数据分析基础-数据可视化学习笔记03-可视化的符号与表示-图形符号学

概念

图型符号学(Cartographic Symbolization)是地图学领域中的一个重要概念,涉及到如何使用不同的符号、颜色、图案和标记来在地图上表示地理信息和数据。图型符号学旨在传达地理信息,使得地图能够清晰、有效地传达各种空间数据的含义和关系。

关键方面

图型符号学涉及以下几个关键方面:

符号化设计:图型符号学包括选择适当的符号、颜色和标记来表示不同的地理特征和现象。符号可以是点、线、面、图案、标签等,每种符号都应该与所代表的地理现象相匹配。

视觉变量:图型符号学基于一些视觉变量,如大小、形状、颜色、明暗度等,来传达信息。这些视觉变量影响人们对地图信息的感知,因此需要谨慎选择以确保地图的可读性和有效性。

分类和分级:符号通常用于将数据分类或分级。这意味着将数据分成几个类别,然后为每个类别选择合适的符号。分级可以基于等间距、等数量等原则进行。

图例设计:图例是解释地图符号的关键工具。设计良好的图例可以帮助地图读者理解符号的含义,并将地图信息与现实世界联系起来。

颜色的运用:颜色在地图中的使用非常重要,它可以用来表示不同类别、属性或强度。然而,需要小心选择颜色,以确保色盲人士和其他特定用户也能理解地图信息。

地图表达:图型符号学的目标是在地图上有效地表达地理信息。这需要考虑符号的布局、密度、重叠等因素,以确保地图的清晰性和易读性。

在地理信息系统(GIS)和地图制作中,图型符号学起着至关重要的作用。地图制图人员需要根据不同的数据类型、目标受众和使用场景,选择适当的符号化方法来制作具有表达力和可视化效果的地图。

符号域

参考:
在这里插入图片描述

A.图形系统的范围
它的极限
没有对符号系统界限的严格描述,就无法对其进行分
析。这项研究不包括所有类型的视觉感知,真正的运动
被明确排除在外。对电影摄影表达的研究很快就会发
现,它的大部分法则与电影绘画的法则有着本质上的不
同。虽然运动只引入了一个额外的变量,但它是一个压
倒一切的变量;它如此支配着知觉,以至于严重限制了
对其他变量意义的关注。再者,几乎可以肯定实时不是
定量的;它是“有弹性的”时间单位似乎在静止时延
长,在活动时缩短,尽管我们还不能确定这种变化的所
有因素。
实际的浮雕表现(物理上的第三维)在这里也没有用武之
地,仅用于比较。
在这项研究中,我们将只考虑以下情况:
— 可表现的或可印刷的
— 在一张白纸上
— 标准尺寸,一目了然
— 在对应于阅读书籍或地图册的视觉距离处
— 在正常和恒定的光照下(但在适用的情况下,
考虑日光和人造光之间的差异)
— 利用容易获得的图形手段。
因此,我们将排除:
— 距离和照明的变化
— 实际浮雕(厚度、立体图、立体图)
— 实际运动(图像闪烁、动画绘画、电影)。
在这些限制范围内,设计师可以做什么?马克斯。
为了使标记可见,它必须具有不同于纸张的反光能
力。标记越大,差异就越不明显。最低可见性和辨别力
的黑色标记的直径必须为 2/10 mm。但这不是绝对的,
因为较小标记的组合完全可见。
42
视觉变量
可见标记在纸张上的位置可以变化。例如,在对页的图
1 中,黑色矩形在白色正方形的底部和右侧。它也可以
在底部向左,或者在顶部向右。
因此,一个标记可以表示由
两个平面维度
固定在平面上给定点的标记,只要它有一定的尺寸,
就可以用不同的方式画出来。它可以在以下方面有所
不同
尺寸值纹理
颜色
方向形状
并且还可以表示其平面位置与其在构成每个变量的序列
中的位置之间的对应关系。
因此,设计者有八个变量要处理。它们是图形系统的
组成部分,将被称为“视觉变量”它们构成了图像的
世界。有了它们,设计师建议透视,画家建议现实,
制图师建议关系,制图师建议空间。
这种对八个因素中的时间视觉感知的分析并不排除其他
方法。但是,结合“植入”的概念,它具有更系统的优
势,同时仍然适用于图形结构中遇到的实际问题。
这些变量具有不同的属性和不同的能力来描述给定类型的
信息。与所有组件一样,每个变量都以其组织级别和长度
为特征。我们将首先研究平面的性质,然后研究那些可以
被“提升”到平面之上的视网膜变量。


2PD
43
B.飞机
平面是所有图形表现的主体。它是如此熟悉,以至于
它的性质似乎不言而喻,但最熟悉的东西往往是最不
为人知的。平面是同质的,有两个维度。必须充分探
索这些特性的视觉效果。
(1)植入(代表类别)
可以分配给平面上标记的三种类型的含义——点、线
和面——将被称为“植入”*它们构成了平面几何的
三个基本图形。
沿着一条线,人们可以考虑一个点或一条线段。在平
面上,人们可以考虑一个点、一条线或一个区域。未能
掌握这一基本概念的各种分支是制图中经常出错的原
因。混乱源于这样一个事实,即点和线没有理论上的面
积,然而代表它们的标记需要一定的“面积”才能看得
见。
区分代表类别的后果
— 视网膜变量的长度(可用步骤的数量)和它们的用
途随着所涉及的表现类型而变化。
— 量的表示根据使用的是点、线还是面而有所不
同。
— 代表阶层的差异是有选择性的。
— 在一个图像中,相同的概念不能用不同的“植
入”来表示

