Карта хороплета

Тип визуализации данных по географическим регионам

Карта-карта, которая визуализирует долю австралийцев , идентифицированных как англикане по переписи 2011 года. Выбранные округа являются территориями местного самоуправления , переменная является пространственно интенсивной (доля), которая не классифицируется, и используется частично-спектральная последовательная цветовая схема.

Хороплетная карта (от древнегреческого χῶρος ( khôros )  «область, регион» и πλῆθος ( plêthos )  «множество») — это тип статистической тематической карты , которая использует псевдоцвет , то есть цвет , соответствующий совокупному резюме географической характеристики в пределах пространственных единиц счета, таких как плотность населения или доход на душу населения . ^{[1] [2] [3]}

Карты хороплетов предоставляют простой способ визуализации того, как переменная изменяется в географической области, или показывают уровень изменчивости в пределах региона. Тепловая карта или изарифмическая карта похожи, но используют регионы, нарисованные в соответствии с моделью переменной, а не априорными географическими областями карт хороплетов. Хороплет, вероятно, является наиболее распространенным типом тематической карты, поскольку опубликованные статистические данные (из государственных или других источников) обычно агрегируются в общеизвестные географические единицы, такие как страны, штаты, провинции и округа, и поэтому их относительно легко создавать с помощью ГИС , электронных таблиц или других программных инструментов.

История

Карта грамотности во Франции, составленная Дюпеном в 1826 году.

Самая ранняя известная карта-карта была создана в 1826 году бароном Пьером Шарлем Дюпеном , изображая доступность базового образования во Франции по департаментам . ^[4] Вскоре во Франции было создано больше « cartes teintées » («тонированных карт») для визуализации другой «моральной статистики» по образованию, болезням, преступности и условиям жизни. ^{[5] : 158} Карты-карты быстро приобрели популярность в нескольких странах из-за растущей доступности демографических данных, собранных из национальных переписей, начиная с серии карт-карт, опубликованных в официальных отчетах переписи населения Ирландии 1841 года. ^[6] Когда хромолитография стала широко доступна после 1850 года, к картам-картам все чаще добавляли цвет. ^{[5] : 193}

Термин «карта-хороплет» был введен в 1938 году географом Джоном Киртландом Райтом и стал общепринятым среди картографов к 1940-м годам. ^{[7] [8]} Также в 1938 году Гленн Треварта вновь ввел их как «карты отношений», но этот термин не прижился. ^[9]

Структура

Карта хороплета объединяет два набора данных: пространственные данные, представляющие разделение географического пространства на отдельные районы , и статистические данные , представляющие переменную, агрегированную в пределах каждого района. Существуют две общие концептуальные модели того, как они взаимодействуют в карте хороплета: в одном представлении, которое можно назвать «доминирующим районом», районы (часто существующие правительственные единицы) являются фокусом, в котором собираются различные атрибуты, включая отображаемую переменную. В другом представлении, которое можно назвать «доминирующим переменным», фокус находится на переменной как географическом явлении (например, латиноамериканском населении) с реальным распределением, и разделение ее на районы является просто удобным методом измерения. ^[10]

Геометрия: районы агрегации

На этой картограмме районы являются странами, переменная является пространственно интенсивной (среднее распределение) с модифицированной классификацией геометрической прогрессии, а также используется спектрально-расходящаяся цветовая схема.

На хороплетной карте районы обычно являются ранее определенными образованиями, такими как правительственные или административные единицы (например, округа, провинции, страны) или районы, созданные специально для статистического агрегирования (например, переписные участки ), и, таким образом, не имеют ожиданий корреляции с географией переменной. То есть границы цветных районов могут совпадать или не совпадать с местоположением изменений в изучаемом географическом распределении. Это находится в прямом противоречии с хорохроматическими и изаритмическими картами, на которых границы регионов определяются закономерностями в географическом распределении рассматриваемого явления.

Использование предопределенных регионов агрегации имеет ряд преимуществ, в том числе: более простая компиляция и картирование переменной (особенно в эпоху ГИС и Интернета с его многочисленными источниками данных), узнаваемость округов и применимость информации для дальнейшего расследования и политики, привязанной к отдельным округам. Ярким примером этого могут служить выборы, на которых общее количество голосов для каждого округа определяет его избранного представителя.

