Palette di colori scientifiche per articoli di ricerca: guida completa con codici HEX
Palette qualitative, sequenziali e divergenti per figure scientifiche. Selezioni adatte ai daltonici, tabelle HEX pronte all'uso e regole pratiche per visualizzazioni di dati a livello di pubblicazione.
Il colore è un metadato silenzioso. Prima ancora che il lettore decifri una singola etichetta sugli assi, la palette della tua figura segnala se sei preciso o trascurato, accessibile o esclusivo, pronto per la pubblicazione o assemblato in fretta. Eppure la maggior parte dei ricercatori sceglie i colori d'istinto — o accetta semplicemente i valori predefiniti di Matplotlib o Excel.
Questa guida di riferimento risolve il problema. Imparerai le tre famiglie di palette di cui ogni scienziato ha bisogno, otterrai tabelle HEX pronte da copiare per sette palette di immediato utilizzo e porterai con te regole concrete su cosa fare e non fare per figure che potrai inviare con piena fiducia.
Cosa imparerai:
La differenza tra palette qualitative, sequenziali e divergenti — e quando ognuna è quella giusta
Quali palette sono sicure per l'~8 % dei lettori con deficit della visione dei colori
Sette palette pronte all'uso con codici HEX completi
Regole pratiche per applicare il colore a figure scientifiche reali
Una palette scadente non è solo esteticamente brutta — può attivamente trarre in inganno. Le colormap arcobaleno ("jet") creano confini falsi dove i dati non ne contengono. I contrasti rosso-verde scompaiono del tutto per i lettori con deuteranopia (la forma più comune di daltonismo). Colori qualitativi incoerenti tra i pannelli di una figura costringono i lettori a decodificare la legenda ogni volta che passano da un pannello all'altro.
Riviste come Nature, Science e PNAS chiedono sempre più spesso agli autori di garantire che le figure siano "accessibili ai lettori daltonici", e alcuni editori respingono figure che non superano un test elementare di conversione in scala di grigi. Scegliere la palette giusta fin dall'inizio risparmia cicli di revisione.
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.
Migliaia di ricercatori usano SciDraw AI per creare in pochi minuti figure pronte per la pubblicazione per articoli, domande di finanziamento e sottomissioni, senza competenze di design.
Da usare quando: Si codifica una variabile numerica che va da bassa ad alta — livello di espressione genica, temperatura, concentrazione, valore p.
Principio chiave: La palette deve essere percettivamente uniforme: passi uguali nei dati devono sembrare passi uguali nel colore. Questo esclude la maggior parte dei gradienti realizzati a mano.
Errore da evitare: Usare una palette divergente a due estremi quando lo zero non è un punto di riferimento significativo.
Da usare quando: Si codificano dati in cui il punto mediano è significativo — fold-change (centrato su 1 o log2-fold = 0), coefficienti di correlazione (centrati su 0), mappe di anomalie (centrate sulla media storica).
Principio chiave: I due estremi devono essere ugualmente saturi e il punto mediano deve essere un colore neutro e chiaro (vicino al bianco o al grigio chiaro), non una terza tinta satura.
Errore da evitare: Una palette divergente in cui il punto mediano neutro è un colore vivace non correlato — questo crea una falsa terza categoria.
Le tre famiglie di palette — qualitativa, sequenziale e divergente — codificano ciascuna un diverso tipo di dati scientifici.
Circa l'8 % degli uomini e lo 0,5 % delle donne presentano qualche forma di deficit della visione dei colori. La deuteranopia e la protanopia (deficit rosso-verde) sono le più comuni. La tritanopia (blu-giallo) è più rara, ma colpisce comunque una frazione significativa dei lettori.
Il test più rapido: Converti la tua figura in scala di grigi. Se tutte le categorie sono ancora distinguibili, la tua figura supera il controllo di accessibilità più elementare.
Il test definitivo: Passa la tua immagine attraverso Coblis (simulatore di daltonismo) o usa il modulo colorblind di Python per simulare deuteranopia, protanopia e tritanopia. Prima di inviare a qualsiasi rivista, carica la tua figura nel figure checker di SciDraw AI per rilevare automaticamente problemi di accessibilità e formattazione.
Progettata da Masataka Okabe e Kei Ito specificamente per l'accessibilità ai daltonici (riferimento CUD originale). È stata sviluppata empiricamente anziché a partire da una formula ed è il valore predefinito raccomandato per le figure scientifiche qualitative nella maggior parte delle guide di stile moderne.
