Más

Eliminar líneas no conectadas con QGIS

Eliminar líneas no conectadas con QGIS


Estoy usando un mapa de carreteras en formato shapefile para calcular una ruta entre dos puntos. El mapa se descarga de OpenStreetMap y tiene pequeñas líneas desconectadas que están arruinando mi ruta.

¿Hay alguna forma de deshacerme de ellos sin tener que eliminarlos manualmente uno por uno? Las líneas se ven así: http://screencast.com/t/4jnQFx57


Puede calcular un búfer (no más de 5 metros) para el punto inicial y final de cada cadena de líneas. Luego, cruce la zona de influencia con la red de carreteras. Es probable que una línea que no se cruza con la zona de influencia sea una carretera no conectada "correcta". Sin embargo, tendrá que jugar con el radio de la zona de influencia para obtener resultados satisfactorios.


Quizás use la Consulta espacial para seleccionar todas las líneas que se cruzan o tocan o se superponen a otras líneas. Entonces, ¿podría invertir la selección (para seleccionar todas las líneas que no se cruzan, tocar o superponer) y eliminar las líneas?

Quizás el verificador de topología podría funcionar para ayudarlo a seleccionar o identificar líneas que no tocan otras líneas.


Mis cuadrículas no se muestran en grados en QGIS

Tengo coordenadas de cuadrícula agregadas a mi mapa, pero está dando coordenadas incorrectas / sin sentido.

¿Cómo hago para que muestre las coordenadas correctas para mi mapa?

Una respuesta

Una causa común de este problema es el uso de crs no geográficos para sus líneas de cuadrícula.

Normalmente, querrá utilizar un CRS que mida en metros, millas o kilómetros para su análisis espacial. Si bien estas unidades son excelentes para el análisis y la generación de informes, no son las mejores para diseñar mapas. Imagínese un mapa que mide / muestra sus longitudes y latitudes en metros, millas o kilómetros.

Por lo tanto, ahora estamos en una unión en T y estamos confundidos sobre qué dirección tomar, use un crs geográfico y corremos el riesgo de obtener un resultado incorrecto, pero un diseño de mapa ordenado / interpretable o usar un resultado no geográfico y obtener resultados confiables pero un diseño deficiente / ilegible.

Afortunadamente para nosotros, hay una forma de evitar esto. En primer lugar, utilice cualquier CRS de su elección para su análisis. En segundo lugar, cuando llegue al compositor de impresión y agregue cuadrículas a su mapa (como se explica en este artículo https://geoafrikana.com/how-add-grids-and-grid-frame-map-qgis), haga clic en modificar cuadrícula , debajo de la sección & quotappearance & quot, verá un cuadro desplegable con la etiqueta & quotCRS & quot. Haga clic en él y seleccione un CRS geográfico (EPSG 4326).

¡Voila! Ahora sus cuadrículas se mostrarán en grados, no en metros, millas y kilómetros.


3 respuestas 3

Respuestas objetivas y bien razonadas son bienvenidos aquí, independientemente de su origen. Las personas que tienen vínculos con los proveedores a veces pueden proporcionar consejos o información que sea única o difícil de obtener. Esto puede ser especialmente valorado. Estoy agradecido de ver tales contribuciones. Una de las fortalezas de nuestra comunidad es que tiene muchos miembros valiosos y muy apreciados que trabajan para proveedores comerciales o desarrollan soluciones de código abierto.

Cuando un nuevo usuario oculta su asociación con un producto y crea un patrón para recomendarlo como una solución independientemente de la pregunta específica formulada, la comunidad reacciona rápidamente y toma las medidas adecuadas que van desde eliminar las publicaciones ofensivas hasta eliminar permanentemente las cuentas de usuario (lo que ocurre cuando las publicaciones son spam obvio y no están relacionadas con GIS). Si hay alguna pregunta sobre el curso de acción correcto, los miembros de la comunidad generalmente inician un diálogo (a través de comentarios, chat o un meta hilo) con ese usuario para aclarar cualquier malentendido.

Si se encuentra recomendando o comentando una solución en la que tiene un interés personal (ya sea comercial o no), siempre es una buena idea identificar su asociación con esa solución: es solo una forma más de proporcionar la información que la gente necesita. para evaluar su respuesta.


Mi nueva receta favorita en QGIS Map Design 2nd ed

Si me sigue en Twitter, probablemente ya haya escuchado que el libro electrónico de & # 8220QGIS Map Design 2nd Edition & # 8221 ya se ha publicado y esperamos que la versión impresa esté a la venta a finales de este mes. Gretchen Peterson y yo & # 8211 junto con nuestro editor Gary Sherman (¡sí, ese Gary Sherman!) & # 8211 hemos estado trabajando duro para ofrecerle toneladas de flujos de trabajo de diseño de mapas nuevos y mejorados y muchos mapas completamente nuevos. Según el recuento de Gretchen & # 8217, esta edición contiene 23 mapas nuevos, por lo que es muy difícil elegir un favorito.

Al igual que la primera edición, proporcionamos recetas cada vez más avanzadas en tres capítulos, cada uno de los cuales se centra en el estilo de las capas, el etiquetado o la creación de diseños de impresión. Si tuviera que elegir un favorito, tendría que ir con & # 8220 Dominar mapas rotados & # 8221, una de las recetas avanzadas en el capítulo de diseños de impresión. Parece engañosamente simple, pero combina una variedad de excelentes características de QGIS e ideas inteligentes para diseñar un mapa que proporciona información en múltiples niveles de detalle. Además del nombre inspirador de elementos de mapa rotados, este diseño combina

  • resúmenes de mapas
  • temas del mapa
  • líneas y polígonos graduados
  • una flecha norte girada
  • líneas de liderazgo elegantes

& # 8220QGIS Map Design 2nd Edition & # 8221 proporciona instrucciones prácticas, así como datos y archivos de proyecto para cada receta. De modo que puede saltar directamente a él y trabajar con los materiales proporcionados o aplicar las técnicas a sus propios datos.


Colas sueltas (talones) en líneas SPI

Tengo un diseño de circuito que se combina que usa cualquiera de los 2 enchufes para conectar un controlador. La idea es permitir que un usuario habilite cualquiera de los controladores para controlar una radio usando SPI. En el diseño, el usuario solo puede conectar un controlador u otro.

La frecuencia de reloj SPI es de 25 MHz. Tengo resistencias de 22 ohmios (cambiadas a 33 ohmios) ubicadas en la fuente de las señales SPI.

El problema aquí es que al hacer esto, las líneas SPI siempre tendrán una cola de circuito abierto o un rastro de talón (tal vez 2-3 cm) conectado entre la radio y el enchufe del controlador no utilizado. En la imagen de abajo, si el Controlador-A está enchufado y no se usa el enchufe SPI, existirá una pequeña traza (stub) desconectada en la placa.

