Todo comeza cunha solicitude aparentemente sinxela: Preparar unha nova paleta de cores para o Instituto.
Primeira consideración:
Elementos web, estéticos,… : seguirán criterios de imaxe corporativa.
Representación de datos: debe seguir criterios científicos.
Mapas de cores científicos
O mesmo rigor aplicado ao cálculo de datos científicos debería aplicarse á súa representación visual.
Unha das principais referencias actuais ao respecto son os Scientific Colour Maps de Fabio Crameri (https://www.fabiocrameri.ch/colourmaps/)
Que é un mapa de cor científico
Aquel que non distorsiona os datos subxacentes.
Non introduce características artificiais nin obscurece os patróns realmente presentes nos datos.
Máis concretamente:
Propiedades dunha paleta científica
Unha paleta de cor axeitada para a difusión científica de datos debe ter estas propiedades:
Uniformidade perceptual.
Accesibilidade universal: Inclusión das persoas con deficiencias na percepción da cor.
Orde perceptual.
Lexibilidade en monocromo.
Reproducibilidade e Citabilidade.
Uniformidade Perceptual
Unha paleta é perceptualmente uniforme se a distancias percibidas entre cores correspóndense cas distancias entre valores representados, de xeito uniforme, en todo o espazo.
Espazos de cor: RGB
O espazo RGB é un modelo de cor que combina luz vermella, verde e azul para representar cores en pantallas dixitais.
Estes dous pares de cores están separados pola mesma distancia –euclídea–, 20 unidades no espazo RGB.
Pero baixo a nosa ollada o par azul diferenciase claramente mentres que os verdes son indiscernibles.
Espazos de cor: RGB
O espazo RGB é lineal e técnico. Non reflicte ben a percepción visual humana porque esta ten distintas sensibilidades á diferentes frecuencias do espectro lumínico.
RGB non é perceptualmente uniforme
Por iso nunca debe usarse
colorRampPalette(vector_de_cores)
para definir unha paleta se pretendemos que sexa perceptualmente uniforme.
Librarías de R útiles para o estudo dos mapas de cor
farver: Excelente set de ferramentas de conversión e manipulación.
pals:: Colección de paletas, principalmemente baseadas nas publicacións de Peter Kovesi, e utilidades de diagnose numérica e visual.
colorspace:: Colección de mapas de cor uniformes no espazo HCL e utilidades de conversión e diagnose. Destaca a simulación de ‘CVDs’ –Deficiencias da percepción da cor–
Ferramentas propias
Para traballar na creación e dunha potencial paleta científica, replicando as diagnoses de Scientific Colour Maps, foi preciso programar numerosos métodos que, xunto a algunhas funcións das anteriores librarías, foron integradas nunha clase R6.
Isto fixo o fluxo de traballo máis doado e flexible.
Coordenadas cilíndricas. 3 atributos relacionados ca percepción humana:
Hue (Matiz): tipo de cor (vermello, azul, verde…). (ángulo).
Chroma (Croma): intensidade ou saturación da cor. (distancia)
Luminance (Luminosidade): claridade ou escuridade da cor.
Espazos de cor: HCL. O paquete colorspace
O paquete colorspace enfócase na análise de mapas de cores no espazo HCL.
Aproveitaremos as paletas e utilidades deste paquete para explorar os tipos e clase de paletas e as súas características.
Tipos de mapas de cor
Segundo o tipo de datos a representar, as paletas poden ser:
Continuas. Idealmente definidas mediante fórmulas que permitan obter un número ilimitado de cores. Na práctica adoitan ser conxuntos dun gran número de cores que se interpolan.
Discretas. Na práctica van ser iguais que as continuas.
Categóricas. Para poder empregarse con efectividade o número de categorías debe ser baixo. A distancia entre cores debería ser máxima para unha boa separación.
Clases de mapas de cor
secuenciais, datos nun intervalo con valores mínimo e máximo.
diverxentes, para amosar desviacións respecto dun valor de referencia.
multisecuenciais, para a comparación simultánea de varias categorías ou grupos, e
cíclicas, axeitadas para datos periódicos, como a dirección de fluxos ou fases dun ciclo
Exemplos: Paleta cualitativa
colorspace ‘Harmonic’
Exemplos: Paleta secuencial
colorspace ‘Purple-Yellow’
Exemplos: Paleta diverxente
colorspace ‘Vik’
Exemplos: Paleta multisecuencial
scico ‘bukavu’
Exemplos: Paleta cíclica
scico ‘romaO’
Orde perceptual
Unha paleta adecuada permite xulgar a orde dos valores de xeito intuitivo, sen necesidade de consultar unha lenda.
Esta orde perceptual ven determinada por:
Percorrido suave da paleta no espazo de cor e, especialmente,
Luminancia, que debe ser monótona e idealmente de pendente constante.
Espazos de cor: CIE Lab
O espazo CIELAB (CIE 1976 L*, a*, b*) é un modelo tridimensional perceptualmente uniforme desenvolvido pola Comisión Internacional da Iluminación (CIE). Representa as cores visibles para o ollo humano mediante tres eixos:
Espazos de cor: CIE Lab
L*: luminosidade* (de negro a branco, 0 a 100).
a*: eixo verde(-) - vermello(+)
b*: eixo azul(-) - amarelo(+)
Este modelo é independente do dispositivo, o que permite comparar cores de forma consistente entre diferentes sistemas (pantallas, impresoras, etc.)
Luminosidade ao 75% (de.wikipedia)
Espazos de cor: CIE Lab. Medidas de distancia
O espazo Lab deseñouse para ser uniforme, definindo un “observador promedio” a partires de experimentos con persoas.