Однако это может привести к ряду проблем, как правило, из-за того, что постоянный цвет, применяемый к каждому району агрегации, делает его однородным, маскируя неизвестную степень вариации переменной в пределах района. Например, город может включать районы с низким, средним и высоким доходом семьи, но быть окрашенным одним постоянным «умеренным» цветом. Таким образом, реальные пространственные модели могут не соответствовать символизированной региональной единице. ^[11] Из-за этого такие проблемы, как экологическая ошибка и проблема изменяемой площадной единицы (MAUP), могут привести к серьезным неверным толкованиям отображаемых данных, и другие методы являются предпочтительными, если можно получить необходимые данные. ^{[12] [13] [14]}

Эти проблемы можно несколько смягчить, используя меньшие районы, поскольку они показывают более тонкие вариации отображаемой переменной, а их меньший визуальный размер и увеличенное количество снижают вероятность того, что пользователь карты вынесет суждения об вариации в пределах одного района. Однако они могут сделать карту слишком сложной, особенно если в переменной нет значимой географической закономерности (т. е. карта выглядит как беспорядочно разбросанные цвета). Хотя представление конкретных данных в больших регионах может вводить в заблуждение, знакомые формы районов могут сделать карту более понятной и легкой для интерпретации и запоминания. ^[15] Выбор регионов в конечном итоге будет зависеть от предполагаемой аудитории и цели карты. В качестве альтернативы, дасиметрический метод иногда может использоваться для уточнения границ регионов, чтобы более точно соответствовать фактическим изменениям в рассматриваемом явлении.

Из-за этих проблем для многих переменных можно предпочесть изарифмическую (для количественной переменной) или хорохроматическую карту (для качественной переменной), в которой границы области основаны на самих данных. Однако во многих случаях такая подробная информация просто отсутствует, и хороплетная карта является единственным возможным вариантом.

Недвижимость: сводные статистические данные

Карта-карта, на которой районы являются округами США, переменная пространственно интенсивна (пропорция) с квантильной классификацией и использует однотонную последовательную цветовую схему.

Переменная, которая должна быть отображена, может быть из самых разных дисциплин в мире человека или природы, хотя человеческие темы (например, демография, экономика, сельское хозяйство) обычно более распространены из-за роли правительственных единиц в человеческой деятельности, что часто приводит к первоначальному сбору статистических данных. Переменная также может быть на любом из уровней измерения Стивенса : номинальный, порядковый, интервальный или относительный, хотя количественные (интервальные/относительные) переменные чаще используются в картах хороплета, чем качественные (номинальные/порядковые). Важно отметить, что уровень измерения индивидуальных данных может отличаться от совокупной сводной статистики. Например, перепись может спрашивать каждого человека о его или ее «основном разговорном языке» (номинальный), но это может быть суммировано по всем лицам в округе как «процент в первую очередь говорящих на испанском языке» (отношение) или как «преобладающий основной язык» (номинальный).

В широком смысле картограмма может представлять два типа переменных, что является общим различием для физики и химии, а также для геостатистики и пространственного анализа :