一张纸上的直线有一定的长度,可以测量。但是,在测
量的时候,它的末端被认为没有长度。这些是要点。然
而,他们在这条线上有一个位置。
距离纸张水平边缘 51 毫米的点,以及
离垂直边缘 34.5 毫米的平面上有一个位置。无论是通
过直径为 1/10 mm 的“针刺”还是通过直径为 5 mm
的“预印圆”可见,其中心都有一个精确的位置,但标
记本身并不表示平面上的长度或面积。
点代表平面上没有理论长度或面积的位置。这种含义
与使其可见的标记的大小和性质无关。
因此,一个点的位置可以改变,但永远不会改变
参见 tran.slator 的注释,第 7 页。
44
表示图像平面上的线或区域。通过对比,使其可见的标记可以
在大小、价值、质地、颜色、方向和形状上有所不同,但在位
置上不能有所不同。位置意义自然适用于标记的视觉中心。任
何其他用法都必须明确。
许多例子可以用来说明这个想法:地理上的或汇合点、
十字路口、森林的“角落”、飞机的位置或发射机都是
平面空间中的点,没有理论上的长度或面积。尽管如
此,它们的图形表示需要有足够大的标记来使它们可
见。用图表表示时,这些现象称为点表示。
这条线
平行推理允许把一条线描述为两个区域之间的边界。它
有长度和在平面上的位置,但没有理论面积。
一条线表示平面上有可测长度但没有面积的一种现
象。这种含义与使其可见的标记的宽度和特征无关。
因此,一条线的位置可以变化,但决不表示图像平面
上的一个区域。然而,使其可见的标记可以根据除了平
面上的位置以外的所有变量而变化:宽度、价值、质
地、颜色、其组成部分的方向和细节的形状。位置含义
自然适用于标记的线性轴。一个大陆、一个国家或一块
地产边界,一条船的航线,或一条公共汽车路线,都是
没有理论面积的线性现象。在制图中,它们将由线表
示。
该地区
然而,一个标记可以表示平面上的一个区域。
面积表示平面上有可测量大小的东西。这一含义适用
于可见标志所覆盖的整个区域。
一个区域可以在位置上变化,但是代表它的标记不能
在大小、形状和方向上变化而不引起该区域本身意义的
变化。然而,这种标志在价值、质地和颜色上可能有所
不同。
如果该区域在视觉上由点或线的星座来表示,这些组
成点和线可以在大小、形状或方向上变化,而不会导致
该区域在意义上变化。在制图中,湖泊、岛屿、土地、
城市区域和国家/地区等现象将由区域表示。
A 1 o
& 2 O
二氧化碳


G A 4 O
B 8 O
C2 岛
D 4 O
q
B
A
对要表示的量的分析
当计数单位具有可变尺寸时,与这些单位相关的数量的
表示必须考虑:
(1) 单位的点、线或区域表示;
(2) 要表示的量的性质 Q 或 QS(见第 38 页)。
以下列有关四个社区(单位)的信息为例:
单位(社区)
面积 4 4 1 1(几十平方公里)
持久性有机污染物的数量。(QS) 4 8 2 4(千人)
pop 的密度。(Q) 1 2 2 4 (%)
在图 1 中,社区有一个点代表。它们是散点图中的点
(根据农业[I]和工业[II]人口的百分比分布的社区)。
对于每一个点,可以添加第三个因素,作为 QS(图 2),美
国 qtl tf1titieSi Q(图 3),这将被正确地感知。
在图 4 中,公社用竖线表示
线段,其长度与 s 成比例。如果一个
在 A A A B B B 的另一维度上构造 QS 量
平面(图 5),眼睛水平感知 QS,但 A A B B B
它特别看到了建筑面积,即 QS2,它将其解释为人口 QS。
该区域和
总纲是错误的。因此,必须构造一个
QS/S(即 Q ),如图 6 所示,这给出了面积上的 QS 量的精
确图像和水平上的密度 Q 的精确图像。
在图 7 中,公社用与南部相对应的面积来表示。QS 和 Q
的分布如图 9 和图 10 所示。最简单的表示(每 1000 名居民
一个点)产生图 8,这是正确的。
人们可以很容易地判断图 11 和图 13 引起的视觉混
乱,这两个图将 QS 值扩展到整个
DDD CC C +
D D D D C C C C C
D DCC CCC
D D C C C CC 7
QS
4 8 8 8
9 *
g
l 11 1
11222222
1 1 1 1 1 1
11 222222 1 1
1 1
10 11
面积。
眼睛看到那里,如图 5,QS 乘以面积,也就是 QS
'(另见第 77 页,图 5 和图 6)。然而,QS 的代表可能
是有用的(例如,在衡量不同市长的责任)。在这种情
况下,图 15,即每个区域的一个点 QS,避免了前面
的视觉混乱。
相比之下,在每个面积上构造一个点 Q 会导致错误
的表示(图 16),而图 12 和 14 是正确的。
有趣的是,图 5 中的感知误差为统计学家所熟知,并
且几乎总能避免,而图 11 和图 13 中产生的错误感知
仍然存在,其中误差以类似的数学方式表示(QS2 的
感知)。平面“上方”的知觉控制不如平面上的知觉
控制明显。它同样重要,因为它关系到所有的制
图。
a o 菲菲 M a o o o o
2 a MMM 1+e e e e e e
2 1
4 2
20 O e e e
1:as II:“,— e 1 9 s
45
L
A 4 四 一

