Palettes de couleurs scientifiques pour les articles de recherche : référence complète avec codes HEX
Palettes qualitatives, séquentielles et divergentes pour les figures scientifiques. Sélections adaptées au daltonisme, tableaux HEX prêts à l'emploi et règles à respecter pour des visualisations de données dignes d'une publication.
La couleur est une métadonnée silencieuse. Avant qu'un lecteur déchiffre la moindre étiquette d'axe, la palette de votre figure a déjà indiqué si vous êtes rigoureux ou négligent, accessible ou excluant, prêt à publier ou assemblé à la hâte. Pourtant, la plupart des chercheurs choisissent leurs couleurs par intuition — ou acceptent simplement les réglages par défaut de Matplotlib ou d'Excel.
Ce guide de référence y remédie. Vous apprendrez les trois familles de palettes dont tout scientifique a besoin, vous obtiendrez des tableaux HEX prêts à copier-coller pour sept palettes prêtes à l'emploi, et vous repartirez avec des règles concrètes de ce qu'il faut faire et ne pas faire pour des figures que vous pourrez soumettre en toute confiance.
Ce que vous apprendrez :
La différence entre les palettes qualitatives, séquentielles et divergentes — et quand chacune est appropriée
Quelles palettes conviennent aux ~8 % de lecteurs présentant une déficience de la vision des couleurs
Sept palettes prêtes à l'emploi avec les codes HEX complets
Des règles pratiques pour appliquer la couleur à de vraies figures scientifiques
Une mauvaise palette n'est pas seulement inesthétique — elle peut induire activement en erreur. Les colormaps arc-en-ciel (« jet ») créent de fausses frontières là où il n'en existe pas dans les données. Les contrastes rouge-vert disparaissent entièrement pour les lecteurs atteints de deutéranopie (la forme la plus courante du daltonisme). Des couleurs qualitatives incohérentes entre les panneaux d'une figure obligent les lecteurs à redécoder la légende à chaque changement de panneau.
Des revues comme Nature, Science et PNAS demandent de plus en plus aux auteurs de s'assurer que les figures sont « accessibles aux lecteurs daltoniens », et plusieurs éditeurs rejettent des figures qui échouent à un test de conversion en niveaux de gris. Choisir la bonne palette dès le départ évite des cycles de révision inutiles.
Davie Chen is a researcher at the Faculty of Animation and Intermedia, University of Arts in Poznan, studying generative AI for scientific figure creation, patent illustration, and manuscript drafting. SciDraw AI is one of the research-to-product tools built from this work.
Des milliers de chercheurs utilisent SciDraw AI pour créer en quelques minutes des figures prêtes à publier pour leurs articles, demandes de financement et soumissions — sans compétences en design.
À utiliser quand : On code une variable numérique allant de bas en haut — niveau d'expression génique, température, concentration, amplitude d'une valeur p.
Principe clé : La palette doit être perceptuellement uniforme : des pas égaux dans les données doivent apparaître comme des pas égaux dans la couleur. Cela exclut la plupart des dégradés faits à la main.
Écueil à éviter : Utiliser une palette divergente à deux extrémités quand zéro n'est pas un point de référence significatif.
À utiliser quand : On code des données dont le point médian est significatif — variation de repli (centrée sur 1 ou log2-fold = 0), coefficients de corrélation (centrés sur 0), cartes d'anomalies (centrées sur la moyenne historique).
Principe clé : Les deux extrémités doivent être également saturées et le point médian doit être une couleur neutre et claire (proche du blanc ou du gris clair), pas une troisième teinte saturée.
Écueil à éviter : Une palette divergente dont le point médian neutre est une couleur vive non pertinente — cela crée une fausse troisième catégorie.
Les trois familles de palettes — qualitative, séquentielle et divergente — encodent chacune un type différent de données scientifiques.
Environ 8 % des hommes et 0,5 % des femmes présentent une forme de déficience de la vision des couleurs. La deutéranopie et la protanopie (déficience rouge-vert) sont les plus courantes. La tritanopie (bleu-jaune) est plus rare, mais affecte tout de même une fraction significative des lecteurs.
Le test le plus rapide : Convertissez votre figure en niveaux de gris. Si toutes les catégories sont encore distinguables, votre figure passe la vérification d'accessibilité la plus élémentaire.
Le test définitif : Faites passer votre image dans Coblis (simulateur de daltonisme) ou utilisez le module colorblind de Python pour simuler deutéranopie, protanopie et tritanopie. Avant de soumettre à une revue, déposez votre figure dans le vérificateur de figures SciDraw AI pour détecter automatiquement les problèmes d'accessibilité et de mise en forme.