Campione
Nome
HEX
RGB
■
Nero
#000000
0, 0, 0
■
Arancione
#E69F00
230, 159, 0
■
Azzurro cielo
#56B4E9
86, 180, 233
■
Verde-blu
#009E73
0, 158, 115
■
Giallo
#F0E442
240, 228, 66
■
Blu
#0072B2
0, 114, 178
■
Vermiglione
#D55E00
213, 94, 0
■
Porpora rossastro
#CC79A7
204, 121, 167
Ideale per: Fino a 8 categorie; qualsiasi figura destinata a un pubblico ampio o a riviste con requisiti di accessibilità.
Sviluppata dall'astronomo Paul Tol, questo set privilegia il contrasto su sfondi bianchi e grigio chiaro — i più comuni nelle figure delle riviste scientifiche.
Campione
Nome
HEX
■
Blu
#4477AA
■
Ciano
#66CCEE
■
Verde
#228833
■
Giallo
#CCBB44
■
Rosso
#EE6677
■
Viola
#AA3377
■
Grigio
#BBBBBB
Ideale per: Grafici a linee e a dispersione con fino a 7 gruppi.
La colormap sequenziale più adottata in ambito scientifico, inclusa come predefinita in Matplotlib dal 2015. Percettivamente uniforme, sicura per il daltonismo e ben riproducibile in scala di grigi.
Punto
HEX
Descrizione
0 %
#440154
Viola intenso (basso)
25 %
#31688E
Blu
50 %
#35B779
Verde
75 %
#90D743
Giallo-verde
100 %
#FDE725
Giallo brillante (alto)
Ideale per: Heatmap, grafici di densità, qualsiasi variabile continua senza uno zero significativo.
Una classica palette divergente rosso-blu di ColorBrewer, ampiamente utilizzata per matrici di correlazione, fold-change di espressione e mappe di anomalie climatiche.
Punto
HEX
Descrizione
−max
#B2182B
Rosso intenso
−medio
#EF8A62
Rosso chiaro
0
#F7F7F7
Neutro quasi-bianco
+medio
#67A9CF
Blu chiaro
+max
#2166AC
Blu intenso
Ideale per: Matrici di correlazione, heatmap di fold-change, qualsiasi dato con un punto mediano naturale a zero.
Palette divergente viola-verde. Poiché evita il contrasto rosso-verde, funziona significativamente meglio per i lettori con deuteranopia e protanopia rispetto a RdBu.
Punto
HEX
−max
#762A83
−medio
#C2A5CF
0
#F7F7F7
+medio
#7FBF7B
+max
#1B7837
Ideale per: Qualsiasi caso d'uso divergente in cui l'accessibilità rosso-verde è una preoccupazione.
Questa palette approssima lo stile sobrio e di qualità editoriale utilizzato nelle figure delle famiglie di riviste Nature e Cell. Evita l'alta saturazione pur mantenendo una chiara distinzione tra categorie.
Campione
HEX
Uso tipico
■
#4E79A7
Gruppo 1 / Controllo
■
#F28E2B
Gruppo 2 / Trattamento
■
#E15759
Gruppo 3 / Evidenziazione
■
#76B7B2
Gruppo 4
■
#59A14F
Gruppo 5
Ideale per: Grafici a barre, box plot e grafici multilinea in manoscritti destinati a riviste ad alto impatto.
Una scheda di riferimento ordinata con chip categoriali e gradienti percettivamente uniformi rende facile riutilizzare palette verificate in SciDraw AI.
Usa palette sequenziali percettivamente uniformi (Viridis, Plasma, Cividis) per dati continui.
Testa ogni figura in scala di grigi prima dell'invio — molti revisori stampano in bianco e nero.
Usa la stessa palette in modo coerente su tutti i pannelli di una figura multipannello. Quando costruisci layout multipannello con il creatore di figure scientifiche SciDraw AI, blocca le impostazioni della palette a livello di progetto per garantire la coerenza.
Scegli palette divergenti solo quando il punto mediano è scientificamente significativo.
Etichetta l'asse del colore (colorbar) con la variabile esatta e le unità.
Verifica le figure finite con uno strumento di controllo qualità dedicato. Il figure checker di SciDraw AI segnala automaticamente i problemi comuni di colore e contrasto.