• Пространственно экстенсивная переменная (иногда называемая глобальным свойством ) — это переменная, которая может применяться только ко всему району, обычно в форме общего количества или количества явления (сродни массе или весу в физике). Говорят, что экстенсивные переменные накапливаются в пространстве; например, если население Соединенного Королевства составляет 65 миллионов, то невозможно, чтобы население Англии, Уэльса, Шотландии и Северной Ирландии также составляло 65 миллионов. Вместо этого их общие популяции должны суммироваться (накапливаться) для расчета общей численности населения коллективного образования. Однако, хотя и возможно отобразить экстенсивную переменную на хороплетной карте, это почти повсеместно не рекомендуется, поскольку закономерности можно легко неверно истолковать. Например, если бы карта хороплета назначила определенный оттенок красного для общей численности населения от 60 до 70 миллионов, ситуация, в которой Соединенное Королевство (как единый округ) имеет 65 миллионов жителей, была бы неотличима от ситуации, в которой четыре составляющие страны имели бы по 65 миллионов жителей, даже если это совершенно разные географические реалии. Другим источником ошибки интерпретации является то, что если большой округ и маленький округ имеют одинаковое значение (и, следовательно, одинаковый цвет), больший округ, естественно, будет выглядеть больше. ^[16] Другие типы тематических карт , особенно пропорциональные символы и картограммы , предназначены для представления обширных переменных и, как правило, являются предпочтительными. ^{[1] : 131}
• Пространственно интенсивная переменная, также известная как поле , статистическая поверхность или локализованная переменная , представляет собой свойство, которое может быть измерено в любом месте (точке или небольшой области, в зависимости от его природы) в пространстве, независимо от каких-либо границ, хотя его изменение по округу можно суммировать как единое значение. Общие интенсивные переменные включают плотности, пропорции, темпы изменения, средние распределения (например, ВВП на душу населения) и описательную статистику (например, среднее, медиана, стандартное отклонение). Интенсивные переменные называются распределительными по пространству; например, если плотность населения Соединенного Королевства составляет 250 человек на квадратный километр, то было бы разумно оценить (при отсутствии каких-либо других данных), что наиболее вероятная (если не фактически правильная) плотность каждой из пяти стран-членов также составляет 250/км ² . Традиционно в картографии преобладающей концептуальной моделью для такого рода явлений была статистическая поверхность , в которой переменная представляется как трехмерная «высота» над двумерным пространством, которая непрерывно меняется. ^[17] В географической информационной науке более распространенной концептуализацией является поле , заимствованное из физики и обычно моделируемое как скалярная функция местоположения. Хороплетные карты лучше подходят для интенсивных переменных, чем для экстенсивных; если пользователь карты видит Соединенное Королевство, заполненное цветом для «100-200 человек на квадратный километр», оценка того, что Уэльс и Англия могут иметь по 100-200 человек на квадратный километр, может быть неточной, но это возможная и разумная оценка.

Нормализация

Нормализация: карта слева использует общую численность населения для определения цвета. Это приводит к тому, что большие полигоны кажутся более урбанизированными, чем небольшие плотные городские районы Бостона , Массачусетс. Карта справа использует плотность населения. Правильно нормализованная карта будет показывать переменные, не зависящие от размера полигонов.

Нормализация — это метод получения пространственно интенсивной переменной из одной или нескольких пространственно экстенсивных переменных, чтобы ее можно было соответствующим образом использовать в хороплетной карте. ^[3] Он похож, но не идентичен методу нормализации или стандартизации в статистике. Обычно он выполняется путем вычисления отношения между двумя пространственно экстенсивными переменными. ^{[12] : 252} Хотя любое такое отношение приведет к интенсивной переменной, только некоторые из них особенно значимы и широко используются в хороплетных картах:

• Плотность = общая / площадь. Пример: плотность населения
• Пропорция = итог подгруппы / общий итог. Пример: богатые домохозяйства как процент от всех домохозяйств.
• Среднее распределение = общая сумма / общее количество людей. Пример: валовой внутренний продукт на душу населения (общий ВВП / общее население)
• Скорость изменения = общее в более позднее время / общее в более раннее время. Пример: годовой темп прироста населения.

Они не эквивалентны и не лучше друг друга. Скорее, они рассказывают о разных аспектах географического повествования. Например, карта хороплета плотности населения латиноамериканцев в Техасе визуализирует повествование о пространственном скоплении и распределении этой группы, в то время как карта процента латиноамериканцев визуализирует повествование о составе и преобладании. Неиспользование надлежащей нормализации приведет к ненадлежащей и потенциально вводящей в заблуждение карте почти во всех случаях. ^{[16] [18] [19]} Это одна из самых распространенных ошибок в картографии, и одно исследование показало, что в какой-то момент более половины информационных панелей COVID-19 в Соединенных Штатах, размещенных правительствами штатов, не использовали нормализацию для своих карт хороплета. ^[19] Это одна из многих проблем, которые способствовали инфодемии, окружающей пандемию COVID-19, и «также может быть тонким фактором, способствующим крайней политической поляризации, окружающей меры по борьбе с COVID, которая произошла в Соединенных Штатах». ^{[18] [20]}

Классификация

Эта карта президентских выборов в США 2004–2016 годов использует избирательные округа, пространственно интенсивную переменную (разницу в пропорции), которая не классифицирована, и спектрально расходящуюся цветовую прогрессию. Обратите внимание на непрерывную градиентную легенду, которая отражает отсутствие классификации.

