Perzeptuell einheitliche, farbenblinde Colormaps

Regenbogen/Jet vermeiden¶

• ** Nicht perzeptuell einheitlich: gleiche numerische Schritte sehen nicht wie gleiche visuelle Schritte aus; nicht-monotonische Leichtigkeit führt falsche “Ränder” ein, die die Interpretation irreführen können.

• ** Zugänglichkeitsprobleme: ** Regenbogenpaletten zeichnen verschiedene Farbtöne ab, die viele Zuschauer mit Farbsehschwächen (ca. 1 von 12 Männern) nicht zuverlässig unterscheiden können.

• **Kontextwechsel: abrupte Farbsprünge machen Leseverläufe und subtile Trends schwieriger, insbesondere wenn sie auf Projektoren gedruckt oder angesehen werden.

Was stattdessen zu verwenden ist¶

Wählen Sie Colormaps, die für * gleichmäßig wahrgenommene Veränderung * (normalerweise monotone Leichtigkeit) und *CVD-Robustheit * konzipiert sind:

• **Sequentiell (niedrig > hoch): ** z.B. Matplotlibs viridis, magma, plasma, inferno; cmoceans domänenbewusste Sequenzen (z.B. cmo.thermal für Temperatur, cmo.haline für Salzgehalt).

• Verschieden (Hervorhebung des Mittelpunkts): Verwenden Sie, wenn Werte um ein sinnvolles Zentrum (0, Klimatologie usw.) abweichen. Beispiele: Matplotlibs seismic-Stil, aber wahrnehmungsmäßig abgestimmte Optionen wie coolwarm (immer noch unvollkommen) oder cmoceans balance, delta, curl, die für Symmetrie und Leichtigkeitskontrolle entwickelt wurden.

• Cyclic (wrap-around variables): for phase/aspect (0°≡360°). Use cyclic maps such as cmocean’s phase.

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

Die richtige Karte für Ihre Daten auswählen¶

• Monotische Daten: sequentiell.

• Signierte Anomalien um eine Referenz: divergierend mit einem klar definierten, wahrnehmungsmäßig zentralen Mittelpunkt.

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

• Dynamischer Bereich: Stellen Sie sicher, dass die Leichtigkeitsrampe den Bereich abdeckt, in dem Ihre Zielgruppe diskriminiert werden muss (Sie können den Colormap-Bereich bei Bedarf trimmen/clippen).

• Hintergrund: Wählen Sie eine Karte, deren Helligkeit mit dem Figurenhintergrund kontrastiert (dunkle Karten auf dunklen Hintergründen verdecken niedrige Werte).

Schnelle Rezepte¶

Matplotlib + cmocean¶

Installieren Sie cmocean (Matplotlib Port):

pip install cmocean

Setzen Sie einen globalen Standard und Plot:

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()

Weitere cmocean Infos: matplotlib.org/cmocean]

Fabio Crameris 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 Colormaps in Python zu verwenden:

1. Installieren

pip install cmcrameri

2. Grundlegende Nutzung 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()

All colormaps are available under cmcrameri.cm.<name>.

3. Umgekehrte und kategorische Varianten

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

Categorical (discrete) versions use an “S” suffix, for example cm.batlowS.

4. Schnell durchsuchen verfügbare Karten

from cmcrameri import show_cmaps
show_cmaps()

Dies zeigt alle installierten cmcrameri Colormaps in der Python-Sitzung an.

5. Gute Defaults und Tipps

   • Sequenzielle Daten: Beginnen Sie mit batlow oder oslo.

   • Diverging data centered on zero: try vik or broc.

Diese Paletten sind so konzipiert, dass sie perzeptuell geordnet und fair sind und für viele Formen von Farbmangel lesbar bleiben.

6. Setzen Sie einen projektweiten Standard (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 Matplotlibs Colormap-Dokumente für allgemeines Verhalten. ([Matplotlib][4])

Verwenden Sie cm.<name>, fügen Sie _r für umgekehrt, S für kategorisch und show_cmaps() zum Erkunden hinzu.

Stellen Sie Figuren farbenblind sicher (Linux + GNOME)¶

Eine praktische Möglichkeit, häufige Farbsichtmängel direkt auf Ihrem Bildschirm zu simulieren, ist die GNOME Shell-Erweiterung **Farbblindfilter **. Es wendet Echtzeitfilter an, so dass Sie eine Vorschau erhalten können, wie Ihre Plots unter Deuteranopia, Protanopia, Tritanopia usw. aussehen.

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

• Workflow: Erzeugen Sie Ihre Plots > Umschalten des relevanten Filters > Anpassen der Colormap / Range / Line-Stile, bis die Figur lesbar bleibt.

Best Practice Checkliste¶

• Verwenden Sie **wahrnehmungsmäßig einheitliche ** Karten mit **monotonischer Leichtigkeit ** für quantitative Gradienten.

• Match map type to data type (sequenziell/divergierend/zyklisch).

• Stellen Sie sicher **Kontrast ** und lesbare **Farbbalken Ticks / Labels **; Setzen Sie sinnvolle Grenzen (vmin/vmax, zentrierte divergierende Skalen).

• Überprüfen Sie die Zugänglichkeit mit CVD-Simulation; Verlassen Sie sich nicht nur auf Farbe - fügen Sie Konturen, Anmerkungen oder unterschiedliche Linienstile hinzu, wenn dies hilfreich ist.

• Seien Sie konsistent in allen Panels und Publikationen; dokumentieren Sie die Colormap-Auswahl in Beschriftungen (z. B. “cmocean ‘balance’”).