c l
D 1


4 -:是 + :美国 2 $ fi —: P 操作
系统
A
黄油 1952
(2) 平面是连续的和均匀的
这架飞机有能力进行地下突击。它是连续的。它的可分性仅由第
一个字母和第二个字母决定。在 e‹isi,一行一厘支持十个可识
别的分区。紧挨着 sh‹ipe 山谷。//i‹/安大略省,通用电气公司
iiri/I’r/I-nb/e。因此,我们通常将最长分量的表示应用于该
平面。
因为它没有连续的双 eal‹s,没有“缝隙”,所以我不会把它放
在国际/ric’iinr‹.作为一个结果。它非常不同-
很难用 tl4C l H4C 来评价脆性。一
尽管它引起了对 iaa i ssin
数据的关注。图 1 给出了一个模糊
的划分印象。
它 i.i i’ei’›'‹li f!这是事实,也是事实。s I gii ij ’ m J
lull r . " "平面一致性的确定性意味着假定所采用的惯例是一致的
在象征空间里。
因此,在一个符号空间中,符号的缺失标志着现象的缺
失。在一个看得见的框架里或者用它。空间标志在任何一
个节点都有墨水。一个新的 abee rice o1 信号表示没有外
星人。这是图 2 给 e‹ited 的印象。ir‹ition 内的色彩是
整个区域的‹applied,以这样一种方式,空的空间 sidn
ifyal。phenoi4ien‹i ‹ind 的科学不是 at‹i.的科学
在一个符号空间中,任何视觉变量都是有意义的:例如,
引入一种颜色,它的唯一目的是审美或装饰,如果这种颜
色不能对应一个成分,就会导致混淆。在逻辑思维的感知
中,同样的性质包括自发性。可见的差异
在长度上,c‹in 仅被认为是相当大的运输量
在感知上。
例如,在图 3 中。人们必须知道,只有 ccii vcs 斜率的差异
才是平均的。
同样,不同的长度也不一定相等。然而,这种惯例上的改变在
某些情况下是必要的,特别是对于网络(第 275 页)。必须严格告
知读者这一点。
3
46
(3) 平面的组织层次
变量的级别
变量的感知属性决定了它的级别。任何个人都会立即对一
系列“价值观”进行分类,
如图 1 所示,从黑到白,按固定顺序排列:A、B、C、D 或
D、C、B、A,但从不按其他顺序排列。值已排序。但是每
个人 都会 对一 系列 形状 进行 不同 的分 类, 如图 2 所
示 :A , B , C , D , E , 或 者 B , A , D , C , E , 或 者
C,D,B,A,E。形状未排序。
1
因此,一个值的变化能够代表一个指定的成分:也就是说,能够
为任何暗示一个有序的感知方法的问题提供一个简单的视觉反
应。另一方面,阿沙|ae 变异不能代表‹in 或 deed 分量。如果采
用这种变体,涉及订购组件的问题将没有直接的视觉响应(参见
第 34 页)。
每个可视变量的级别可定义如下(参见第 65 页):
当一个变量使我们能够立即分离出属于同一类别(该变量)
的所有对应关系时,它就是选择性的(/)。
这些对应形成了一个“公平的家庭”:红色标志的家庭,绿
色标志的家庭;亮的标志族,暗的标志族:右边的标志族,左
边的标志族。
当一个变量允许由这个变量区分的所有对应的直接分组
时,这个变量就是关联的()。
这些对应被认为是“所有类别的一致性”同样大小的黑
色正方形、三角形和有效圆形可以看作是相似的符
号。“形”是联想的。相同大小的白色、灰色或黑色圆圈
不会被视为相似。“值”是没有联想的。低关联变量将被
称为分离变量(w)。
当一个变量的类别或步骤的直观分类是直接的和通用的
时,这个变量就是有序的。
灰色被认为是介于白色和黑色之间的,‹i 中号被认为是介
于小号和大号之间的;比如说,蓝色、绿色和红色是不一样
的,这三种颜色的价值相等,但不会立即产生一种颜色。
当一个有序成分的两个类别之间的 isu‹il 距离可以直接用
一个数值比率表示时,这个变量就是定量的(q)。
一个长度被认为等于另一个长度的三倍;一个区域是另一个区
域的四分之一。请注意,定量视觉感知没有数字测量的精度(如
果有,毫无疑问,数字就不会被发明)。然而,面对比率大约为 1
比 4 的两个长度,肉眼直接的视觉允许我们确认,被标记的比率
既不是 1/2 也不是 1/10。定量感知是基于 ii 单位的存在,它可
以与变量中的所有类别进行比较。因为白色不能为灰色或黑色提
供计量单位,所以数量关系不能用数值变化来解释。值只能翻译
一个订单。
48
B.
A
DF DE+ EF
S
L
Lx l
平面的组织层次
在视觉变量中,平面提供了唯一的
拥有所有四种感知属性的变量。两个 3
平面尺寸具有最高层次的组织和
因此可以保留信息的任何组成部分。
平面位置的变化是选择性的(4)
两个相似的标记,只是在平面上的位置不同,可以被看作
是不同的(图 3),我们可以立即分离出所有的对应关系,
所有的标记都属于平面的给定部分。获得最佳视觉选择
通过构建分离的图像,并置在 4
平面(例如,参见第 67 页图 2)。
位置的变化是关联的(-)
两个相似的标记,位置不同,也可以被视为
相似(图 3),因此,有可能察觉到 6
一整组点、线或区域,所有位置特征的组合。
命令改变位置(O)
当如图 4 所示对齐时,标记 A、B、C 被排序 7
沿着这 条线,这个顺序会以相同的方式 被普 遍理
解:A、B、C 或 C、B、A,但永远不会是 B、C、A。因
此,对于三个对齐的点,一个在另外两个之间,对于三