Каждая карта хороплета имеет стратегию сопоставления значений цветам. Классифицированная карта хороплета разделяет диапазон значений на классы, при этом всем районам в каждом классе назначается один и тот же цвет. Неклассифицированная карта (иногда называемая n-классом ) напрямую назначает цвет, пропорциональный значению каждого района. Начиная с карты Дюпена 1826 года, классифицированные карты хороплета стали гораздо более распространенными. ^[2] Вероятно, что изначально это было связано с большей простотой применения ограниченного набора оттенков; только в эпоху компьютерной картографии неклассифицированные карты хороплета стали вообще возможными, и до недавнего времени их все еще было непросто создать в большинстве картографических программ. ^{[21] [2] [22] [23]} Уолдо Р. Тоблер , официально представляя неклассифицированную схему в 1973 году, утверждал, что она является более точным отображением исходных данных, и заявил, что основной аргумент в пользу классификации, что она более удобочитаема, необходимо проверить. ^[2] Последовавшие за этим дебаты и эксперименты пришли к общему выводу, что основное преимущество неклассифицированных хороплетных карт, в дополнение к утверждению Тоблера о грубой точности, заключается в том, что они позволяют читателям видеть тонкие изменения в переменной, не заставляя их верить, что районы, попавшие в один и тот же класс, имеют идентичные значения. Таким образом, они могут лучше видеть общие закономерности в географическом явлении, но не конкретные значения. ^{[1] : 109  [24] [25]} Основным аргументом в пользу классифицированных хороплетных карт является то, что читателям легче обрабатывать их из-за меньшего количества отдельных оттенков для распознавания, что снижает когнитивную нагрузку и позволяет им точно сопоставлять цвета на карте со значениями, указанными в легенде. ^{[2] [22] [23]}

Классификация выполняется путем установления правила классификации , ряда пороговых значений, которые разделяют количественный диапазон значений переменных на ряд упорядоченных классов. Например, если набор данных о годовом медианном доходе по округам США включает значения от 20 000 до 150 000 долларов США, его можно разбить на три класса с пороговыми значениями от 45 000 до 83 000 долларов США. Чтобы избежать путаницы, любое правило классификации должно быть взаимоисключающим и в совокупности исчерпывающим , что означает, что любое возможное значение попадает ровно в один класс. Например, если правило устанавливает пороговое значение на уровне 6,5, необходимо четко определить, будет ли район со значением ровно 6,5 классифицирован в нижний или верхний класс (т. е. является ли определение нижнего класса <6,5 или ≤6,5 и является ли верхний класс >6,5 или ≥6,5). Для картограмм разработаны различные типы правил классификации: ^{[26] [1] : 87}

• Экзогенные правила импортируют пороговые значения без учета закономерностей в имеющихся данных.
  • Установленные правила — это те, которые уже используются в качестве общих, благодаря прошлым научным исследованиям или официальной политике. Примером может служить использование государственных налоговых ставок или стандартного порога бедности при классификации уровней дохода.
  • Стратегии Ad hoc или Common sense по сути изобретаются картографом с использованием пороговых значений, которые имеют некоторый интуитивный смысл. Примером может служить классификация доходов в соответствии с тем, что картограф считает «богатым», «средним классом» и «бедным». Эти стратегии, как правило, не рекомендуются, если только все другие методы не являются осуществимыми.
• Эндогенные правила основаны на закономерностях в самом наборе данных.
  • Правила естественных разрывов ищут естественные кластеры в данных, в которых большое количество районов имеют схожие значения с большими разрывами между ними. Если это так, то такие кластеры, вероятно, имеют географический смысл.
    • Оптимизация естественных разрывов Дженкса , разработанная Джорджем Ф. Дженксом , представляет собой эвристический алгоритм для автоматического определения таких кластеров, если они существуют; по сути, это одномерная форма алгоритма кластеризации k-средних . ^[27] Если естественных кластеров не существует, разрывы, которые он генерирует, часто признаются хорошим компромиссом между другими методами, и обычно это классификатор по умолчанию, используемый в программном обеспечении ГИС.
  • Равные интервалы или арифметическая прогрессия делят диапазон значений так, что каждый класс имеет равный диапазон значений: ( max - min )/ n . Например, диапазон доходов выше ($20,000 - $150,000) будет разделен на четыре класса по $52,500, $85,000 и $117,500.
    • Правило стандартного отклонения также генерирует равные диапазоны значений, но вместо того, чтобы начинать с минимального и максимального значений, оно начинается со среднего арифметического данных и устанавливает разрыв для каждого кратного постоянному числу стандартных отклонений выше и ниже среднего.
  • Квантили делят набор данных так, чтобы каждый класс имел равное количество округов. Например, если 3141 округ США были разделены на четыре квантильных класса (т. е. квартили ), то первый класс будет включать 785 самых бедных округов, затем следующие 785. Корректировки могут потребоваться, когда количество округов не делится поровну или когда идентичные значения выходят за пределы порогового значения.
  • Правило геометрической прогрессии делит диапазон значений так, чтобы отношение пороговых значений было постоянным (а не их интервалом, как в арифметической прогрессии). Например, диапазон доходов выше будет разделен с использованием отношения 2 с пороговыми значениями в $40 000 и $80 000. Этот тип правила обычно используется, когда распределение частот данных имеет очень высокий положительный перекос , особенно если оно геометрическое или экспоненциальное .
  • Правило вложенных средних или Head/tail Breaks — это алгоритм, который рекурсивно делит набор данных, устанавливая пороговое значение на уровне среднего арифметического , затем подразделяя каждый из двух созданных классов на их соответствующие средние значения и т. д. Таким образом, количество классов не является произвольным, а должно быть степенью двойки (2, 4, 8 и т. д.). Было высказано предположение, что это также хорошо работает для сильно перекошенных распределений.