Entonces, la pregunta es: ¿será este corto stub una preocupación significativa para la señalización SPI o es mejor agregar puentes de selección? ¿Es una práctica común no preocuparse por estas colas adicionales cuando son eléctricamente cortas como esta? Los puentes de selección añaden longitud y costo a la traza.

Aquí hay un esquema revisado de la situación con un poco más de detalle. Según los comentarios recibidos, esto parece ser aceptable siempre que los talones sean eléctricamente cortos. Me parece que las resistencias en los extremos de los talones no son motivo de preocupación.


¡QGIS 3.10 ama GeoPDF!

Recientemente, hemos estado trabajando en un desarrollo emocionante que llegará pronto en el soporte QGIS 3.10 y # 8230 para exportaciones de PDF geoespaciales. Esta ha sido una característica deseada por muchos usuarios de QGIS, y solo fue posible gracias a un grupo de patrocinadores financieros (que se enumeran a continuación). En esta publicación, vamos a explorar estas nuevas funciones y cómo mejoran los resultados de QGIS PDF.

Los PDF geoespaciales ahora se pueden crear exportando el lienzo del mapa principal de QGIS o creando y exportando un diseño de impresión personalizado. Por ejemplo, cuando selecciona la opción & # 8220Guardar mapa como PDF & # 8221 de la ventana principal de QGIS, verá un nuevo grupo de opciones relacionadas con PDF geoespacial:

En su forma más básica, PDF geoespacial es una extensión estándar del formato PDF que permite incrustar conjuntos de datos espaciales vectoriales en archivos PDF. Si la casilla de verificación & # 8220Include vector feature information & # 8221 está marcada al crear una salida PDF geoespacial, QGIS incluirá automáticamente toda la geometría y la información de atributos de las características visibles dentro de la página. Por lo tanto, si exportamos un mapa simple a PDF, obtendremos un archivo de salida que se parece a cualquier salida de mapa PDF normal anterior.

& # 8230pero, ¡también podemos recuperar este PDF en QGIS y tratarlo como cualquier otra fuente de datos vectoriales! En la captura de pantalla siguiente, usamos la herramienta Identificar para consultar los polígonos y ver toda la información de los atributos de la capa de origen original.

Esta capacidad agrega mucho valor a las exportaciones de PDF. Cualquiera que alguna vez haya recibido un PDF no espacial como un & # 8220 conjunto de datos espaciales & # 8221 dará fe de las frustraciones que causan & # 8230, pero si crea archivos PDF geoespaciales adecuados, entonces no habrá pérdida de la valiosa información espacial subyacente o atributos de características! Además, si estos PDF se abren dentro de Acrobat Reader, se habilitan herramientas que permiten a los usuarios consultar funciones de forma interactiva.

Otro buen beneficio que viene con la salida de PDF geoespacial es que las capas se pueden activar o desactivar de forma interactiva en el visor de PDF. La siguiente captura de pantalla muestra un archivo PDF geoespacial creado a partir de un mapa QGIS simple. A la izquierda tenemos una lista de las capas en el PDF, ¡cada una de las cuales se puede activar o desactivar dentro del visor de PDF!

Lo realmente bueno aquí es que, gracias a la inteligencia subyacente en la biblioteca GDAL que es responsable de la creación real del PDF geoespacial, el PDF se renderiza idénticamente a nuestro mapa QGIS original. Si bien las etiquetas se encienden y apagan junto con su capa de mapa correspondiente, todavía están apiladas correctamente de la misma manera que se ve en la ventana de QGIS. Además, los archivos PDF creados mantienen las etiquetas y las características vectoriales como ilustraciones vectoriales, por lo que no hay ninguna pérdida de calidad al hacer zoom en el mapa. Estos archivos se ven ¡GENIAL!

En esa misma nota & # 8230, el patrocinio nos permitió abordar otro problema relacionado, que es que en versiones anteriores de QGIS, las exportaciones de PDF (o SVG) siempre exportaban cada vértice de cualquier característica visible. ¡Ay! Esto significaba que si tuviera una capa de límite de polígono compleja, potencialmente estaría creando un PDF con millones de vértices por entidad, aunque la mayoría de estos se superpondrían y serían completamente redundantes en la escala del mapa exportado y # 8217s. Ahora, QGIS simplifica automáticamente las características vectoriales mientras las exporta (utilizando un nivel de simplificación apropiado y efectivamente invisible). Reduce drásticamente el tamaño de los archivos creados y acelera su apertura y navegación en otras aplicaciones (especialmente Inkscape). (¡Existe una opción en el momento de la exportación para deshabilitar esta simplificación, si tiene una razón específica para hacerlo!).

La creación de archivos PDF geoespaciales a partir de diseños de impresión ofrece aún más opciones. Para empezar, cada vez que se exporta un diseño de impresión a PDF geoespaciales, nos aseguramos de que el PDF creado maneje correctamente el apilamiento de capas junto con cualquier otro elemento de diseño de impresión que tenga. En la imagen de abajo, vemos un diseño de impresión personalizado que incluye controles de visibilidad de capa interactivos. Si se alterna una capa, & # 8217 se oculta solo del elemento del mapa & # 8212; todos los demás elementos circundantes, como el título, la flecha norte y la barra de escala, permanecen visibles:

¡Eso no es todo! Al exportar un diseño de impresión a PDF geoespacial, QGIS también se conecta a cualquier tema de mapa que haya configurado en su proyecto. Si elige incluir estos temas en su salida, ¡el resultado es mágico! La siguiente captura de pantalla muestra las opciones de exportación para un proyecto con varios temas, y hemos elegido exportar estos temas en el PDF:

Al abrir el PDF resultante, se muestra que nuestro control de capas a la izquierda ahora enumera los temas del mapa en lugar de capas individuales. ¡Los espectadores pueden cambiar entre estos temas, cambiando la visibilidad de las capas y su estilo para que coincida con el tema del mapa QGIS del proyecto! Además, incluso puede expandir un tema y exponer el control de visibilidad capa por capa. ¡Guau! Esto significa que puede crear un solo archivo de salida PDF que incluye un medio ambiente, social, catastral, transporte, & # 8230. vista de su mapa, todo en un solo archivo.

Por último, existe un control uniforme para ajustar la combinación de capas que están expuestas en el archivo PDF de salida y cuáles deben activarse y desactivarse juntas. En la captura de pantalla siguiente, hemos optado por agrupar las capas de mapa & # 8220Aircraft & # 8221 y & # 8220Roads & # 8221 en un único grupo lógico de PDF llamado & # 8220Transport & # 8221.

El PDF resultante respeta esto, mostrando una entrada en el árbol de capas interactivas para & # 8220Transport & # 8221 que alterna las capas de aviones y carreteras juntas:

¡Ahí lo tienes, el poder del PDF geoespacial, que viene en QGIS 3.10!