CIE76: a fórmula orixinal para medir a distancia era simplemente a distancia euclidiana.
CIEDE2000: Posteriormente desenvolveuse unha fórmula mellorada que incorpora correccións para representar mellor as diferenzas reais percibidas polo ollo humano.
Scientific Colour Maps
Os Scientific Colour Maps son unha colección de paletas deseñadas por Fabio Crameri, seguindo todos os principios que mencionamos inicialmente: uniformidade perceptual, accesibilidade universal, …
A diagnose destas realízase no espazo Lab, empregando principalmente a medida CIEDE2000.
Vexamos uns exemplos:
Scientific Colour Maps “Batlow”
diagnostic_plot(batlow_df)
Matlab “jet”
R “rainbow”
“Batlow” e “rainbow” comparadas
rainbow e jet. As peores paletas
Estas dúas paletas encarnan a antítese do que debe ser unha paleta científica:
Non presentan uniformidade perceptual.
Non hai unha orde perceptual.
As flutuacións de luminosidade introducen falsas fronteiras ou características nos datos.
Non son accesibles a persoas con DPCs.
Tampouco son lexibles en escala de grises.
Así veríanse baixo as distintas deficiencias na percepción da cor
rainbow
jet
viridis e plasma baixo a lupa
Erro perceptual na práctica
A distancia perceptual ciede2000 é sempre positiva, así coma o erro visual, que se mide en valor absoluto.
Pero como vimos, o sentido e monotonía da L é a principal responsable da orde perceptual; sinala o sentido en que varían os datos.
Incorporando ambos elementos e rescalando os datos orixinais para reflectir a distorsión, obtemos una visualización moi reveladora.
volcano ca paleta batlow
volcano ca paleta jet
Creando unha paleta: Selección inicial de cores
A idea inicial inicial ao deseñar unha paleta para o IGE era incluír o azul corporativo da Xunta de Galicia.
Pouco podemos facer con tan só tres cores, polo que tentaremos crear un gradiente entre elas.
Para iso, precisamos realizar dous procesos:
Extender o número de cores da paleta, mediante unha interpolación. Esta farase mediante splines.
Ecualizar as distancias secuenciais CIEDE2000 entre pares de cores consecutivas: Interpolamos en miles de puntos intermedios, calculamos as distancias e seleccionamos aqueles que aseguran un reparto equitativo da distancia acumulada total.
Maximizar o constraste de L, facendo a curva de pendente constante.
Ecualizar de novo. Iterar
Evitar vermello/verde na mesma paleta
Observar a traxectoria no espazo 3D, buscando ter traxectos suaves.
A estos efectos, unha idea e obter a compoñente principal da nube de puntos orixinal para asegurar unha traxectoria recta e unha L monótona.
Conclusións
Aínda que os resultados son prometedores, conseguir elaborar métodos para construír unha paleta que cumpla cos criterios establecidos require aínda moito esforzo adicional.
Sen descartar seguir traballando neste proxecto, a recomendación actual é optar por empregar paletas de Scientific Colour Maps, accesibles en R a través do paquete scico.
Para o noso uso, incluso algunhas delas combinan perfectamente ca imaxe corporativa.
Quarto e typst: alternativas a RMarkdown e LaTeX
Quarto: Por que dar o salto?
Quarto é a evolución natural de RMarkdown:
Sintaxe máis limpa, mellores referencias, máis personalización.
Multilinguaxe: soporte nativo para R, Python, Julia, Observable JS
Outputs modernos: HTML, PDF, Word, Presentacións Reveal.js, libros, blogs… typst!. Todo dende o mesmo documento.
Quarto: vantaxes técnicas e de mantemento
Integración con VS Code, Jupyter e Neovim: non dependencia de RStudio.
Documentación e comunidade en crecemento, mentres que o desenvolvemento de RMarkdown está en declive.
Falemos de LaTeX
LaTeX é o motor de facto para converter documentos RMarkdown a PDF. E non sen boas razóns:
Calidade tipográfica insuperable.
Estándar académico desde fai décadas.
Escritura matemática.
Separación de contido, estrututa e presentación… en teoría.
Onde falla LaTeX na súa propia promesa?
Dependencia de estilos externos (.sty)
Dificultade de personalización.
Configuración idiomática, dependencias, …
Erros de compilación pouco informativos.
Podemos ter o mellor de LaTeX e Markdown nunha soa linguaxe?
A calidade tipográfica de LaTeX
A sinxeleza estrutural de Markdown
Unha personalización asequible
Typst
Busca (e logra con creces) acadar esta combinación.
Sintaxe básica moi similar a Markdown.
Linguaxe de programación moderna, clara e moi potente.
100% UTF-8
Erros de compilación moi informativos.
Compilación case instantánea. Permite a previsualización en tempo real.
Un pequeno exemplo
#setdocument(title:"Exemplo")= Exemplo+ Texto en *negrita*, _cursiva_, ou con #text(red)[cores]+ Un rectángulo#rect()+ Unha fórmula peculiar:$ sum^pi_(🧠=1) #circle(radius:4mm)/🥸 = #emoji.face.heart $+ Unha táboa (Tomada da documentación de typst)#import table: cell, header#table( columns:2, align: center, header([*Trip progress*],[*Itinerary*],), cell( align: right, fill: fuchsia.lighten(80%),[🚗],),[Get in, folks!],[🚗],[Eat curbside hotdog], cell(align: left)[🌴🚗], cell( inset:0.06em, text(1.62em)[🛖🌅🌊],),)