Поскольку вычисленные пороговые значения часто могут быть точными и не поддаются простой интерпретации для читателей карты (например, $74,326.9734), обычно создают измененное правило классификации , округляя пороговые значения до похожего простого числа. Распространенным примером является измененная геометрическая прогрессия, которая делит степени десяти, например, [1, 2.5, 5, 10, 25, 50, 100, ...] или [1, 3, 10, 30, 100, ...].

Прогрессия цвета

Качественная цветовая прогрессия

Прогрессия оттенков серого

Прогрессия одного оттенка

Частичная спектральная прогрессия

Биполярная цветовая прогрессия

Полноспектральная цветовая прогрессия

Последний элемент карты хороплета — это набор цветов, используемых для представления различных значений переменной. Существует множество различных подходов к этой задаче, но основной принцип заключается в том, что любой порядок в переменной (например, от низких к высоким количественным значениям) должен быть отражен в воспринимаемом порядке цветов (например, от светлого к темному), поскольку это позволит читателям карты интуитивно делать суждения «больше или меньше» и видеть тенденции и закономерности с минимальной ссылкой на легенду. ^{[1] : 114} Второе общее правило, по крайней мере для классифицированных карт, заключается в том, что цвета должны быть легко различимы, чтобы цвета на карте можно было однозначно сопоставить с цветами в легенде для определения представленных значений. Это требование ограничивает количество классов, которые могут быть включены; для оттенков серого тесты показали, что при использовании только значения (например, от светлого к темному, будь то серый или любой отдельный оттенок ), на практике трудно использовать более семи классов. ^{[19] [28]} Если включены различия в оттенке и/или насыщенности, этот предел значительно увеличивается до 10-12 классов. Необходимость в различении цветов дополнительно осложняется недостатками цветового зрения ; например, цветовые схемы, которые используют красный и зеленый для различения значений, не будут полезны для значительной части населения . ^[29]

Наиболее распространенные типы цветовых прогрессий, используемые в хороплетных (и других тематических) картах, включают в себя: ^{[30] [31]}