Un beneficio semi-relacionado de este trabajo es que nos brindó la oportunidad de reelaborar cómo se crean las exportaciones & # 8220layered & # 8221 a partir de diseños de impresión. Esto ha tenido un impacto de flujo significativo en la capacidad existente para crear salidas SVG en capas desde QGIS. Anteriormente, esta era una función bastante frágil, que creaba SVG con muchos problemas & # 8211 etiquetas superpuestas, capas apiladas incorrectamente y, por último, pero no menos importante, nombres de capa no descriptivos. Ahora, al igual que las exportaciones de PDF geoespaciales, las exportaciones de SVG en capas respetan correctamente el aspecto exacto de su mapa y tienen nombres de capa mucho más descriptivos y amigables:

Esto debería reducir significativamente la cantidad de limpieza requerida cuando se trabaja en estas exportaciones SVG en capas.

  • Land Vorarlberg
  • Municipio de Viena
  • Municipio de Dornbirn
  • Servicio de información sobre biodiversidad para Powys y BBNP Local
  • Kanton Zug
  • Cantón de Neuchâtel
  • Cantón de Thurgovia

North Road son los principales expertos en extender la aplicación QGIS para satisfacer sus necesidades. Si desea analizar cómo puede patrocinar el desarrollo de funciones o corregir qué desea en QGIS, ¡solo contáctenos para más detalles!


Encuentre todos los pares de nodos cuya eliminación desconecta el gráfico

Dado un gráfico conectado y no dirigido, encuentre todos los pares de nodos (conectados por un borde) cuya eliminación desconecta el gráfico.
Sin bordes paralelos y sin bordes que conecten el nodo consigo mismo.

El problema parece similar a encontrar puntos de articulación (o puentes) de un gráfico conectado y no dirigido, pero con un giro, tenemos que eliminar un par de vértices conectados por un borde (y todos los demás bordes conectados a ese par).

Esta es una pregunta de tarea. He estado tratando de resolverlo, leí sobre DFS y algoritmos de puntos de articulación (esa profundidad y punto bajo de cada nodo), pero ninguno de estos enfoques ayuda a este problema en particular. Revisé la Introducción a los algoritmos de Cormen, pero ningún tema se sugirió como apropiado (concedido, el libro tiene 1500 páginas).

Si bien es cierto que encontrar un punto de articulación también (la mayoría de las veces) encontraría ese par, hay muchos pares que no son puntos de articulación; considere un gráfico con 4 vértices, 5 bordes (cuadrado con una sola diagonal) : tiene uno de esos pares pero no tiene puntos de articulación (ni puentes).


2.1. Principios¶

La relación entre la calidad de los datos y la calidad del análisis no es lineal. Un solo error en un lugar crítico podría invalidar un análisis completo, mientras que numerosos errores en lugares no críticos pueden tener un efecto insignificante.

Tres clases de error deben tratarse como una cuestión prioritaria en el análisis de redes espaciales:

Datos en un formato engañoso¶

Reglas de conectividad

Es fácil suponer, solo porque el software parece cargar correctamente sus datos, que los datos estaban en el formato correcto, de hecho, es fácil suponer que si el formato fuera incorrecto, los datos no se habrían podido cargar. Con los datos de redes espaciales, este no suele ser el caso.

El software ciertamente se quejará si no reconoce un determinado formato de archivo GIS y CAD (como un shapefile, geodatabase o DWG). Pero cada uno de estos formatos se limita a describir dos cosas, formas y datos. Lo que no describen es el sentido de esas formas y datos. Por ejemplo, un archivo de forma podría contener dos líneas que se cruzan así (las manchas se usan para dejar claro dónde comienzan y terminan las líneas):

Figura 4: Dos líneas en un shapefile, pero ¿qué significan?

Tal como está, son solo dos líneas que se cruzan. Pero suponga que supiera que las líneas representan una red de calles. Ahora tienen un sentido - pero el significado aún no está del todo claro. ¿Estamos ante una encrucijada, donde se unen dos calles, o un puente, donde una se cruza con la otra? Para responder a esa pregunta, necesitamos especificar un regla de conectividad para los datos.

sDNA procesa redes espaciales codificadas mediante un regla de conectividad de punto final coincidente. Este es un estándar común utilizado en muchos conjuntos de datos, p. Ej. Productos de Ordnance Survey y otro software como ArcGIS Network Analyst. (Siempre que tenga en cuenta la separación de grados. La encuesta de artillería especifica las separaciones de grados para cada extremo de un enlace, y los enlaces solo se unen si sus separaciones de grados coinciden).

  1. Una red está formada por una colección (conjunto de características) de polilíneas.
  2. Se considera que las líneas están conectadas si y solo si tienen puntos finales coincidentes (las líneas deben terminar exactamente en el mismo punto).

Entonces, en lo que respecta al ADNc, las dos líneas de la Figura 4 no se conectan porque tienen diferentes puntos finales. Simplemente se cruzan entre sí y podrían representar un puente o un túnel. Esta categoría es tan común que tiene su propio nombre, un brunnel (o, en honor al ingeniero victoriano, un brunel). Estas funciones también se denominan desvincula, porque las líneas representan objetos que no están vinculados.

Sin embargo, la figura 4 no representa una encrucijada, y normalmente lo que pretendía el diseñador era una encrucijada. Este es un error de datos grave. La representación de una encrucijada, utilizando conectividad de punto final coincidente, requiere cuatro líneas separadas:

Figura 5: Cuatro líneas en un shapefile, que representan una encrucijada según reglas de conectividad de punto final coincidentes

Si las uniones en su red tienen el formato de la Figura 4, no de la Figura 5, entonces todo el análisis de red realizado por el software que espera puntos finales coincidentes carecerá de sentido. Esto no se puede enfatizar lo suficiente; puede parecer obvio, pero a menudo he visto este error cometido en la práctica, porque (a menos que el software esté configurado para mostrar manchas en los extremos de las líneas, como lo he hecho en este documento) los dos formatos se cargan correctamente y parecer idéntico al espectador.

Otra razón por la que a menudo se comete este error es que dibujar redes utilizando una regla de conectividad de punto final coincidente es tedioso, lento, doloroso y propenso a errores. El diseñador tiene que trazar muchas más líneas de las que de otro modo necesitaría, y esas líneas realmente no parecen coincidir con la forma en que nosotros (como humanos) pensamos sobre el espacio. Por estas razones, a la gente no le gusta dibujar redes con conectividad de punto final coincidente. Esto está absolutamente bien: se debe alentar a evitar una tarea tediosa y propensa a errores. Pero es vital que las redes así producidas se conviertan en conectividad de punto final coincidente antes del análisis.

