Una mejora ejemplar incluye el uso de tecnologías más precisas y seguras, en comparación con las tecnologías de décadas de antigüedad utilizadas para la siembra de nubes convencional. El uso de los datos obtenidos de forma rutinaria de esta invención puede proporcionar datos adicionales para mejorar la precisión y el desarrollo de herramientas de soporte de decisiones aplicadas a las actividades actuales de siembra de nubes..

[0129]

Una o más realizaciones proporcionan datos en sensibilidades temporales y espaciales para superar la previsibilidad o los problemas de escasez de los parámetros ambientales necesarios para identificar condiciones adecuadas para la siembra, y cómo se podría implementar. Estos datos también estarán disponibles para la evaluación posterior al evento. Las operaciones actuales a menudo requieren la recuperación de datos posterior al hecho de evaluaciones que no siempre están disponibles (e incluso si están disponibles, por ejemplo, no sean relevantes en el tiempo y el espacio). Además, considere que los datos obtenidos después del hecho podrían no ser exactamente el mismo parámetro; Por ejemplo, los datos necesarios pueden ser el tamaño del hidrometeor, pero en su lugar, los únicos datos disponibles obtenidos pueden ser el contenido de agua líquida. Si bien el contenido de agua líquida está relacionado con el tamaño de hidrometeor en cubos y la densidad de números, dado que los datos se obtienen después del hecho, se deberían hacer supuestos para obtener el tamaño. Esos supuestos causan incertidumbres, y si se usan para mejorar un modelo de apoyo a la decisión, podría conducir a modelos de apoyo a la decisión de baja calidad, se supone que (erróneamente) reflejaremos la realidad. Los métodos de siembra de nubes convencionales, ya sean aviones tripulados o en tierra, dependen de datos de escalas más grandes que locales/regionales para llevar a cabo sus operaciones de siembra de nubes localizadas. Estos datos generalmente también tienen costos adicionales..

[0130]

Una o más realizaciones no se limitan a tecnologías de detección específicas, sistemas de entrega de siembra y sus agentes, componentes de nicho, modelos o algoritmos y herramientas de soporte de decisiones para operaciones y efectividad operativa, más allá de las necesidades funcionales de alto nivel y el método empleado para guiar exitosos Durante las actividades de modificación del clima como se describe en otro lugar. Es decir, las realizaciones de la invención no se limitan a ningún diseño o técnica de fabricación en particular para el sistema “inteligente” en sí. La presente especificación describe las capacidades requeridas de esos sistemas “inteligentes”, incluida la autonomía adaptativa en función de su aplicación, y la metodología y el marco que se emplearán para su uso óptimo en la modificación del clima o las actividades del programa de semillas de nubes, de modo que el artesano calificado puede hacer y usar realizaciones fácilmente de la invención sin experimentación indebida.

[0131]

Las realizaciones permiten que los Sistemas “Inteligentes” que no están basados ​​en tierra o en el aire, se vuelen por separado, o en un enjambre, o en tándem (es decir, dos o más) para realizar una acción de siembra, y/o en eulerian y /o marco lagrangiano con o sin perfilado para satisfacer mejor los requisitos de la actividad de siembra. Las realizaciones permiten que los “Sistemas ‘Inteligentes'” que están basados ​​en tierra se utilicen individualmente, o en una red/matriz configurada y controlada para garantizar una cobertura óptima del material de siembra en los sistemas de nube objetivo de una manera que satisfaga mejor los requisitos de la actividad de siembra. La siembra puede provenir de cualquiera, algunos o todos los sistemas. Todos los sistemas pueden tener sus sensores de carga útil activados durante el período de siembra y más allá..

[0132]

Las realizaciones proporcionan una forma más ‘inteligente’ y más segura de realizar y/o evaluar operaciones de modificación del clima o siembra de nubes u operaciones de modificación del clima inadvertidas, lo que reduce la huella operativa y el costo de la siembra de nubes, al tiempo que optimiza la efectividad y eficiencia operativa en comparación con las formas actuales de llevar a cabo y evaluar dichos programas. Los resultados del uso de escasa información ambiental pueden llevar a decisiones o acciones equivocadas y muy costosas, que pueden resultar en eventos desastrosos. Las realizaciones también brindan beneficios de valor agregado a varias comunidades, por ejemplo, sin costo para el patrocinador: (i) una comprensión más precisa de los procesos de la nube y el medio ambiente (ser sembrado mientras se realiza la siembra en la nube), lo que lleva a una operación de siembra más precisa y cuantificación más precisa del impacto de las actividades de modificación del clima; (ii) un conjunto de datos que ayudará a avanzar en otras disciplinas científicas, mejorará los pronósticos meteorológicos y contribuirá al desarrollo y uso de herramientas de apoyo a la toma de decisiones; (iii) un componente verdaderamente más inteligente y sólido de una solución multidisciplinaria para minimizar los impactos negativos de las cuestiones socioeconómicas relacionadas con el aumento de la población, el cambio de los ecosistemas y la cobertura del suelo, la disminución del suministro de agua, la seguridad hídrica y su relación con el ciclo hidrológico; y/o (iv) las realizaciones facilitan la capacidad de mejorar la calidad de vida global. Por ejemplo, las realizaciones pueden ampliar la infraestructura de más países en desarrollo y países con infraestructura limitada y acceso a tecnología que pueda ayudar a proporcionar agua potable a su gente..

[0133]

Algunas realizaciones pueden utilizar el aprendizaje automático para determinar y/o evolucionar ubicaciones y/o materiales óptimos de siembra. El aprendizaje automático evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en la inteligencia artificial, y explora el estudio y la construcción de algoritmos que pueden aprender y hacer predicciones en los datos. Dichos algoritmos toman predicciones o decisiones basadas en datos, mediante la construcción de un modelo a partir de entradas de muestra. El aprendizaje supervisado, el aprendizaje no supervisado y/o el aprendizaje de refuerzo se pueden emplear, por ejemplo. Las redes neuronales artificiales, los árboles de decisión y similares son ejemplos no limitantes. Como será apreciado por el artesano calificado, en general, una red neuronal cognitiva incluye una pluralidad de procesadores de computadora que están configurados para trabajar juntos para implementar uno o más algoritmos de aprendizaje automático.

[0134]

Los vehículos aéreos no tripulados se conocen comúnmente como drones; Pueden ser ala fija y/o ala giratoria y, en algunos casos, también pueden incluir cohetes como se describe en este documento. Los diseños de UAV incluyen conjuntos de fuselaje/ala que se asemejan a planos, así como configuraciones de helicópteros y quadcopter. Se pueden incorporar sensores como giroscopios, acelerómetros, altímetros, módulos GPS, cámaras y/o monitores de carga útil dentro de UAV. Los gimbals se pueden usar para montar cargas útiles en UAV. Se pueden usar señales de radio generadas por un transmisor/receptor, un teléfono inteligente, una tableta u otro dispositivo para controlar un UAV. Los UAV se pueden diseñar para operar parcial o completamente autónomo. Las funciones como flotar y regresar a casa pueden, por ejemplo, ser proporcionadas de forma autónoma. Los datos obtenidos por UAV se pueden almacenar a bordo utilizando, por ejemplo, memoria adecuada, o transmitirse de forma inalámbrica. Los UAV se pueden proporcionar con capacidad de procesamiento a bordo y/o pueden transmitir y recibir datos de forma inalámbrica desde un controlador remoto que tiene o se acopla la capacidad de computación.

[0135]

Dada la discusión hasta ahora, se apreciará que, en términos generales, un método ejemplar, según un aspecto de la invención, incluye la obtención de datos que incluyen ubicaciones actuales de nubes candidatas. 143 para ser sembrado. Un paso adicional incluye, basándose en los datos que incluyen las ubicaciones actuales de las nubes candidatas a sembrar, hacer que un vehículo (por ejemplo,., 105–1, 105–2, 113 a, 113 b) para acercarse al menos a una de las nubes candidatas a sembrar. Un paso aún más importante consiste en obtener, de un conjunto de sensores255, 275 asociado con el vehículo (por ejemplo, a través de telemetria 289, 291), mientras que el vehículo y el conjunto de sensores están próximos a al menos una de las nubes candidatas a sembrar 143, clima y datos del sistema en la nube293, 275, 255.

