Научные цветовые палитры для исследовательских статей: полный справочник с HEX-кодами
Качественные, последовательные и дивергентные палитры для научных рисунков. Варианты, безопасные для людей с нарушениями цветовосприятия, готовые HEX-таблицы и правила создания визуализаций уровня публикации.
Цвет — это молчаливые метаданные. Ещё до того, как читатель прочитает первую подпись на оси, палитра рисунка уже сигнализирует: аккуратен ли автор или небрежен, учитывает ли он доступность или нет, готов ли материал к публикации или был собран наспех. Тем не менее большинство исследователей выбирают цвета интуитивно — или просто принимают параметры по умолчанию, которые предлагает Matplotlib или Excel.
Этот справочник исправляет ситуацию. Вы узнаете о трёх семействах палитр, которые нужны каждому учёному, получите готовые к копированию HEX-таблицы для семи готовых к использованию палитр и унесёте с собой конкретные правила «делай/не делай» для рисунков, которые можно уверенно отправлять в редакцию.
Что вы узнаете:
Разницу между качественными, последовательными и дивергентными палитрами — и когда каждая из них уместна
Какие палитры безопасны для ~8 % читателей с нарушениями цветовосприятия
Семь готовых к использованию палитр с полными HEX-кодами
Практические правила применения цвета в реальных научных рисунках
Плохая палитра — это не просто некрасиво; она способна активно вводить в заблуждение. Радужные («jet») цветовые карты создают ложные границы там, где их нет в данных. Красно-зелёный контраст полностью исчезает для читателей с дейтеранопией (наиболее распространённая форма цветовой слепоты). Непоследовательные качественные цвета между панелями рисунка вынуждают читателей заново расшифровывать легенду каждый раз при переходе между панелями.
Журналы, такие как Nature, Science и PNAS, всё чаще требуют от авторов обеспечить доступность рисунков «для читателей с нарушениями цветовосприятия», и ряд издательств отклоняет рисунки, не прошедшие базовую проверку преобразованием в оттенки серого. Правильный выбор палитры с самого начала экономит время на доработку.
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.
Тысячи исследователей используют SciDraw AI, чтобы за минуты создавать готовые к публикации иллюстрации для статей, заявок на гранты и подачи в журналы — без навыков дизайна.
Когда использовать: Кодирование категориальных данных без внутреннего порядка — типы клеток, экспериментальные группы, виды, группы лечения.
Ключевой принцип: Все цвета должны казаться одинаково заметными. Ни один оттенок не должен доминировать или предполагать бо́льшую важность.
Ошибка, которой следует избегать: Использование последовательной рампы (от светлого к тёмному) для категорий подразумевает ранжирование там, где его нет.
Когда использовать: Кодирование числовой переменной, изменяющейся от низких к высоким значениям — уровень экспрессии генов, температура, концентрация, величина p-значения.
Ключевой принцип: Палитра должна быть перцептивно равномерной: равные шаги в данных должны выглядеть как равные шаги в цвете. Это исключает большинство градиентов, созданных вручную.
Ошибка, которой следует избегать: Использование двустороннего дивергентного градиента, когда ноль не является значимой точкой отсчёта.
Когда использовать: Кодирование данных, в которых средняя точка значима — кратность изменения (центрировано по 1 или log2-fold = 0), коэффициенты корреляции (центрировано по 0), карты аномалий (центрировано по историческому среднему).
Ключевой принцип: Оба конца должны быть одинаково насыщены, а средняя точка должна быть нейтральным светлым цветом (близким к белому или светло-серому), а не третьим насыщенным оттенком.
Ошибка, которой следует избегать: Дивергентная палитра, в которой нейтральная средняя точка — это несвязанный яркий цвет. Это создаёт ложную третью категорию.
Три семейства палитр — качественные, последовательные и дивергентные — кодируют каждое свой тип научных данных.
Примерно 8 % мужчин и 0,5 % женщин имеют ту или иную форму нарушения цветовосприятия. Дейтеранопия и протанопия (нарушение восприятия красного и зелёного) встречаются чаще всего. Тританопия (синий-жёлтый) реже, но всё равно затрагивает значительную долю читателей.
Самый быстрый тест: Преобразуйте рисунок в оттенки серого. Если все категории по-прежнему различимы, рисунок прошёл базовую проверку на доступность.
Окончательный тест: Пропустите изображение через Coblis (симулятор нарушений цветовосприятия) или используйте модуль colorblind в Python для симуляции дейтеранопии, протанопии и тританопии. Перед отправкой в любой журнал вставьте рисунок в инструмент проверки рисунков SciDraw AI, чтобы автоматически выявить проблемы с доступностью и форматированием.