Por supuesto, si dibuja una encrucijada al estilo de la Figura 4, ¿cómo podría indicar cuáles de estos son puentes o túneles (brunels) en lugar de encrucijadas? Usando algunas reglas de conectividad diferentes:

  • Regla de enlace-desvinculación (polígono). Se asume que los enlaces que se cruzan se unen a menos que estén específicamente marcados de otra manera. Esto se hace con una capa separada de desvinculaciones (dibujadas como polígonos). Este es un formato fácil de dibujar a mano.
  • Regla de vincular-desvincular (datos). Se asume que los enlaces que se cruzan se unen a menos que estén específicamente marcados de otra manera. Esto se hace con un campo de datos brunel adjunto a cada línea. Este es un formato fácil de dibujar a mano.
  • Regla de separación de grado de enlace y punto final. No se permiten intersecciones en los datos en TODAS las líneas donde se tocan DEBEN tener puntos finales coincidentes. Cuando los enlaces no se unen en sus puntos finales, esto se muestra proporcionando datos de separación de elevación o pendiente: dos campos de datos adjuntos a cada línea, uno para el inicio de la línea y otro para el final. (OS ITN hace esto).
  • Regla de nodo de enlace. No se permiten intersecciones en los datos en TODAS las líneas donde se tocan DEBEN tener puntos finales coincidentes. Cuando los enlaces no se unen en sus puntos finales, esto se muestra proporcionando datos de separación de grados o elevación; se supone que los puntos finales no se unen a menos que coincidan la separación de grados y la elevación. Estos datos se proporcionan en una capa separada de puntos, con referencias cruzadas a las líneas cuyas elevaciones representan (OS Meridian hace esto).
  • Regla de puntos compartidos Las líneas no se cruzan a menos que compartan un punto en la lista de puntos que representan la línea en los datos. Esto podría ser un punto final o cualquier esquina de la línea en sí, o incluso agregarse sin una esquina para crear una intersección. OpenStreetMap usa esta regla, aunque se refiere a todos los puntos dentro de las líneas como "nodos" en este documento. Me reservo el uso de "nodos" para los lugares donde los enlaces están conectados.

El problema sigue siendo convertir estos otros formatos a una red con una regla de conectividad de punto final coincidente.

  • Para la regla de enlace-desvinculación (polígono), sDNA para Autocad incluye una herramienta para convertir la red. Si necesita esta herramienta para SIG, envíenos un mensaje: nadie la ha solicitado todavía, pero podemos pensar en fabricarla. Alternativamente, en cualquier sistema GIS, convierta la red al formato de enlace-desvinculación (datos) de la siguiente manera:
    • utilizar la capa de desvinculación de polígonos para dividir enlaces en los límites de desvinculación del polígono
    • crear un brunel campo de datos en la capa de enlace
    • seleccione enlaces dentro de los polígonos de la capa de desvinculación y márquelos como brunels en el campo de datos
    • su red ahora está en formato de enlace-desvinculación (datos). Siga los pasos a continuación para convertir vincular-desvincular (datos) en formato de punto final coincidente.

    Resumen: asegúrese de comprender las reglas de conectividad de red espacial y (para sDNA) de que su red utiliza conectividad de punto final coincidente.

    Referencia espacial¶

    Volviendo a la Figura 4 y la Figura 5, aunque sepamos qué representan las líneas y su regla de conectividad, todavía no sabemos qué representan las coordenadas. Este es el referencia espacial de los datos. El problema es importante tanto al crear nuevos datos como al descargar datos existentes de otras fuentes.

    Las referencias espaciales pueden ser geográficas o proyectadas. Los sistemas de coordenadas geográficas especifican una posición en la superficie de la tierra, midiendo ángulos de latitud y longitud desde el eje de la tierra. WGS84, el estándar global dominante para GPS y datos cartográficos, es un ejemplo de esto.

    Mientras que los sistemas de coordenadas geográficas describen una superficie curva, los sistemas de coordenadas proyectadas simplifican la representación de áreas pequeñas al hacer la aproximación de que son planas. Por lo general, cada país tiene una cuadrícula nacional para usar con este propósito, basada en las coordenadas xey.

    Para analizar una red, probablemente desee utilizar unidades de distancia que tengan algún significado físico para usted: metros, millas o kilómetros. Si ha descargado datos que usan un sistema de coordenadas geográficas, esto generalmente significa que necesitará convertirlos (proyectarlos) usando su software GIS o CAD.

    Desafortunadamente, no todo el mundo en el mundo comprende las referencias espaciales. Esto significa que a veces, los datos que recibe pueden estar marcados con una referencia espacial incorrecta, ¡cuidado!

    Otro problema que puede surgir es que el software GIS que usa puede no identificar correctamente la transformación necesaria para proyectar los datos que descargó en una cuadrícula sensible. Por lo tanto, es mejor verificar dos veces y seleccionar manualmente la transformación correcta si es necesario.

    En el caso de sDNA, si no está seguro de si sus datos se proyectan correctamente, puede verificar qué sDNA "ve" como la longitud de los enlaces ejecutando la herramienta sDNA Individual Line Measures. A continuación, puede comprobar qué informes sDNA tienen la longitud de uno o dos enlaces diferentes. ¿Es lo que esperabas? De lo contrario, probablemente tenga la referencia espacial incorrecta y deberá volver a proyectar sus datos.

    Errores de conectividad en ubicaciones clave¶

    Aunque haya utilizado la regla de conectividad correcta para su red, es posible que usted u otra persona haya cometido un error al dibujarla. La figura 6 muestra la misma red que la figura 2, en cuatro niveles de aumento cada vez mayor:

    Figura 6: Zoom en una encrucijada defectuosa

    ¡Oh, no! Lo que parecía una encrucijada perfectamente normal desde la distancia, resultó estar desconectada cuando hicimos zoom. Esto es potencialmente un error muy grave. Si desea un modelo preciso, esto es, por supuesto, inaceptable, pero incluso si solo desea un modelo de red aproximado, si dicha desconexión se encuentra en una ubicación clave (como una ruta principal en una ciudad), entonces el análisis completo podría ser sin sentido, incluso para un modelo aproximado.

    Las siguientes secciones tratan de esta y otras formas de error de conectividad.

    Tolerancia de clúster

    Primero presentamos la idea de un tolerancia de racimo. Esta es una distancia pequeña en una escala urbana tal vez 1 cm (aunque a veces pueden ser útiles tolerancias de racimo más grandes). Si dos puntos están más cerca que la tolerancia del grupo, se considera que son el mismo punto. sDNA admite dos tipos de tolerancia de clúster, XYTolerance para diferencias horizontales entre puntos y ZTolerance para diferencias verticales.

    Tenga en cuenta que algunos sistemas GIS, en particular ArcGIS, mostrarán las líneas no conectadas como conectadas, sin importar qué tan cerca se acerque, si la desconexión es menor que la tolerancia del clúster del GIS. Por lo tanto, debemos tener mucho cuidado sobre si las líneas están conectadas, porque es posible que ni siquiera podamos ver los errores, independientemente de qué tan cerca miremos.

