Skip to main content
نقشه موضوعی: چیست، انواع اصلی و چگونه یکی بسازیم
راهنماها

نقشه موضوعی: چیست، انواع اصلی و چگونه یکی بسازیم

نقشه موضوعی الگوی فضایی یک موضوع خاص مثل جمعیت، نتایج انتخابات یا بارش باران را نشان می‌دهد. با انواع اصلی (choropleth، dot density، proportional symbol، isarithmic) و

Brent van der Heiden6 min read
#thematic map#choropleth map#data visualization#cartography#maps api#gis

نقشه‌های عمومی سعی می‌کنند همه چیز را به شما بگویند: جاده‌ها کجا هستند، عوارض زمین چه شکلی است، شهرها کجا قرار گرفته‌اند، مرزها از کجا می‌گذرند. نقشه موضوعی دقیقاً برعکس این کار را می‌کند. یک موضوع را برمی‌دارد، مثل تراکم جمعیت، نتایج انتخابات یا میزان بارش، و بقیه جغرافیا را به یک پس‌زمینه آرام تبدیل می‌کند. هر چیزی که روی صفحه می‌بینید برای این وجود دارد که همان یک مجموعه‌داده خوانا شود.

نقشه‌های موضوعی همان چیزی هستند که روزنامه‌نگاران با آن نتایج انتخابات را توضیح می‌دهند، اپیدمیولوژیست‌ها شیوع بیماری را با آن دنبال می‌کنند، برنامه‌ریزان شهری اندازه زیرساخت را با آن تعیین می‌کنند و تیم‌های محصول با آن تصمیم می‌گیرند به کدام بازار وارد شوند. اگر تا به حال به نقشه‌ای نگاه کرده‌اید و فوری الگویی را فهمیده‌اید که در یک spreadsheet از دستتان می‌رفت، در واقع به یک نقشه موضوعی نگاه کرده‌اید.

در این راهنما می‌خواهم بگویم نقشه موضوعی چیست، چه انواعی دارید که با آن‌ها روبه‌رو می‌شوید، کِی از کدام استفاده کنید و چگونه یکی را با MapAtlas Maps API بسازید.

چه چیزی یک نقشه را «موضوعی» می‌کند

یک نقشه مرجع (مثل صفحه‌های یک اطلس) ویژگی‌های زیادی را همزمان نشان می‌دهد و تقریباً همه را هم‌رتبه در نظر می‌گیرد. نقشه موضوعی جغرافیا را به یک لایه پایه تنزل می‌دهد و یک مجموعه‌داده را به جلوی صحنه می‌آورد. لایه پایه عمداً کم‌رنگ است، معمولاً مرزهای خاکستری یا یک شبکه جاده‌ای ملایم، تا چشم به سراغ رنگ‌ها، نقطه‌ها یا نمادهایی برود که داده را حمل می‌کنند.

دو چیز یک نقشه موضوعی خوب را تعریف می‌کند. اول، یک موضوع روشن: یک متغیر که خوب ارائه شده باشد، از پنج متغیر که سر توجه با هم می‌جنگند بهتر است. دوم، یک رمزگذاری بصری صادقانه: انتخاب پالت رنگ، طبقه‌بندی و نوع نماد باید الگوی موجود در داده را نشان دهد، نه اینکه الگویی از خودش بسازد.

انواع اصلی نقشه موضوعی

نقشه‌های choropleth

یک choropleth مناطق از پیش تعریف‌شده‌ای مثل کشورها، استان‌ها، کدپستی‌ها یا شبکه‌های شش‌گوش را با رنگی پر می‌کند که نشان‌دهنده یک مقدار است. وقتی داده‌هایتان از قبل به مرزهای اداری گره خورده باشد و نرمال‌سازی شده باشد، خوب کار می‌کند. مشارکت رأی‌دهندگان در هر منطقه نمونه کلاسیک است. همیشه داده را نرمال کنید، چون شمارش خام در choropleth مناطق بزرگ را بزرگ‌نمایی می‌کند و الگوی مناطق کوچک را پنهان می‌سازد.