• Последовательная прогрессия представляет переменные значения как цветовые значения.
  • Прогрессия оттенков серого использует только оттенки серого.
  • Прогрессия одного оттенка плавно переходит от темного оттенка выбранного цвета (или серого) к очень светлому или белому оттенку относительно того же оттенка. Это распространенный метод, используемый для отображения величины. Самый темный оттенок представляет наибольшее число в наборе данных, а самый светлый оттенок представляет наименьшее число.
  • Частичная спектральная прогрессия использует ограниченный диапазон оттенков, чтобы добавить больше контраста к контрасту значений, что позволяет использовать большее количество классов. Желтый обычно используется для более светлого конца прогрессии из-за его естественной видимой светлоты. Обычные диапазоны оттенков — желтый-зеленый-синий и желтый-оранжевый-красный.
• Дивергентная или биполярная прогрессия по сути представляет собой две последовательные цветовые прогрессии (типов, указанных выше), соединенные общим светлым цветом или белым. Обычно они используются для представления положительных и отрицательных значений или отклонения от центральной тенденции, такой как среднее значение отображаемой переменной. Например, типичная прогрессия при отображении температур — от темно-синего (для холода) до темно-красного (для жары) с белым посередине. Они часто используются, когда двум крайностям придаются оценочные суждения, например, показывая «хороший» конец зеленым, а «плохой» — красным. ^[32] Для указания на правовое или социальное принятие какого-либо явления разрешение обычно может быть представлено зеленым, а запрет — красным.
• Спектральная прогрессия использует широкий диапазон оттенков (возможно, весь цветовой круг) без предполагаемых различий в значении. Это чаще всего используется, когда есть порядок значений, но это не порядок «больше против меньше», такой как сезонность. Это часто используется не-картографами в ситуациях, когда другие цветовые прогрессии были бы гораздо более эффективными. ^{[33] [34]}
• Качественная прогрессия использует разбросанный набор оттенков без определенного порядка, без предполагаемой разницы в значении. Чаще всего это используется с номинальными категориями в качественной карте хороплета, например, «наиболее распространенная религия».

Двумерные хороплеты

Двумерная хороплетная карта, сравнивающая чернокожее (синий) и испаноязычное (красный) население США, перепись 2010 года; оттенки фиолетового показывают значительные пропорции обеих групп.

Можно одновременно представить две (а иногда и три) переменные на одной карте хороплета, представив каждую с помощью прогрессии одного оттенка и смешивая цвета каждого района. Этот метод был впервые опубликован Бюро переписи населения США в 1970-х годах и с тех пор использовался много раз с разной степенью успеха. ^[35] Этот метод обычно используется для визуализации корреляции и контраста между двумя переменными, предположительно тесно связанными, такими как уровень образования и доход. Обычно используются контрастные, но не дополнительные цвета, так что их комбинация интуитивно распознается как «между» двумя исходными цветами, например, красный+синий=фиолетовый. Метод работает лучше всего, когда география переменной имеет высокую степень пространственной автокорреляции , так что существуют большие регионы схожих цветов с постепенными изменениями между ними; в противном случае карта может выглядеть как запутанная смесь случайных цветов. ^{[12] : 331} Было обнаружено, что их легче использовать, если карта включает тщательно разработанную легенду и объяснение метода. ^[36]

Легенда

Карта хороплета использует специальные символы для представления отображаемой переменной. Хотя общая стратегия может быть интуитивно понятной, если выбрана цветовая прогрессия, отражающая правильный порядок, читатели карты не могут расшифровать фактическое значение каждого района без легенды. Типичная легенда хороплета для классифицированной карты хороплета включает в себя ряд образцовых участков символа для каждого класса с текстовым описанием соответствующего диапазона значений. На неклассифицированной карте хороплета легенда обычно показывает плавный цветовой градиент между минимальным и максимальным значениями, с двумя или более точками вдоль него, помеченными соответствующими значениями. ^{[1] : 111}

Альтернативным подходом является легенда гистограммы , которая включает гистограмму , показывающую распределение частот отображаемой переменной (т. е. количество районов в каждом классе). Каждый класс может быть представлен одним столбцом, ширина которого определяется минимальным и максимальным пороговыми значениями, а его высота рассчитывается таким образом, чтобы площадь поля была пропорциональна количеству включенных районов, а затем раскрашивается символом карты, используемым для этого класса. В качестве альтернативы гистограмма может быть разделена на большое количество столбцов, так что каждый класс включает один или несколько столбцов, обозначенных в соответствии с его символом на карте. ^[37] Эта форма легенды показывает не только пороговые значения для каждого класса, но и дает некоторый контекст для источника этих значений, особенно для эндогенных правил классификации, которые основаны на распределении частот, таких как квантили. Однако в настоящее время они не поддерживаются в ГИС и картографическом программном обеспечении и, как правило, должны создаваться вручную.