汇合直线,一条在另外两条之间。8
这个顺序可以有方向。因此,一个点沿着一条直线
朝一个或另一个方向运动(图 5),一条直线绕着一个
点朝一个或另一个方向旋转(图 5)。
因此,平面允许表示有序的 9
集合、排名或者实际上任何有序的组件。
位置差是定量的(Q)
这涉及到平面的区间和比值性质。
任何人都可以评估图 6-10 中显示的关系
具有一定程度的准确性:
A > C > B A = 2C B = C/2
该平面允许我们定义相等的线段或角度(叠加)以及添
加线段(首尾相连;见图 7),或角度(相邻;参见图
8)。一旦定义了方向,这种加法就具有正数或负数加
法的所有性质。因此,
平面使我们能够感知长度的比例(图 9),12
角度(图 8),或面积(图 13);测量(图 10)或添加(图
13)面积;并且当类别由长度(图 11)、角度(图 12)或面
积(图 13)表示时,表示类别之间的可变距离。
49
(4) 第二组:网络
当平面上的对应可以被“拼版”时,两个平面维度的利用将被称为“拼版”这主要取决于公司的性质:
在平面上表达的反应,使我们能够——在同一个组件的所有部分中,将图形表示分成几个组:图表,结构是一个网络。
网络、地图和符号。
考虑这些信息:不同个体 A、B、C、D 之间的言语关系…一个
团体。
第一组:图表不变——I ve RBA 1 exe/range bet veeti t Evo indi vic lucil . s
组件——客户不同的个人,如 A、B、C、D。
当平面上的对应可以建立时-
设计者必须首先确保任何个人(的
— 一个组件的所有部分“不同的个体”)能够进行对话
—以及另一个组成部分的所有分割,与(同一组成部分的)任何其他个体的结合。这是一个结构图。如图 3 所示。此后,他
或她将记录观察到的构成给定信息的通信
考虑这些信息:股票 X 在巴黎的趋势(图 4)。在目前的情况下,设计师可以尝试交换。如图 1 所示,设计者必须首先简化
图像,对元素进行排序,以确保任何日期(组件、时间)都可以关联,从而获得最可能的交集(图 5)。
任何价格(组件、数量)。之后他还是
她将记录观察到的对应关系,这些对应关系构成了构建与给定信息相反的邻居的过程(图 2)。但是设计者不需要为一个图表画
出轮廓:
确保两个日期之间或(1)以初始方式记录对应关系;
两种价格。(2)从它们中推导出将产生最简单结构(最少)的部件的表示
构建逻辑示意图的过程如下:
(1) 定义组件的表示;
(2) 记录通信。
交叉点)。
要根据上述信息构建 dicipranl,需要添加一个组件。例如,
人们可以认为对应关系是在一系列说话的人和另一系列倾听
的人之间,这两个系列由相同的元素组成。这可以如图 6 和 7
所示。
A
1 OC
日期 6 7

