Картографическое отображение · конспект 4 из 23 · Общие вопросы составления карт

Использование цвета на картах

О чём эта тема
Цвет на тематической карте выбирают не «на вкус», а по характеру данных: качественная, последовательная или расходящаяся шкала. Разбираем три характеристики цвета, шкалы ColorBrewer и проверку на нарушения цветового зрения.
Коротко о главном
  • У цвета три характеристики: цветовой тон, светлота, насыщенность. Каждая работает как графическая переменная со своими свойствами.
  • Тип данных определяет тип шкалы: номинальные → качественная (разные тона), упорядоченные и числовые → последовательная (по светлоте), данные с осмысленной средней точкой → расходящаяся.
  • Берите перцептивно равномерные шкалы (ColorBrewer): ступени должны казаться глазу одинаковыми. «Радуга» для числовых данных не годится.
  • Около 8 % мужчин плохо различают красный и зелёный: не делайте пару «красный — зелёный» единственным различием на карте.
  • На общегеографических картах больше свободы, но соблюдайте традиции (вода — синяя, растительность — зелёная) и не создавайте ложного порядка оттенками одного цвета.
Время
25 минут + практика

Ключевые термины

Конспект

Три характеристики цвета

Цвет на карте — не «украшение», а способ кодировать данные. Систематически управлять им можно, только если менять характеристики цвета по отдельности.

ХарактеристикаСвойства как переменнойДля каких данных
Цветовой тонСелективная, ассоциативная, неупорядоченнаяНоминальные категории
СветлотаСелективная, диссоциативная, упорядоченнаяПорядковые и числовые данные
НасыщенностьСлабо упорядоченная; хорошо отделяет «фигуру» от «фона»В паре со светлотой; для выделения главного
Интерактив: три характеристики цвета

Цвета построены в пространстве CIE HCL (тон, насыщенность, светлота), где изменения ближе к тому, как их видит глаз. Посмотрите: какой ряд сам собой читается как «мало → много»?

Тип данных → тип шкалы

Качественная, последовательная и расходящаяся шкалы
Качественная (номинальная) шкала (пшеница, кукуруза, рис, ямс, свёкла): разные цветовые тоны при постоянной светлоте и насыщенности — для номинальных, неупорядочиваемых данных. Последовательная шкала (от «мало» к «много»): последовательность, в которой преобладают изменения светлоты, — для порядковых категорий (низкий / средний / высокий) и числовых данных. Расходящаяся шкала (от «отрицательных» к «положительным»): для числовых данных, которые осмысленно делятся средней точкой (средним по стране, нулём), — данные расходятся в обе стороны от самого светлого, среднего цвета.
ДанныеШкалаПримеры шкал ColorBrewerПример карты
Номинальные (без порядка)КачественнаяSet2, Dark2, Set1, PairedЧасти света, типы почв, виды землепользования
Порядковые категории, числовые данныеПоследовательная — однотоновая или многотоноваяBlues, Purples; YlOrRd, YlGnBuПлотность населения, уровень дохода (низкий → высокий)
Числовые с осмысленной серединойРасходящаясяRdBu, PuOr, BrBGПрирост / убыль населения; выше / ниже среднего по стране
ПравилоРасходящуюся шкалу берут только при естественной средней точке. У плотности населения её нет — светлая середина шкалы выделила бы ничем не примечательный класс «30–60 чел./км²».
Интерактив: обозреватель шкал ColorBrewer

Перцептивно равномерные шкалы

Глаз неодинаково чувствителен к изменениям разных цветовых тонов: шаг «жёлтый → зелёный» кажется меньше, чем «синий → фиолетовый», а чистый жёлтый всегда выглядит светлее синего. Поэтому шкала, построенная «равными шагами по кругу цветов», не выглядит равномерной. Шкалы ColorBrewer (С. Брюэр, М. Харроуэр) проверены на восприятие: ступени кажутся одинаковыми, а многотоновые последовательные шкалы монотонны по светлоте. Как строить такие шкалы самому, подробно объясняет Грегор Айш (библиотека chroma.js).

Последовательная шкала YlOrRd

Светлота меняется монотонно: порядок классов виден без легенды, самый тёмный класс — самый «важный».

«Радуга»

Светлота скачет: жёлтый середины шкалы ярче краёв и притягивает взгляд, а какой из цветов «больше» — без легенды не понять.