    La herramienta sDNA Prepare admite la reparación de desconexiones menores que la tolerancia del grupo. En el caso de la Figura 6, si establece una tolerancia de clúster adecuada, sDNA Prepare conectará las líneas (siempre que la red de la Figura 6 en realidad conste de cuatro líneas, en lugar de dos; consulte las reglas de conectividad). La tolerancia del clúster de ADNc se aplica solo a los puntos finales de las líneas, no a los puntos intermedios. En ArcGIS, sDNA usa cualquier tolerancia que ArcGIS esté usando de forma predeterminada, aunque también se puede establecer una tolerancia personalizada. En otras plataformas, la tolerancia se establece por defecto en cero, es decir, no se realiza ninguna corrección.

    Pero, supongamos que ha descargado algunos datos de red de calidad desconocida. ¿Cómo puede saber qué tolerancia de clúster utilizar? Si es demasiado pequeño, desconectará las cosas que deberían estar conectadas demasiado grandes, y conectará las cosas que deberían desconectarse.

    La respuesta es utilizar sDNA Prepare para detectar (pero no corregir) errores de tolerancia de clúster.

    1. Comience con un tamaño de tolerancia pequeño

    2. Utilice sDNA prepare para detectar problemas de tolerancia ("extremos más cercanos que el clúster / XYTolerance") y examine los errores que encuentre.

    3. ¿Se detectan todos los errores en las funciones, o algunos de ellos son pequeñas brechas genuinas que no deberían conectarse?

    1. Si todas las funciones detectadas son genuinas, entonces la red está lista para usarse.
    2. Si algunas de las características, pero no todas, son genuinas, elija una tolerancia menor y vuelva al paso 2.
    3. Si todas las funciones son errores, utilice sDNA prepare para solucionarlos. Luego, elija una tolerancia mayor y vuelva al paso 2.
    4. Si no se detecta ninguna característica, elija una tolerancia mayor y vuelva al paso 2. Si sigue alternando entre (b) y (d) anteriores, entonces los errores y las características originales son del mismo tamaño. Esto significa que la red es de muy mala calidad y debe arreglarse a mano.

    Intersecciones y superposiciones¶

    Otro tipo de error de conectividad puede surgir cuando las líneas se cruzan o se superponen. Realmente se trata de una reformulación de las reglas de conectividad, pero aquí nos centramos en los errores que pueden ocurrir al codificar la regla de conectividad del punto final, en lugar de elegir la regla incorrecta por completo.

    Figura 7: (a) un par de cruces (b) conjunto correcto de líneas para representar cruces (puntas de flecha incluidas para mostrar puntos finales) (c) conjunto incorrecto de líneas para representar cruces - error de intersección (d) conjunto incorrecto de líneas para representar cruces - error de superposición. Las líneas paralelas en (d) en realidad se superponen, se muestran aquí ligeramente separadas para mayor claridad.

    La Figura 7 muestra un conjunto de dos uniones (a), representadas correctamente (b) y también incorrectamente (c, d). Observe cómo el uso de puntas de flecha en ambos extremos de cada línea le permite ver los errores con mayor claridad; al verificar una red, es una práctica recomendada configurar su GIS para hacer esto [2].

    [2]En ArcGIS, la configuración de las flechas está bastante bien oculta. Mirar propiedades de capa - simbología & gt - & gt símbolo - & gt editar símbolo - & gt establece el tipo en "símbolo de línea cartográfica" - & gt propiedades de línea.

    Este tipo de errores se pueden corregir mediante las herramientas de topología. Si hay datos de separación de grados, se debe tener cuidado de que la ruptura de intersecciones no mueva los datos de separación de grados al enlace incorrecto: es recomendable buscar todas las separaciones de grados distintos de cero y verificarlas a mano después de las operaciones de salto de línea.

    Recomendamos romper enlaces donde existan puentes / túneles, siempre que los datos de separación de grado estén correctamente adjuntos a estos. Esto tiene la ventaja de que todas las intersecciones se convierten en errores: si ve una intersección, puede estar seguro de que se trata de un error en la red en lugar de un brunel, ya que este último estaría codificado con datos de separación de grados. Se puede aplicar una política similar a enlaces de bucle que comienzan y terminan en el mismo punto (como un callejón sin salida circular). Si estos se dividen deliberadamente en dos enlaces en lugar de uno, puede estar seguro de que todos los enlaces de bucle también son errores. Esto evita el dibujo de p. Ej. una rotonda que no está conectada a nada.

    Separación de grados, elevación y datos unidireccionales incorrectos¶

    Un tercer tipo de error de conectividad surge cuando la separación de grados, la elevación o la información unidireccional son incorrectas. En los primeros casos, incluso los puntos finales superpuestos se asumirán erróneamente desconectados si la separación de grados o los datos de elevación son incorrectos. En el último caso, una calle de un solo sentido apuntando en sentido contrario puede conducir a una situación imposible.

    La forma de comprobar este tipo de información es visualizarla y echar un vistazo. Si tiene datos de separación de calificaciones, estos tendrán la forma de dos campos de datos en cada enlace, uno para cada extremo del enlace (en sDNA, estos generalmente se denominan start_gs y end_gs). El inicio y el final de una línea se refieren a la forma en que se dibujó; tenga en cuenta que esto es no necesariamente en la misma dirección que el flujo de un enlace unidireccional. Por lo tanto, para que la separación de grados inicial y final sea interpretable, el SIG debe configurarse para mostrar puntas de flecha solo al final de las líneas, para dejar en claro a qué extremo se refieren la separación de grados inicial y final.

    En ArcGIS, puede obtener un etiquetado personalizado de la separación de grado inicial y final del enlace desde el Propiedades de capa - características de etiqueta & gt diálogo. Encienda el etiquetado y en Propiedades de ubicación escoger Coloque una etiqueta por función. Haga clic en Expresión para crear una etiqueta a partir de varios campos. El siguiente es un ejemplo de una expresión que etiqueta cada vínculo con conectividad, separaciones de grado inicial y final, poniendo las separaciones de grado entre paréntesis para facilitar la lectura:

    (Para obtener más información sobre la informática y la verificación de la conectividad, consulte la siguiente sección).

    Para mostrar datos unidireccionales, es mejor mostrar una flecha en la dirección de la calle unidireccional. En ArcGIS, esto se puede lograr usando una simbología de "categorías" para mostrar una flecha hacia adelante, hacia atrás o sin flecha, dependiendo de la información unidireccional adjunta a la calle.

    El sDNA permite que los datos de elevación (z) se proporcionen por separado para la separación de grados. A primera vista, esto parece extraño, ya que ambos miden lo mismo. Sin embargo, a menudo ocurre que se dispone de datos precisos de separación de grados, pero solo datos de elevación imprecisos. En el caso de una red en 3D formada al desplegar una red en 2D sobre un modelo de terreno, las diferencias de elevación de puentes y túneles no serán capturadas, por lo que aún es necesaria la separación de grados para indicarlas.

    To display and check elevation data, it is best to view the network in 3d.

    Definitive check for connectivity errors¶

    The definitive way to check for connectivity errors is to get sDNA to calculate the connectivity of each link and see if it displays what you think the connectivity should be. Run sDNA Individual Line Measures to compute the connectivity of each link, and check it is as you expect. Link connectivity (LConn) is the number of ends of other links that the link is attached to.