Conçue par Masataka Okabe et Kei Ito spécifiquement pour l'accessibilité daltonienne (référence CUD originale). Elle a été développée empiriquement plutôt qu'à partir d'une formule, et c'est la valeur par défaut recommandée pour les figures scientifiques qualitatives dans la plupart des guides de style modernes.
Échantillon
Nom
HEX
RGB
■
Noir
#000000
0, 0, 0
■
Orange
#E69F00
230, 159, 0
■
Bleu ciel
#56B4E9
86, 180, 233
■
Vert bleuté
#009E73
0, 158, 115
■
Jaune
#F0E442
240, 228, 66
■
Bleu
#0072B2
0, 114, 178
■
Vermillon
#D55E00
213, 94, 0
■
Pourpre rougeâtre
#CC79A7
204, 121, 167
Idéal pour : Jusqu'à 8 catégories ; toute figure destinée à un large public ou à des revues imposant des critères d'accessibilité.
Développée par l'astronome Paul Tol, cette palette privilégie le contraste sur fond blanc et gris clair — les plus répandus dans les figures de revues.
Échantillon
Nom
HEX
■
Bleu
#4477AA
■
Cyan
#66CCEE
■
Vert
#228833
■
Jaune
#CCBB44
■
Rouge
#EE6677
■
Violet
#AA3377
■
Gris
#BBBBBB
Idéal pour : Graphiques en courbes et nuages de points avec jusqu'à 7 groupes.
La colormap séquentielle la plus utilisée en science, intégrée par défaut dans Matplotlib depuis 2015. Perceptuellement uniforme, adaptée au daltonisme et restituée fidèlement en niveaux de gris.
Point
HEX
Description
0 %
#440154
Violet profond (bas)
25 %
#31688E
Bleu
50 %
#35B779
Vert
75 %
#90D743
Jaune-vert
100 %
#FDE725
Jaune vif (haut)
Idéal pour : Cartes de chaleur, graphiques de densité, toute variable continue sans zéro significatif.
Une palette divergente rouge-bleu classique de ColorBrewer, largement utilisée pour les matrices de corrélation, les variations de repli d'expression et les cartes d'anomalies climatiques.
Point
HEX
Description
−max
#B2182B
Rouge intense
−milieu
#EF8A62
Rouge clair
0
#F7F7F7
Neutre quasi-blanc
+milieu
#67A9CF
Bleu clair
+max
#2166AC
Bleu intense
Idéal pour : Matrices de corrélation, cartes de chaleur de variation de repli, toute donnée avec un point médian naturel à zéro.
Palette divergente violet-vert. En évitant le contraste rouge-vert, elle est nettement plus performante pour les lecteurs atteints de deutéranopie et de protanopie que RdBu.
Point
HEX
−max
#762A83
−milieu
#C2A5CF
0
#F7F7F7
+milieu
#7FBF7B
+max
#1B7837
Idéal pour : Tout cas d'usage divergent où l'accessibilité rouge-vert est une préoccupation.
Cette palette approche le style sobre et de qualité éditoriale utilisé dans les figures des familles de revues Nature et Cell. Elle évite les hautes saturations tout en maintenant une distinction claire entre catégories.
Échantillon
HEX
Utilisation typique
■
#4E79A7
Groupe 1 / Contrôle
■
#F28E2B
Groupe 2 / Traitement
■
#E15759
Groupe 3 / Mise en évidence
■
#76B7B2
Groupe 4
■
#59A14F
Groupe 5
Idéal pour : Diagrammes en barres, boîtes à moustaches et graphiques multi-courbes dans des manuscrits soumis à des revues à fort impact.
Une fiche de référence soignée de pastilles catégorielles et de dégradés perceptuellement uniformes facilite la réutilisation de palettes validées dans SciDraw AI.
Utilisez des palettes séquentielles perceptuellement uniformes (Viridis, Plasma, Cividis) pour les données continues.
Testez chaque figure en niveaux de gris avant soumission — de nombreux évaluateurs impriment en noir et blanc.
Utilisez la même palette de manière cohérente sur tous les panneaux d'une figure multi-panneaux. Lorsque vous créez des mises en page multi-panneaux avec le créateur de figures scientifiques SciDraw AI, verrouillez les paramètres de palette au niveau du projet pour garantir la cohérence.
Choisissez les palettes divergentes uniquement lorsque le point médian est scientifiquement significatif.
Étiquetez votre axe de couleur (barre de couleur) avec la variable exacte et les unités.
Faites passer les figures terminées par une vérification de qualité dédiée. Le vérificateur de figures SciDraw AI signale automatiquement les problèmes courants de couleur et de contraste.
N'utilisez pas la colormap jet/arc-en-ciel pour des données scientifiques. Elle n'est pas perceptuellement uniforme, crée de faux contours et échoue à tous les tests daltoniens.