Разработана Masataka Okabe и Kei Ito специально для обеспечения доступности при нарушениях цветовосприятия (исходный источник CUD). Она была создана эмпирически, а не выведена из формулы, и является рекомендуемым вариантом по умолчанию для качественных научных рисунков в большинстве современных стилевых руководств.
Образец
Название
HEX
RGB
■
Чёрный
#000000
0, 0, 0
■
Оранжевый
#E69F00
230, 159, 0
■
Голубой
#56B4E9
86, 180, 233
■
Сине-зелёный
#009E73
0, 158, 115
■
Жёлтый
#F0E442
240, 228, 66
■
Синий
#0072B2
0, 114, 178
■
Киноварный
#D55E00
213, 94, 0
■
Красновато-фиолетовый
#CC79A7
204, 121, 167
Лучше всего подходит для: До 8 категорий; любых рисунков для широкой аудитории или журналов с требованиями по доступности.
Наиболее широко используемая последовательная цветовая карта в науке; применяется по умолчанию в Matplotlib с 2015 года. Перцептивно равномерная, безопасная для дальтоников, хорошо воспроизводится в оттенках серого.
Точка
HEX
Описание
0 %
#440154
Тёмный фиолетовый (низкие значения)
25 %
#31688E
Синий
50 %
#35B779
Зелёный
75 %
#90D743
Жёлто-зелёный
100 %
#FDE725
Ярко-жёлтый (высокие значения)
Лучше всего подходит для: Тепловых карт, карт плотности, любых непрерывных переменных без значимого нулевого значения.
Классическая красно-синяя дивергентная палитра из ColorBrewer, широко используемая для корреляционных матриц, тепловых карт кратности изменения экспрессии и карт климатических аномалий.
Точка
HEX
Описание
−max
#B2182B
Насыщенный красный
−mid
#EF8A62
Светло-красный
0
#F7F7F7
Нейтральный, почти белый
+mid
#67A9CF
Светло-синий
+max
#2166AC
Насыщенный синий
Лучше всего подходит для: Корреляционных матриц, тепловых карт кратности изменения, любых данных с естественной средней точкой в нуле.
Дивергентная палитра пурпурный–зелёный. Поскольку она не использует красно-зелёный контраст, она значительно лучше воспринимается читателями с дейтеранопией и протанопией по сравнению с RdBu.
Точка
HEX
−max
#762A83
−mid
#C2A5CF
0
#F7F7F7
+mid
#7FBF7B
+max
#1B7837
Лучше всего подходит для: Любого дивергентного сценария, где доступность для дальтоников по красно-зелёной оси важна.
Эта палитра приближается к сдержанному стилю публикационного качества, используемому в рисунках журналов серий Nature и Cell. Она избегает высокого насыщения, сохраняя при этом чёткое различие категорий.
Образец
HEX
Типичное применение
■
#4E79A7
Группа 1 / Контроль
■
#F28E2B
Группа 2 / Воздействие
■
#E15759
Группа 3 / Выделение
■
#76B7B2
Группа 4
■
#59A14F
Группа 5
Лучше всего подходит для: Столбчатых диаграмм, ящиков с усами и многолинейных графиков в рукописях для высокорейтинговых журналов.
Аккуратный справочный лист с категориальными плашками и перцептивно равномерными градиентами позволяет легко повторно использовать проверенные палитры в SciDraw AI.
Делайте: Используйте перцептивно равномерные последовательные палитры (Viridis, Plasma, Cividis) для непрерывных данных.
Делайте: Проверяйте каждый рисунок в оттенках серого перед отправкой — многие рецензенты распечатывают материалы в чёрно-белом формате.
Делайте: Используйте одну и ту же палитру последовательно на всех панелях многопанельного рисунка. При создании многопанельных макетов с помощью конструктора научных рисунков SciDraw AI закрепите настройки палитры на уровне проекта для обеспечения единообразия.
Делайте: Выбирайте дивергентные палитры только тогда, когда средняя точка значима с научной точки зрения.
Делайте: Подписывайте цветовую ось (цветовую шкалу) с точным названием переменной и единицами измерения.
Делайте: Прогоняйте готовые рисунки через специализированный инструмент контроля качества. Инструмент проверки рисунков SciDraw AI автоматически выявляет распространённые проблемы с цветом и контрастом.