[0136]

Un paso adicional incluye la obtención (por ejemplo, a través de telemetria 289, 291) Parámetros de posición del vehículo del planificador de la misión (s) 287–1, 287–2 utilizando datos del conjunto de sensores255, 275 asociado con el vehículo y conjunto de datos 293. Otro paso incluye, según el clima y datos del sistema en la nube 293 y los parámetros de posición del vehículo, determinando, a través de un proceso de aprendizaje automático, aprobados a través de la telemetría 283–1, 283–2, 289, 291, 251, 271 al sistema automático o mando a distancia249, 269 y UPC257, 277, ¿Cuál de las nubes candidatas debe ser sembrada? y a medida que el sistema llega a las nubes candidatas para la siembra, agregando la información de 255,275 obtenido dentro de las nubes candidatas 143 dónde dispersar un material de siembra apropiado. En un ejemplo no limitante, el aprendizaje automático tiene lugar entre el sistemas terrestres 109 y los vehículos que usan el Datos 293, y los datos de 113 y/o 105.

[0137]

Vale la pena señalar que, en un sistema convencional, el material a utilizar está predeterminado. Los ejemplos incluyen, para la siembra, AgI, hielo seco u otros, por ejemplo, utilizando nanotecnología, materiales recubiertos de óxido de titanio. Sin embargo, en una o más realizaciones, qué material se utilizará para la siembra también se puede determinar entre múltiples posibilidades mediante el aprendizaje automático. Una o más realizaciones utilizan umbrales para la decisión de inicio/detención de la siembra; es decir, cuándo encender y apagar el sistema dispensador. El aprendizaje automático se utiliza en una o más realizaciones para determinar qué nube sembrar y dónde colocar el material de siembra. En un aspecto ejemplar, un sofisticado clasificador de árbol de decisiones dentro del planificador de misiones 287–1, 287–2 utiliza todos los datos, incluidos los de sensores a bordo255, 275 y radar (en el conjunto de datos 293), para guiar el UAV 105/UGV 113 hacia sistema de nube 143 y determinar cuándo sembrar. Los datos recopilados también están disponibles para la próxima vez, es decir, en una o más realizaciones, tanto datos en tiempo real como almacenados. Datos247, 267, 281–1, 281–2 se utilizan. Para el próximo uso, estarán disponibles los datos históricos más los datos del último uso. Los sistemas terrestres normalmente estarán ubicados en una nube (por ejemplo, en la cima de una montaña) o pueden lanzarse a las nubes.).

[0138]

Aún otro paso incluye controlar el vehículo para llevar a cabo la siembra en las nubes candidatas a sembrar, de acuerdo con el paso determinante; por ejemplo, a través de telemetria291, 289 a radio de telemetria251, 271 se comunica y/o con mando a distancia249, 269, y controla el dispensador de semillas245, 265 u otro sistema dispensador. radio de telemetria (251, 271) También proporciona alertas meteorológicas a GCS. La terminología “sistema dispensador” o “dispensador de siembra” incluye una amplia variedad de dispositivos dispensadores: los productos químicos que siembran nubes pueden dispersarse mediante aviones o mediante dispositivos de dispersión ubicados en tierra (generadores o pirotecnia, en casos excepcionales, botes disparados desde armas antiaéreas). o desde el interior de cohetes). Para su liberación por avión, se pueden encender y dispersar bengalas de yoduro de plata, generadores de solución o similares mientras un avión vuela a través del flujo de entrada de una nube. Cuando son liberados por dispositivos en tierra, los núcleos son transportados a favor del viento y hacia arriba por corrientes de aire después de ser liberados en las nubes candidatas..

[0139]

Los datos del sistema meteorológico y de la nube antes mencionados pueden incluir, por ejemplo, la temperatura atmosférica; datos que indican humedad; y al menos una de la distribución del tamaño de aerosol atmosférico y la distribución del tamaño del hidrometeor de la nube atmosférica. Los datos se pueden obtener, por ejemplo, en el interior o justo por encima de la parte superior, o justo debajo nubes pertinentes 143. Las ubicaciones apropiadas de las cuales se pueden recopilar datos generalmente se denominan en este documento como próximas y adyacentes a las nubes durante la siembra; es decir, en una región donde las lecturas son relevantes. Una o más realizaciones dejan de siembra cuando ya no se cumple un umbral de siembra. Dichas decisiones de inicio/parada se pueden tomar, por ejemplo, en función de la distribución del tamaño de aerosol atmosférico y/o la nube atmosférica distribución del tamaño del hidrometeorito275, 255; En una o más realizaciones, los datos de temperatura también se utilizan para soportar el inicio/detener la decisión255, 275, 293. Dadas las enseñanzas en este documento, el artesano experto sabrá a qué temperatura comenzar y dejar de sembrar. Datos de temperatura255, 275 Se puede usar en una o más realizaciones para ayudar a elegir el material de siembra, si usar hielo seco o yoduro de plata. Por ejemplo, en una o más realizaciones, si la distribución del tamaño de aerosol atmosférico y/o los datos de distribución de tamaño del tamaño del hidrometeor de la nube atmosférica parecen ser favorables, verifique que los datos de temperatura indican la temperatura correcta o que hay una corriente de alza para llevar el material a un Ubicación adecuada. Esto se puede obtener, en una o más realizaciones, utilizando el conjuntos de sensores255, 275 y procesar a bordo (a través de CPU 257/277) ‘Sistemas inteligentes105, 113 y en el estaciones de control terrestres 109. En algunos casos, los datos del sistema meteorológico y de nubes mencionados anteriormente incluyen aún más la presión atmosférica; componentes del viento; e imágenes en la nube. En una o más realizaciones, se obtienen componentes del viento para las tres coordenadas cartesianas (U, V, W o X, Y, Z o este-oeste, norte-sur o tierra a la parte superior de la atmósfera) tanto para la antena y sistemas terrestres. Como se usa en este documento, las “imágenes en la nube” incluyen imágenes con luz visible (por ejemplo, video), así como imágenes con luz infrarroja/no visible. Las imágenes en la nube son un subconjunto de “datos del sistema en la nube”. El video se puede usar, por ejemplo, para la guía de un UAS humano/UGV105, 113 piloto o para tomar el lugar de un operador humano cuando sea apropiado. En algunos casos, las imágenes se usan para verificar que el vehículo aéreo avanza a través de la nube objetivo 143) y permanecer dentro de la nube objetivo: la imagen, cuando sea apropiada, toma el lugar de un operador humano. Procesamiento de imágenes a través de tierra computadoras de la estación de control 109 En el video u otras imágenes se pueden realizar, y/o el video o una representación visual de las imágenes puede crear para ver e interpretar por un humano. Los resultados de tales pueden ser telemeterales de regreso al Fuente105, 113 de las imágenes de video y se usa para guiar esas uas/vehículos UGV105, 113.

[0140]

Por supuesto, se deben seguir las reglas de las autoridades pertinentes (por ejemplo, la Administración Federal de Aviación o la FAA en los EE. UU. o autoridades similares en otras jurisdicciones); por ejemplo, cualquier regla que requiera un observador humano. En algunas situaciones, es posible que un observador humano desde tierra no pueda ver un UAV operando dentro de un sistema de nube; cuando sea apropiado, se pueden utilizar imágenes para observar la nube y lo que sucede dentro de ella; por ejemplo, un controlador humano observa a través de video. Alternativamente, o además, algunas realizaciones realizan procesamiento de video en tiempo real y hacen que una computadora interprete las imágenes de video (por ejemplo, usando la técnica de análisis de Romatschke et al. 2017) y emulen las decisiones que tomaría un controlador humano..

[0141]

Vale la pena señalar que las propiedades electrostáticas de un sensor apropiado255, 275 También se puede usar en una o más realizaciones para determinar si hay hielo y agua o solo hielo o solo agua en la nube..

[0142]

Las componentes del viento antes mencionadas pueden incluir, por ejemplo, la magnitud y la dirección de tres componentes vectoriales..

[0143]

Las determinaciones realizadas mediante aprendizaje automático también pueden, en algunos casos, incluir una velocidad a la que dispersar el material de siembra adecuado..

[0144]

En una o más realizaciones, el vehículo es un vehículo aéreo; el conjunto de sensores (p. ej.., 275) está en el vehículo aéreo; la etapa de hacer que el vehículo se mueva cerca de al menos una de las nubes candidatas a sembrar incluye mediante telemetría (por ejemplo,., 289) de estación de control terrestre 109 o centro de operaciones (p. ej.., 299) de resultados del planificador de la misión (p. ej.., 287–2), hacer que el vehículo aéreo vuele cerca de al menos una de las nubes candidatas 143 ser sembrado; y el paso de obtener los datos del sistema meteorológico y de nubes incluye obtener los datos del sistema meteorológico y de nubes del conjunto de sensores 275 mientras el vehículo aéreo vuela cerca de al menos una de las nubes candidatas a sembrar.

[0145]

Tenga en cuenta que los vehículos aéreos generalmente pueden ser tripulados o no tripulados, de ala fija, de ala giratoria o incluso cohetes..