نقشه‌های dot density

یک dot density برای هر N رویداد از یک پدیده، یک نقطه پخش می‌کند. مثلاً یک نقشه dot density جمعیت ممکن است برای هر ۱٬۰۰۰ نفر یک نقطه بگذارد. چشم بدون اینکه شما عددی را محاسبه یا برچسب‌گذاری کنید، ابر نقاط را به صورت تراکم می‌خواند. این نوع برای شمارش خام خوب است و از سوگیری مساحت در choropleth جلوگیری می‌کند.

نقشه‌های proportional symbol

نقشه proportional symbol در هر مکان یک دایره (یا شکل دیگر) قرار می‌دهد و اندازه‌اش را با یک مقدار تنظیم می‌کند. برای شمارش خام در نقاط مشخص عالی است: تعداد مشتری در هر فروشگاه، بزرگی زلزله، جمعیت هر شهر. خواننده می‌تواند دو شهر را با مقایسه دو دایره مستقیم با هم بسنجد، فارغ از اینکه هر شهر چقدر مساحت زمینی دارد.

نقشه‌های isarithmic و heat map

نقشه‌های isarithmic (که contour map هم نامیده می‌شوند) خطوط یا نوارهای پر هم‌مقدار را روی یک سطح پیوسته رسم می‌کنند. خطوط تراز توپوگرافی، ایزوترم‌های هواشناسی و ایزوبارهای فشار همگی isarithmic هستند. heat map وب یک تصویرسازی نزدیک به آن است که داده‌های نقطه‌ای را به یک سطح رنگی پیوسته صاف می‌کند و برای نشان‌دادن اینکه فعالیت در کجای شهر یا وب‌سایت متمرکز است مفید است.

گونه‌های dasymetric و cartogram

نقشه‌های dasymetric یک choropleth را با استفاده از داده‌های کمکی (مثل کاربری زمین) دقیق‌تر می‌کنند و مقدار را به همان بخش‌هایی از منطقه می‌رانند که واقعاً در آنجا رخ می‌دهد. cartogram اندازه مناطق را طوری تغییر شکل می‌دهد که با داده هم‌خوان باشد، پس کشوری با جمعیت زیاد روی نقشه بزرگ می‌شود فارغ از مساحت فیزیکی‌اش. هر دو وقتی انواع استاندارد گمراه‌کننده هستند، خیلی قدرتمند می‌شوند.

انتخاب نوع درست

از داده شروع کنید. اگر نرخ یا درصدی است که به مناطق اداری گره خورده، از choropleth استفاده کنید. اگر شمارش خام در نقاط مشخص است، از proportional symbol استفاده کنید. اگر شمارش خام روی یک ناحیه است، از dot density استفاده کنید. اگر متغیر پیوسته‌ای مثل دما یا ارتفاع است، از isarithmic استفاده کنید. اگر مساحت فیزیکی پیام را تحریف می‌کند، سراغ cartogram بروید.

سپس یک پالت رنگ انتخاب کنید. پالت‌های sequential (روشن به تیره) برای داده‌های ترتیبی خوب هستند. پالت‌های diverging (دو رنگ که در یک نقطه میانی به هم می‌رسند) برای داده‌هایی که صفر معنادار دارند مناسب‌اند، مثل تغییر نسبت به یک مبنا. پالت‌های categorical برای دسته‌های بدون ترتیب‌اند. پالت‌های ColorBrewer همچنان مرجع استاندارد همه این موارد هستند.

ساخت نقشه موضوعی با MapAtlas

MapAtlas Maps API به شما vector tile و کنترل‌های styling می‌دهد که برای هر یک از انواع بالا مناسب است. یک style پایه با مرزهای اداری بارگذاری می‌کنید، داده‌تان را به‌صورت GeoJSON می‌گیرید و یک fill layer (برای choropleth)، یک circle layer (برای proportional symbol) یا یک heatmap layer برای تصویرسازی تراکم اضافه می‌کنید.

برای مناطق اداری، ساده‌ترین workflow این است که مرزها را به‌صورت GeoJSON میزبانی کنید، مقدار مورد نظر برای نقشه را به‌عنوان یک property روی هر feature بچسبانید و یک fill layer با عبارت رنگی data-driven اضافه کنید که property را به یک color ramp نگاشت کند. برای داده‌های نقطه‌ای، مقدار را به‌عنوان property بچسبانید و یک عبارت circle-radius متناسب با آن مقدار به کار ببرید، با یک circle-stroke برای خوانایی روی نقشه‌های شلوغ.

