Я все больше и больше пытаюсь определить точки разрыва при отображении картограммы (или тематических) для просмотра другими . Есть ли у кого-нибудь рекомендуемые ссылки, которые помогут, как выбрать тип используемой шкалы, так и соответствующее количество точек останова? В частности, для количества ячеек я видел только аргументы в пользу ограничивающего числа (например, вы не должны использовать больше 5).
Чтобы быть более конкретным о том, что я ищу, большинство ссылок я наткнулся на эту тему похожи на документ , на который ссылается Жюльеном на этом посту , и я просто ищу более глубокое обсуждение эту тему.
Несколько конкретных случаев использования, с которыми я часто сталкиваюсь (например, моя борьба);
- При отображении данных с большим перекосом вправо я обычно не решаюсь показывать экспоненциальный масштаб. Боюсь (для аудитории, к которой я обычно показываю карты), это приведет к большему количеству когнитивного бремени, читая масштаб и отображая фактические значения атрибута в цветах. Мои страхи неверны? Также для этих типов распределений мне сложно обосновать какое-либо конкретное количество бинов.
- При отображении большого количества небольших нескольких карт, как выбрать подходящий масштаб, который позволяет эффективно визуализировать отношения как внутри, так и между небольшими коэффициентами? Моим стандартом де-факто, когда масштабы атрибутов сильно различаются, является использование квинтилей в каждом отдельном распределении. Являются ли квинтили слишком много классификаций и создают слишком большую когнитивную нагрузку для сравнения между панелями? Я предполагаю, что люди понимают, что квантильные классификации эквивалентны ранжированию (и, таким образом, когда классифицируется таким образом, помогает в интерпретации между панелями), верно ли это предположение?
Первоначально я написал абзац, пытаясь описать цели таких карт, но я подозреваю, что мои цели довольно типичны, поэтому они не нужны. Единственное, что нужно пояснить еще раз, это то, что они предназначены для просмотра другими людьми (например, в отчетах, публикациях) и не предназначены для моего собственного исследовательского анализа данных (хотя я подозреваю, что хороший совет следует перевести и на то и другое). Возможно, хороший справочник может описать потенциальные цели таких карт и компромиссы, связанные с использованием различных схем классификации. Мне были бы интересны как конкретные, так и общие ссылки.
источник
Ответы:
Хорошая ссылка, недостаточно цитированная, - «Как работает карта» Алана МакИхрена (The Guilford Press, 1995/2004). Это не быстрое руководство, а всестороннее размышление о том, как карты видят и понимают, основываясь на действительно впечатляющем научном обзоре и знаниях практиков.
источник
Недавно я приобрел Тематическую Картографию и Визуализацию ( Slocum et al., 2005 ), и просто просмотреть ее, кажется, более чем достаточно для моего запроса общих ссылок на тему выбора корзин. Это, конечно, даст мне много времени для чтения в течение довольно долгого времени, и это не было слишком трудным решением купить (есть много старых дешевых копий, плавающих вокруг).
Обратите внимание, я не думаю, что я бы порекомендовал MacEachren's Как работают карты для этого вопроса в частности. Книга настолько монолитна, что я наверняка забыл, но я не помню какой-либо прямой дискуссии о выборе количества корзин (по крайней мере, не такой простой, как глава, посвященная этому в учебнике по Slocum). Если что-то, я думаю, я помню, что он упомянул эту тему, немного преувеличено и не пришло к какому-либо реальному выводу, но я все равно рекомендовал бы это в качестве общего справочника для визуализации данных.
На эту тему есть сумасшедшее количество литературы, и мне нужно будет еще немного изучить самостоятельно, чтобы посмотреть, смогу ли я найти более удовлетворительный ответ для классификации искаженного распределения. И я отправлю ответ, если у меня есть что-то более существенное, чтобы сказать.
Но что касается второго вопроса о визуализации небольших многократных карт, я недавно натолкнулся на статью Синтии Брюер и Линды Пикл, « Оценка методов классификации эпидемиологических данных на картограммах в сериях» (PDF здесь ), которая точно направлена на мой вопрос.
Короче говоря, эксперименты показывают, что квантили являются наиболее полезным способом представления серии небольших множественных карт, как для простоты интерпретации (как я предложил в этом вопросе), так и для того факта, что они создают одинаковые карты площадей с точки зрения заполнения, когда полигоны примерно одинакового размера. Возможно, это не очевидно, пока вы не увидите контрпример, ниже я вставил картинку нескольких небольших карт, на которых классификации ограничены, чтобы быть равными по ряду различных показателей заболеваемости раком (на странице 674 цитируемой статьи).
Поскольку заболеваемость печени намного ниже, чем ХОБЛ, все графства на верхних картах имеют тенденцию попадать в более низкие классификации. Если вы не можете различить шаблоны на одной из карт, вы вряд ли будете различать шаблоны между картами! Конечно, если это целесообразно, следует привести классификации в соответствие, но это целесообразно только для некоторых карт сравнения. Также, насколько количество бинов они выбрали 7 в своих экспериментах.
источник
увидеть эту ссылку Оптимизация выбора ряда классов картограммы
в
Т. Бандрова и соавт. (ред.), Тематическая картография для общества, Конспекты лекций по геоинформации и картографии, DOI: 10.1007 / 978-3-319-08180-9_6, Springer International Publishing Switzerland 2014
источник