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
- «Название» цвета: красный, жёлтый, синий… Неупорядоченная переменная — для качественных различий.
- Насколько цвет светлый или тёмный. Упорядоченная переменная — основа последовательных шкал.
- Чистота, яркость цвета при том же тоне: от серого к «сочному». Обычно работает вместе со светлотой.
- Набор цветов, сопоставленных классам или значениям данных.
- Разные цветовые тоны примерно одной светлоты — для номинальных данных (почвы, части света, землепользование).
- Цвета, упорядоченные по светлоте (и насыщенности), от «мало» к «много». Бывает однотоновой и многотоновой.
- Две последовательные шкалы разных тонов, сходящиеся к светлой середине. Для данных с осмысленной средней точкой: ноль, среднее, медиана.
- Шкала, в которой изменение цвета между соседними ступенями воспринимается глазом одинаковым.
- Дальтонизм: ослабленное различение цветов. Чаще всего — красного и зелёного (протанопия, дейтеранопия), реже — синего и жёлтого (тританопия).
Конспект
Три характеристики цвета
Цвет на карте — не «украшение», а способ кодировать данные. Систематически управлять им можно, только если менять характеристики цвета по отдельности.
| Характеристика | Свойства как переменной | Для каких данных |
|---|---|---|
| Цветовой тон | Селективная, ассоциативная, неупорядоченная | Номинальные категории |
| Светлота | Селективная, диссоциативная, упорядоченная | Порядковые и числовые данные |
| Насыщенность | Слабо упорядоченная; хорошо отделяет «фигуру» от «фона» | В паре со светлотой; для выделения главного |
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

| Данные | Шкала | Примеры шкал ColorBrewer | Пример карты |
|---|---|---|---|
| Номинальные (без порядка) | Качественная | Set2, Dark2, Set1, Paired | Части света, типы почв, виды землепользования |
| Порядковые категории, числовые данные | Последовательная — однотоновая или многотоновая | Blues, Purples; YlOrRd, YlGnBu | Плотность населения, уровень дохода (низкий → высокий) |
| Числовые с осмысленной серединой | Расходящаяся | RdBu, PuOr, BrBG | Прирост / убыль населения; выше / ниже среднего по стране |
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).
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).
Инструменты
- ColorBrewer (colorbrewer2.org) — шкалы для картограмм; в Python:
branca.utilities.color_brewer("YlOrRd", 6), в matplotlib — те же названия цветовых карт. - chroma.js и его помощник для построения шкал; Colorpicker на основе chroma.js.
- Для общих палитр: Adobe Color, color-hex, COLOURlovers.
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.
# 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")

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».
# 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")
Мировая медиана ВВП на душу: 5 529 долл. Стран в классах (от бедных к богатым): [34, 22, 21, 23, 19, 18, 37]

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.
# 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")

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.
# 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")

Проверь себя
Какую шкалу выбрать для карты видов землепользования (пашня, лес, луг, застройка)?
- Последовательную
- Качественную
- Расходящуюся
- «Радугу»
Карта изменения численности населения регионов, % (есть и рост, и убыль). Какая шкала?
- Однотоновая последовательная
- Качественная
- Любая, лишь бы яркая
- Расходящаяся со светлой серединой в нуле
Чем плоха «радуга» для числовых данных?
- Её светлота меняется немонотонно: порядок не читается, а отдельные цвета (жёлтый) выделяются сильнее других
- Она слишком тусклая
- Её нельзя напечатать
- В ней мало цветов
Какая доля мужчин, по данным статьи, плохо различает красный и зелёный?
- Около 0,1 %
- Около 1 %
- Около 8 %
- Около 25 %
На общегеографической карте больницы показаны тёмно-красным, а автозаправки — светло-красным. В чём проблема?
- Красный нельзя использовать на картах
- Объекты покажутся связанными и даже упорядоченными, хотя это разные категории
- Светло-красный плохо печатается
- Проблемы нет
Что означает «перцептивно равномерная» шкала?
- Все цвета одинаковой яркости
- Цвета равномерно распределены по цветовому кругу
- В шкале ровно 5 классов
- Изменение цвета между соседними ступенями кажется глазу одинаковым
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
- 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).
- Natural Earth : free vector and raster map data : [сайт]. — URL: https://www.naturalearthdata.com/ (дата обращения: 27.10.2026). — Текст : электронный.
- 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.