[0146]

En algunos casos, el vehículo aéreo es un vehículo aéreo no tripulado 105; el paso de hacer que el vehículo aéreo vuele cerca de al menos una de las nubes candidatas 143 a sembrar incluye hacer que se envíe una primera señal de control a través de telemetria 289 de 109 de resultados del planificador de misión 287–2 a los no tripulados vehículo aéreo 105 para hacer que el vehículo aéreo no tripulado vuele cerca de al menos una de las nubes candidatas 143 a ser sembrado (por ejemplo, mediante comando(s) de telemetría); y el paso de controlar el vehículo aéreo incluye hacer que se envíe una segunda señal de control al vehículo aéreo no tripulado para provocar que el vehículo aéreo no tripulado lleve a cabo la siembra en las nubes candidatas a sembrar, de acuerdo con el paso determinante (por ejemplo, mediante comando(s) de telemetría). Por ejemplo, el sistema utiliza la salida de algoritmos de sensores 263 comparado con 287–2, 281–2 información y devuelta vía telemetría a la UAS (105) a través de radio 271 luego a través de su UPC 277 a su dispensador de semillas 265. “Debe entenderse que las señales primera” y “segunda” incluyen (i) señales separadas y distintas y/o (ii) información diferente modulada en la misma portadora..

[0147]

En algunos casos, un paso más incluye la obtención de datos auxiliares de una ubicación que no sea la suite de sensores en el no tripulado vehículo aéreo 293; La determinación, a través del proceso de aprendizaje automático, se basa más en el datos auxiliares 293. Los ejemplos de obtención de tales datos auxiliares incluyen obtener al menos uno de un avión tripulado; a instalación de radares101, 111; y otro vehículo aéreo no tripulado (por ejemplo, UAS1 105–1 penetra la nube para semillas mientras uas2 105–2 Muestra la corriente ascendente de la nube y las propiedades de hidrometeor de aerosol y nubes cerca de la base de la nube, lo que proporciona al menos una parte de los datos auxiliares). Como se señaló, en algunos casos, el procesamiento de imágenes de video en tiempo real se lleva a cabo en la alimentación de video (o la alimentación de imágenes en la nube utilizando luz no visible) del vehículo aéreo no tripulado. Esto ayuda, por ejemplo, aprendizaje automático y/o controlar el dron para dispensar material de semillas. En una o más realizaciones, una computadora interpreta las imágenes de video y emula las decisiones que tomarían un controlador humano. Procesamiento de imágenes a través de tierra computadoras de la estación de control 109 En el video u otras imágenes se pueden realizar, y/o el video o una representación visual de las imágenes puede crear para ver e interpretar por un humano. Los resultados de tales pueden ser telemeterales de regreso al Fuente105, 113 de las imágenes de video y se usa para guiar esas unidades UAS/UGV (s) 105, 113.

[0148]

En algunos casos, el vehículo aéreo es un vehículo aéreo tripulado; y el control del vehículo aéreo para llevar a cabo la siembra en las nubes candidatas a sembrar incluye los resultados de comunicación (por ejemplo, mostrar) el paso de determinación del paso del centro de operaciones 299 y en casos raros a bordo de radar a un operador humano del vehículo aéreo tripulado. El operador humano podría ser un piloto en el avión (humano a bordo) que está capacitado para leer los datos de radar si están disponibles. En otro aspecto, los resultados del aprendizaje automático del suelo computadoras del centro de control 109 se muestran a un operador UAS/drones controlado por humanos para facilitar el control de la UAS.

[0149]

En otro aspecto, en un caso donde el vehículo aéreo es un avión no tripulado (UAS, 105), Otros pasos incluyen detectar una condición de formación de hielo en el UAS (por ejemplo, a través de sensores 275 y UPC 277, y algoritmos de sensor 263); y, respondiendo a la detección, iniciando un procedimiento de deshielo. Para determinar la condición de formación de hielo en un vehículo no tripulado, los datos se pueden obtener de una temperatura y sensores de velocidad del aire 275, y la navegación relacionada componentes 269, 287–2. Los datos auxiliares incluyen información necesaria para volar el oficio. La alimentación de video también se puede usar si está disponible. Si el vehículo está en una nube y, por lo tanto, se pueden usar casi alta humedad, se pueden usar sensores de temperatura y humedad, por ejemplo. Algunas realizaciones también monitorean el tono, la guiñada y la velocidad del aire. El artesano experto estará familiarizado con la psicrométrica y podrá determinar, por ejemplo, que la condensación ocurrirá si la temperatura del ala está en o por debajo del punto de rocío. La temperatura de la bombilla húmeda se puede usar en lugar del punto de rocío. Si la temperatura del ala también está en o debajo del punto de congelación del agua a la presión ambiente, uno puede anticipar la formación de hielo. Las soluciones de desbordamiento adecuadas están disponibles, por ejemplo, de Innovative Dynamics Inc. de Ithaca, Nueva York. Una o más realizaciones activan un calentador u otro esquema de desbordamiento cuando se detecta el hielo.

[0150]

Por supuesto, los vehículos tripulados pueden descongelarse de forma conocida, según sea necesario..

[0151]

En los casos en los que el vehículo es un vehículo terrestre, la etapa de hacer que el vehículo se mueva cerca de al menos una de las nubes candidatas a sembrar incluye hacer que el vehículo terrestre se conduzca cerca de al menos una de las nubes candidatas a sembrar..

[0152]

En uno o más de estos casos, el conjunto de sensores está en el vehículo terrestre; y el paso de obtener los datos del sistema meteorológico y de nubes incluye obtener los datos del sistema meteorológico y de nubes del conjunto de sensores mientras el vehículo terrestre está conduciendo o está estacionario y está próximo a al menos una de las nubes candidatas a sembrar..

[0153]

En algunos casos, el vehículo terrestre es un vehículo terrestre no tripulado; la etapa de provocar que el vehículo terrestre se conduzca cerca de al menos una de las nubes candidatas a sembrar incluye provocar que se envíe una primera señal de control al vehículo terrestre no tripulado para provocar que el vehículo terrestre no tripulado conduzca cerca de al menos una de las nubes candidatas a sembrar; y el paso de controlar el vehículo terrestre para llevar a cabo la siembra en las nubes candidatas a sembrar, de acuerdo con el paso determinante, incluye hacer que se envíe una segunda señal de control al vehículo terrestre no tripulado para provocar que el vehículo terrestre no tripulado transporte realizar la siembra sobre las nubes candidatas a sembrar, de acuerdo con el paso determinante. Nuevamente, debe entenderse que las señales “primera” y “segunda” incluyen tanto (i) señales separadas y distintas y/o (ii) información diferente modulada en la misma portadora..

[0154]

En algunos casos, un paso adicional incluye la obtención datos auxiliares 293 desde un lugar distinto al conjunto de sensores 255 en el vehículo terrestre no tripulado 113; la determinación, a través del proceso de aprendizaje automático, se basa además en los datos auxiliares. Ejemplos de obtención de dichos datos auxiliares incluyen la obtención de al menos una aeronave tripulada; un aviones no tripulados 105; un vehículo terrestre tripulado; a instalación de radares101, 111; y otro vehículo terrestre no tripulado 113.

[0155]

En algunos casos, el vehículo molido es un vehículo molido tripulado; y el control del vehículo de tierra para llevar a cabo la siembra en las nubes candidatas que se sembrarán incluye los resultados de comunicación (por ejemplo, que exhibir) el paso determinante a un operador humano del vehículo molido. Es decir, en una o más realizaciones, resultados del aprendizaje automático del suelo computadoras del centro de control 109 se muestran a un humano para facilitar el control de la UGV, un conductor en vehículo molido (humano a bordo) o UGV controlado por el ser humano.

[0156]

En algunos casos, un paso adicional incluye determinar, a través del proceso de aprendizaje automático, el material de siembra apropiado que se utilizará.

[0157]

En una o más realizaciones, el clima y datos del sistema en la nube293, 255 Incluye al menos una de la distribución del tamaño de aerosol atmosférico y la distribución del tamaño del hidrometeor de la nube atmosférica, y los pasos adicionales incluyen continuar obteniendo al menos una de la distribución del tamaño de aerosol atmosférico y la distribución del tamaño del hidrometeor de la nube atmosférica durante el siembra 255, hasta que se cruce un valor umbral de la distribución en función del uso de datos del sensor a bordo 255, Radar 293 Datos en comparación con los valores derivados del planificador de misión 287–1 Como se describió anteriormente; y haciendo que la siembra cese cuando se cruza el umbral. En una o más realizaciones, un pase inicial indica cuándo y de dónde comenzar a sembrar; El sistema luego monitorea continuamente los sensores, incluida la temperatura., campo de viento 255 y Video 253 para determinar cuándo y desde dónde (si una matriz de sensores de tierra) se detiene. Por lo tanto, una o más realizaciones continúan monitoreando mientras se sembran, obteniendo los parámetros relevantes de los sensores de la plataforma.