5 克克
2 ’ ’
50


甲 - 乙 K
第三组:地图
当平面上的对应关系可以建立时:
— 在同一组件的所有分区中
— 根据地理顺序排列,网络
描绘出一幅地理地图。
例如,公路的地理目录是由地理系列的元素之间建立的
一组对应关系构成的,通常是按地理顺序排列的一系列
城镇(图 8)。
由于地理网络不能任意重新排序,因此只能通过消
除某些对应关系来简化图像。
构建地图的过程是最简单的:
(1) 复制地理秩序;
(2) 记录给定的对应关系。
它排除了两个平面维度之间的任何选择问题。
但是一系列的城镇显然可以按照一个可重组的网络来安
排,例如一个环形网络。经过适当简化后,如图 9 所
示,网络提供了另一种突出显示节点和集群的方式,同
时显示每个元素的功能。一系列城镇也可以以图表的形
式构建,前提是该系列被表示两次;这允许确定对应关
系的方向,并且如图 10 所示,例如,可以从 C 到 D,或
者从 B 到 A,但是不能从 D 到 C,也不能从 A 到 B
9
第四组:符号
当对应关系不是建立在平面上,而是建立在平面的单
个元素和读者之间时,对应关系就在图形的外部。这
是一个涉及象征的问题,象征通常是基于形状或颜色
的比喻。
这些仅仅是后天习惯的结果,永远不能声称是普遍的(不
像差异、相似、顺序或数量的基本类比)。
公路或铁路标志就是这种情况…在地形、农业、地质或
工业中使用的常规代码…涉及形状或颜色的代码(安全
标志,军事符号…).只有当一个人认出了以前见过的形
状(图 11)或学会了常规形状的标记(图 12)时,它们才有
意义。
图表、网络和地图允许我们通过内部处理将信息简化
为其基本要素,而象征主义像语言一样,只寻求通过
直接识别来解决外部识别的问题。
一般来说,图形符号系统中的任何结构,无论属于哪
一类,都被称为“表征”或“图形”
11
8 12

•.B 4
51
约定 直线的 圆形的;循环的直角的 极地的
图表
网络
地图 搜索引擎优化
标志
拼版拼版类型

拼版组和拼版类型
有了图表和网络,拼版就多种多样;这架飞机可以有
许多不同的用途。组件可以被记录:
— 根据分散在整个平面上的布置
— 或者根据一种构造
— 直线的
— 圆形的;循环的
— 正交(直线)
— 极坐标(圆形和正交)
这些将被称为拼版类型。因此,我们的拼版概念包括第一
阶段,将图形表示分成四组,以及第二阶段
52
阶段,将图表和网络划分为不同的拼版类型(这都显示
在图 1 中)。
视网膜变量的使用,要么代表第三个组成部分,要么
取代平面维度之一,产生“高度”,它可以与所有类型
的拼版相结合,以形成各种类型的结构。
注意图表或网络的各种可能的结构;这就提出了一个
选择结构的问题,而这在制图学中是不存在的。
主要的建筑类型如图所示
这将在后面发展(见 172 和 270 页),形成一个能够定义
或分析任何图形结构的约定系统。



14
13
包含两个部分的图的主要结构类型
直线结构
在图 1 中,一条直线代表事故受害者的总数。它被分
成与每个类别中的数量成比例的部分。因此,分量 Q
和分量 4 被描绘在同一轴上。
在图 2、4 和 5 中,定性组件“不同的车辆”可以通过
使用每个类别中的数量来重新排序。直线的宽度没有数
值意义;它只是呈现直线可见的手段。
在这些例子中,描绘了总数,我们用一条横线穿过箭
头示意性地表示出来。不使用平面的第二维度;它仍然
可用于表示信息中引入的任何其他成分。

正交结构
如图 3 所示,如果部分量没有相加,而是与同一个基数有
关,我们必须采用一种区分的方法,这种方法可以识别
各部分。最简单的方法是将它们并置(图 6-10)。这种相
邻的位置形成了一种正交结构,其中平面的每个维度代
表一个分量。
在这些例子中,总数没有画出来,但是不同的部分很容
易比较。
直线标高
在图 11 中,面积与数量成正比。
符号是相似的(恒定比例的同源边)。
线性尺寸与 q 成正比。因此,平面的第二维不代表
数量。这些都是由面积的大小,“黑”的量来描绘
的;也就是说,分量 Q 由视网膜变化(“大小”的变
化)表示。我们指出这一点
15 通过使用倾斜箭头。
这些量也可以沿着直线并列
线,如图 11、12 和 13 所示,或者叠加,如图 14 和
15 所示。然而,没有描绘出总数,并且很难对各部
分进行比较。
54
17
20
圆形结构
通过弯曲图 1 中的结构,我们得到了如图 18 所示的图
形。这种结构是直线结构的圆形版本。描绘了总数。
当构成一个圆面积的量被赋予相等的半径时,这些量
由它们在圆周上的长度和它们在中心的角度来表示(图
16)。
眼睛在判断这个角度时获得了很高的精度(图 17 和
19),这比圆形长度更容易掌握(图 18)。
极性结构
通过弯曲图 6 中的结构,我们得到图 20。极坐标结构是
直角坐标结构的圆形版本。总数没有描绘出来,各部分
也不容易比较(图 21 和 22)。
圆形立面
通过弯曲图 11 中的结构,我们得到图 24。通过比较图 23
和 26,或图 22 和 27,可以说明这种结构和极坐标结构之
间的区别。圆形结构通常如图 25 所示。圆用于帮助识别零
件,其面积与 q 成比例。
这些主要的结构类型允许对第 53 页上的所有图纸进行
分类,事实上,也允许对所有平面结构进行分类。它们
的多样性提出了一个选择的问题,这个问题只能通过效
率的概念和由此产生的建设规则来解决。
我们将在后面的图表(根据 195 页的感知特性分类)和
网络(270 页)中讨论这些结构。
55
水平和位置表
组件的组织级别
其元素都可以被认为是
相似的组件
定性成分
(差异)
有序组件
(不可再订购)
数量
%百分比
对数标度上的数