Смотрите также

• Географический портал

• Картограммы , которые часто раскрашены как хороплеты.
• Цветохроматическая карта
• Дазиметрическая карта
• Карта распределения точек
• Тепловая карта
• МакЧоро
• Майкл Петерсон (географ)
• Раскрашивание карты
• Пропорциональная символьная карта

Ссылки

1. Дент, Борден Д.; Торгусон, Джеффри С.; Ходлер, Томас У. (2009). Картография: Тематический дизайн карт (6-е изд.). McGraw-Hill.
2. Tobler, Waldo (1973). «Choropleth Maps Without Class Intervals?». Географический анализ . 5 (3): 262–265. Bibcode :1973GeoAn...5..262T. doi : 10.1111/j.1538-4632.1973.tb01012.x .
3. Адамс, Аарон; Чэнь, Сян; Ли, Вэйдун; Чжан, Чуаньжун (2020). «Замаскированная пандемия: важность нормализации данных в веб-картографировании COVID-19». Общественное здравоохранение . 183 : 36–37. doi : 10.1016/j.puhe.2020.04.034. PMC 7203028. PMID 32416476  . 
4. Дюпен, Чарльз (1826). Образная карта народных указаний Франции. Брюссель: sn
5. Робинсон, Артур Х. (1982). Раннее тематическое картографирование в истории картографии . Издательство Чикагского университета.
6. Ирландия (1843). Отчет уполномоченных, назначенных для проведения переписи населения Ирландии за 1841 год. Дублин: HM Stationery Office. стр. lv.
7. Джон Киртланд Райт (1938). «Проблемы картирования населения» в «Заметках о статистическом картировании», с особым упором на картирование явлений народонаселения, стр. 12.
8. Райс, Эрвин (1948). Общая картография (2-е изд.). McGraw-Hill. стр. 249.
9. Trewartha, Glenn T. (январь 1938). «Карты соотношений ферм и урожаев Китая». Geographical Review . 28 (1): 102–111. Bibcode : 1938GeoRv..28..102T. doi : 10.2307/210569. JSTOR  210569.
10. Крисман, Николас (2002). Исследование географических информационных систем (2-е изд.). Wiley. стр. 65. ISBN 0-471-31425-0.
11. Дженкс, Джордж Ф.; Каспалл, Фред К. (июнь 1971 г.). «Ошибка на хороплетических картах: определение, измерение, уменьшение». Анналы Ассоциации американских географов . 61 (2): 217–244. doi :10.1111/j.1467-8306.1971.tb00779.x. ISSN  0004-5608.
12. T. Slocum, R. McMaster, F. Kessler, H. Howard (2009). Тематическая картография и геовизуализация, третье издание, стр. 252. Верхняя Сэддл-Ривер, Нью-Джерси: Pearson Prentice Hall.
13. Опеншоу, Стэн (1983). Проблема изменяемой площади (PDF) . ISBN 0-86094-134-5.
14. Чэнь, Сян; Йе, Синьюэ; Уайденер, Майкл Дж.; Дельмель, Эрик; Кван, Мей-По; Шеннон, Джерри; Расин, Расин Ф.; Адамс, Аарон; Лян, Лу; Пэн, Цзя (27 декабря 2022 г.). "Систематический обзор проблемы модифицируемой ареальной единицы (MAUP) в исследовании окружающей среды пищевых продуктов в сообществе". Городская информатика . 1 (1): 22. Bibcode : 2022UrbIn...1...22C. doi : 10.1007/s44212-022-00021-1 .
15. Ритчоф, Кент (1998). «Изучение и запоминание по тематическим картам знакомых регионов». Исследования и разработки в области образовательных технологий . 46 : 19–38. doi :10.1007/BF02299827. S2CID  145086925.
16. Mark Monmonier (1991). Как лгать с помощью карт . стр. 22–23. Издательство Чикагского университета
17. Дженкс, Джордж Ф. (1963). «Обобщение в статистическом картографировании». Анналы Ассоциации американских географов . 53 (1): 15. doi :10.1111/j.1467-8306.1963.tb00429.x.
18. Mooney, Peter (июль 2020 г.). «Картографирование COVID-19: как веб-карты способствуют инфодемии». Диалоги по географии человека . 10 (2): 265–270. doi : 10.1177/2043820620934926 .
19. Адамс, Аарон М.; Чэнь, Сян; Ли, Вэйдун; Чуаньжун, Чжан (27 июля 2023 г.). «Нормализация пандемии: изучение картографических проблем на панелях управления COVID-19 государственных органов». Journal of Maps . 19 (5): 1–9. Bibcode : 2023JMaps..19Q...1A. doi : 10.1080/17445647.2023.2235385 .
