Skip To Content

Migliori pratiche per la visualizzazione di dati ad alta densità

Gli layer con un gran numero di feature sono spesso difficili da visualizzare bene. Questi layer ad alta densità hanno tipicamente feature che sono vicine o sovrapposte, il che rende difficile o impossibile distinguere tra loro o vedere modelli spaziali. Anche se l'avanzamento della tecnologia permette la visualizzazione di un numero crescente di feature, essere in grado di disegnare tutte le feature non significa necessariamente che si debba farlo. Spesso è vero il contrario: le feature aggiuntive possono risultare in una mappa più confusa. Visualizzare efficacemente i dati ad alta densità è diverso dal visualizzare tutte le feature.

La densità degli elementi è relativa alla scala della mappa. Per esempio, un insieme di punti può essere denso ad una piccola scala (ingrandita) ma apparire disperso ad una grande scala (ingrandita). Quando si determina il modo migliore per rappresentare i dati densi, è necessario prima capire i layer di scala a cui gli utenti tipicamente li vedranno. Per esempio, quando si visualizzano le collisioni del traffico centrate sull'incrocio più trafficato di una città, si possono vedere più punti raggruppati intorno all'incrocio. Tuttavia, quando si riduce lo zoom a una scala più piccola, tutti i punti si fondono visivamente, nascondendo il raggruppamento che si voleva mostrare. Vedere tutti gli incidenti nel paese come un sacco di punti sulla mappa mostra che le collisioni si verificano, ma non offre alcuna comprensione di come, perché o dove accadono.

Map Viewer offre una varietà di metodi per estrarre il significato dalla distribuzione delle feature in serie di dati ad alta densità su scale multiple. A volte un effetto visivo, come una mappa di calore o un clustering, è tutto ciò che serve. In molti casi, gli schemi visivi rivelati da questi metodi portano a porre domande migliori sui dati, che a loro volta richiedono un'aggregazione per aree per ottenere risposte.

Le sezioni seguenti descrivono diversi metodi per la visualizzazione di dati ad alta densità in Map Viewer, insieme alle migliori pratiche per applicarli.

Clustering

I layer con molte feature puntuali possono essere ingannevoli. Quello che sembra essere solo pochi punti potrebbe invece essere diverse migliaia. È difficile ottenere una visione realistica dei dati quando molti punti sono vicini, si sovrappongono o si sovrappongono sulla mappa.

Il clustering offre una soluzione rapida a questo problema. Quando si applica il clustering a un layer di punti, le feature dei punti che sono entro una certa distanza l'una dall'altra sulla mappa sono raggruppate in un simbolo. Tipicamente, i cluster sono rappresentati da simboli di dimensioni proporzionali basati sul numero di feature in ogni cluster. I simboli dei cluster più piccoli hanno meno punti, mentre i simboli dei cluster più grandi hanno più punti. È possibile regolare il numero di feature di punti raggruppati in cluster impostando il raggio del cluster.

Il clustering è applicato dinamicamente a scale multiple, il che significa che, man mano che si ingrandisce, più punti vengono aggregati in meno gruppi, e man mano che si ingrandisce, vengono creati più gruppi di cluster.

Quando si applica il clustering a un layer, si raccomandano le seguenti migliori pratiche:

  • Inizia applicando le impostazioni predefinite del cluster al layer. Poi sperimenta qualsiasi impostazione del cluster, compreso il cambiamento del raggio del cluster, la dimensione del simbolo e lo stile dei simboli del cluster.
  • Configura le etichette che mostrano il conteggio dei cluster, o se il layer è stilizzato usando un attributo, usa questo attributo per l'etichetta del cluster. Per esempio, se il layer mostra gli appezzamenti in base al loro valore per piede quadrato, puoi configurare l'etichetta del cluster per mostrare il valore medio per piede quadrato di tutti i punti in ogni cluster.
  • Per personalizzare ulteriormente le etichette dei cluster, usa le classi di etichette. Per esempio, puoi etichettare ogni cluster basato su due attributi, come la magnitudo media del terremoto e il numero di terremoti, usando uno stile di etichetta diverso per ogni attributo.
  • Mantieni il pop-up predefinito del cluster o configura un pop-up personalizzato per mostrare le informazioni che vuoi evidenziare su ogni cluster. Considera l'uso di un'espressione ArcGIS Arcade per visualizzare i risultati dei calcoli e altre informazioni sui dati. Per esempio, se il layer della mappa mostra i dati sulle collisioni stradali, puoi creare un'espressione per visualizzare il numero di incidenti mortali rappresentati in ogni cluster e se questo numero è aumentato o diminuito dal precedente periodo di segnalazione.