按数量订购的可再订购组件
考试 PLES
部门
产品棉花 真丝羊毛线
O 时间
丝绸 李羊毛 1 吨
O(9)
MENT部分工作日志数量
人在
平面尺寸的利用 例子
事故数量
车辆
自行车(B)四轮
车辆(F)
oI acc idenis

事故
"男人 WOM 恩
性别 X 2
车辆
数量
ol 事故
ol aC demts
基因谱系学
网络
直线利用
匀质方式中使用的平面尺寸
(一劳永逸地建立类别)
W 以异质方式使用的平面尺寸(类别
重复多次)
x n aa$ > n 表示图像或图形的数量
代表累积量的平面的维数
循环利用
飞机的
树的排列
视网膜变量
(解读为平面上方的“标
高”)
点、线或区域 l
(未区分)A
种类
成年
Ve hicIe

事故
Jfi- 4 9
P B M F
第三书记官
卢瓦尔河大西洋
9 2 6 3 37
种类
数量
类别
数量
飞机的利用
在制图学中,地理部分占据两个平面维度。请考虑以下信息:
不变——拥有 500 名以上雇员的企业中的受薪工人
组件—Q_(以千名受薪工人为单位),根据
我在布里坦有五个部门
该信息有两个组成部分。其图形表示必须利用至少两个
变量,并且根据结构类型,将产生图表(图 1、2 或 3)。
然而,质量部分是地理性质的。各种类别在空间上被定
义—它们是部门—并且这些信息也可以生成地图(图 4)。
在这种表述中,请读者
58
从飞机上看,在自然地图上叠加一些看不见但“真
实”的元素。
读者被邀请去感知这张纸,不是作为一种媒介,而
是作为一个地理空间。纸的表面象征着地球的表面;
一个很好的类比,因为空间是用来表示空间的。
这比最初在图 1、2 和 3 中使用的类比,或者说,平
面维度与时间的对应,更自然、更容易理解。也许这
解释了为什么比图表早几千年就使用形象化的表现和
制图,图表的类比意味着更高程度的抽象。
然而,这种自然的类比是以完全利用两个平面维度
为代价获得的,它没有留下平面维度来表示这些量。
他们必须从属于地理
数量
安排。对数量的理解不再像图 1 和图 2 那样基于整体的
并列元件的比较,也不再像图 3 那样基于沿底部排列的
元件的长度差异。他们的感知必须依靠其他视觉变量,
依靠新的“刺激”,只要平面尺寸足以表现,就不考虑
其效用。在图 4 中,与其说是柱子的高度,不如说是允
许感知数量的“黑色”的数量。随着信件数量的增加,
这变得更加明显(第 360 和 374 页)。
当两个分量占据平面时,我们必须寻找新的变量来表
示附加分量。这些是“升高的”或“视网膜的”变量。
59
中国。
正常男性染色体组型
长狭潮道
大小
以及它的可数变体
价值
9 6
C. 视网膜变量
随着信息中第三成分的引入(或制图中的第二成分),图
形表示必须利用视网膜变量。
平面“上方”的视觉变化
实验心理学将深度知觉定义为多种因素的结果:
— 双目视觉,在几米的范围内
— 当观察者移动时,物体的明显移动
— 已知物体尺寸的减小
— 已知对比度 1 的值的减少
— 物体的已知纹理的减少
— 已知物体颜色饱和度的降低
— 方向和形状的变形(透视)。
除了前两个,所有这些变化都由图形设计人员处理,例
如,他们可以使用它们来添加第三个组件到图 1 的组件
中。设计者可以将附加部件的类别与这些变量中的任何一
个联系起来:
— 大小的分类:列的高度,等号的面积(图
2)
一个标志,2
— 值的类别,白色和黑色之间的各种程度(图 3)
60
纹理
37
科洛伊特
方向
形状
答答
37 9 6 3 2
—纹理类别,即具有给定值的区域成分的精细度或粗度的变化
(图 4)。这种变化可以通过以下方式获得
4 放大或缩小直纹摄影屏幕
— 颜色的类别(色调),使用彩色的剧目
5 可以产生同等价值的感觉(图 5)
— 方向类别,线条或线条图案的各种方向,从垂直
到水平
6 不同方向上的水平(图 6)
— 形状的分类,因为一个大小不变的标记可以有
无限多种不同的形状(图 7)。
因此,任何视网膜变量都可以用于表示任何成分。但
是很明显,每个变量并不适合每个组件。这是有机层
次的概念
7 这提供了解决这个问题的关键。
61
10 84
71
29 33
14 42 24 20
21 14
Q 我
大小
企业的
8
B Q =大小
5
9
B =值
10
B Q —纹理
11
平面尺寸和“视网膜”变量
视网膜视觉变量的使用不仅仅是制图术所要求的。在所
有涉及三个或三个以上部件的图形问题中,当平面的两
个维度已经被利用时,这是必要的。
考虑一下这些信息:根据经济分支和企业规模分配的
工资总额。不变量—按企业分配的工资金额组成部分—
4 经济的五个分支(商业,
能源、运输、工业、服务)
—Q(工资)按经济部门的百分比,根据
—O 五、商业企业规模—类别(0,1—5,d
—100,10I—500,500 以上
员工)
数量如图 1 所示。如在 Brit- tany 的地图中(图 1,
第 60 页),利用了平面的两个维度;一个轴是分支机
构,另一个轴是企业的规模。视网膜变量必须被调用一

