Perceptually-Uniform, coloravedly-friendly Colormaps

Éviter l’arc-en-ciel/projet¶

• Pas d’uniformité perceptible : les étapes numériques égales ne ressemblent pas à des étapes visuelles égales ; la légèreté non-monotonique introduit de faux « bords » qui peuvent induire en erreur l’interprétation.

• Questions d’accessibilité: palettes arc-en-ciel cartographient des teintes distinctes que de nombreux téléspectateurs avec des déficiences de vision couleur (environ 1 homme sur 12) ne peuvent pas différencier de façon fiable.

• Changement de contexte : les sauts brusques rendent les gradients de lecture et les tendances subtiles plus difficiles, surtout lorsqu’ils sont imprimés ou consultés sur des projecteurs.

À utiliser à la place¶

Choisissez des cartes de couleur conçues pour changement perçu uniforme (habituellement la légèreté monotonique) et la robustesse CVD:

• Séquentiel (faible > élevé): p.ex., Matplotlib’s viridis, magma, plasma, inferno; les séquences du domaine-aware (p.ex., cmo.thermal pour la température, cmo.haline pour la salinité).

• Divergence (accent sur le point médian): utiliser lorsque les valeurs s’écartent autour d’un centre significatif (0, climatologie, etc.). Exemples : Matplotlib’s seismic-style mais perceptually accorded options comme coolwarm (toujours imparfaite) ou cmocean’s balance, delta, curl, qui sont conçus pour le contrôle de la symétrie et de la légèreté.

• Cyclique (variables d’arrondi): pour phase/aspect (0°) 360°. Utiliser des cartes cycliques telles que phase.

• Categorical (classes discrètes): utiliser des palettes distinctes et désaturées avec une bonne séparation de la légèreté; éviter les catégories “rainbow” pour les données quantitatives.

Choisir la bonne carte pour vos données¶

• Données monotoniques: séquentielle.

• Anomalies de l’ordre d’une référence : divergent d’un point médian clairement défini, perceptuellement central.

• ** Angles/orientations:** cycliques de sorte que les paramètres correspondent.

• ** Gamme dynamique :** s’assurer que la rampe de légèreté couvre la gamme où votre public a besoin de discrimination (vous pouvez couper/cliper la gamme colormap si nécessaire).

• Contexte : choisir une carte dont la légèreté contraste avec le fond de la figure (des cartes sombres sur des fonds sombres masquent des valeurs basses).

Recettes rapides¶

Matplotlib + cmocéan¶

Installer le port de Matplotlib:

pip install cmocean

Définir une valeur par défaut globale et un graphique :

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()

Pour plus d’informations sur les cmocéaniques : matplotlib.org/cmocean

Outils en cm de Fabio Crameri¶

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 .

Voici un moyen rapide d’utiliser les colormaps scientifiques cmcrameri en Python:

1. Installer

pip install cmcrameri

2. Utilisation de base avec 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()

Toutes les couleurs sont disponibles sous cmcrameri.cm.<name>.

3. Variantes inversées et catégoriques

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

Les versions catégoriques (discretes) utilisent un suffixe « S », par exemple cm.batlowS.

4. Parcourez rapidement les cartes disponibles

from cmcrameri import show_cmaps
show_cmaps()

Ceci affiche toutes les cartes de couleurs de cmcrameri installées dans la session Python.

5. Bons par défaut et conseils

   • Données séquentielles : commencez par batlow ou oslo.

   • Divergence des données centrée sur zéro : essayez vik ou broc.

Ces palettes sont conçues pour être perceptuellement ordonnées et équitables, et pour rester lisibles pour de nombreuses formes de déficience color-vision.

6. Définir un projet par défaut (facultatif)

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

Matplotlib accepte un objet Colormap pour image.cmap. Voir les documents de matplotlib pour le comportement général. ([Matplotlib][4])

Utilisez cm.<name>, ajoutez _r pour inverser, S pour classer, et show_cmaps() pour explorer.

Faites des figures en aveugle (Linux + GNOME)¶

Une façon pratique de simuler les déficiences communes de la vision couleur directement sur votre écran est l’extension GNOME Shell ** Filtres en aveugle**. Il applique des filtres en temps réel afin que vous puissiez prévisualiser comment vos parcelles semblent sous Deuteranopia, Protanopia, Tritanopia, etc.

• Extension : G-dH/gnome-colorave-filters

• Workflow: générer vos placettes > basculer le filtre pertinent > ajuster les styles colormap/range/line jusqu’à ce que la figure reste lisible.

Liste de contrôle des meilleures pratiques¶

• Utiliser des cartes perceptuellement uniformes avec une légèreté monotonique pour les gradients quantitatifs.

• Correspondance type de carte à type de données (séquentiel/divergence/cyclique).

• S’assurer que contrast et lisible colorbar tic/labels; fixer des limites significatives (vmin/vmax, échelles de divergence centrées).

• Vérifier accessibilité avec simulation CVD; ne pas compter sur la couleur seule — ajouter des contours, des annotations, ou des styles de lignes variables lorsque utile.

• Être cohérents entre les panneaux et les publications; documenter le choix colormap dans les légendes (p. ex., « équilibre » des cmocéens).