Geo-visualisatie/Classificatie: verschil tussen versies

Verwijderde inhoud Toegevoegde inhoud
Sephiroth (overleg | bijdragen)
Geen bewerkingssamenvatting
Romaine (overleg | bijdragen)
Linkfix
Regel 129:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Er zijn vier meetschalen te onderscheiden wanneer we datasets indelen. Dat zijn -in opklimmende intelligentie: nominale, ordinale, interval en ratio meetschaal. Een binaire meetschaal is een verbijzondering van een nominale meetschaal. Nominale en ordinale meetschalen beschrijven kwalitatieve datasets. Dat zijn datasets waarbij de verschillende klassen verschillende soorten voorstellen, waarbij de ene klasse niet meer of minder, maar 'anders' is. Interval en ratio meetschalen bschrijven daarentegen kwantitatieve (getalsmatige) datasets. Bij elke soort meetschaal hoort een andere soort visualisatieschaal, een ander kleurschema.
</div>
 
Regel 173:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Bij kwalitatieve meetschalen (nominaal, binair) horen kwalitatieve kleurenschema's. Bij kwantitatieve meetschalen (ordinaal, interval en ratio) horen volgordelijke of divergerende kleurenschema's. Kleurenschema's zoals die door een GIS standaard gegenereerd worden voldoen niet altijd. Handmatig moeten deze vaak worden gewijzigd. Dat kan zijn om meer onderscheid te creëeren (door bijvoorbeeld meer verzadiging toe te passen), om bepaalde (negatieve) kleurassociaties te vermijden, of om enkele klassen een gezamenlijke, afwijkende kleurtint mee te geven. Bijvoorbeeld omdat deze klassen boven een landelijk gemiddelde of een politiek, ecologisch, commercieel of veiligheidstechnische gewenste norm liggen. Door een dergelijk kleine ingreep wordt data echt bruikbare informatie.
</div>
 
Regel 230:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Het kleurverloop binnen (kwantitatieve) kleurenschema's is niet geheel vrij. Ze worden deels opgedrongen door het verloop van de dataset. Verschillend gekozen kleurenschema's leiden tot ''verschillende'' beelden van het fenomeen bij de kaartlezer. Verkeerde keuzes leiden zelfs tot een ''verkeerd'' beeld bij de kaartlezer.
</div>
 
Regel 297:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Samengestelde kaarten kunnen handig zijn, maar zijn vaak moeilijk te lezen. Kies voor een overzichtelijke legenda, waaruit blijkt hoe de kleuren zijn opgebouwd. Gebruik zo min mogelijk klassen. Zorg dat in beide richtingen de kleuren nog logisch en te onthouden zijn. Bijvoorbeeld: hoe meer > hoe donkerder op de horizontale as van de legenda; terwijl de verschillen op de verticale as op basis van kleur nog te onderscheiden zijn. Geclassificeerde lijnen die op een geclassificeerde vlakken worden weergegeven, zijn slecht te interpreteren. Dat komt omdat de kleur en donkerte van de lijnen ten opzichte van de achtergrond beoordeeld wordt door het oog van de kaartlezer. Vermijd daarom bij een thematische lijnenkaart dat de ondergrond ook geclassificeerd wordt of wijzigt van helderheid. Bij een gekleurde topografische achtergrond dient deze (veel) lichter te zijn als het thema op de voorgrond.
</div>
 
Regel 335:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' De keuze van de classificatiemethode bepaalt de klassegrenzen, en daarmee ook de visuele indruk die je de kaart meegeeft. Bij het kiezen van een classificatiemethode moeten we vooraf weten wat de bedoeling van de kaart moet zijn. Zoals, "moet de kaart vooral de extremen laten zien?", "moet de kaart tegenstellingen duidelijk maken?", of "moet de kaart juist de gebieden maximaal onderscheidbaar maken over de gehele range van voorkomende waarden?".
</div>
 
Regel 401:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Er zijn meerdere classificatiewijzen waarmee klassegrenzen te bepalen zijn, waaronder quantile, natural breaks, equal interval, standaarddeviatie en handmatig. De verdeling binnen de dataset en de bedoeling van de kaart bepalen welke keuze de beste is. Vaak is het handmatig bijstellen van de klassegrenzen aan te bevelen, als was het maar om mooie, ronde (of gehele) getallen in de legenda te krijgen. De keuze van de classificatiemethode bepaalt de klassegrenzen, en daarmee ook de visuele indruk die je de kaart meegeeft.
</div>
 
Regel 439:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' We zagen al eerder in dit deel dat het aantal klassen dat een gemiddelde kaartlezer kan bevatten én goed kan interpreteren acht is. Willen we het zekere voor het onzekere nemen, dan kiezen we zo mogelijk voor minder klassen. Dit hangt af van het doel dat de kaart moet hebben, en of de dataset zich er voor leent. Zijn er duidelijk zes groepen in de data te herkennen, laat die dan zien! Is er niet echt een aantal groepen te herkennen, kies dan voor een quantile of natural breaks methode met vijf klassen. Wil je de uitersten benadrukken, kies dan eventueel voor een methode op basis van de standaarddeviatie.
</div>
 
Regel 474:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Ben je hierboven 'de beste' kaart tegengekomen? Dan komt dat waarschijnlijk omdat je de kaart niet getest hebt met de doelgroep, óf omdat je geluk hebt. Er is in principe niet één kaart de beste. Het aantal klassen, de klassegrenzen, het kleurschema en de hoeveelheid informatie, zoals begeleidende teksten en labels zijn variabelen waaraan gesleuteld moet worden om de kaart voor de doelgroep in orde te maken.
</div>
 
Regel 497:
 
<div style="background:#FFDAB9;">
[[AfbeeldingBestand:Leer meerWikiversity-logo.png|20px]] '''SAMENVATTING:''' Kwantitatieve, absolute data kan je met puntsymbolen in kaart brengen. Worden ze echter genormaliseerd (relatief ten opzichte van het gebied) dan kunnen ze per gebied in beeld gebracht worden (choropleten). Ongenormaliseerd zal er sprake zijn van puntsymbolen. Bij figuratieve kaarten zijn de puntsymbolen qua grootte proportioneel met de meetwaarde / data. Een legenda kan bij figuratieve kaarten geclassificeerd en ongeclassificeerd worden weergegeven. De grootte van de symbolen / cirkels / staafdiagrammen is meestal proportioneel en rechtevenredig met de data, maar dat hoeft niet. Grote symbolen kunnen best relatief kleiner gemaakt worden om een rustiger kaartbeeld te krijgen. Bijvoorbeeld bij een sterk uiteenlopende dataset. Zo zijn ook de kleine symbolen nog goed leesbaar en onderscheidbaar. Dit moet dan wel uit de legenda afleidbaar zijn.Bij geclassificeerde data dient in de symboolgrootte proportioneel te zijn met de klassemiddens en komen slechts een beperkt aantal symboolgroottes voor. Dat zorgt voor betere onderscheidbaarheid, maar voor minder zichtbaar detail.
</div>
 
Informatie afkomstig van https://nl.wikibooks.org Wikibooks NL.
Wikibooks NL is onderdeel van de wikimediafoundation.