62
再次表示数量,如图 2-7 所示。为了选择最佳表示,我们
必须确定平面维度与这些变量的区别以及不同视网膜变量
的特征。
当平面维度代表信息的两个组成部分时,它们就构成了一个
图像,图像的组织和基本形式就一劳永逸地建立起来了。它们
赋予平面一种意义,可以转化为数量、类别、时间(在图表中)
或空间(在地图中)。它们也定义了视野。越过它的框架,飞机
再次变成一张纸;它不再有意义,或者它改变了意义以支持另
一个图像。视觉“扫描”因此涉及;读者通过眼球运动来感知
平面维度。对平面的整体感知取决于视觉系统的“肌肉”反
应。
视网膜变量记录在平面的“上方”,并且独立于平面。
眼睛无需运动就能察觉它们的变化。
因此可以想象一个框架(图 8)


B Q =的方向 B Q =形状
S S S
12 13 14
每个 v‹u’iable 的不同前指会在同一个地方连续出现。这显示
在图 9-14 中。为了区分这两个前那不勒斯球员,我们不需要
任何证据。这些 v‹ii’iables 依赖于两种视觉反应中的任何一
种,而 sc‹in·宁似乎没有以明显的方式暗示‹i。
为了把它们从“逻辑”中剔除出去,我们将在这里使
用“合理的”response nil
‹ 1 '视网膜八叶。
在 ordin‹ii’y 感知的尺度上,只有 wla icli 与我们的生活
息息相关,而 vari‹ibles 的生理变化与计划中提到的完全一
致。然而,它是 l‹u’ge 的一部分
{这不是一个话题,它超出了我的想象,它不是一个观点。人们必须
把注意力放在“纳爱斯库莱”运动上,而这个壶在我看来是不可或缺
的。现在我们来解释这些相关变量的概念。

图例示意

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/63943.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

山西电力市场日前价格预测【2023-09-02】

日前价格预测 预测明日(2023-09-02)山西电力市场全天平均日前电价为304.03元/MWh。其中,最高日前电价为373.15元/MWh,预计出现在19: 15。最低日前电价为191.94元/MWh,预计出现在12: 30。 价差方向预测 1: 实…

c++ opencv将彩色图像按连通域区分

要将彩色图像按连通域区分&#xff0c;您可以使用 OpenCV 中的 cv::connectedComponents 函数。 下面是一个简单的示例代码&#xff0c;说明如何使用 cv::connectedComponents 函数来检测并标记图像中的连通域&#xff1a; #include <opencv2/opencv.hpp> #include <…

深度学习6:自然语言处理-Natural language processing | NLP

目录 NLP 为什么重要&#xff1f; 什么是自然语言处理 – NLP NLP 的2大核心任务 自然语言理解 – NLU|NLI 自然语言生成 – NLG NLP(自然语言处理) 的5个难点 NLP 的4个典型应用 NLP 的 2 种途径、3 个核心步骤 总结 自然语言处理 NLP 为什么重要&#xff1f; “语言…

人员位置管理,点亮矿山安全之路

矿山作为一个高危行业&#xff0c;安全问题一直备受关注。人员定位置管理是现代矿山安全管理的重要一环&#xff0c;可以帮助企业更好地实现对人员的实时监控和管理。因此&#xff0c;矿山人员位置管理系统对于矿山安全生产和管理非常重要&#xff0c;可以帮助减少安全事故的发…

【数据结构】栈---C语言版(详解!!!)

文章目录 &#x1f438;一、栈的概念及结构&#x1f344;1、栈的概念定义&#x1f344;2、动图演示&#x1f332;入栈&#x1f332;出栈&#x1f332;整体过程 &#x1f438;二、栈的实现&#x1f438;三、数组结构栈详解&#x1f34e;创建栈的结构⭕接口1&#xff1a;定义结构…

使用远程桌面软件改善工作与生活的平衡

在当今高度互联的世界中&#xff0c;我们的工作和个人生活之间的界限变得越来越模糊。在本文中&#xff0c;我们将探讨像 Splashtop 这样的远程桌面工具如何成为实现和谐工作与生活平衡不可或缺的一部分。 在当今的背景下理解工作与生活的平衡 工作与生活的平衡不仅仅是一个时…

财报解读:成功通过“期中考”,创维多元布局产生多大协同效应?

