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. Ingrandisci e riduci per vedere come cambiano i cluster nell'esempio a diverse scale.
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.
- Se il layer è stilizzato per categoria, i cluster mostrano la categoria predominante in ciascun cluster. Come alternativa è possibile scegliere di utilizzare i cluster a grafico a torta per mostrare le proporzioni delle categorie in ogni cluster.
- Configurare i campi del cluster per creare statistiche di riepilogo, come la media di un campo numerico o il valore predominante di un campo stringa. È possibile utilizzare successivamente i campi di statistiche di riepilogo nuovamente creati per applicare uno stile al layer o personalizzare etichette e popup.
- 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. Ad esempio, se il layer mostra le particelle in base al loro valore per piede quadrato, è possibile 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.
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.
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 punto.
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.
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.
Raggruppamento
Similmente al clustering, il binning fornisce una vista di riepilogo di grandi dataset contenenti molte feature punto vicine tra loro, sovrapposte o disposte l'una sull'altra nella mappa. Il binning riepiloga, o aggrega, le feature punto in poligoni di riepilogo, chiamati bin, di dimensione o area uguali. Ciascun bin rappresenta tutte le feature all'interno dei suoi confini, incluse le feature singole. Sono diversi dal clustering, in cui le singole feature non sono incluse in un cluster se sono situate all'esterno del raggio del cluster. Inoltre, il binning oscura la maggior parte della mappa, mentre il clustering consente ad altre feature o alla mappa di base di rimanere parzialmente visibile.
Quando si applica il binning a un layer in Map Viewer, si raccomandano le seguenti migliori pratiche:
- Iniziare applicando le impostazioni predefinite del bin al layer. Poi sperimentare con qualsiasi impostazione, inclusa la modifica della dimensione e dello stile del bin.
- Impostare una dimensione del bin adeguata per l'estensione a cui la mappa verrà visualizzata.
- Configurare i campi del bin per creare diverse statistiche di riepilogo, come la media di un campo numerico o il valore predominante di un campo stringa. È possibile utilizzare successivamente i campi di statistiche di riepilogo nuovamente creati per applicare uno stile al layer o personalizzare etichette e popup.
- Configurare le etichette che mostrano il conteggio dell'aggregazione, o se il layer è stilizzato usando un attributo, usare questo attributo per l'etichetta. Per personalizzare ulteriormente le etichette dei bin, usare le classi di etichette.
- Mantenere il popup predefinito del bin o configurare un popup personalizzato per mostrare le informazioni che si desidera evidenziare su ogni bin. Considera l'uso di un'espressione ArcGIS Arcade per visualizzare i risultati dei calcoli e altre informazioni sui 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
Soglia di scala
Quando si lavora con dati in cluster o in bin, a volte risulta migliore visualizzare le feature singolarmente anziché in gruppo. Ad esempio, mostrare in cluster o in bin le stazioni di bike sharing in una mappa su scala cittadina fornisce una panoramica informativa, ma si potrebbe voler visualizzare la posizione precisa di ogni stazione quando si visualizza la mappa su scala di quartiere.
L'impostazione della soglia di scala consente di specificare la scala alla quale le feature vengono mostrate in cluster o bin. Quando si effettua lo zoom indietro oltre la soglia di scala, le feature verranno visualizzate in cluster o in bin. Quando si effettua lo zoom avanti oltre la soglia di scala, le feature verranno mostrate individualmente.
Ulteriori informazioni sull'impostazione della soglia di scala durante il clustering
Ulteriori informazioni sull'impostazione della soglia di scala durante il binning