Per saperne di più sul clustering

Mappe termiche

Come per il clustering, la trasparenza e il bloom, le mappe di calore possono essere utilizzate per visualizzare un gran numero di feature puntuali sovrapposte. Le mappe di calore visualizzano le feature dei punti come una superficie raster, enfatizzando le aree con una maggiore densità relativa di punti lungo una rampa di colore continuo. Oltre a mostrare la densità delle feature in base alla loro posizione, le mappe di calore offrono anche un modo efficace per pesare la densità dei punti in base a un valore numerico dei dati nel layer.

Quando si applica una mappa di calore a un layer, si raccomandano le seguenti migliori pratiche:

  • Evitare di usare le mappe termiche se si dispone solo di alcune feature punto. Piuttosto mappare i punti effettivi.
  • Quando applichi una mappa di calore, scegli una rampa di colore appropriata per i dati e regola il cursore per cambiare il modo in cui i colori sono applicati alla superficie della densità. Potete anche regolare l'area di influenza per rendere i cluster di densità più grandi e più lisci o più piccoli e più distinti.
  • A seconda della storia o del messaggio che vuoi trasmettere, considera di selezionare un valore numerico di dati nel layer da includere nel calcolo della densità per la mappa di calore. Questo può rivelare un modello diverso dalla densità calcolata usando solo la posizione.
  • Le mappe di calore sono visivamente appropriate solo a pochi layer di scala. Come si ingrandisce, la mappa di calore appare più calda; come si ingrandisce, appare più fredda. Per assicurarsi che la mappa di calore rimanga significativa mentre si ingrandisce e si riduce, impostare l'intervallo visibile sul layer per visualizzare la mappa di calore solo ai layer di zoom che trasmettono correttamente il messaggio desiderato.

Per saperne di più sulle mappe di calore

Trasparenza

Quando si visualizzano layer con molte feature sovrapposte, si può cambiare la trasparenza delle singole feature per visualizzare meglio la loro densità. Se la mappa ha più layer, puoi anche applicare la trasparenza ad ogni layer per cambiare la visibilità dei layer in relazione l'uno all'altro. La trasparenza è particolarmente efficace quando si visualizzano poligoni e polilinee che si sovrappongono l'uno sull'altro, poiché altri metodi, come il clustering e le mappe di calore, sono disponibili solo per i layer di feature puntuali

Per esempio, si può usare la trasparenza per mostrare le aree che hanno subito avvisi di inondazione in un periodo di 10 anni. L'applicazione della trasparenza ai poligoni sovrapposti in base al numero di avvisi sperimentati nell'area permette di distinguere le aree che hanno sperimentato un alto numero di avvisi (aree più scure e opache) rispetto alle aree che hanno avuto meno avvisi di inondazione (aree più chiare e trasparenti).

Quando si applica la trasparenza alle feature in un layer, si raccomandano le seguenti migliori pratiche:

  • Un valore di trasparenza tra il 90% e il 99% funziona meglio per visualizzare la maggior parte dei dati ad alta densità.
  • Puoi evidenziare un layer specifico in una mappa con più layer rendendolo opaco al 100% (nessuna trasparenza) e aggiungendo la trasparenza agli altri layer.
  • Se la mappa ha più layer che rappresentano diversi tipi di feature, considera di combinare la trasparenza con modalità di fusione per mostrare la densità dei diversi tipi di feature nella mappa. Per esempio, puoi visualizzare aree con un'alta densità di inondazioni rispetto ad aree con un'alta densità di tornado, disegnando ogni layer con un colore diverso e lo stesso layer di trasparenza e applicando la modalità di fusione Media al layer più alto.

Per saperne di più sulla trasparenza

Bloom

Bloom è un effetto che illumina le feature in un layer, facendole apparire come se fossero incandescenti, con frange di luce che si estendono dai bordi delle aree luminose. L'effetto bloom è più luminoso e più intenso nelle aree in cui molte feature si sovrappongono, il che lo rende un metodo efficace per la visualizzazione di dati densi.

