- Affective Colour Palettes in Visualization">Affective Colour Palettes in Visualization
- Exploring Geospatial Data with kepler.gl">Exploring Geospatial Data with kepler.gl
- Those Hurricane Maps Don’t Mean What You Think They Mean
">Those Hurricane Maps Don’t Mean What You Think They Mean - 全球气温从1850-2018年的变化情况">全球气温从1850-2018年的变化情况
- 绘制适应高寒地区气候变化的治理方案
- 卫星影像告诉我们真实的亚马逊雨林火灾">卫星影像告诉我们真实的亚马逊雨林火灾
- Galaxy of Covers">Galaxy of Covers
Affective Colour Palettes in Visualization
2016 IEEE VIS Best Poster Awards 最佳海报奖:Affective Colour Palettes in Visualization
Simon Fraser University 和 Tableau 的合作。
色彩对于人类表达情绪和情感交流十分重要,而配色方案可以反映设计师、摄影师、制作者的情感、情绪、感受。不同的颜色属性(亮度,色度和色调)有助于信息可视化应用中的不同情感映射。该海报的结果初步验证了可以通过操纵颜色的属性来实现信息可视化中的情感表达。
本文选择了 8 中情感进行探索它们与颜色的关联性:积极 positive、消极 negative、冷静 calm、激动 exciting、严肃 serious、调皮 playful、可靠 trustworthy、烦扰 disturbing。作者从某图片社交网站(Flickr and deviantArt.com)获取和分析了 12000 张图片,发现:
- 冷静、调皮、激动的图片都比烦扰、消极的图片要亮一些
- 调皮、激动的图片比消极、冷静的图片色彩更丰富一些
- 冷静、可靠的图片有更浓、更深的绿色和蓝色
- 调皮、激动的有更多红色、嫩绿、天蓝
- 烦扰的图片中深棕、深蓝、深红、黑色的范围很大
- 消极的图片用了更多的灰色和柔和的棕色
文章通过对颜色属性进行聚类等方法,将颜色根据情绪和颜色空间分类,将这些颜色提供给用户来设计可视化(柱状图或地图),来查看用户是否会为 8 种情感的每一种分配相似的颜色方案。最终实验的统计结果如上图。
- 冷静比调皮更明亮
- 烦扰用了很多深色
- 调皮和烦扰比冷静饱和度更高
- 冷静用了很多蓝色
- 调皮和烦扰用了很多红色和黄色
- 积极(调皮)中有很多绿色、黄色
- 烦扰有很多深红、深棕、黑色、深蓝
- 消极和烦扰用了很多红色、棕色
可视化不仅仅可以展示数据,还可以表达情绪、意境、氛围等,甚至还有更多等待我们发掘。不是冷冰冰的数字,还可以加入很多“人”的温度。
by @十吾(shiwu-5wap2)
Exploring Geospatial Data with kepler.gl
「Exploring Geospatial Data with kepler.gl」介绍了 Uber 使用 kepler.gl 分析空间数据的若干场景,帮助改进了上车点推荐算法。都是一些非常有趣的实践,在此分享下。
首先是一个常见的热力图,与底部的时间轴结合,展示出一天 24 小时内的打车请求发生的情况。Uber 的数据分析师据此可以改进后续的接乘体验。例如根据不同时间段推荐司机前往用车请求高发区域。
对于 Uber 的上车点推荐引擎来说,需要尽量避开平时乘客取消订单概率很大的区域。下图使用了 Uber H3 将上车点聚合成六边形(相比网格、R树、Google S2 等空间索引的优点在上周周报提到过),红色区域表示失败率高,蓝色表示成功率较高。
最后,Uber Operations 团队希望当司机进入一些路况复杂的区域时,自动给予一些提示帮助尽快到达上车点。上图还是使用 H3 聚合上车点,而下图拉伸后的多边形代表对应区域的地理围栏。这样当司机进入某些区域,就能自动触发提示流程。
by @沧东(cangdong)
Those Hurricane Maps Don’t Mean What You Think They Mean
每当热带风暴或者台风来临时,我们都会通过下图的可视化方式预测其走势,以提醒人们早做防备。
但是研究表明人们并不能正确得理解该可视化,经常会误解红色区域的含义,从而造成不必要的人身财产损失(2017 年的 Irma 飓风就是一个很好的例子)。作者通过生动的动画向我们阐述了飓风预测范围(红色区域)的生成原理以及正确的解读方式。
对于飓风走势的可视化,如果我们认为同其他的图表一样,只需一瞥就能正确得理解其可视化含义,将是非常冒险的。 像这样的图表需要仔细阅读,只有这样我们才能掌握它们所有表达的信息。
Sometimes good data visualization can be a matter of life and death.
by @司马淇(simaqi)
全球气温从1850-2018年的变化情况
基于全球的气温数据,Carpenter用一种可视化的方式呈现了全球气温从1850-2018年的变化情况:
从图表中可以很直观地看出全球气温在过去160多年里逐步升高了接近1.5摄氏度左右,可以说是全球气候变暖的有力证据。
by @长哲(changzhe)
绘制适应高寒地区气候变化的治理方案
如何通过可视化协调复杂项目各方在众多参与方下对齐目标和方法,这里给出了一个非常不错的案例。
如何通过可视化制定适应气候变化的治理方法意味着需要可视化最相关的气候变化适应活动。在方法上,绘图基于对最相关的适应政策,措施,参与者,知识资源和互动的专家评估。需要将不同类型的交互区分开来,以代表最重要的治理功能:信息,决策,实施,资金,监控和评估。
可视化分为三个主要部分:
- 主导航,包括选择国家的可能性,搜索特定条目的搜索栏和按类别排序的所选国家的项目列表。
- 用于特定过滤和分析的图例和过滤器导航
- 大图,作为数据的可视化。该图显示了选定国家在国际,国家,区域和地方一级适应气候变化所涉及的不同政策,措施和行动者,以及这些政策,措施和行动者利用或产生的重要知识。
卫星影像告诉我们真实的亚马逊雨林火灾
真相是亚马逊雨林每天都在着火,而且是数万计的着火点,不过8月着火量确实比往年多的多,更重要的是这些火灾并不是自然现象,完全是人为的,亚马逊雨林被破坏的也很严重。
如下图 绿色是现有森林,红色是8月份的着火点,黄色是到2018年被砍伐的雨林。
下面的地图网格显示了自2001年以来每年巴西亚马逊雨林的逐月火灾模式。每年8月至10月的火灾增加与农民开始种植大豆和玉米的季节相吻合
在看看亚马逊雨林地区每年累积火灾量
巴西国家空间研究所的科学家们计算出今年迄今为止的火灾比过去八年的平均火灾多35%。
by @ThinkGIS(xiaofengcanyue)
Galaxy of Covers
瑞士的一家数字产品设计工作室,根据 BBC 发布的过去 50 首最受欢迎的封面歌曲以及来自 Spotify 上的版本和受欢迎程度的信息,为每首歌曲单独制作了一套可视化的“行星系统”。位于中心的“太阳”代表歌曲的原始作品,而围绕“太阳”的星球则代表该歌曲的一个版本。而星球的样式则与歌曲版本的信息息息相关:
- 星球颜色: 对应歌曲版本的风格,比如爵士乐、乡村音乐、说唱音乐
- 星球半径: 对应歌曲的受欢迎程度
- 星球的轨道半径: 对应歌曲的出版日期与原始作品之间的年份距离
并且还提供了根据时间线排列的视图,可以从另一视角来单独比较比较同一首歌曲的不同版本,其中星球的特征和定位与全景视图一致。
by @诸岳(dengfuping)