Нарушения цветового зрения

Примерно 8 % мужчин (и около 0,5 % женщин) различают цвета не так, как большинство. Чаще всего плохо различаются красный и зелёный. Значит, карта, где «плохое» — красное, а «хорошее» — зелёное (шкала-«светофор» RdYlGn), для каждого двенадцатого мальчика в классе почти однотонна (рецепт 4).

Как проверитьВключите имитацию в обозревателе выше или в рецепте 4; на сайте colorbrewer2.org отметьте фильтр «colorblind safe». Различимость повышают и другие приёмы: шкала с разной светлотой концов, подписи, штриховка. Расходящиеся шкалы RdBu, PuOr, BrBG, PiYG различимы при всех распространённых нарушениях.

Цвет на общегеографических картах

Здесь не нужно точно передавать числовые соотношения, поэтому свободы больше. Но есть традиции: вода — синяя, растительность и природные территории — зелёные. И есть обратная трудность — не показать отношений, которых нет: два оттенка красного для двух совсем разных видов объектов покажутся связанными и даже упорядоченными. Категории различайте цветовым тоном, а светлоту и насыщенность меняйте внутри категории для упорядоченных подгрупп (главные и второстепенные дороги).

В отечественной традицииКлассический пример многотоновой последовательной шкалы — гипсометрическая шкала физических карт: от зелёных низменностей через жёлтые возвышенности к коричневым горам, а глубины — синим, темнее с глубиной. Цвета условных знаков топографических карт (синий для гидрографии, зелёный для растительности, коричневый для рельефа) закреплены в официальных таблицах условных знаков — это тоже «правила цвета» общегеографических карт.

Инструменты

Делаем на Python (folium)

Шкалы ColorBrewer в Python берём из branca.utilities.color_brewer(имя, число_классов); данные — python/data/countries.geojson (Natural Earth), помощник — python/примеры/maptools.py. Как установить библиотеки — см. раздел Python.

Рецепт 1 Последовательная шкала против «радуги»

Одни и те же шесть классов плотности населения. Справа светлота монотонно растёт к высоким значениям, слева ярко-жёлтый средний класс «60–100 чел./км²» кричит громче всех, а порядок приходится сверять с легендой.

python/примеры/using-colors-on-maps/01_sequential.pyскачать .py
# screenshot: 1100x540
"""Последовательная шкала для числовых данных: «радуга» против ColorBrewer.

Плотность населения — упорядоченные числовые данные.
Слева (плохо): «радуга» — шесть разных цветовых тонов. Порядок классов
без легенды не прочитать, а ярко-жёлтый средний класс кричит громче всех.
Справа (хорошо): последовательная шкала YlOrRd из ColorBrewer — светлота
равномерно убывает от «мало» к «много».
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd
import numpy as np
from branca.utilities import color_brewer
from folium.plugins import DualMap

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"]

labels = ["< 10", "10–30", "30–60", "60–100", "100–200", "> 200"]
cls = np.digitize(world["pop_density"], [10, 30, 60, 100, 200]).tolist()  # класс 0…5
schemes = {
    "rainbow": ["#6a3d9a", "#1f78b4", "#33a02c", "#ffff33", "#ff7f00", "#e31a1c"],
    "YlOrRd": color_brewer("YlOrRd", 6),
}

m = DualMap(location=[30, 25], zoom_start=2, tiles="Esri.WorldGrayCanvas")
for target, name in [(m.m1, "rainbow"), (m.m2, "YlOrRd")]:
    colors = schemes[name]
    folium.GeoJson(
        world.assign(color=[colors[k] for k in cls])[["name_ru", "pop_density", "color", "geometry"]],
        style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.9,
                                  "color": "white", "weight": 0.5},
        tooltip=folium.GeoJsonTooltip(["name_ru", "pop_density"], aliases=["Страна", "Чел./км²"]),
    ).add_to(target)
    add_legend(target, "Плотность, чел./км²", colors[::-1], labels[::-1])

add_title(m.m1, "Плохо: «радуга»", "порядок цветов приходится запоминать")
add_title(m.m2, "Хорошо: последовательная шкала", "ColorBrewer YlOrRd: темнее — плотнее")
plain_attribution(m)  # убираем флажок из подписи Leaflet
m.save("01_sequential.html")
Слева — «радуга», справа — последовательная шкала YlOrRd
Слева — «радуга», справа — последовательная шкала YlOrRdоткрыть карту ↗