[0158]

En una o más realizaciones, un módulo de aprendizaje automático (que incluye, por ejemplo, los componentes desde dentro de las computadoras del centro de control terrestre) 109) está entrenado desde la historia 281–1, almacenado 247 y/o datos del sensor 255 como se definió previamente en este documento en un corpus anotado. Es decir, un experto humano anota un cuerpo (corpus) de datos de cualquier fuente apropiada y luego lo utiliza para entrenar el sistema de aprendizaje automático. Una parte de los datos se puede reservar para un corpus de prueba. El paso de determinar a través del proceso de aprendizaje automático se lleva a cabo con el módulo de aprendizaje automático entrenado (preferiblemente verificado con el corpus de prueba) y luego se devuelve al UGV 113 a través de telemetria291, 251. Vale la pena señalar que los programas de sistemas de navegación/software de planificación de vuelo disponibles comercialmente pueden determinar una ruta hacia un punto dadas sus coordenadas. Una o más realizaciones “envuelven” dicho programa y/o modifican el código del mismo para que acepte el datos de radar 293, datos del sensor a bordo255, 275, y datos meteorológicos 293 para ayudar a determinar una ruta adecuada e incluso óptima hacia la nube a sembrar. Una vez allí (es decir, en la nube 143), El datos reales255, 275 se puede utilizar para mejorar aún más la orientación.

[0159]

Ahora se debe tener la referencia que HIGO. 8 ; Lo mismo ilustra cómo el sistema integra/enlaza la instrumentación en la carga útil con el software de planificación de vuelo, el radar, etc. La referencia también se hace nuevamente a DeFelice y Axisa 2016. HIGO. 8 Por lo tanto, proporciona una ilustración ejemplar no limitante para ayudar al artesano calificado a implementar un sistema, que incluye vincular los diversos componentes, como el componente de planificación de vuelo, el componente de radar que identifica el área donde el vehículo comienza a buscar el lugar para la siembra, y pronto.

[0160]

En una o más realizaciones, una rutina de control de UAS autónoma 269 (igualmente representativo del control remoto 249) utiliza datos del planificador de misión 287–2 (igualmente representativo de la planter de misión 287–1) Para operaciones de siembra en nubes. Datos del sensor 275 (igualmente representativo de los datos del sensor 255) y datos de radar (del conjunto de datos 293), adquirido en bloque de adquisición de datos 801, se procesan en un bloque de procesamiento de datos 803 por, respectivamente, la calidad de los datos filtro de paso bajo 815 y radar bloque de control de calidad 817. Alto bloque de control de nivel 805 luego aplica modelos de siembra de nubes 261 (igualmente representativo de 241) para proporcionar acciones de siembra al UAS a través de 269 o UGV a través de 249. El calidad de los datos 815 se realiza por el algoritmo del sensor 263 (igualmente representativo de 243); el radar control de calidad de datos 817 se realiza en la CPU de la estación terrestre 287–2, 287–1. En un ejemplo no limitativo, el software de radar meteorológico 813 es el software Titan (Identificación de tormentas, seguimiento, análisis y ahora fundido) como se conoce en Dixon M. et al., “Titan: Análisis de seguimiento de identificación de tormentas y ahora transmitiendo una metodología basada en radar”, J Atmos. Ocean Technol. 10: 785-797 (1993) (en adelante “Dixon et al 1993”), expresamente incorporado en este documento por referencia en su totalidad para todos los fines, aunque el artesano experto estará generalmente familiarizado con el mismo, como no solo ahora se basa ahora ahora. La ubicación de la convección, con la entrada de datos de eco de radar en tiempo real sobre el entorno de la nube, pero también con la entrada de datos del sensor del UAS, como se describe en DeFelice y Axisa 2016. Los algoritmos de sensor y Modelo de siembra de nubes261, 263 Incluye, por ejemplo, las entradas de los algoritmos del sensor 263 (igualmente representativo de 243), y el Modelo de siembra de nubes 261 Como se discutió en otro lugar aquí. En un ejemplo no limitante, el modelo de siembra de nubes incluye un modelo de coalescencia y un modelado apropiado de los procesos de cristal de hielo y similares, como lo apreciará el artesano hábil. Algoritmos y modelo261, 263 son igualmente representativos de 241, 243. piloto automático 269 proporciona bajo-control de nivel 807 Residencia en bloques263, 813. a piloto de UAS 809 y meteorólogo 811 tener la opción de modificar o interrumpir las acciones tomadas por el UAS. elementos275, 815, 261, 263, 269 residir en el sistema UAS; elementos293, 817, 813 pertenece al sistema de radar; y elementos809, 811 representar operaciones de tierra (por ejemplo. 299).

[0161]

Como se usa en el presente documento, un vehículo está “próximo” a una nube o sistema de nubes cuando está dentro de la nube o sistema de nubes, o lo suficientemente cerca de la nube o sistema de nubes para obtener datos útiles. El experto comprende las capacidades de los sensores y sabrá qué tan cerca de una nube debe estar un tipo particular de sensor para obtener datos útiles..

[0162]

Vale la pena señalar que la temperatura atmosférica podría ser, a modo de ejemplo y no limitativo, la temperatura de bulbo seco; y los datos que indican la humedad pueden incluir, a modo de ejemplo y sin limitación, humedad relativa, humedad absoluta, temperatura de bulbo húmedo, punto de rocío, proporción de mezcla, proporción de mezcla de saturación y similares, cualesquiera parámetros que permitan calcular la humedad (si es necesario, junto con con la temperatura de bulbo seco): el experto estará familiarizado con la psicrometría y la tabla psicrométrica..

[0163]

Con respecto a los componentes del viento, la velocidad de la corriente ascendente es igual a la magnitud del componente del vector vertical.

[0164]

Cabe señalar que la distribución del tamaño de aerosol atmosférico y la distribución del tamaño del hidrometeor de la nube atmosférica pueden variar desde los aerosoles en el orden de 10⁻⁴ micras hasta ˜2×10⁵ micras (este último puede incluir, por ejemplo, lo que comúnmente se conoce como granizo del tamaño de una toronja o del tamaño de un melón).

[0165]

El artesano experto apreciará que cuando se obtengan parámetros de posición y actitud del vehículo de “dicho conjunto de sensores” en el vehículo, no es necesariamente de los mismos sensores en la suite de sensores que recopilan los datos del sistema climático y en la nube, es decir, es decir, Diferentes sensores en la suite proporcionan diferentes mediciones de datos. El artesano hábil también apreciará que determinar “cuáles de dichas nubes candidatas deberían ser sembradas” generalmente implicará la identificación de una o más. Sin embargo, el artesano experto apreciará que la “tasa a la que se dispersará el material de siembra apropiado” puede incluir, por ejemplo, caudal volumétrico o de masa; “Dónde y cuándo dispersarse dicho material de siembra apropiado” implica cuánto tiempo, es decir, cuándo comenzar y cuándo detenerse.

[0166]

En una o más realizaciones, el control del vehículo aéreo no tripulado para llevar a cabo la siembra en las nubes candidatas a sembrar, de acuerdo con el paso determinante, se lleva a cabo de manera segura y/o autónoma, por ejemplo, mediante control adaptativo, un humano volando un UAV o vuelo tripulado. Por supuesto, es apropiado cumplir con todas las leyes, normas y reglamentos locales; cifrar señales para evitar piratería y/o dispensación no deseada; y mantener los vehículos en un lugar seguro, cerrados con llave y/o asegurados de otro modo. De hecho, siempre se deben emplear procedimientos y prácticas de seguridad adecuados según el contexto de utilización. Los vehículos aéreos no tripulados deben estar físicamente asegurados para evitar el acceso de personas malintencionadas y/o cargarlos con materiales de siembra que no sean los apropiados. Las señales de control deben enviarse de forma segura..

[0167]

La operación de una o más realizaciones debe realizarse de acuerdo con las reglas apropiadas para la jurisdicción de operación; por ejemplo, las normas de la FAA en EE. UU. Por ejemplo, dependiendo de las reglas locales, puede ser apropiado brindar la opción a un humano de anular la autonomía/control adaptativo. También se debe considerar debidamente dónde colocar el UAS/UGV. Por ejemplo, ese lugar puede estar alejado de la carretera principal y/o no ser propiedad de la organización que patrocina o implementa el programa. En el caso de este último obtendríamos los permisos adecuados.

