顏色是無聲的後設資料。讀者尚未看清座標軸標籤之前，圖表的配色方案就已傳遞了訊號：這位作者是否嚴謹、圖表是否具備可及性、論文是否達到發表標準。然而現實中，多數研究者憑直覺選色，或直接沿用 Matplotlib、Excel 的預設配色。
這篇指南要解決這個問題。你將系統了解科研圖表的三大配色類型，取得 7 套含完整 HEX 代碼的即用色板，並掌握一套可在投稿前執行的實務規則。
本文重點：
- 定性、連續、發散三類色板的本質差異及各自適用場景
- 哪些色板對約 8% 色覺差異讀者足夠友善
- 7 套科研常用色板完整 HEX 表
- 科研圖表配色的實用 Do/Don't 清單
- 如何用 SciDraw AI 圖表檢查工具 在投稿前排查配色與格式問題
配色是一項科學決策
糟糕的配色不只是不好看，更可能產生誤導。彩虹色（jet）色彩映射會在資料中憑空製造邊界。紅綠對比對氘色盲讀者（最常見類型）完全失效。多子圖之間配色不一致，會迫使讀者每切換一次圖面就重新解讀圖例。
Nature、Science、PNAS 等頂尖期刊越來越明確要求作者確保圖表對色覺差異讀者可讀，部分出版商會以「灰階轉換後類別無法區分」為由退稿。從一開始就選對色板，能省掉大量修改週期。
三大配色類型
定性色板（Qualitative Palette）
適用場景： 對無內在順序的類別型資料編碼——細胞類型、實驗組別、物種、處理條件。
核心原則： 各顏色視覺權重相當，不應有某個顏色顯得「更重要」。
常見錯誤： 用淺到深的漸層序列表示類別，這會暗示存在排序關係。
連續色板（Sequential Palette）
適用場景： 編碼從低到高的數值變數——基因表現量、溫度、濃度、p 值大小。
核心原則： 必須知覺均勻（perceptually uniform）：資料等距的變化，在顏色上也應等距可見。大多數手工調配的漸層都不滿足此要求。
常見錯誤： 當零值沒有實際意義時，誤用兩端對稱的發散色板。
發散色板（Diverging Palette）
適用場景： 資料中點具有實際意義時——倍數變化（以 log2 = 0 為中心）、相關係數（以 0 為中心）、異常值圖（以歷史均值為中心）。
核心原則： 兩端飽和度應對稱，中點應為接近白色或淺灰的中性色，而非第三種飽和色。
常見錯誤： 中點用鮮豔色，反而製造了不存在的第三類別。
色覺無障礙：不可妥協的底線
全球約 8% 男性、0.5% 女性存在不同程度的色覺差異。氘色盲（deuteranopia）和原色盲（protanopia）即紅綠色覺差異最為常見，藍黃色覺差異（tritanopia）雖然較少見，但影響的讀者數量仍不可忽視。
最快的測試方法： 將圖表轉為灰階。若所有類別仍可區分，即通過最基本的無障礙檢驗。
最可靠的測試方法： 使用 Coblis（色覺差異模擬器）或 Python 的 colorblind 模組，分別模擬氘色盲、原色盲、藍黃色盲視角。投稿前，將圖表上傳至 SciDraw AI 圖表檢查工具，自動排查配色無障礙問題與格式合規性。
7 套即用色板完整 HEX 表
1. Okabe-Ito（定性，8 色——色覺無障礙金標準）
由 Okabe Masataka 和 Ito Kei 專為色覺差異無障礙設計，是當前多數現代風格指南推薦的定性色板預設首選。
| 色塊 | 名稱 | HEX | RGB |
|---|---|---|---|
| ■ | 黑 | #000000 | 0, 0, 0 |
| ■ | 橙 | #E69F00 | 230, 159, 0 |
| ■ | 天藍 | #56B4E9 | 86, 180, 233 |
| ■ | 藍綠 | #009E73 | 0, 158, 115 |
| ■ | 黃 | #F0E442 | 240, 228, 66 |
| ■ | 藍 | #0072B2 | 0, 114, 178 |
| ■ | 朱紅 | #D55E00 | 213, 94, 0 |
| ■ | 紅紫 | #CC79A7 | 204, 121, 167 |
最適合： 最多 8 個類別；面向廣泛受眾或有無障礙要求的期刊投稿。
2. Paul Tol Bright（定性，7 色）