    Of course, checking connectivity by hand over an entire network may be too costly an operation for you to undertake. sDNA cluster tolerance, and external tools to Break intersections and fix Topology can fix connectivity errors automatically. Bridges and tunnels are usually few in number, so can be checked manually. With a reliable source of data (such as Ordnance Survey), we can usually trust that the source data is correct in any case.

    A final way to check for connectivity problems in key locations, however, is to use sDNA to compute a simple model of angular betweenness. This takes some computation time, but the results should highlight all major routes through the network. If any of these look implausible – the routes you expect to be major are not, or vice versa – this may hint at a connectivity error on a major route.

    Geometry errors at key locations¶

    The final common error in spatial network analysis applies only to angular analysis, i.e., any analysis in which changes of direction are considered important. This includes any hybrid analysis that includes a component of angularity, but not Euclidean or topological analysis.

    Figure 8: Two kinds of geometry error. In the lower picture, the zigzag link may overlap the other link precisely, so be invisible to manual checking.

    There are certain types of error in feature encoding that cause spurious changes of direction on simulated paths through the feature. Figure 8 gives two examples. In the first, what appears at one scale to be a crossroads is slightly staggered – so a route travelling from left to right has to negotiate two 90° turns when in reality, none are needed at all. This kind of problem is common even with usually reliable data sets, which may not have been designed with angular analysis in mind.

    In the second example of Figure 8, a link is shown to have a zigzag feature almost obscured by an adjoining link. The zigzag may in fact completely overlap the other link, in which case it would be invisible to casual inspection (though overlaps should be fixed as a matter of course when fixing Connectivity errors at key locations ).

    One clue that almost always indicates a geometry error is a very short line. To find these, sort all polylines in your model by length, and inspect the shortest ones. Should they be there, or are they part of a staggered crossroads?

    As with overlap errors, Topology tools help to fix geometry errors. All zigzags, staggered crossroads and short edges smaller than the tolerance will be removed. It is up to the user to select a suitable tolerance large enough to remove the errors you have observed in the data, but small enough to leave genuine features intact.

    Traffic islands¶

    A final topic to cover is that of traffic islands in road networks. Some data products (notably Ordnance Survey ITN) will encode larger traffic islands by splitting a link into two parallel parts for the length of the island ():num: Figure #trafficisland ).

    Figure 9: Spatial network representation of traffic island. (a) road layout, (b) network representation

    This encoding breaks angular analysis, by introducing a spurious 180° of turning in each direction along a road which is straight. The problem can be significant, as traffic islands are typically found on major routes through a city the extra angularity introduced by traffic island encoding will cause sDNA to overestimate the metric for these roads and hence underestimate traffic flows.

    sDNA Prepare includes a tool to fix traffic islands. You first need to compute a data field which is set to 1 for links which represent traffic islands, and 0 otherwise (this is usually easy to do from your source data). Then, run sDNA prepare to remove the islands.


    Mapping the Unserved

    As connectivity becomes increasingly valuable to everyone, access to communication is becoming as important as access to other kinds of basic infrastructure. As a result there is an increased urgency to make affordable communication infrastructure accessible to ALL citizens. Yet, mobile network subscriber growth in Africa is slowing, as is revenue growth for mobile network operators. This slowdown is linked to the fact that a significant percentage of newer users come from lower income brackets living in regions that present challenges to operators, ranging from sparser population distributions to lack of effective power infrastructure. This is compounded by the fact that there is a growing digital urban-rural divide in access. If something is to be done about this, having an accurate and up-to-date understanding of who has access and who doesn’t is absolutely essential. This post outlines some work I have done for FHI360 and USAID on a methodology for mapping the unserved.

    My goal is twofold: 1) to calculate the number of people not covered by mobile service in a given country and, 2) to identify communities that could be served if they meet a threshold of population density and radius of coverage. Radius of coverage is a variable number that intended to be determined by the proposed technology for coverage. Coverage is affected by a number of variables including tower height, power output, frequencies in use, and antenna type. Typically a single tower coverage radius might range between two and ten kilometres. A community is identified by having a certain population density within the given coverage radius. The actual population number for the threshold is also a variable and is determined by the business model i.e. CAPEX and OPEX of the operator which would suggest the minimum population to be covered in order to make a sustainable business. For instance, an operator putting up solar-powered, low-cost base stations may be able to sustainably serve a lower population density in a given area than a traditional mobile networks. These two variables are meant to be adapted to specific operator solutions.

    All of the work was done with Open Source tools including QGIS,Geographic Resources Analysis Support System (GRASS), and the Geospatial Data Abstraction Library (GDAL).

    Metodología

    The two key resources required are a map of current mobile network signal coverage and a map of population distribution. In the example used below, mobile network coverage data from the GSMA, an industry association for mobile network operators, are used. Having established the extent of network coverage, it is then necessary to establish the following: how many people are unserved/underserved where those unserved people live and, specifically where the densest points of population exist in those unserved areas. There are a number of global data sources that provide GIS-based population density and distribution maps based on national census data. Each dataset has its own strengths and weaknesses.

    The newest and most significant of the above sources is the CIESIN High Resolution Settlement Layer (HRSL) map which has been produced in collaboration with Facebook. This new population map represents a substantial increase in population distribution resolution which is possible thanks to Facebook’s vast computing power and their use of machine learning algorithms to more accurately detect human settlements. Combined with national census data, this offers an unprecedented level of accuracy in mapping where people live. This in turn allows for better predictions as to where to locate towers for mobile coverage.
    Unfortunately the map is currently only available for eight countries: Burkina Faso, Ghana, Haiti, Ivory Coast, Madagascar, Malawi, South Africa, Sri Lanka. This is an increase from the initial release of four countries but still limits the application of the map. In the Liberian example used in this document, WorldPop population data has been used. Liberia was chosen as an example because it there are large areas of the country without any mobile coverage, and as such, is easier to illustrate the methodology.

    Mobile Coverage Mapping

    Using GIS data supplied by the GSMA, a 2G coverage map is overlaid on the population data map in the form of a shapefile. This map is made available through the GSMA who, in turn, receive coverage maps from their member organisations. The accuracy of coverage maps supplied by mobile network operators is something that requires further validation. In the map below, the tower radius coverage appears to be 15 kilometres which is generous for most mobile towers. Eight to ten kilometres is generally considered more realistic although many factors influence coverage including tower height, transmitter power, and terrain features. As such the map probably overstates access. While it is often quite possible for the towers to reach mobile phones over extended distances, the critical limiting factor is the ability of the phones to return a signal to the towers.

    2G coverage map of Liberia

    For the purpose of this work, the GSMA coverage data is used in the absence of more accurate datasets on the assumption that a) this would establish a minimum value for populations that lack coverage and b) that this methodology could be substantially improved if access to tower data, including location, technology, height, orientation, and power output, were made available.

