Geo-visualisatie/Classificatie: verschil tussen versies
Verwijderde inhoud Toegevoegde inhoud
k red |
k sp |
||
Regel 10:
desc none
</imagemap>
|[[Afbeelding:logo-handboek_geo-visualisatie.png|140px|right]]
|}
Regel 359:
Hoewel in werkelijkheid verdelingen binnen datasets erg onregelmatig kunnen en zullen verlopen, is het toch zo dat de verdelingen vaak een op een patroon lijken. De statistiek beschrijft onder andere de volgende verdelingen:
:* symmetrisch verdelingen om een gemiddelde heen, zoals de normale verdeling (of Gauss-verdeling) en de binomiale verdeling. Links en rechts van het gemiddelde zijn ongeveer even veel waarden.
:*
NB:
:* Meer over deze verdelingen kan je indien gewenst terugvinden in het [[Discrete Kansrekening/Stochastische variabelen/Enkele bekende discrete verdelingen|wikibook over discrete kansrekening]] of bekijk
:* Soms bepalen bepaalde, sterk afwijkende (hoge of lage) waarden het beeld. Deze waarden worden in het Engels - heel mooi - 'outliers' genoemd. Hier dient in de classificatie rekening mee te worden gehouden. Komen dergelijke waarden voor, dan is het niet slim om te kiezen voor vaste klassebreedtes. Het resultaat is dan een aantal klassen die géén of weinig waarden bevatten. Het (visueel) onderscheidend vermogen van de kaart is dan zeer beperkt.
Jij als kaartenmaker alleen, hebt dus de beschikking over de ruwe data, in dit geval, de exacte gemiddelde inkomensgegevens van de individuele gemeenten. Jij hebt een beeld van de voorkomende meetwaarden en de verdeling. Door te classificeren 'sla je de data plat', populair gezegd . Je maakt van de ruwe data een mooi, visueel aantrekkelijk plaatje. Beter gezegd: ''van data maak je informatie''. Data is een onoverzichtelijke hoeveelheid gegevens. Zou je er voor kiezen om elke afzonderlijke gemeenten één kleur te geven, die afhangt van het gemiddelde inkomen, of je zou in elke gemeente het exacte getal weergeven dat overeenkomt met het gemiddelde inkomen, dan breng je alle data - onverdund - in kaart. Het zal nog steeds een onoverzichtelijke brij aan data zijn. Dat is niet de bedoeling van een goede kaart. Een goede kaart maakt wel degelijk keuzes. Je vat de brij samen. Als informatiemakelaar (zie [[Geo-visualisatie/Deel_A:_Theorie#De_GIS-specialist_.27van_vandaag.27|Deel A]]) heb je die plicht om dit goed te doen. De kaartenlezer beschikt immers niet over de data achter de kaart, en kan het visuele beeld niet verifiëren, laat staan mentaal corrigeren (zie eerder in dit Deel B, over [[Geo-visualisatie/Deel_B:_Geo-visualisatie#Goede_geo-visualisatie|Bertin]]).
Regel 412:
Bij een '''nominale schaal''' - of anders gezegd, '''op een chorochromatische kaart''' - wordt dit aantal vaak gedicteerd door de data zelf: Een provinciekaart van Nederland kent nu eenmaal 12 provincies, en een bodemkaart kent nu eenmaal tientallen bodemsoorten, en dus ook evenzoveel legendaeenheden. Bij dergelijke kaarten is het vooral een kwestie van kleuren groeperen, dus alle bodemsoorten op zand krijgen een zandige kleur (geel-oranje), en alle veen-bodemsoorten krijgen een lichte tot donkere paarse kleur. Desgewenst kan je het aantal klassen verminderen, door deze te groeperen: alle bodemsoorten op zand krijgen één (geel oranje) kleur. Hiermee wordt de kaart veel leesbaarder. Of dit mogelijk is, hangt af van het doel van de kaart.
:Bij sommige [[Geo-visualisatie/Inleiding_Cartografie#Chorochromatische_kaart|chorochromatische kaarten]], zoals de provinciekaart van Nederland, is geen legenda nodig voor de kleuren van de provincies. De (twaalf) verschillende kleuren moeten onderling onderscheidbaar zijn. De kleuren hebben verder geen betekenis; door de ligging en de grenzen om de provincies heen is al duidelijk wat de kleuren precies zijn. In zo'n geval is het dan ook geen probleem om twaalf klassen en twaalf (al of niet geheel verschillende) kleuren te hebben. Kies dan wel voor een kleurenschema met kleuren uit 'één thema'; vaak zie je dat GIS-pakketten hier je al mooi uit laten kiezen; zo heb je snel een aantal bij elkaar horende herfst-, oceaan- of fruit-tinten. Overigens, meestal zal je in die gevallen aan vier kleuren genoeg hebben; misschien moet je er dan wel even de tijd voor nemen. Zie ook de [
Ook bij een '''ordinale meetschaal''' (geluidsniveau's, grondwatertrappen) wordt het aantal klassen gedicteerd door de data; het aantal klassen staat min of meer vast, omdat er al een ordening - en dus ook een indeling - is aangebracht. Het samenvoegen kan (soms) wenselijk zijn, maar meestal is die indeling al niet voor niets zo in de dataset aangebracht. De classificatie is in feite al gebeurd. De volgorde (in tegenstelling tot de hierboven besproken schalen) ligt wel vast; dat betekent dat er een zelfde volgordelijkheid in de kleuren in de legenda moet terugkomen (zie hiervoor in de paragraaf over [[Geo-visualisatie/Deel_B:_Geo-visualisatie#Meetschalen_en_kleurschema.27s|meetschalen en kleurenschema's]]). Zorg dat de oplopende kleuren ongeveer diezelfde 'beweging' in de data volgen. Is er (bijvoorbeeld in het geval van grondwatertrappen) misschien een opdeling te make in het aantal klassen (grondwatertrappen) waardoor er twee groepen ontstaan? Geef de 'droogste' groep dan kleuren die min of meer bij elkaar horen - en langzaam oplopen qua grijswaarde of verzadiging - en doe dat voor de 'natste' groep met een andere (blauwere) kleur.
| |||