[0168]

En algunos casos, los datos del sensor se pueden utilizar para ayudar a determinar cuándo comenzar y cuándo dejar de dispensar el material de siembra. Por ejemplo, las salidas de los sensores) 275, 255 detectar al menos uno de los aspectos de la distribución del tamaño de los aerosoles atmosféricos y la distribución del tamaño de los hidrometeoros de las nubes atmosféricas se envían al control y control de calidad dentro algoritmos de sensores263, 243 siguiendo los pasos estándar bajo paso de control de calidad 311, luego a las estaciones terrestres 109–2, 109–1 para comparar con los resultados del proceso de aprendizaje automático, como se define en este documento, de las condiciones de umbral establecidas para la inicialización almacenada en bases de datos SIL. 281–2, 281–1. Los resultados de esa comparación se devuelven a través de telemetria289, 291 y pasó a siembra modelo261, 241 que envía una señal a través del UPC277, 257 al sistema de siembra, siembra dispensador265, 245 para comenzar a sembrar/detener la siembra con el material de siembra. Cuando al menos una de las distribuciones del tamaño de los aerosoles atmosféricos y la distribución del tamaño de los hidrometeoros de las nubes atmosféricas cambia hasta un cierto punto (es decir, la condición umbral), se detiene la siembra. El experto en la materia, dadas las enseñanzas del presente documento, puede establecer umbrales apropiados.

[0169]

Se pueden determinar muchos elementos diferentes a través del aprendizaje automático en una o más realizaciones; Por ejemplo, qué nubes para semillas; Qué material de siembra usar; dónde y cuándo sembrar las nubes a sembrar; el camino a tomar para llegar a la ubicación dados los datos meteorológicos y de aviación in situ; la masa y/o volumen de material de siembra se dispersará por kilómetro u otra unidad lineal de vuelo; y similares. En algunos casos, la elección del material de siembra se puede predeterminar; por ejemplo, yoduro de plata o hielo seco. En algunos casos, las bengalas higroscópicas pueden ser apropiadas o simplemente bengalas de yoduro de plata. Se puede usar uno o más de temperatura, corriente ascendente, gotas y otros atributos de hidrometeor para hacer la determinación en una o más realizaciones; Por ejemplo, a través de información integral (por ejemplo,., datos del sensor275,255; datos de imágenes en la nube273,253; almacenado Datos267, 247, 281, 293 Atributos de datos no radares (por ejemplo, si no hay datos de sensor disponibles)) y datos de radar de conjunto de datos auxiliares 293.

[0170]

Se pueden incluir muchos artículos diferentes en el datos auxiliares 293, Complementar lo que está en el sistema, para guiar la operación o más tarde para demostrar que fue exitoso. Los ejemplos no limitantes incluyen imágenes en la nube como video que no sea 273, 253; salidas de modelo para soporte de decisiones; pronósticos meteorológicos; Salidas del modelo de predicción meteorológica numérica; topografía; imágenes satelitales; otros datos de sistemas ‘inteligentes’; climatológico; eléctrico; meteorológico; Observaciones microfísicas y microquímicas/mediciones/datos asimilados; y similares. Por ejemplo, inicialmente, los datos de radar pueden indicar “ir a la ubicación X”. Esa ubicación X se proporciona a la UAV piloto automático 269 a través de telemetria 289 Desde la estación de control del suelo 109–2 radio 283–2 que recibió la información de la computadora 285–2 Después de procesar la información del Planificador de la Misión 287–2 y base de datos SIL 281–2. Se desea ir a X porque hay una nube allí con ciertas condiciones ambientales apropiadas. También puede haber un video o otras imágenes de nubes 273 Alimentar para ayudar a determinar dónde está la nube una vez que el vehículo llega a esa posición. El operador en el centro de control 299 puede ver el alimento. El operador puede ver la nube y concluir que todo está en orden; No es necesaria ninguna intervención. También puede haber información del informe meteorológico 293 y/u otros resultados de soporte de decisiones 293; por ejemplo, glaseado en −10 nivel C 153; vientos 10 mph en −5 nivel C 151 donde el vehículo está volando; etcétera. Esta información está presente en la base de datos 281–2 después de la calidad asegurada por una rutina en la CPU 285–2, y se combinarán con los datos in situ de sensores a bordo 267 Una vez que llega el vehículo, se recomienda la nube candidata y realiza mediciones in situ en y alrededor de eso nube 143. Una vez que el vehículo llega a la nube para ser sembrado 143, y es inmediato el nube 143, La base de datos se puede actualizar para tener en cuenta los datos adicionales del sensor obtenidos de la nube. Además, en el caso de una falla del sensor (p. Ej., Sensor de temperatura), la temperatura (u otros datos faltantes) se puede obtener de otra fuente (p. Ej.., conjunto de datos auxiliares 293, Datos 5 “Estación meteorológica ”). Del mismo modo, en caso de que el sensor de partículas falle, el planificador de misiones 287–2 instruye la CPU 285–2 para buscar conjunto de datos auxiliares 293 Para un archivo de datos predeterminado para obtener datos de calidad relevantes pero degradados para garantizar los mejores datos posibles disponibles para determinar la semilla/sin semilla. Almacenado registros pasados267, 247 También se puede consultar en algunos casos, incluidos casos de falla del sensor, por ejemplo, como un medio para actuar como un mecanismo de “fallas” como se mencionó anteriormente. Esta información se puede procesar en el suelo (por ejemplo, en la computadora. 285–2 y/o centro de operaciones 299, Haciendo uso de la base de datos SIL 281–2, por ejemplo) y luego enviado a través de telemetria 289 al UAV. Por lo tanto, los datos se pueden usar para verificar la ubicación, como parte de un esquema de degradación elegante, como una copia de seguridad, y así sucesivamente. La topografía se puede tratar de manera similar junto con parámetros de navegación/aeronáuticos, como tono, guiñada, rollo y similares. El avión debe mantenerse de forma segura dentro del sobre de vuelo.

[0171]

Además, en este sentido, en una o más realizaciones, el almacenamiento primario está en bases de datos SIL 281–1, 281–2 con almacenamiento en 247, 267 Principalmente como un fallas a prueba de fallas para el sistema, en caso de que la conexión se pierda con GCS, y o con Ops de misión. En una o más realizaciones, el almacenamiento de datos en el vehículo es mínimo, excepto para la adquisición de datos y un procesamiento en tiempo real para algoritmos. En algunos casos, donde los datos se consideran inadecuados, el vehículo regresa a la base. Además, en algunos casos, CPU 285–2 busca conjunto de datos 293 Para un archivo de datos predeterminado para obtener datos de calidad relevantes pero degradados para garantizar los mejores datos posibles disponibles para determinar la semilla/sin semilla.

[0172]

Los resultados del pronóstico del tiempo pueden incluir niveles de formación de hielo. Esto puede provocar la activación del sistema antihielo del UAV a través de una señal de control de 269 después de que los datos de formación de hielo se envíen a través de telemetria 289 y procesamiento (por ejemplo, en la estación de control terrestre 109) de las fuentes de datos auxiliares 293.

[0173]

Como se señaló, algunas realizaciones emplean un corpus de entrenamiento, que incluye datos anotados por expertos humanos para indicar qué nubes sembrar y cuándo se basan en al menos una de la distribución del tamaño de los aerosoles atmosféricos y la distribución del tamaño de los hidrometeoros de las nubes atmosféricas, y otros parámetros relevantes. Luego, el sistema se entrena en el corpus anotado. Algunos aspectos pueden basarse en cálculos deterministas, como comparaciones con un umbral almacenado, además del aprendizaje automático. Los sistemas de aprendizaje automático suelen volverse más sólidos con el tiempo a medida que hay más datos disponibles. Luego, una o más realizaciones utilizan datos in situ para ver si se cumplen los criterios de siembra; si se cumple, semilla, en caso contrario no. Cuando se emplean corpus de entrenamiento y pruebas, pueden almacenarse, por ejemplo, en memorias asociadas con computadoras. 285–1, 285–2, una computadora en el centro de operaciones 299, o incluso, en algunos casos, almacenes de datos247, 267 u otra memoria disponible para CPU257, 277.

[0174]

Considere el uso de datos de radar. Los sistemas convencionales utilizan una herramienta de software para analizar datos de radar de tormentas existentes. Por ejemplo, supongamos que se enciende el radar, hace un barrido y se localizan cinco nubes; Los datos de radar de cinco nubes ahora están disponibles. La herramienta de software compara estos datos con su base de datos y determina qué nube sembrar. Este enfoque convencional utiliza datos de radar. En un ejemplo no limitante, estos datos de radar son datos de radar meteorológico que se pueden recopilar a distancias que varían de 1 a 250 millas de distancia o, en algunos casos, de 50 a 250 millas de distancia. En una o más realizaciones, esto se toma como punto de partida, pero los datos de la plataforma se utilizan desde el interior de la nube para compararlos con el umbral. Algunos sistemas de radar observan gotas grandes (de lluvia) (del orden de 5 a 6 mm) con un radar meteorológico de banda de 10 cm. Algunas realizaciones utilizan un radar de banda de 5 cm para detectar gotas de llovizna (del orden de 1 mm), para obtener una indicación más temprana de la precipitación..