Рецепт 2 Расходящаяся шкала с осмысленной серединой

Середина — мировая медиана ВВП на душу населения. Границы классов симметричны в относительном смысле (¼, ½, ⅘ ↔ 1¼, 2, 4 медианы), поэтому одинаковые по светлоте классы по обе стороны означают одинаковое отклонение «во сколько раз».

python/примеры/using-colors-on-maps/02_diverging.pyскачать .py
# screenshot: 1000x560
"""Расходящаяся шкала: ВВП на душу населения выше или ниже мировой медианы.

У данных появляется осмысленная средняя точка — медиана по странам мира.
Страны около медианы — светлые, вниз от неё растёт один тон (оранжевый),
вверх — другой (фиолетовый). Шкала PuOr из ColorBrewer различима и при
нарушениях цветового зрения.
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd
import numpy as np
from branca.utilities import color_brewer

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, fmt, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[(world["iso_a3"] != "ATA") & world["gdp_per_capita"].notna()].copy()

median = world["gdp_per_capita"].median()
world["ratio"] = world["gdp_per_capita"] / median        # во сколько раз больше медианы
steps = [1 / 4, 1 / 2, 4 / 5, 5 / 4, 2, 4]               # симметрично относительно 1
cls = np.digitize(world["ratio"], steps).tolist()        # класс 0…6, класс 3 — «около медианы»
colors = color_brewer("PuOr", 7)                          # оранжевый → белый → фиолетовый
print(f"Мировая медиана ВВП на душу: {fmt(median)} долл.")
print("Стран в классах (от бедных к богатым):", np.bincount(cls).tolist())

b = [fmt(median * s) for s in steps]
labels = [f"< {b[0]} (менее ¼ медианы)", f"{b[0]}–{b[1]} (¼–½)", f"{b[1]}–{b[2]} (½–⅘)",
          f"{b[2]}–{b[3]} (около медианы)", f"{b[3]}–{b[4]} (1¼–2)", f"{b[4]}–{b[5]} (2–4)",
          f"> {b[5]} (более 4 медиан)"]

m = folium.Map(location=[25, 20], zoom_start=2, tiles="Esri.WorldGrayCanvas")
folium.GeoJson(
    world.assign(color=[colors[k] for k in cls])[["name_ru", "gdp_per_capita", "color", "geometry"]],
    style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.9,
                              "color": "#777", "weight": 0.4},
    tooltip=folium.GeoJsonTooltip(["name_ru", "gdp_per_capita"], aliases=["Страна", "ВВП на душу, долл."]),
).add_to(m)
add_legend(m, "ВВП на душу, долл.", colors[::-1], labels[::-1])
add_title(m, "Выше или ниже мировой медианы?", f"медиана — {fmt(median)} долл. на человека")
plain_attribution(m)  # убираем флажок из подписи Leaflet
m.save("02_diverging.html")
вывод программы
Мировая медиана ВВП на душу: 5 529 долл.
Стран в классах (от бедных к богатым): [34, 22, 21, 23, 19, 18, 37]
Расходящаяся шкала PuOr: выше и ниже мировой медианы ВВП на душу
Расходящаяся шкала PuOr: выше и ниже мировой медианы ВВП на душуоткрыть карту ↗

Рецепт 3 Качественная и последовательная шкала для категорий

Обе карты показывают категории, но разного характера. Части света порядка не имеют — качественная шкала. Группы по уровню дохода упорядочены — последовательная шкала. Порядок категорий в легенде и в словаре incomes задаём явно.

python/примеры/using-colors-on-maps/03_qualitative.pyскачать .py
# screenshot: 1100x540
"""Характер данных определяет шкалу: качественная и последовательная.

