Perceptually-Uniform, Colorblind-Friendly Colormaps

Regenbogen/Jet vermeiden¶

• Nicht wahrnehmbar einheitlich: gleiche numerische Schritte sehen nicht aus wie gleiche visuelle Schritte; nicht-monotone Helligkeit führt falsche “Zähle”, die Interpretation irreführen können.

• ** Barrierefreiheitsprobleme:* Regenbogenpaletten zeigen deutliche Farbtöne, die viele Zuschauer mit farblich bedingten Mängeln (ca. 1 bei 12 Männern) nicht zuverlässig unterscheiden können.

• Context Switching: abrupte Farbsprünge machen Lesegradienten und subtile Trends härter, insbesondere wenn sie auf Projektoren gedruckt oder betrachtet werden.

Was stattdessen zu verwenden¶

Wählen Sie Farbkarten für uniform wahrgenommene Änderung (in der Regel monotone Helligkeit) und CVD Robustheit:

• *Sequential (niedrig > high): z.B. Matplotlibs viridis, magma, plasma, inferno; cmoceans Domain-Aware-Sequenzen (z.B. cmo.thermal für Temperatur,cmo.haline für Salinity).

• *Diverging (Midpoint Betonung): verwenden, wenn Werte um ein aussagekräftiges Zentrum (0, Klimatologie usw.) abweichen. Beispiele: Matplotlibs seismic-style, aber perzeptuell abgestimmt Optionen wie coolwarm (noch unperfekt) oder cmoceans balance, delta, curl, die für Symmetrie und Leichtigkeitskontrolle entwickelt sind.

• Cyclic (Wrap-around-Variablen): für Phase/Aspekt (0°=360°). Verwenden Sie zyklische Karten wie cmoceans phase.

• *Kategorisch (Discrete-Klassen): Verwenden Sie verschiedene, deaturierte Paletten mit guter Leichtigkeitstrennung; vermeiden Sie “Regenbogen”-Kategorien für quantitative Daten.

Wählen Sie die richtige Karte für Ihre Daten¶

• *Monotonic Daten: sequentiell.

• *Signierte Anomalien um eine Referenz: divergiert mit einem klar definierten, perzeptuell zentralen Mittelpunkt.

• ** Winkel/Ausrichtung:* zyklisch, so dass die Endpunkte übereinstimmen.

• ** Dynamische Reichweite:** sorgen dafür, dass die Leichtigkeitsrampe den Bereich überspannt, in dem Ihr Publikum Diskriminierung braucht (bei Bedarf können Sie den Farbkartenbereich trimmen/clipen).

• Background: Wählen Sie eine Karte aus, deren Helligkeit mit dem Abbildungshintergrund kontrast (dunkle Karten auf dunklen Hintergründen obskurieren niedrige Werte).

Schnelle Rezepte¶

Matplotlib + cmocean¶

Installieren Sie cmocean (Matplotlib-Port):

pip install cmocean

Setzen Sie einen globalen Standard und ein Diagramm:

import matplotlib.pyplot as plt
import numpy as np
import cmocean

# Set a perceptually-uniform default
plt.rcParams["image.cmap"] = "viridis"

# Example data
x = np.linspace(-3, 3, 400)
y = np.linspace(-3, 3, 400)
X, Y = np.meshgrid(x, y)
Z = np.hypot(X, Y)

# Sequential (distance field)
plt.imshow(Z, origin="lower", cmap=cmocean.cm.thermal)
plt.colorbar(label="Temperature-like quantity")
plt.title("Sequential, perceptually-uniform")
plt.show()

# Diverging (positive/negative anomaly)
Z_anom = np.sin(X) * np.cos(Y)
plt.imshow(Z_anom, origin="lower", cmap=cmocean.cm.balance, vmin=-1, vmax=1)
plt.colorbar(label="Anomaly")
plt.title("Diverging around 0")
plt.show()

# Cyclic (phase)
Z_phase = np.angle(np.exp(1j*(X)))
plt.imshow(Z_phase, origin="lower", cmap=cmocean.cm.phase)
plt.colorbar(label="Phase [rad]")
plt.title("Cyclic for wrap-around variables")
plt.show()

Mehr cmocean info: matplotlib.org/cmocean

Fabio Crameri’s cm Werkzeuge¶

Fabio Crameri developed a sophisticated toolset for scientific color maps that are universally readable by color-vision deficient and color-blind individuals, and when printed in black and white. For background information, refer to Crameri et al. (2020) (direct link) and Fabio Crameri’s EGU blogpost. The Python package cmcrameri is hosted at https://pypi.org/project/cmcrameri .