Non usare la colormap jet/arcobaleno per dati scientifici. Non è percettivamente uniforme, crea contorni falsi e fallisce tutti i test per il daltonismo.
Non codificare più di 8 categorie qualitative con il solo colore — aggiungi ridondanza di forma o motivo.
Non usare rosso e verde come i due estremi di una palette divergente senza verificare l'accessibilità.
Non applicare una palette divergente a dati strettamente positivi o strettamente negativi.
Non cambiare palette tra pannelli di figure che mostrano la stessa variabile.
Non affidarti al colore come unico canale visivo — combina sempre con forma, stile di linea o annotazione diretta dove possibile.
Una colormap percettivamente uniforme (a sinistra) rappresenta i dati fedelmente, mentre la colormap arcobaleno "jet" (a destra) inventa confini falsi.
import matplotlib.pyplot as pltimport matplotlib.colors as mcolors# Palette Okabe-Itookabe_ito = ['#000000','#E69F00','#56B4E9','#009E73', '#F0E442','#0072B2','#D55E00','#CC79A7']# Usare come ciclo di colori predefinitoplt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)# Viridis è già la colormap sequenziale predefinita di Matplotlibplt.imshow(data, cmap='viridis')
Importa i codici HEX direttamente nei campioni di colore. Crea un gruppo di campioni con nome per ciascun progetto per garantire la coerenza della palette tra i pannelli. Poi esporta i file delle figure e usa il creatore di abstract grafici SciDraw AI per integrarli in layout curati e pronti per la pubblicazione.
Viridis è un'ottima scelta predefinita, ma non è l'unica opzione. Inferno e Cividis sono anch'esse percettivamente uniformi e sicure per il daltonismo. Scegli in base al contesto visivo: Viridis si legge come "da freddo a caldo" per molti pubblici, il che potrebbe o meno adattarsi alla narrazione dei tuoi dati. Se i tuoi dati rappresentano intensità o conteggio senza una narrativa direzionale, tutti e tre sono adeguati.
D: Posso usare più di 8 colori in una palette qualitativa?
Puoi, ma non dovresti affidarti al solo colore quando hai più di 8 categorie. Oltre 8 tinte, la percezione umana della distinzione categoriale si degrada significativamente. Aggiungi marcatori di forma (cerchi, quadrati, triangoli), stili di linea (continua, tratteggiata, punteggiata) o etichette dirette per integrare la codifica cromatica.
D: Quale risoluzione minima della colorbar dovrei includere?
Una colorbar dovrebbe avere almeno 5 segni etichettati a intervalli regolari sull'intero intervallo dei dati. Includi le unità esatte nell'etichetta della colorbar. Per le palette divergenti, includi e indica sempre esplicitamente il valore del punto mediano.
D: La mia rivista richiede figure in CMYK. Questi codici HEX sono ancora applicabili?
I codici HEX sono in RGB. Prima dell'invio finale, converti la tua figura in CMYK usando il profilo ICC della rivista (generalmente Adobe RGB 1998 o sRGB IEC61966-2.1 come profilo sorgente). I colori subiranno lievi variazioni — controlla attentamente la prova CMYK, soprattutto per i gialli saturi (come l'estremo brillante di Viridis), che possono diventare opachi. Richiedi una prova colore all'ufficio produzione in caso di dubbi.
D: Esiste una singola palette sufficientemente sicura per tutti i tipi di daltonismo?
Nessuna palette è perfetta per tutti e tre i tipi principali (protanopia, deuteranopia, tritanopia) contemporaneamente, ma Okabe-Ito si avvicina di più per i dati qualitativi. Per palette sequenziali e divergenti, Cividis è specificamente ottimizzata per tutte le forme di deficit della visione dei colori. Usa il simulatore Coblis per verificare la tua palette specifica rispetto a tutte e tre le condizioni.
D: Come mi assicuro che i miei colori appaiano corretti su monitor e proiettori diversi?
Calibra il monitor sullo spazio colore sRGB, che è l'assunzione standard per le figure accademiche destinate allo schermo. Per presentazioni proiettate in una sala grande, aumenta il contrasto ed evita colori molto chiari (qualsiasi cosa sopra circa l'85 % di luminosità risulterà sbiadita sulla maggior parte dei proiettori). Testa le tue diapositive nell'ambiente di proiezione reale quando possibile.
R (ggplot2)
Adobe Illustrator / Inkscape
Dalla palette alla figura pronta per la pubblicazione