[0175]

En una o más realizaciones, el RADAR se utiliza para proporcionar datos de posibles nubes candidatas. Software de radar meteorológico 813 (ej., el software TiTAN mencionado en otra parte del presente documento) luego toma estas nubes y compara estos datos con datos de entrenamiento previos, que son datos de radar anteriores, para ayudar a elegir las nubes que probablemente responderán positivamente a la siembra agregada por el operador capacitado. Por lo tanto, aspectos de la invención mejoran las técnicas anteriores que utilizan el software TiTAN con datos in situ basados ​​en parámetros de datos más sólidos. En este sentido, los datos de radar son toscos y no siempre se encuentran en la parte correcta de una nube para una siembra ideal. Tenga en cuenta la relación funcional entre los hidrometeoros de precipitación y la medición del radar, que es la reflectividad (la reflectividad del radar es proporcional al tamaño del hidrómetro elevado a la sexta potencia). Por lo tanto, adivinar el tamaño tiene una magnitud de error inherente de al menos 6 veces el error en el valor de tamaño estimado, en comparación con usar los datos de distribución de tamaño del sensor a bordo en la ubicación de la nube más próxima, como en una o más realizaciones, empleando así más parámetros de datos robustos, por ejemplo.

[0176]

En algunos casos, un aspecto adicional implica decidir qué material de siembra usar. Algunas realizaciones utilizan nuevos materiales como nanopartículas, que aún están en la etapa de investigación y desarrollo. Los materiales convencionales también se pueden emplear.

[0177]

Otros aspectos de un modelo terrestre ejemplar sistemas 113 ahora se discutirá. En algunos casos, cada vehículo terrestre no tripulado terrestre (estacionario, atado y móvil) se controla de forma remota de forma autónoma y se le proporciona capacidad de aprendizaje automático. Referirse a UGV 113 Con UPC 257 comunicándose a través de telemetria 291 con estación de control en tierra 109–1 tener base de datos SIL 281–1, Planificador de misión 287–1, computadora 285–1, acceso a datos auxiliares 293, y capacidad de comunicación con UPC 257 en UGV 113 a través de telemetria 291. El sistema terrestre dispone de autonomía o control remoto (componente 249) que inicialmente se controla de forma remota mediante la guía del modelo de PNT regional y de mesoescala desde conjunto de datos 293; está a bordo (concurrente) carga útil del sensor255, 253; y/o otro UGV 113, UAS 105, y/u otros datos auxiliares 293. Capacidad de anulación humana desde centro de operaciones 299 se puede proporcionar en una o más realizaciones.

[0178]

En algunos casos, se proporciona orientación a través de Mission Planner 287–1 y basado en conjunto de datos 293 e in situ (a bordo) datos UGV 255 de algoritmos de sensores 243, procesado a través de la computadora 285–1 y/o UPC 257 y utilizado en tiempo casi real para: (1) controlar de manera óptima las acciones de inicio y dejar de siembra (siembra modelo 241 y dispensador 245); (2) Determinar si un UGV debe volverse móvil (por ejemplo, bajo control remoto 249) y/o si un UAS 105 debe usarse; (3) controlar el tipo de material dispensado 245, y/o (4) realizar un seguimiento de la cantidad total dispensada de unidad 245. En algunos casos, toda la secuencia que se establece inmediatamente arriba se actualiza continuamente, y el sistema es capaz de aprender al aprendizaje automático. En algunas realizaciones, el sistema de tierra es concurrente in situ (a bordo) la carga útil del sensor o los datos simulados por el modelo identifican cuándo los sistemas son sembrables. En algunos casos, este aspecto es similar a las realizaciones de UAS, excepto que el UGV podría no estar movido).

[0179]

En algunos casos, cuando los sistemas de nubes se pueden sembrarse, el módulo de autonomía 249 enciende todos, uno o ninguno de los sistemas en función de las condiciones ambientales medidas por sensores 255 Con algoritmos 243, y continúa la operación de siembra hasta que las condiciones hayan terminado según lo determine la suite del sensor in situ 255 (por ejemplo, en el UGV). En una o más realizaciones, Algoritmos de control de UGV 249, 287–1 también determine si un UGV 113 debería convertirse en móvil, proporcionar alertas a través de telemetria 291 para recargar los materiales de siembra y comunicarse, a través de radio 251, condiciones climáticas extremas. Una vez que termina la siembra, cada sistema puede continuar haciendo mediciones según sea necesario. Además, se pueden emplear sistemas ‘inteligentes’ no sembrados en una variedad de UGV para recopilar datos durante el mismo período, simultáneamente con los sistemas que estaban sembrando.

[0180]

En algunos casos, si se determina que un dado UGV 113 debería ser móvil, entonces mando a distancia 249 Lo moverá a la ubicación determinada para producir una ubicación adecuada y preferiblemente óptima para sembrar la nube, si la nube está dentro del rango de ese UGV. Si ese UGV no está en el rango y el UGV es parte de una matriz, entonces el Planificador de la Misión 287–1 Determina qué UGV/UGV debe comenzar a sembrar en las ubicaciones actuales y/o ser movidos para comenzar a sembrar. Algunas realizaciones dirigen un UAS 105 a la ubicación si el nube 143 no está en el rango del UGV 113 y que UGV 113 no es capaz de moverse.

[0181]

En algunos casos, los datos se procesan para controlar las acciones de inicio y parada de siembra como se define en el presente, así como para controlar el tipo de material dispensado como se define en el presente, y para realizar un seguimiento de la cantidad total dispensada como se define en el presente. También se pueden proporcionar alertas para recargar los materiales de siembra e incluso para comunicar condiciones climáticas extremas. Vale la pena señalar que la práctica convencional es hacer que un operador local o remoto encienda o marque físicamente los generadores de siembra terrestres basándose en información disponible comercialmente que puede ser oportuna o no, o localmente relevante..

[0182]

En algunas realizaciones relacionadas con sistemas terrestres, obtener datos que incluyan cuándo se pueden sembrar nubes candidatas. Basado en datos que incluyen la ubicación actual del vehículo terrestre no tripulado 113, y en datos in situ 255 para determinar la firma de siembra, hacer que se envíe una señal de control para comenzar a sembrar como se define en el presente documento o para moverse a una ubicación en el suelo próxima al nube candidata 143 para ser sembrado como se define en este documento; luego, basándose en los datos in situ, comenzar a sembrar como se define en el presente documento. Algunas realizaciones obtienen, a partir de un conjunto de sensores en el vehículo terrestre no tripulado 255, mientras está estacionario y/o en movimiento cerca al menos de la nube candidata a sembrar 143, datos meteorológicos y del sistema de nubes, incluida la temperatura atmosférica; presión atmosférica; datos que indican humedad; componentes eólicos; y al menos uno de la distribución del tamaño de los aerosoles atmosféricos y la distribución del tamaño de los hidrometeoros de las nubes atmosféricas..

[0183]

Algunas realizaciones incluyen además obtener la posición del vehículo y (cuando sea relevante) los parámetros de actitud del conjunto de sensores en el vehículo terrestre no tripulado. Con base en los datos del sistema meteorológico y de nubes y la posición del vehículo y (cuando sea relevante) los parámetros de actitud, algunas realizaciones determinan, mediante un proceso de aprendizaje automático, cuándo se encuentra dentro de las nubes candidatas, cuándo dispersar el material de siembra apropiado; y cuándo dejar de sembrar; y controlar el vehículo terrestre no tripulado para realizar la siembra sobre las nubes candidatas a sembrar, de acuerdo con el paso determinante.

[0184]

Los componentes del viento pueden incluir, por ejemplo, magnitud y dirección de tres componentes vectoriales..

[0185]

En algunos casos, determinar a través del aprendizaje automático además incluye una tasa a la cual dispersar el material de siembra apropiado.

[0186]

Algunas realizaciones incluyen además obtener datos auxiliares de una ubicación que no sea el conjunto de sensores en el vehículo terrestre no tripulado; La determinación, a través del proceso de aprendizaje automático, se basa más en los datos auxiliares. Los datos auxiliares se pueden obtener, por ejemplo, de al menos uno de un vehículo molido tripulado, una instalación de radar, otro vehículo terrestre no tripulado y un sistema de aeronaves no tripulados.