天文學家 Paul Tol 開發，在白色和淺灰背景（學術圖表最常見的背景）上均有良好對比度。
| 色塊 | 名稱 | HEX |
|---|---|---|
| ■ | 藍 | #4477AA |
| ■ | 青 | #66CCEE |
| ■ | 綠 | #228833 |
| ■ | 黃 | #CCBB44 |
| ■ | 紅 | #EE6677 |
| ■ | 紫 | #AA3377 |
| ■ | 灰 | #BBBBBB |
最適合： 最多 7 組的折線圖和散點圖。
3. Viridis（連續，知覺均勻）
自 2015 年成為 Matplotlib 預設色圖以來最廣泛採用的連續色板。知覺均勻、色覺友善、灰階列印效果佳。
| 位置 | HEX | 說明 |
|---|---|---|
| 0% | #440154 | 深紫（低值） |
| 25% | #31688E | 藍 |
| 50% | #35B779 | 綠 |
| 75% | #90D743 | 黃綠 |
| 100% | #FDE725 | 亮黃（高值） |
最適合： 熱圖、密度圖、無自然零點的連續變數。
4. Plasma（連續，知覺均勻）
比 Viridis 更溫暖的替代方案，在確保彩色列印的情況下視覺效果更強。
| 位置 | HEX |
|---|---|
| 0% | #0D0887 |
| 25% | #7E03A8 |
| 50% | #CC4778 |
| 75% | #F89540 |
| 100% | #F0F921 |
最適合： 彩色列印確定的補充材料圖表；顯微鏡螢光強度圖。
5. RdBu（發散）
ColorBrewer 經典紅藍發散色板，廣泛用於相關矩陣、基因表現倍數變化和氣候異常圖。
| 位置 | HEX | 說明 |
|---|---|---|
| −極值 | #B2182B | 深紅 |
| −中間 | #EF8A62 | 淺紅 |
| 0 | #F7F7F7 | 近白中性 |
| +中間 | #67A9CF | 淺藍 |
| +極值 | #2166AC | 深藍 |
最適合： 相關矩陣、倍數變化熱圖、以零為中心的任何資料。
6. PRGn（發散，更佳的色覺無障礙適配）
紫–綠發散色板。因避免了紅綠對比，對氘色盲和原色盲讀者的效果明顯優於 RdBu。
| 位置 | HEX |
|---|---|
| −極值 | #762A83 |
| −中間 | #C2A5CF |
| 0 | #F7F7F7 |
| +中間 | #7FBF7B |
| +極值 | #1B7837 |
最適合： 對色覺無障礙有要求的任何發散型資料場景。
7. Nature/Cell 風格低飽和定性色板（5 色）
近似 Nature、Cell 系列期刊常見的低飽和度出版級風格，在保持類別區分度的同時避免視覺刺激。
| 色塊 | HEX | 典型用途 |
|---|---|---|
| ■ | #4E79A7 | 第一組 / 對照組 |
| ■ | #F28E2B | 第二組 / 實驗組 |
| ■ | #E15759 | 第三組 / 重點標註 |
| ■ | #76B7B2 | 第四組 |
| ■ | #59A14F | 第五組 |
最適合： 投稿至高影響係數期刊的長條圖、箱型圖和多折線圖。
選板速查表
| 色板 | 類型 | 顏色數 | 色覺無障礙 | 灰階效果 | 適用期刊場景 |
|---|---|---|---|---|---|
| Okabe-Ito | 定性 | 8 | 優秀 | 良好 | 任何場景；無障礙要求期刊 |
| Tol Bright | 定性 | 7 | 良好 | 中等 | 折線圖 / 散點圖 |
| Viridis | 連續 | 連續 | 優秀 | 優秀 | 熱圖、密度圖 |
| Plasma | 連續 | 連續 | 優秀 | 良好 | 保證彩印的圖表 |
| RdBu | 發散 | 連續 | 中等 | 良好 | 相關矩陣、倍數變化 |
| PRGn | 發散 | 連續 | 良好 | 良好 | 需色覺無障礙的發散場景 |
| Nature 低飽和 | 定性 | 5 | 良好 | 中等 | 高影響係數期刊投稿 |