    Once the coverage map is overlaid on the population it is immediately possible to visually identify populations that are not currently covered by a mobile signal. The challenge now is to calculate the number of people currently unserved. This can be achieved by first calculating a vector (shapefile) layer on the map that corresponds to the inverse of the mobile coverage map.

    This can be calculated in QGIS through the following steps:

      Add a shapefile for the administrative boundary of the country in question. These can be downloaded from the Global Administrative Areas database (GADM) that has been developed by Robert Hijmans, in collaboration with colleagues at the University of California, Berkeley Museum of Vertebrate Zoology (Julian Kapoor and John Wieczorek), the International Rice Research Institute (Nel Garcia, Aileen Maunahan, Arnel Rala) and the University of California, Davis (Alex Mandel), and with contributions of many others.

    GRASS – Symmetrical Difference dialog

    This completes the first level of GIS analysis which gives a sense of whether the country appears to have a sufficiently large unserved population to warrant further investigation.

    Identifying Population Centers

    Population map with r.neighbours function applied

    In order to make a more accurate estimate of the market viability of the unserved population, it is necessary to make some calculations based on the population demographics in order to identify concentrations of populations in the unserved areas that may be the most likely points for putting up base stations. There is more than one way to address this problem. In this case, the r.neighbors algorithm from the GRASS GIS program is used within QGIS to calculate points of population density. A population raster calculates a population value for each pixel in the map. Each pixel corresponds to a specific range of geographic coverage that depends on the resolution of the map. The CIESIN / Facebook HRSL raster has a resolution of 30 square meters per pixel whereas the WorldPop population map covers 100 square meters per pixel. The r.neighbors algorithm examines the surrounding pixels of any given pixel and performs a chosen function on the pixel values. In this case the surrounding pixel values are summed and the value of that sum is placed in the source location, creating a new raster map. The resulting raster map makes it easier to see the areas of highest population density as compared with surrounding areas. In the map to the left it is possible to see how the points of population density have become more visible. The number of surrounding pixels that are calculated can be varied from as little as a 3ࡩ grid up to whatever level of neighbouring samples brings out the best population density highlights. In the case of Liberia, a 15吋 grid has been chosen.

    Having run the r.neighbors algorithm, it is then possible to filter out population densities that do not meet a given threshold. To do this the Raster Calculator ( Raster | Raster Calculator ) is used in QGIS to establish a threshold that the r.neighbors map must meet. The calculation to do this within the Raster Calculator is of the format

    Filtered for a threshold level of population density

    where RasterMap is the name of the raster that has been calculated with the r.neighbors function and threshold is the number that has been chosen as the minimum population threshold. There is no hard and fast number to use for a threshold. The value will be dependent on the r.neighbors algorithm results. In the case of Liberia, a threshold of 150 was chosen. The result of running the Raster Calculator function is a new raster that is zero for everywhere except the regions that have met the threshold value. The next step is to create a vector shapefile identifying the regions that meet the selected population threshold value. In the map to the right, the areas in black represent the new threshold raster.

    With this resulting map we can use a QGIS or GDAL function to “polygonize” the raster map into a vector format. The polygonize function draws lines around the non-zero parts of the raster map and creates a new vector layer corresponding to the raster layer. In the map below the areas in blue represent the new shapefile layer that represents regions meeting the population threshold set in the previous calculations.

    Filtered population areas converted to polygons

    The raster map is converted into this vector format in order to identify the centers of these high population areas. This is done through the Polygon Centroids function in QGIS ( Vector | Geometry Tools | Polygon Centroids ) or can be calculated on the command line using the gdal_polygonize.py tool or through the development of custom programs. The centroid of a polygon is its assumed center of gravity. This can be visualized as the point on which the polygon would balance if it was made of a rigid sheet. This is used to establish a point that approximates the point of maximum population density within any given polygon on the map. Inevitably this is an approximation but one that allows us to calculate an epicenter within each identified coverage area.

    Mapping the centroids of each polygon

    In the map to the right, the calculated centroids can be seen. The resulting calculation is yet another shapefile. The shapefile of points representing the centroids of the polygons representing areas that met the population density threshold serve as possible point for locating towers for new coverage. In calculating this, the first step is to look at centroid points that fall outside existing coverage areas. This can be calculated by using the Clip function ( Vector | Geoprocessing Tools | Acortar ) in QGIS using the centroid points as the Input Layer and the 2G no coverage map as the Clip Layer. This produces a subset of the centroids which fall outside the 2G coverage area. The map below show the centroids will fall into the no coverage areas.

    Identifying centroids that fall outside 2G coverage areas

    Having established these points as possible locations for base stations, we can calculate a buffer zone around each point to simulate a coverage area. We can choose the radius for the base station based on the technology that is expected to be used in the areas. Operators now have a range of base stations technologies that can offer different coverage options based on power output, frequency, tower height, and antenna type. In this case we have chosen a radius of 4.5 kilometers.
    In order to calculate the buffers, we first need to project the centroid points into a GIS projection that supports calculations in meters. The standard QGIS projection is a Mercator projection which measures in radians. By selecting the centroid layer in QGIS, you can Save As and, before saving, select a projection that is appropriate to the region you are working in .

    Calculating buffers around the centroids.

    Once the centroid layer has been re-projected, you can then run the buffer function in QGIS ( Vector | Geoprocessing Tools | Fixed Distance Buffer ). When selecting the Fixed Distance Buffer, tick the Dissolve Result checkbox in order to have overlapping buffers merged into a single polygon. There are trade-offs in choosing to dissolve the buffers though as it creates large coverage areas which cannot be addressed by a single tower. The benefit is that it identifies regions where multiple communities or larger communities may be served. There is probably an improvement that could be made here.

    More investigation is yet required to establish the correct unit for the Distance option in the Fixed Distance Buffer. Finding a radius of 4.5 kilometers was done by trial and error. In this case a value of .045 produced that result which suggests the unit was 100 kilometers. In the map to the right the calculated buffers can be seen.

    Buffers with overlaps on existing 2G coverage removed

    Once the buffers have been calculated, we need to exclude the areas where the buffers overlap with existing coverage areas. Depending on how accurate you feel the mobile coverage maps are, you may or may not choose to do this. These are rough estimates at best now as they do not map actual projections of radio coverage but simple circles as approximations. To remove the overlapping regions, we can Clip the buffers with the map of unserved areas.

    Once that is done, we run Zonal Statistics ( Raster | Estadísticas zonales ) again and calculate the population that would be covered under these possible new areas of coverage. Zonal Statistics will calculate population numbers for each polygon. As before, those statistics then become properties of the buffered polygons themselves.