2023年以来&#xff0c;在下游市场需求仍在复苏以及存量市场竞争加剧的背景之下&#xff0c;消费电子行业的发展受到不小挑战。不过&#xff0c;从中期业绩来看&#xff0c;可以发现一些企业还是具备一定的风险抵御能力&#xff0c;发展韧性显著&#xff0c;创维就是其中一员。…

6400万美元:苹果与SpaceX达成合作协议,推进苹果 SOS 卫星服务

根据最新披露的文件&#xff0c;苹果卫星服务提供商Globalstar近期与马斯克旗下的SpaceX达成一项重要合作协议&#xff0c;向SpaceX支付了6400万美元&#xff0c;用于在2023-2025年期间发射卫星&#xff0c;以进一步扩展苹果iPhone系列的SOS卫星服务。 这项卫星服务的主要目的是…

package.json 详解

文章目录 package.json1. name2. version3. description4. homepage5. bugs6. license7. author, contributors8. funding9. files10. main11. module12. browser13. bin14. man15. directories15.1 directories.bin15.2 directories.man 16. repository17. scripts18. config1…

el-table实现纯前端导出(适用于el-table任意表格)

2023.9.1今天我学习了如何使用el-table实现前端的导出功能&#xff0c;该方法的好处有无论你的el-table长什么样子&#xff0c;导出之后就是什么样子。 1.安装三个插件 npm install file-save npm install xlsx npm install xlx-style 2.创建Export2Excel.js // 根据dom导出表…

从传统软件开发到云原生转型:大数据和AI如何引领软件开发的新趋势

文章目录 **1. 数据驱动的开发&#xff1a;****2. 智能化的用户体验&#xff1a;****3. 云原生的可扩展性&#xff1a;****4. 实时处理和决策&#xff1a;****5. 自动化和效率提升&#xff1a;****6. 持续集成和交付的加速&#xff1a;****7. 数据安全和隐私&#xff1a;****8.…

js 正则表达式 验证 :页面中一个输入框,可输入1个或多个vid/pid,使用英文逗号隔开...

就是意思一个输入框里面&#xff0c;按VID/PID格式输入,VID和PID最大长度是4,最多50组 1、页面代码 <el-form ref"ruleForm" :model"tempSet" :rules"rules" label-position"right"> <!-- 最多 50组&#xff0c;每组9个字符…

JVM第二篇 类加载子系统

JVM主要包含两个模块&#xff0c;类加载子系统和执行引擎&#xff0c;本篇博客将类加载子系统做一下梳理总结。 目录 1. 类加载子系统功能 2. 类加载子系统执行过程 2.1 加载 2.2 链接 2.3 初始化 3. 类加载器分类 3.1 引导类加载器 3.2 自定义加载器 3.2.1 自定义加载器实…

数据结构--5.0.1图的存储结构

目录 一、邻接矩阵&#xff08;无向图&#xff09; 二、邻接矩阵&#xff08;有向图&#xff09; 三、邻接矩阵&#xff08;网&#xff09; 四、邻接表&#xff08;无向图&#xff09; 五、邻接表&#xff08;有向图&#xff09; ——图的存储结构相比较线性表与树来说就复…

LLMs:OpenAI官方重磅更新——新增GPT-3.5Turbo调和API更新功能

LLMs&#xff1a;OpenAI官方重磅更新——新增GPT-3.5Turbo调和API更新功能 导读&#xff1a;2023年8月22日&#xff0c;OpenAI官方发布&#xff0c;开发者现在可以使用自己的数据来定制适用于其用例的GPT-3.5 Turbo模型。GPT-3.5 Turbo的微调现在已经可用&#xff0c;GPT-4的微…

Self-supervised 3D Human Pose Estimation from a Single Image

基于单幅图像的自监督三维人体姿态估计 主页&#xff1a; https://josesosajs.github.io/ imagepose/ 源码&#xff1a;未开源 摘要 我们提出了一种新的自我监督的方法预测三维人体姿势从一个单一的图像。预测网络是从描绘处于典型姿势的人的未标记图像的数据集和一组未配对…

【K8S系列】深入解析k8s网络插件—Cilium

序言 做一件事并不难&#xff0c;难的是在于坚持。坚持一下也不难&#xff0c;难的是坚持到底。 文章标记颜色说明&#xff1a; 黄色&#xff1a;重要标题红色&#xff1a;用来标记结论绿色&#xff1a;用来标记论点蓝色&#xff1a;用来标记论点 在现代容器化应用程序的世界中…

简易虚拟培训系统-UI控件的应用2

目录 Text组件-文字显示 Text组件-文字动态显示 ScrollView组件 使用文件流动态读取硬盘文件 本篇介绍Text和ScrollView的简单应用&#xff0c;以及读取硬盘中.txt文本的内容 Text组件-文字显示 1. 加入Text&#xff1a;在mainCanvas上点右键->UI->选择Text和TextMe…

蓝桥杯 2240. 买钢笔和铅笔的方案数c++解法

最近才回学校。在家学习的计划不翼而飞。但是回到学校了&#xff0c;还是没有找回状态。 现在是大三了&#xff0c;之前和同学聊天&#xff0c;说才大三无论是干什么&#xff0c;考研&#xff0c;找工作&#xff0c;考公&#xff0c;考证书 还都是来的及的。 但是心里面…

linux C编程 获取系统时间

1.clock_gettime #include<time.h> int clock_gettime(clockid_t clk_id,struct timespec *tp); struct timespec {time_t tv_sec; /* 秒*/long tv_nsec; /* 纳秒*/ }clk_id : CLOCK_BOOTTIME&#xff0c;以系统启动时间为时间原点的时间体系&#xff0c;不受其它因素的…