20. Энгель, Клаудия; Родден, Джонатан; Табеллини, Марко (18 марта 2022 г.). «Политика влияния на восприятие риска COVID-19: случай карт». Science Advances . 8 (11): eabm5106. Bibcode :2022SciA....8M5106E. doi :10.1126/sciadv.abm5106. PMC 8932671 . PMID  35302842. 
21. Келли, Бретт (2017). «Обзор неклассифицированного хороплетного картирования». Картографические перспективы (86): 30. doi : 10.14714/CP86.1424 .
22. Dobson, Michael W. (октябрь 1973 г.). «Choropleth Maps without Class Intervals? A Comment». Географический анализ . 5 (4): 358–360. Bibcode :1973GeoAn...5..358D. doi : 10.1111/j.1538-4632.1973.tb00498.x .
23. Добсон, Майкл В.; Петерсон, Майкл П. (1980). «Неклассифицированные хороплетные карты: комментарий, ответ». The American Cartographer . 7 (1): 78–81. doi :10.1559/152304080784522928.
24. Петерсон, Майкл П. (1979). «Оценка неклассифицированного картографирования хороплетов с перекрещивающимися линиями». Американский картограф . 6 (1): 21–37. doi :10.1559/152304079784022736.
25. Мюллер, Жан-Клод (июнь 1979 г.). «Восприятие непрерывно закрашенных карт». Анналы Ассоциации американских географов . 69 (2): 240. doi :10.1111/j.1467-8306.1979.tb01254.x.
26. Kraak, Menno-Jan; Ormeling, Ferjan (2003). Картография: Визуализация пространственных данных (2-е изд.). Prentice Hall. стр. 116–121. ISBN 978-0-13-088890-7.
27. Дженкс, Джордж Ф. 1967. «Концепция модели данных в статистическом картографировании», Международный ежегодник картографии 7: 186–190.
28. Монмонье, Марк (1977). Карты, искажение и значение . Ассоциация американских географов.
29. Олсон, Джуди М.; Брюэр, Синтия (1997). «Оценка выбора цветов для удобства пользователей карт с нарушениями цветового зрения». Анналы Ассоциации американских географов . 87 (1): 103–134. doi :10.1111/0004-5608.00043.
30. Робинсон, AH, Моррисон, JL, Мюрке, PC, Киммерлинг, AJ и Гаптил, SC (1995) Элементы картографии. (6-е издание), Нью-Йорк: Wiley.
31. Брюэр, Синтия А. «Руководство по использованию цвета для картографирования и визуализации». В MacEachren, Алан М.; Тейлор, DRF (ред.). Визуализация в современной картографии . Pergamon. стр. 123–147.
32. Патрисия Коэн (9 августа 2011 г.). «Что цифровые карты могут рассказать нам об американском образе жизни». The New York Times .
33. Light; et al. (2004). «Конец радуги? Цветовые схемы для улучшенной графики данных» (PDF) . Eos . 85 (40): 385–91. Bibcode :2004EOSTr..85..385L. doi : 10.1029/2004EO400002 .
34. Штауффер, Рето. «Где-то над радугой». HCL Wizard . Получено 14 августа 2019 г.
35. Мейер, Мортон А.; Брум, Фредерик Р.; Швейцер, Ричард Х. младший (1975). «Цветное статистическое картографирование Бюро переписи населения США». Американский картограф . 2 (2): 101–117. doi :10.1559/152304075784313250.
36. Олсон, Джуди М. (1981). «Спектрально кодированные двухпеременные карты». Анналы Ассоциации американских географов . 71 (2): 259–276. doi :10.1111/j.1467-8306.1981.tb01352.x.
37. Кумар, Нареш (2004). «Легенда частотной гистограммы на хороплетной карте: замена традиционным легендам». Картография и географическая информатика . 31 (4): 217–236. Bibcode : 2004CGISc..31..217K. doi : 10.1559/1523040042742411. S2CID  119795925.

Дальнейшее чтение

• Дент, Борден; Торгусон, Джеффри; Ходлер, Томас (21 августа 2008 г.). Картография Тематический дизайн карт . McGraw-Hill. ISBN 978-0-072-94382-5.

Внешние ссылки

• ColorBrewer – советы по выбору цвета для картографии
• Генератор картограмм для США