[0187]

Vale la pena señalar que los sistemas terrestres suelen ser más sensibles al terreno que los sistemas aéreos. El uso de vídeo u otras imágenes de nubes es deseable en una o más realizaciones. La topografía influirá en la siembra en una o más instancias terrestres. Convencionalmente, las bengalas encendidas se colocan en un poste alto estacionario, o se coloca un bloque de hielo seco en la parte trasera de un camión y un conductor conduce arriba y abajo por un camino predeterminado. En otro aspecto, en terreno montañoso, puede haber una pluralidad de generadores terrestres estacionarios121, 123, 125 que dispensan el material de siembra en el aire, y de allí en la nube, en condiciones en las que irá al lugar correcto para provocar que la precipitación caiga donde debe caer (es decir, el área objetivo). 115), dependiendo de las condiciones atmosféricas y climáticas. En algunos casos, es posible que el operador humano no esté en el sitio. Por ejemplo, el operador humano puede estar en Reno, Nevada, pero puede estar sembrando en el lado californiano del lago Tahoe. Por lo tanto, las condiciones deben pronosticarse de forma remota (por ejemplo, a través del centro de operaciones). 299) en una o más realizaciones. Luego, se envía una señal, o se realiza una llamada telefónica a un agricultor (ejemplo no limitativo de un propietario de terreno donde está ubicado el sistema) o similar para provocar que se encienda el generador..

[0188]

Además, con respecto a la dependencia del terreno/topografía, los cambios de terreno/topografía pueden relacionarse, por ejemplo, con las diferencias en la temperatura del aire y/o el campo de viento. Dependiendo de la temperatura y los perfiles de campo eólico, especialmente cerca de la superficie, al menos los aspectos pueden ser pertinentes: (i) es la temperatura del aire lo suficientemente fría como para semillas; y (ii) indica el campo del viento, en función del componente vertical del viento, si el material de siembra viajará a un nivel en el que no solo puede nuclear hielo sino, dado ese perfil del viento, viajar al área objetivo. Basado en las enseñanzas en este documento, una persona experta en el campo podrá lidiar con problemas de terreno/topografía.

[0189]

Dada la discusión hasta ahora, se apreciará que, en términos generales, otro método ejemplar, según otro aspecto de la invención, incluye obtener, de un conjunto de sensores terrestres (por ejemplo,. 255) incluyendo una pluralidad de sensores, asociado con una suite de siembra en tierra que incluye una pluralidad de aparato de siembra (por ejemplo,. múltiples sistemas 113 con dispensadores 245), Datos del sistema climático y en la nube. Los datos se pueden obtener, por ejemplo, en la estación 109–1 a través de telemetria 291. Otro paso incluye, según los datos del sistema climático y en la nube, determinar, a través de un proceso de aprendizaje automático, que los individuos del aparato de siembra en tierra para activar y cuándo. El proceso de aprendizaje automático se puede llevar a cabo, por ejemplo, en la estación de control del suelo – Uso de la computadora -, Planificador de misión -, y base de datos SIL 281–1. Aún así, un paso más incluye el envío de señales de control (por ejemplo, telemetría 291) a los individuales del aparato de siembra en tierra (por ejemplo, uno o más sistemas 113), causar lo mismo para emitir material de siembra (por ejemplo, de dispensadores 245), de acuerdo con el paso determinante. En algunos casos, fijo aparato de siembra121, 123, 125 podría ser empleado. Componentes apropiados similares a los de UGV 113 podría emplearse análogos para el aparato de siembra fijo.

[0190]

En algunos casos, ninguno de los sistemas terrestres 113 puede estar colocado apropiadamente para la siembra. Así, en algunos casos, los pasos adicionales incluyen repetir el paso de obtención para obtener diferentes datos meteorológicos y del sistema de nubes; basándose en los diferentes datos meteorológicos y del sistema de nubes, determinando, mediante el proceso de aprendizaje automático, que ninguno de los aparatos de siembra terrestres es apropiado para ser activado en sus ubicaciones actuales; y enviar señales de control adicionales (por ejemplo, mediante telemetría) 291) a al menos uno de los individuales de la base terrestre aparato de siembra 113, para hacer que el mismo se reposicione en una ubicación adecuada para la siembra.

[0191]

En algunos casos, ninguno de los sistemas terrestres 113 Puede posicionarse adecuadamente para la siembra, y pueden no ser móviles o el reposicionamiento puede no ser practicable. Por lo tanto, en algunos casos, los pasos adicionales incluyen repetir el paso de obtención para obtener diferentes datos del sistema meteorológico y nube; Basado en los diferentes datos del sistema climático y en la nube, determinando, a través del proceso de aprendizaje automático, que ningún individuo del aparato de siembra en tierra es apropiado para ser activado en sus ubicaciones actuales; y, respondiendo a la determinación, enviando más señales de control para causar al menos un vehículo aéreo (por ejemplo,. 105) (En general, tripulado y/o no tripulado) para posicionarse a una ubicación apropiada para la siembra. Por ejemplo, estación 109–1 Estación de asesoramiento 109–2 a través de Ethernet 297, o radios 251 y/o 271 comunicarse o comunicarse a través de 129 o una ruta de comunicación directa entre 105–1 y 113 a (omitido para evitar el desorden).

[0192]

En algunos casos, en el paso de obtención, la pluralidad de sensores 255 están colocados con la pluralidad de semillas aparato 245 sobre una pluralidad de vehículos terrestres 113. En otras realizaciones, se podrían utilizar conjuntos de sensores separados, que no están en los vehículos..

[0193]

En algunos casos, el paso de determinar mediante aprendizaje automático tiene en cuenta además al menos uno de los datos de detección remota (por ejemplo, parte del conjunto de datos). 293) y datos de salida del modelo meteorológico (por ejemplo, parte del conjunto de datos). 293). A este respecto, ejemplos no limitativos de datos de teledetección incluyen datos de radar, datos LIDAR y datos satelitales (por ejemplo, parte del conjunto de datos 293). Datos de salida del modelo meteorológico (por ejemplo, parte del conjunto de datos) 293) También se puede utilizar (el modelo meteorológico predice dónde irán las nubes). Tanto en tierra 113 a, 113 b y aéreo 105 a, 105 b Las realizaciones pueden, según corresponda, utilizar tanto datos de teledetección como datos de modelos meteorológicos..

[0194]

Además a este respecto, una o más realizaciones utilizan información meteorológica y de radar (por ejemplo, parte del conjunto de datos 293) además de información sobre el vehículo (por ejemplo, de sensores 255, 275) para determinar si se debe comenzar a sembrar. Para vehículos móviles, es posible tener sensores en ubicaciones sin vehículos (por ejemplo, “otros datos” en el conjunto de datos 293) y determinar que un vehículo como un sembrador camión 113 debería trasladarse allí. Por ejemplo, datos de alimentación (por ejemplo, “otros datos” en el conjunto de datos 293) en el componente de aprendizaje automático a través de telemetria 291 para determinar la mejor ubicación para los vehículos de siembra terrestre (por ejemplo, camiones). Por ejemplo, los datos de la conjunto de datos 293 se enruta a través de Cambiar 295, Ethernet 297 (o cualquier otra red cableada o inalámbrica adecuada), planificador de misión 287–1, y base de datos SIL 281–1 con procesamiento en computadora 285–1. Supongamos, puramente a modo de ejemplo y no de limitación, que existen tres vehículos 113 todos dentro de una cierta distancia entre sí, y perpendiculares al campo de viento. En una o más realizaciones, el componente de aprendizaje automático tiene una subrutina que, dadas las condiciones del pronóstico del tiempo (por ejemplo, parte del conjunto de datos 293) y el radar (por ejemplo, parte del conjunto de datos 293) y el campo de viento (por ejemplo, parte de conjunto de datos 293 más de la carga útil del sensor 255), determina que si se activan los tres vehículos (se conocen las ubicaciones de los vehículos; la información local de sus sensores está disponible), el material de siembra no llegará al área objetivo 115. Por lo tanto, se determina además (por ejemplo) mover el primer vehículo hacia el norte dos millas (3,2 km), mantener el segundo vehículo en el mismo lugar; y mueva el tercer vehículo número hacia el sur dos millas (3,2 km). Una vez que los vehículos se vuelven a desplegar en las nuevas ubicaciones según el aprendizaje automático (digamos, del orden de un minuto), el sistema de control 249 les indica que comiencen a sembrar 245. Los vehículos se vuelven a desplegar, por ejemplo, mediante señales de sus controles remotos 249 Residencia en datos de la cámara 253, datos del sensor 255, y datos de conjunto de datos 293; y basado en el aprendizaje automático realizado por el planificador de misiones 287–1 usando datos 281–1 con procesamiento en computadora 285–1.