Ne codez pas plus de 8 catégories qualitatives par la couleur seule — ajoutez une redondance de forme ou de motif.
N'utilisez pas le rouge et le vert comme les deux extrêmes d'une palette divergente sans vérifier l'accessibilité.
N'appliquez pas une palette divergente à des données strictement positives ou strictement négatives.
Ne changez pas de palette entre panneaux d'une figure montrant la même variable.
Ne vous fiez pas à la couleur comme seul canal visuel — combinez toujours avec la forme, le style de trait ou l'annotation directe lorsque c'est possible.
Une colormap perceptuellement uniforme (à gauche) représente fidèlement les données, tandis que la colormap arc-en-ciel « jet » (à droite) invente de fausses frontières.
import matplotlib.pyplot as pltimport matplotlib.colors as mcolors# Palette Okabe-Itookabe_ito = ['#000000','#E69F00','#56B4E9','#009E73', '#F0E442','#0072B2','#D55E00','#CC79A7']# Utiliser comme cycle de couleurs par défautplt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)# Viridis est déjà la colormap séquentielle par défaut de Matplotlibplt.imshow(data, cmap='viridis')
library(ggplot2)# Okabe-Ito via le package colorblind-friendlylibrary(ggthemes)scale_colour_colorblind()# Ou spécifier manuellementokabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")scale_colour_manual(values = okabe)
Importez les codes HEX directement dans les nuanciers. Créez un groupe de nuanciers nommé pour chaque projet afin d'assurer la cohérence de la palette entre les panneaux. Exportez ensuite vos fichiers de figures et utilisez le créateur de résumés graphiques SciDraw AI pour les intégrer dans des mises en page soignées et prêtes pour la publication.
Q : Dois-je toujours utiliser Viridis pour les cartes de chaleur ?
Viridis est une excellente valeur par défaut, mais ce n'est pas la seule option. Inferno et Cividis sont également perceptuellement uniformes et adaptés au daltonisme. Choisissez en fonction du contexte visuel : Viridis se lit comme « du froid au chaud » pour de nombreux publics, ce qui peut ou non correspondre à la narration de vos données. Si vos données représentent une intensité ou un comptage sans narration directionnelle, les trois conviennent.
Q : Puis-je utiliser plus de 8 couleurs dans une palette qualitative ?
Vous pouvez, mais vous ne devriez pas vous fier uniquement à la couleur quand vous avez plus de 8 catégories. Au-delà de 8 teintes, la perception humaine de la distinction catégorielle se dégrade significativement. Ajoutez des marqueurs de forme (cercles, carrés, triangles), des styles de trait (continu, tirets, pointillés) ou des étiquettes directes pour compléter le codage couleur.
Q : Quelle est la résolution minimale de barre de couleur à inclure ?
Une barre de couleur doit avoir au minimum 5 marques étiquetées à intervalles réguliers sur toute la plage de données. Incluez les unités exactes dans l'étiquette de la barre de couleur. Pour les palettes divergentes, incluez et étiquetez toujours explicitement la valeur du point médian.
Q : Ma revue demande des figures en CMYK. Ces codes HEX s'appliquent-ils encore ?
Les codes HEX sont en RGB. Avant la soumission finale, convertissez votre figure en CMYK en utilisant le profil ICC de la revue (généralement Adobe RGB 1998 ou sRGB IEC61966-2.1 comme profil source). Les couleurs se déplaceront légèrement — vérifiez soigneusement l'épreuve CMYK, surtout pour les jaunes saturés (comme l'extrémité brillante de Viridis), qui peuvent devenir ternes. Demandez une épreuve couleur au service de production en cas de doute.
Q : Existe-t-il une seule palette suffisamment sûre pour tous les types de daltonisme ?
Aucune palette unique n'est parfaite pour les trois types principaux (protanopie, deutéranopie, tritanopie) simultanément, mais Okabe-Ito s'en approche le plus pour les données qualitatives. Pour les palettes séquentielles et divergentes, Cividis est spécifiquement optimisé pour toutes les formes de déficience de la vision des couleurs. Utilisez le simulateur Coblis pour vérifier votre palette spécifique dans les trois conditions.
Q : Comment m'assurer que mes couleurs paraissent correctes sur différents moniteurs et projecteurs ?
Calibrez votre moniteur sur l'espace colorimétrique sRGB, qui est l'hypothèse standard pour les figures académiques destinées à l'écran. Pour les présentations projetées dans une grande salle, augmentez le contraste et évitez les couleurs très claires (tout ce qui dépasse ~85 % de luminosité sera lessivé sur la plupart des projecteurs). Testez vos diapositives dans l'environnement de projection réel lorsque c'est possible.