اگر هدفتان تحلیل تعاملی است (کلیک روی یک منطقه برای دیدن اعداد دقیق، فیلتر بر اساس دسته، انیمیشن در طول زمان)، Maps API را با یک لایه کوچک state در client تلفیق کنید. برای نقشه‌های static یک‌باره برای پست‌های وبلاگ یا گزارش، همان API می‌تواند یک تصویر static رندر کند که می‌توانید به‌صورت PNG ذخیره کنید.

می‌توانید آدرس را با ابزار جست‌وجوی مختصات به lat/lng تبدیل کنید تا نماد را در محل درست بگذارید، یا با routing API محدوده‌های زمان رانندگی را برای نقشه‌های موضوعی مرتبط با دسترسی محاسبه کنید.

اشتباهات رایجی که باید از آن‌ها پرهیز کنید

شایع‌ترین اشتباه، استفاده از شمارش خام در choropleth است: منطقه‌ای که دو برابر بزرگ‌تر است، دو برابر مهم‌تر به نظر خواهد رسید. دومی، طبقه‌بندی بیش از حد با تعداد زیاد bin رنگ است که الگو را گم می‌کند؛ پنج تا هفت کلاس معمولاً کافی است. سومی، نادیده‌گرفتن کوررنگی است؛ پالت پیش‌فرض قرمز و سبز برای بخش معناداری از کاربران ناخواناست.

نقشه موضوعی یک قطعه ارتباط است. ریاضیاتش باید صادقانه باشد، رمزگذاری‌اش روشن باشد و خواننده باید بتواند الگو را در چند ثانیه بفهمد. وقتی این اتفاق بیفتد، یک نقشه می‌تواند جای هزار سطر spreadsheet را بگیرد.

سوالات متداول

نقشه موضوعی چیست؟

نقشه موضوعی نقشه‌ای است که برای نمایش الگوی فضایی یک موضوع مشخص طراحی شده است؛ موضوعاتی مثل تراکم جمعیت، میانگین درآمد، نتایج انتخابات یا میزان بارندگی. برخلاف نقشه مرجع عمومی که سعی می‌کند ویژگی‌های زیادی را همزمان نشان دهد (جاده‌ها، رودخانه‌ها، شهرها، عوارض زمین)، نقشه موضوعی همه چیز را تابع یک مجموعه‌داده می‌کند و با رنگ، سایه‌زنی یا نمادها آن مجموعه‌داده را در یک نگاه قابل خواندن می‌سازد.

انواع اصلی نقشه موضوعی کدام‌اند؟

چهار نوع رایج عبارت‌اند از choropleth (که مناطق از پیش تعریف‌شده مثل کشورها یا شهرستان‌ها را بر اساس یک مقدار رنگ می‌کند)، dot density (که برای هر N رویداد یک نقطه می‌گذارد)، proportional symbol (که در هر مکان یک دایره یا مربع به اندازه یک مقدار رسم می‌کند) و isarithmic یا contour (که خطوط یا نوارهای پر هم‌مقدار رسم می‌کند، مثل ایزوترم‌های دما یا خطوط تراز توپوگرافی). heat map و dasymetric map هم گونه‌های پرکاربردی از این خانواده هستند.

چه زمانی از choropleth استفاده کنیم و چه زمانی نه؟

وقتی داده‌هایتان به‌طور طبیعی به مناطق اداری گره خورده و نرمال‌سازی شده باشد (نرخ، درصد یا مقادیر سرانه، نه شمارش خام) از choropleth استفاده کنید. برای شمارش خام مناسب نیست، چون مناطق بزرگ‌تر صرفاً به دلیل اندازه‌شان مهم‌تر به نظر می‌رسند. برای شمارش خام معمولاً proportional symbol یا dot density انتخاب بهتری است.

این مفید بود؟ آن را به اشتراک بگذارید.

درباره نویسنده

Brent van der Heiden

نوشته

Brent van der Heiden

Co-Founder & CEO at MapAtlas

Brent built MapAtlas out of a conviction that developers deserve location APIs with fair pricing and genuine end-user privacy. He writes about geospatial infrastructure, AI search visibility, and how location data powers the products people rely on every day.

مشاهده همه مقالات
بازگشت به وبلاگ