Слева — части света: номинальные данные, порядка нет. Качественная шкала Set2:
разные цветовые тона примерно одинаковой светлоты, ни один не «важнее» другого.
Справа — группы стран по доходу (классификация Всемирного банка): категории
упорядочены, поэтому нужна последовательная шкала YlGnBu — по светлоте.
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd
from branca.utilities import color_brewer
from folium.plugins import DualMap

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["continent"].isin(["Asia", "Europe", "Africa", "North America",
                                       "South America", "Oceania"])]

continents = {"Africa": "Африка", "Asia": "Азия", "Europe": "Европа", "North America": "Северная Америка",
              "South America": "Южная Америка", "Oceania": "Австралия и Океания"}
incomes = {"5. Low income": "низкий", "4. Lower middle income": "ниже среднего",
           "3. Upper middle income": "выше среднего", "2. High income: nonOECD": "высокий, не ОЭСР",
           "1. High income: OECD": "высокий, ОЭСР"}           # от низкого к высокому
palettes = {"continent": dict(zip(continents, color_brewer("Set2", 6))),
            "income_grp": dict(zip(incomes, color_brewer("YlGnBu", 5)))}


def categories(target, column, names, title):
    colors = palettes[column]
    folium.GeoJson(
        world.assign(color=world[column].map(colors), label=world[column].map(names))[
            ["name_ru", "label", "color", "geometry"]],
        style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.9,
                                  "color": "white", "weight": 0.5},
        tooltip=folium.GeoJsonTooltip(["name_ru", "label"], aliases=["Страна", title]),
    ).add_to(target)
    add_legend(target, title, list(colors.values())[::-1], list(names.values())[::-1])


m = DualMap(location=[30, 25], zoom_start=2, tiles="Esri.WorldGrayCanvas")
categories(m.m1, "continent", continents, "Часть света")
categories(m.m2, "income_grp", incomes, "Уровень дохода")
add_title(m.m1, "Номинальные данные", "качественная шкала Set2")
add_title(m.m2, "Упорядоченные категории", "последовательная шкала YlGnBu")
plain_attribution(m)  # убираем флажок из подписи Leaflet
m.save("03_qualitative.html")
Слева — номинальные данные (Set2), справа — порядковые категории (YlGnBu)
Слева — номинальные данные (Set2), справа — порядковые категории (YlGnBu)открыть карту ↗

Рецепт 4 Проверка на нарушения цветового зрения

SVG-фильтр feColorMatrix с матрицей Machado и др. (2009) имитирует дейтеранопию; CSS-правило filter:url(#deutan) применяет его ко всей правой карте вместе с легендой. Замените в коде "RdYlGn" на "PuOr" и сравните.

python/примеры/using-colors-on-maps/04_colorblind.pyскачать .py
# screenshot: 1100x540
"""Как карту видит человек с дейтеранопией (нарушением восприятия зелёного).

Слева — расходящаяся шкала RdYlGn («светофор») при обычном зрении.
Справа — та же карта через фильтр, имитирующий дейтеранопию
(матрица Machado et al., 2009): красный и зелёный концы шкалы становятся
похожими жёлто-бурыми, и «бедные» страны не отличить от «богатых».
Попробуйте заменить "RdYlGn" на "PuOr" или "RdBu" — эти шкалы различимы.
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd
import numpy as np
from branca.element import Element
from branca.utilities import color_brewer
from folium.plugins import DualMap

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[(world["iso_a3"] != "ATA") & world["gdp_per_capita"].notna()]

ratio = world["gdp_per_capita"] / world["gdp_per_capita"].median()
cls = np.digitize(ratio, [1 / 4, 1 / 2, 4 / 5, 5 / 4, 2, 4]).tolist()   # класс 0…6
colors = color_brewer("RdYlGn", 7)
labels = ["менее ¼ медианы", "¼–½", "½–⅘", "около медианы", "1¼–2", "2–4", "более 4 медиан"]

m = DualMap(location=[30, 25], zoom_start=2, tiles="Esri.WorldGrayCanvas")
for target in (m.m1, m.m2):
    folium.GeoJson(
        world.assign(color=[colors[k] for k in cls])[["color", "geometry"]],
        style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.95,
                                  "color": "#777", "weight": 0.4},
    ).add_to(target)
    add_legend(target, "ВВП на душу / медиана", colors[::-1], labels[::-1])