È possibile personalizzare la forza, o l'intensità, dell'effetto di fioritura, il raggio della sfocatura che circonda le feature e la soglia che definisce quanto deve essere luminoso un colore perché la fioritura sia applicata. L'effetto bloom è spesso usato per visualizzare incendi, eruzioni vulcaniche e altri dati.

Quando si applica un effetto bloom alle feature nel layer, si raccomandano le seguenti migliori pratiche:

  • Usa una mappa di base scura.
  • L'efficacia dell'effetto bloom può variare a seconda della scala della mappa, della densità dei dati e dei colori usati nello stile del layer. I parametri che funzionano bene per un layer possono non essere adatti ad altri layer. Sperimenta con i parametri di forza, raggio e soglia per ottenere l'effetto che vuoi.
  • In una scala globale con molti punti, usa una piccola dimensione del simbolo e un piccolo raggio, approssimativamente 0,1 pixel. Per catturare più colori con l'effetto fioritura, prova una soglia più bassa, per esempio il 15 per cento.
  • Puoi applicare l'effetto bloom alle linee per mostrare la densità delle linee che si sovrappongono, per esempio le autostrade. Le linee spesse che si sovrappongono appaiono più luminose delle linee sottili che non si sovrappongono.

Per saperne di più sull'effetto fioritura

Aggregazione

L'aggregazione permette di riassumere, o aggregare, grandi set di dati con molte feature in layer con meno feature. Questo è tipicamente fatto riassumendo i punti in poligoni in cui ogni poligono mostra il numero di punti contenuti nel poligono.

A differenza del clustering, che è un tipo di aggregazione lato client che ricalcola mentre si ingrandisce e si riduce, il metodo di aggregazione descritto in questa sezione avviene sul server e rappresenta i dati come feature aggregate statiche ad una singola risoluzione.

L'aggregazione è preferibile al clustering nelle seguenti circostanze:

  • Il dataset di punti è troppo grande per clusterizzare lato client. Alcuni dataset di punti sono così grandi che non possono ragionevolmente essere caricati nel browser e visualizzati con buone prestazioni. L'aggregazione di punti in un layer poligonale permette di rappresentare i dati in modo performante. I dati possono essere riassunti all'interno di confini poligonali regolari, come esagoni o quadrati. Usalo quando vuoi mostrare più accuratamente la densità dei punti nello spazio.
  • I dati possono essere riassunti all'interno di confini di poligoni irregolari. Potrebbe esserti richiesto di riassumere i dati puntuali in poligoni significativi e predefiniti, come contee, distretti congressuali, distretti scolastici o distretti di polizia. Il clustering è gestito nello spazio dello schermo senza tener conto dei confini geopolitici. Ci sono scenari in cui la sintesi per poligoni irregolari predefiniti è necessaria per i responsabili politici la cui influenza è all'interno di quei confini, ma possono essere curiosi dei confini vicini.

Per aggregare i punti in ArcGIS Enterprise, si seleziona il layer dei punti da aggregare e un layer poligonale utilizzato per calcolare le statistiche di riepilogo. Questo crea un feature layer. Per impostazione predefinita, il conteggio dei punti che intersecano ogni poligono è incluso nella tabella di output. Puoi selezionare i campi nel layer dei punti da riassumere con varie statistiche come la media di un campo numerico o il valore predominante di un campo stringa. Puoi anche raggruppare le statistiche numeriche per i valori di un campo stringa.

Per saperne di più sull'aggregazione dei dati

Gamma della scala visibile

A volte non ha senso visualizzare grandi serie di dati in una certa scala. Per esempio, visualizzare i tratti del censimento su una scala globale della mappa non ha senso perché i tratti tipicamente rappresentano quartieri e piccole comunità. Molti poligoni a quella scala apparirebbero più piccoli di un pixel, il che è di poco valore per gli utenti delle mappe.

L'impostazione di un intervallo di scala visibile permette di specificare una scala alla quale le feature possono essere visualizzate in modo significativo. Aiuta anche a ridurre il download iniziale di dati nel browser.

L'impostazione di un intervallo di scala visibile implica l'impostazione di una scala minima e una massima per il layer. La scala minima definisce il massimo layer di ingrandimento per visualizzare il layer, e la scala massima definisce il massimo layer di ingrandimento per visualizzare il layer. Si può anche impostare solo una scala minima e non una scala massima. L'impostazione della scala minima fa la più grande differenza nella riduzione delle dimensioni del download dei dati.

Per saperne di più su come impostare un intervallo di scala visibile