Hier ist eine schnelle Möglichkeit, die cmcrameri wissenschaftlichen Farbkarten in Python zu verwenden:

1. Installieren

pip install cmcrameri

2. Grundnutzung mit Matplotlib

import matplotlib.pyplot as plt
import numpy as np
import cmcrameri.cm as cm

x = np.linspace(-3, 3, 400)
y = np.linspace(-3, 3, 400)
X, Y = np.meshgrid(x, y)
Z = np.hypot(X, Y)

plt.imshow(Z, cmap=cm.batlow, origin="lower")
plt.colorbar(label="value")
plt.title("cmcrameri: batlow")
plt.tight_layout()
plt.show()

Alle Farbkarten sind unter cmcrameri.cm.<name> erhältlich.

3. Reversierte und kategorische Varianten

plt.imshow(Z, cmap=cm.batlow_r)

Kategorische (diskrete) Versionen verwenden einen “S”-Suffix, beispielsweise cm.batlowS.

4. Schnell verfügbare Karten durchsuchen

from cmcrameri import show_cmaps
show_cmaps()

Dies zeigt alle installierten cmcrameri-Farbkarten in der Python-Sitzung.

5. Gute Voreinstellungen und Tipps

   • Folgedaten: Start mit batlow oder oslo.

   • Abweichende Daten auf Null: versuchen Sie vik oder broc.

Diese Paletten sind so konzipiert, dass sie wahrnehmbar bestellt und fair sind und für viele Formen von Farbvisionsmangel lesbar bleiben.

6. Einen projektweiten Standard festlegen (optional)

import matplotlib as mpl
import cmcrameri.cm as cm
mpl.rcParams["image.cmap"] = cm.batlow

Matplotlib akzeptiert ein Colormap-Objekt für image.cmap. Siehe Matplotlib’s colormap docs für allgemeines Verhalten. ([Matplotlib][4])

Verwenden Sie cm.<name>, fügen Sie _r für reversed, S für kategorisch und show_cmaps() zu erkunden.

Zahlen farbblind-safe (Linux + GNOME)¶

Eine praktische Möglichkeit, simulieren häufige Farb-Vision Mängel direkt auf Ihrem Bildschirm ist die GNOME Shell Erweiterung Colorblind Filter. Es gilt Echtzeit-Filter, so können Sie vorhersehen, wie Ihre Grundstücke unter Deuteranopia, Protanopia, Tritanopia, etc. aussehen.

• Erweiterung: G-dH/gnome-colorblind-filters

• Workflow: erzeugen Sie Ihre Plots > toggle the relevant filter > anpassen Farbkarte/Bereich/Linien-Stile, bis die Figur lesbar bleibt.

Best-Practice Checkliste¶

• Für quantitative Gradienten verwenden Sie ** augenscheinlich einheitliche* Karten mit ** monotoner Helligkeit**.

• Match map type to data type (sequential/diverging/cyclic).

• Stellen Sie sicher, dass ** kontrastreich** und lesbar *colorbar Zecken/labels; setzen Sie aussagekräftige Grenzen (vmin/vmax, zentriert diverging scales).

• Verifizieren Sie ** Zugänglichkeit** mit CVD-Simulation; verlassen Sie sich nicht allein auf die Farbe -Add Konturen, Anmerkungen oder unterschiedliche Linien-Stile, wo hilfreich.

• Seien Sie konsistent über Paneele und Publikationen; dokumentieren Sie die Farbkarte Wahl in Kaptions (z.B. “cmocean ‘balance’”).