[0195]

En una o más realizaciones, el carga útil del sensor 255 en vehículos terrestres 113 será similar al carga útil del sensor 275 en el plataformas aerotransportadas 105. Cada vehículo terrestre o aéreo tiene una siembra sistema245, 265 adjunto, en una o más realizaciones. Si la semilla depende o no, en una o más realizaciones, en los datos y los resultados del proceso de aprendizaje automático. Una o más realizaciones, por ejemplo, usan información de radar e información meteorológica, son conscientes de la topografía (generalmente más importante para los sistemas terrestre que en el aire), y también tienen un material de siembra conocido disponible. Usando esa información y el video u otras imágenes de la nube para verificar la presencia dentro de una nube, se determina si comenzará a sembrar o no. En una o más realizaciones, los vehículos terrestres se pueden mover opcionalmente.

[0196]

Se apreciará aún más que una o más realizaciones se dirigen a un sistema que incluye una memoria, y al menos un procesador, junto con la memoria y operativo para llevar a cabo o facilitar a cualquiera, algunos o todos los pasos de método descritos en esta.

[0197]

El al menos un procesador podría ser, por ejemplo, un procesador de la computadora de la estación terrestre 285, un procesador de un centro de operaciones 299, o CPU 257 y/o 277 o uno o más de la misma manera adecuada (por ejemplo, un procesador de la estación de control de tierra de la computadora 285 acoplado (por ejemplo, a través de la telemetría u otras técnicas inalámbricas o incluso cableadas en casos apropiados) a un procesador de vehículo remoto 257, 277).

[0198]

El sistema puede incluir los componentes adicionales representados en higos. 1, 2 , y/o 8, Por ejemplo.

[0199]

Una o más realizaciones pueden utilizar el software que se ejecuta en un procesador (por ejemplo,., CPU257, 277 o procesadores de computadoras 285–1, 285–2 o una computadora en el centro de operaciones 299). Con referencia a HIGO. 4 , Tal implementación podría emplear, por ejemplo, un procesador 402, a memoria 404, y una interfaz de entrada/salida formada, por ejemplo, por un mostrar 406 y un teclado 408. El término “procesador” como se usa en este documento está destinado a incluir cualquier dispositivo de procesamiento, como, por ejemplo, uno que incluya una CPU (unidad de procesamiento central) y/u otras formas de circuitos de procesamiento. Además, el término “procesador” puede referirse a más de un procesador individual. El término “memoria” está destinado a incluir la memoria asociada con un procesador o CPU, como, por ejemplo, RAM (memoria de acceso aleatorio), ROM (memoria de lectura solo), un dispositivo de memoria fijo (por ejemplo, disco duro), un Dispositivo de memoria extraíble (por ejemplo, disquete), una memoria flash y similares. Además, la frase “interfaz de entrada/salida” como se usa en este documento, está destinada a incluir, por ejemplo, uno o más mecanismos para ingresar datos a la unidad de procesamiento (por ejemplo, mouse), y uno o más mecanismos para proporcionar resultados asociados con la unidad de procesamiento (por ejemplo, impresora). El procesador 402, memoria 404, e interfaz de entrada/salida como mostrar 406 y teclado 408 puede ser interconectado, por ejemplo, a través de autobús 410 Como parte de un unidad de procesamiento de datos 412. Interconexiones adecuadas, por ejemplo a través de autobús 410, También se puede proporcionar a un interfaz de red 414, como una tarjeta de red, que se puede proporcionar para interactuar con una red de computadoras y a un interfaz de medios 416, como una unidad de disquete o CD-ROM, que se puede proporcionar para interactuar con Media 418 (Una interfaz de puerto USB con una llamada unidad de “pulgar” es otro ejemplo).

[0200]

La interfaz de red también se puede imaginar que representa un enlace de datos inalámbricos y/o con cable. No todas las instancias tendrán un teclado y una pantalla. Por ejemplo, una unidad informática en un UAV puede tener un procesador, memoria y transceptor inalámbrico, mientras que en una unidad de control de tierra puede tener un teclado y pantalla, así como un procesador, memoria y transceptor inalámbrico. Cuando se utilizan sensores analógicos, se pueden emplear convertidores de analógicos a digital (a/d).

[0201]

En consecuencia, el software de la computadora que incluye instrucciones o código para realizar las metodologías de la invención, como se describe en este documento, se pueden almacenar en uno o más de los dispositivos de memoria asociados (por ejemplo, ROM, memoria fija o eliminable) y, cuando está listo para ser utilizado. , cargado en parte o en su totalidad (por ejemplo, en RAM) e implementado por una CPU. Dicho software podría incluir, entre otros, firmware, software para residentes, microcódigo y similares.

[0202]

Como se usa en este documento, incluidas las afirmaciones, un “servidor” incluye un sistema de procesamiento de datos físicos (por ejemplo, sistema 412 como se muestra en HIGO. 4 ) ejecutando un programa de servidor. Se entenderá que dicho servidor físico puede o no incluir una pantalla y un teclado.

[0203]

Estas instrucciones del programa de computadora también se pueden almacenar en un medio legible por computadora que puede configurar un procesador para funcionar de manera particular, de modo que las instrucciones almacenadas en el medio legible de la computadora hacen que el procesador realice el aprendizaje, la adaptación y la funcionalidad de control.

[0204]

De este modo, HIGO. 4 es representativo de aspectos de un procesador y memoria que pueden estar en un UAV y/o en una estación terrestre u centro de operaciones, y la memoria puede incluir la memoria asociada con un procesador, así como un medio u otra memoria no volátil. desde el cual se pueden cargar instrucciones.

[0205]

Cabe señalar que cualquiera de los métodos descritos en este documento puede incluir un paso adicional de proporcionar un sistema que comprenda distintos módulos de software incorporados en un medio de almacenamiento legible por computadora; Los módulos pueden incluir, por ejemplo, cualquiera o todos los elementos representados en los diagramas de bloques y/o descritos en este documento; A modo de ejemplo y no de limitación, un módulo ejemplar es un módulo de aprendizaje automático como se describe en este documento. Los pasos del método se pueden realizar utilizando los distintos módulos de software y/o submódulos del sistema, como se describió anteriormente, ejecutándose en uno o más procesadores de hardware 402. Además, un producto de programa de computadora puede incluir un medio de almacenamiento legible por computadora con un código adaptado para implementar para llevar a cabo uno o más pasos de método descritos en este documento, incluida la provisión del sistema con los distintos módulos de software.

[0206]

En cualquier caso, debe entenderse que los componentes ilustrados en este documento pueden implementarse en varias formas de hardware, software o combinaciones de hardware y software. Circuitos integrados específicos de aplicación (ASICS), matrices de compuertas programables de campo (FPGA), circuitos funcionales, una o más apropiadamente programadas computadoras digitales de propósito general con memoria asociada y similares son todos ejemplos.

[0207]

Dadas las enseñanzas de la invención proporcionadas en el presente documento, un experto en la técnica relacionada podrá contemplar otras implementaciones..

[0208]

Se proporciona la siguiente lista de acrónimos y abreviaturas para la conveniencia del lector:

AGI – Silver yoduro

AI: inteligencia artificial

Objetivos: sistema de medición de condiciones de formación de hielo atmosférico

ANSI – Instituto de Normas Nacionales Americanas

ASCE – Sociedad Americana Ingenieros Civiles

ASICS: circuito integrado específico de aplicación (s)

BCPD: sonda de nubes de espalda de espalda con detección de polarización

CAS: espectrómetro de nube y aerosol

CDP – sonda de gotas de nube

CMMI – Integración del modelo de madurez de capacidad de capacidad

IMPC – Cloud Partícula Imager

CPU: unidad de procesamiento centro

CWIP: sonda de inercia del agua en la nube

C4ISR – Comunicaciones, computadoras, inteligencia, vigilancia y reconocimiento

Di – hielo seco

DMT—Tecnologías de medición de gotas Inc..

DSD – Distribución del tamaño del droplet

EWRI – Instituto de recursos hídricos ambientales

FAA—Administración Federal de Aviación

FPGA – Armías de puerta programables en campo

GCS: estación de control terrestre

GPS: sistema de posicionamiento global

LIDAR: detección y alcance de luz

MI – Inteligencia de máquinas

NI—Inteligencia natural

NWP: predicción del clima nomérico

PMO: oficina u organización de gestión de programas

Espectrómetro de partículas ópticas impresas

QA: garantía de calidad

Qf1: bandera de calidad por primer pase.

Radar: detección y rango

RAM -Memoria de acceso remanente

ROM – Memoria sola sola

SIL-Software en el circuito

SLW: agua líquida sobreenfriada

UAV: vehículo aéreo no administrado; a veces llamado vehículo aéreo no tripulado.

UAS: sistema de aeronaves no administrado

UGV – Vehículo molido sin administrar

EE.UU.—Estados Unidos (de América)

USB: autobús serie universal

WMA—Asociación de modificación del clima

ZDR – reflectividad diferencial

3D—Tridimensional