Не делайте: Не используйте цветовую карту jet/радуга для научных данных. Она не является перцептивно равномерной, создаёт ложные контуры и не проходит ни один тест на дальтонизм.
Не делайте: Не кодируйте более 8 качественных категорий только цветом — добавляйте избыточность формы или паттерна.
Не делайте: Не используйте красный и зелёный как два конца дивергентной палитры, не проверив доступность.
Не делайте: Не применяйте дивергентную палитру к строго положительным или строго отрицательным данным.
Не делайте: Не меняйте палитры между панелями, показывающими одну и ту же переменную.
Не делайте: Не полагайтесь на цвет как единственный визуальный канал — всегда комбинируйте с формой, стилем линий или прямыми аннотациями там, где это возможно.
Перцептивно равномерная цветовая карта (слева) точно передаёт данные, тогда как радужная карта "jet" (справа) создаёт ложные границы.
import matplotlib.pyplot as pltimport matplotlib.colors as mcolors# Палитра Okabe-Itookabe_ito = ['#000000','#E69F00','#56B4E9','#009E73', '#F0E442','#0072B2','#D55E00','#CC79A7']# Использовать как цикл цветов по умолчаниюplt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)# Viridis — уже цветовая карта по умолчанию для последовательных данных в Matplotlibplt.imshow(data, cmap='viridis')
library(ggplot2)# Okabe-Ito через пакет с поддержкой дальтонизмаlibrary(ggthemes)scale_colour_colorblind()# Или задать вручнуюokabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")scale_colour_manual(values = okabe)
Импортируйте HEX-коды непосредственно в образцы цветов. Создайте именованную группу образцов для каждого проекта, чтобы обеспечить единообразие палитры на всех панелях. Затем экспортируйте файлы рисунков и используйте конструктор графических рефератов SciDraw AI для интеграции их в полированные макеты, готовые к публикации.
В: Всегда ли следует использовать Viridis для тепловых карт?
Viridis — отличный вариант по умолчанию, но не единственный. Inferno и Cividis также перцептивно равномерны и безопасны для дальтоников. Выбор зависит от визуального контекста: Viridis воспринимается многими аудиториями как переход «от холодного к тёплому», что может соответствовать или не соответствовать нарративу ваших данных. Если данные представляют интенсивность или количество без направленного нарратива, все три варианта подходят.
В: Можно ли использовать более 8 цветов в качественной палитре?
Можно, но не стоит полагаться только на цвет, когда категорий больше 8. Свыше 8 оттенков человеческое восприятие категориальных различий значительно снижается. Добавьте маркеры формы (круги, квадраты, треугольники), стили линий (сплошная, пунктирная, точечная) или прямые подписи для дополнения цветового кодирования.
В: Какое минимальное разрешение цветовой шкалы следует включить?
Цветовая шкала должна иметь не менее 5 подписанных делений на равных интервалах по всему диапазону данных. Включите точные единицы измерения в подпись цветовой шкалы. Для дивергентных палитр всегда явно указывайте и подписывайте значение средней точки.
В: Мой журнал требует рисунки в формате CMYK. Применимы ли эти HEX-коды?
HEX-коды — это формат RGB. Перед финальной отправкой преобразуйте рисунок в CMYK с использованием ICC-профиля журнала (обычно Adobe RGB 1998 или sRGB IEC61966-2.1 в качестве исходного профиля). Цвета несколько изменятся — тщательно проверьте пробный отпечаток в CMYK, особенно насыщенные жёлтые цвета (как на ярком конце Viridis), которые могут стать тусклыми. В случае сомнений запросите цветную пробу в производственном отделе.
В: Существует ли единая палитра, достаточно безопасная для всех типов нарушений цветовосприятия?
Ни одна палитра не является идеальной для всех трёх основных типов (протанопия, дейтеранопия, тританопия) одновременно, но Okabe-Ito ближе всего к этому для качественных данных. Для последовательных и дивергентных палитр Cividis специально оптимизирован для всех форм нарушения цветовосприятия. Используйте симулятор Coblis для проверки вашей конкретной палитры в условиях всех трёх нарушений.
В: Как убедиться, что мои цвета выглядят правильно на разных мониторах и проекторах?
Откалибруйте монитор в соответствии с цветовым пространством sRGB — это стандартное предположение для академических рисунков, предназначенных для просмотра на экране. При презентациях в большом зале увеличьте контрастность и избегайте очень светлых цветов (всё, что превышает ~85 % светлоты, будет смываться на большинстве проекторов). По возможности тестируйте слайды в реальной обстановке проекции.