# SVG-фильтр, имитирующий дейтеранопию, применяем ко всей правой карте (вместе с легендой)
matrix = "0.367 0.861 -0.228 0 0  0.280 0.673 0.047 0 0  -0.012 0.043 0.969 0 0  0 0 0 1 0"
m.get_root().html.add_child(Element(
    '<svg width="0" height="0" style="position:absolute"><filter id="deutan" '
    f'color-interpolation-filters="linearRGB"><feColorMatrix type="matrix" values="{matrix}"/>'
    "</filter></svg>"))
m.get_root().header.add_child(Element(f"<style>#{m.m2.get_name()}{{filter:url(#deutan)}}</style>"))

add_title(m.m1, "RdYlGn: обычное зрение", "красный — бедные, зелёный — богатые")
add_title(m.m2, "RdYlGn: имитация дейтеранопии", "концы шкалы почти сливаются")
plain_attribution(m)  # убираем флажок из подписи Leaflet
m.save("04_colorblind.html")
Шкала RdYlGn при обычном зрении и при имитации дейтеранопии
Шкала RdYlGn при обычном зрении и при имитации дейтеранопииоткрыть карту ↗

Проверь себя

Какую шкалу выбрать для карты видов землепользования (пашня, лес, луг, застройка)?

  1. Последовательную
  2. Качественную
  3. Расходящуюся
  4. «Радугу»
Виды землепользования — номинальные данные без порядка: нужны разные цветовые тона примерно одной светлоты. (Традиционные цвета — зелёный для леса, жёлтый для пашни — только помогут.)

Карта изменения численности населения регионов, % (есть и рост, и убыль). Какая шкала?

  1. Однотоновая последовательная
  2. Качественная
  3. Любая, лишь бы яркая
  4. Расходящаяся со светлой серединой в нуле
Ноль — естественная средняя точка: рост одним тоном, убыль другим, «без изменений» — светлым.

Чем плоха «радуга» для числовых данных?

  1. Её светлота меняется немонотонно: порядок не читается, а отдельные цвета (жёлтый) выделяются сильнее других
  2. Она слишком тусклая
  3. Её нельзя напечатать
  4. В ней мало цветов
Упорядоченность передаёт светлота, а не цветовой тон. В «радуге» светлота скачет, и шкала не перцептивно равномерна.

Какая доля мужчин, по данным статьи, плохо различает красный и зелёный?

  1. Около 0,1 %
  2. Около 1 %
  3. Около 8 %
  4. Около 25 %
Примерно каждый двенадцатый мужчина. Поэтому шкалу-«светофор» RdYlGn лучше заменить на RdBu, PuOr или BrBG.

На общегеографической карте больницы показаны тёмно-красным, а автозаправки — светло-красным. В чём проблема?

  1. Красный нельзя использовать на картах
  2. Объекты покажутся связанными и даже упорядоченными, хотя это разные категории
  3. Светло-красный плохо печатается
  4. Проблемы нет
Разные категории различают цветовым тоном; светлоту меняют внутри одной категории для упорядоченных подгрупп.

Что означает «перцептивно равномерная» шкала?

  1. Все цвета одинаковой яркости
  2. Цвета равномерно распределены по цветовому кругу
  3. В шкале ровно 5 классов
  4. Изменение цвета между соседними ступенями кажется глазу одинаковым
Равные шаги «в цифрах» (по кругу цветов или по RGB) не дают равных шагов в восприятии. Шкалы ColorBrewer подобраны с учётом этого.

Практическое задание

Постройте картограмму ВВП на душу населения стран одной части света относительно среднего по этой части света (медианы) с расходящейся шкалой ColorBrewer. Затем добавьте вторую карту на DualMap с имитацией дейтеранопии (как в рецепте 4) и убедитесь, что шкала читается.

  • Средняя точка шкалы осмысленна и указана в названии или легенде
  • Середина шкалы — самый светлый класс, классы симметричны относительно неё
  • Шкала взята из ColorBrewer и различима при имитации дейтеранопии
  • Подложка нейтральная, в легенде указаны единицы измерения
  • Перед сохранением вызван plain_attribution(m)

Источники

  1. Using Colors on Maps / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/using-colors-on-maps (дата обращения: 27.10.2026).
  2. Natural Earth : free vector and raster map data : [сайт]. — URL: https://www.naturalearthdata.com/ (дата обращения: 27.10.2026). — Текст : электронный.
  3. Folium : documentation : [сайт]. — URL: https://python-visualization.github.io/folium/latest/ (дата обращения: 27.10.2026). — Текст : электронный.

Конспект подготовлен по переводу руководства Cartography Guide © Axis Maps (лицензия CC BY-NC-SA 4.0) и распространяется на тех же условиях: с указанием авторства, в некоммерческих целях, с сохранением условий лицензии.