    It is then possible to choose to map the colors of those buffers to reflect the estimated population coverage of each buffer zone. Selecting the color gradation for the buffers can be done through the Properties function which is available by right-clicking on the buffer layer in QGIS. In this case, a graduated scale has been used with equal count quantiles. The resulting map, shown below, provides an indication of possible sites for new coverage based on 4.5km radius coverage. This map could be further refined by setting a lower population bound for the buffers.
    It is important to point out that this map requires further refinement of both mobile signal coverage sources and population map sources before it can be relied on as more than simply a tool for opening a conversation about coverage. The results require further interrogation and validation. For instance, the Liberian population map appears to indicate a significant population in the north west that is not coverage by a mobile signal. This is unusual as mobile operators have usually provided services to high density population areas. This could be an error in the GSM mobile coverage maps or an error in the population map. A glance at Google Maps would seem to suggest that the error is in the population map. More work is needed in order to better understand the reliability of this methodology based on current data sources.

    Map of potential areas for sustainable network deployment.

    Future Steps

    Essential to the meaningful use of this methodology is an accurate map of existing mobile coverage. Toward that end, access to tower location data would be the next logical step in validating coverage. Knowledge of tower location along with frequencies in use, tower height, and power output would allow for the creation of a detailed coverage map using tools for calculating RF signal propagation and loss based on terrain analysis. The same tool could be applied as an alternative to the buffers calculated around the polygon centroids providing a more accurate estimate of opportunities for new coverage.

    Agradecimientos

    As a newcomer to GIS systems, I want to express my appreciation to a number of people who have provided me with guidance along the way. In particular, I would like to thank:

    • Steve Esselaar, Principal, Research ICT Solutions
    • Gilles Morain, Chief Technical Officer, Masae Analytics , Faculty Service Officer (Spatial information systems, GIS, remote sensing), University of Alberta
    • Greg Yetman , Associate Director, Geospatial Applications Division, Center for International Earth Science Information Network (CIESIN)

    Any errors in the above work are likely a failure on my part to fully appreciate the guidance I was being given. GIS StackExchange deserves a shout-out as well as an invaluable resource.


    This work is part of a body of work on Financing Last Mile Connectivity carried out by FHI360 on behalf of USAID.

    Me gusta esto:

    Posted by Steve Song

    @stevesong local telco policy activist. social entrepreneur. founder of @villagetelco #africa #telecoms #opensource #privacy #wireless #spectrum #data


    3 respuestas 3

    The culprit is not the LEDs themselves, they're harmless, but the TLC5940s, which switch at high frequency to control LED brightness through PWM. You can't filter the PWM outputs (you can, but then the brightness control doesn't work properly anymore), so that's out, but you can try to do something about decoupling power supplies. Not guaranteed to work, the fact that the scope's probe picks up the signal unconnected indicates that it's probably radiated, but it's worth trying.
    Decouple the TLC5940s properly. They have to provide a lot of power, so that means 100$mu$F, 1$mu$F and 100nF all parallel on the power supply for each device, the smallest value closest to the pins.
    Decouple your 5V power to the microcontroller properly: 100nF close to the pins.

    Are you really using a 24 V power supply with the TLC5940, when the first page of the TLC5940 datasheet clearly states the absolute maximum voltage on the output pins is rated at +18 V?

    2.55 Vpp noise on your 5 V power rail? That's so bad that it makes me suspect that perhaps it's not real -- perhaps your 5 V power rail is fine, but something is producing magnetic fields so strong that the wire from your 'scope probe to your 'scope, acting like an antenna, is picking up 2.55 Vpp of noise.

    If I were you, my next steps would be:

    1. Use a power supply less than the "17 V MAX Vo" mentioned on page 3 of the TLC5940 datasheet -- 12 VDC and 15 VDC power supplies are pretty common.
    2. try reducing magnetic noise by rearranging wires
    3. add more filtering to the 5V regulator
    4. carefully read and try to apply the Avoiding Noise tips.

    magnetic noise

    Your high-current loop runs from the +12 VDC power supply, to one end of the LED chains, through the LED chain, to the TLC input pins, out the TLC ground pins, back to the GND connector of the power supply, and out the +12 VDC connector again. The magnetic field generated by this loop is the area of this loop (which you can control by arranging wires differently) multiplied by the current of this loop (which you have little control over).

    Try to minimize the area of this loop. Consider breaking this loop into 2 parts:

    The low frequency loop: a pair of conductors, in a cable running from the power supply, to a big capacitor near the TLC chip, more or less directly connecting that capacitor to the +12 VDC and GND connectors on the power supply. The GND of the TLC chip also connected to one end of that capacitor. (perhaps a big 470 uF cap in parallel with a 10 uF ceramic cap).

    The high frequency loop: a twisted pair of conductors, in a cable that runs from the TLC chip to the LED chain. Connect the TLC chip output to a small resistor (perhaps 10 Ohm?), and connect the other end of that resistor to one conductor of the twisted pair. Connect the other conductor of the pair the +12 VDC side of the big capacitor near the TLC chip.

    As Rocket Surgeon surgeon pointed out, a low-pass filter might help:

    • RC low-pass filter: a very small capacitor from the cable side of that small resistor to GND might help, but a too-big capacitor there will mess up the PWM modulation
    • ferrite low-pass filter: A ferrite choke around the whole cable, or 2 ferrite beads, one around each conductor of the twisted pair, or both, might help.

    Since it may parecer that the TLC doesn't need to be connected to +12 VDC, it's all to easy to wire things in a way that produces the worst possible loop: A discrete "+12 VDC wire" from the 12 VDC power supply to the top of the LED chain, with enough room for a man to stand between that wire and the return path (the return path through the LED chain, then from the bottom of the LED chain to the TLC, and then from the TLC's ground pin back to the power supply), with over a square meter of loop area, producing lots of magnetic noise.

    (perhaps a diagram here would make this clearer . )

    regulator filtering

    Is the power supply really capable of handling this much current? Is maybe the long cables between the power supply and the rest of the system not capable of supporting the fast surge pulses?

    Is maybe large swings on the +12 VDC line perhaps being coupled through the 5V regulator because of insufficient CMRR, or perhaps even the +12 VDC line being pulled so low that the the 5V regulator "drops out" low enough to reset your other devices?

    I would go for a quick test first: drive your +5V regulator from a second power supply (say, a +10 V power supply) completely independent from the +12 V power supply driving your LEDs, except for the GND connecting the power supplies.

    If a second power supply seems to fix the problem, perhaps more regulator filtering would allow the system to run off a single power supply: perhaps you only need to add a small resistor and diode in the path from +12 VDC to the regulator's Vin pin. Perhaps also add more or bigger capacitors from the regulator's Vin pin to GND.

    best decoupling caps

    If you know exactly what the noise frequencies are, the best decoupling caps to suppress that are the caps with the lowest impedance at those frequencies. (El real impedance of the physical capacitors at those frequencies, not the teórico impedance calculated by 1/jwC). You use an "impedance vs frequency chart" that looks something like this:

    Such charts always show that, at very low frequencies, big capacitance values are best at very high frequencies, physically small packages are best.

    A real impedance-vs-frequency chart is on page 61 of the Murata Chip Monolithic Ceramic Capacitors catalog.


    Ver el vídeo: LifeGuard Accessing Deaccessing a Port