科研圖表配色實務規則
應當做的
- 應當 對連續資料使用知覺均勻的連續色板（Viridis、Plasma、Cividis）。
- 應當 在投稿前將每張圖表轉為灰階檢驗——許多審稿人黑白列印。
- 應當 在多子圖論文的所有面板中使用同一套色板。使用 SciDraw AI 科學圖表生成器 製作多面板圖時，在專案層級鎖定配色方案，能強制執行全文一致性。
- 應當 只在中點具有實際科學意義時才使用發散色板。
- 應當 為色條（colorbar）標註準確的變數名稱和單位。
- 應當 完成圖表後透過專項檢查工具把關。SciDraw AI 圖表檢查工具 會自動標出常見的配色對比度和格式問題。
不應當做的
- 不應當 對科學資料使用 jet / 彩虹色圖。它知覺不均勻、製造偽邊界，無法通過任何色覺無障礙測試。
- 不應當 在類別超過 8 個時僅靠顏色區分——應額外引入形狀或紋理冗餘編碼。
- 不應當 在不檢查無障礙性的情況下將紅綠作為發散色板兩端。
- 不應當 對嚴格正值或嚴格負值資料使用發散色板。
- 不應當 在展示同一變數的子圖之間更換色板。
- 不應當 讓顏色成為唯一的視覺通道——盡可能同時結合形狀、線型或直接標註。
常用工具中的配色實作
Python（Matplotlib / Seaborn）
import matplotlib.pyplot as plt
# Okabe-Ito 色板
okabe_ito = ['#000000','#E69F00','#56B4E9','#009E73',
'#F0E442','#0072B2','#D55E00','#CC79A7']
# 設為預設顏色循環
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)
# Viridis 是 Matplotlib 的預設連續色圖
plt.imshow(data, cmap='viridis')R（ggplot2）
library(ggplot2)
# 透過 ggthemes 套件使用 Okabe-Ito
library(ggthemes)
scale_colour_colorblind()
# 或手動指定
okabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")
scale_colour_manual(values = okabe)Adobe Illustrator / Inkscape
將 HEX 值直接匯入色票，並以專案為單位建立具名色票群組，確保各面板之間色彩一致。完成向量圖後，可匯出並透過 SciDraw AI 圖文摘要生成器 整合為期刊級圖文摘要版面。
從選色到發表級圖表
選對配色只是第一步。達到發表要求還需要：
- 字型大小合規（多數期刊要求標註字型不低於 6 pt，建議 8–10 pt）
- 線寬能承受縮放（建議不低於 0.5 pt）
- 圖表尺寸符合期刊版面規格
- 點陣元素解析度不低於 300 DPI
SciDraw AI 科學圖表生成器 會自動處理尺寸和解析度要求；SciDraw AI 圖文摘要生成器 可將你的資料圖整合為視覺一致的單頁摘要。最終檔案交由 圖表檢查工具 過一遍，確保萬無一失。
常見問題解答
Q：熱圖是否應該一律使用 Viridis？
Viridis 是優秀的預設選項，但不是唯一選擇。Inferno 和 Cividis 同樣知覺均勻且對色覺友善。選擇時需考慮敘事脈絡：Viridis 對很多讀者有「冷到暖」的隱含意涵，這不一定符合你的資料故事。若資料表示強度或計數而無方向性，三者皆適用。
Q：定性色板能不能使用超過 8 種顏色？
技術上可以，但超過 8 個類別時不應單獨依賴顏色區分。人類感知對類別色彩區分的能力在 8 色以上迅速退化。此時應疊加形狀標記（圓、方、三角）、線型（實線、虛線、點線）或直接在圖上標註，作為顏色的補充編碼。
Q：色條應包含多少刻度標註？
色條最少應在完整資料範圍內均勻分布 5 個帶標註的刻度。色條標籤中必須註明確切的變數名稱和單位。對於發散色板，必須明確標註中點值。
Q：期刊要求提交 CMYK 圖表，這些 HEX 值還適用嗎？
HEX 是 RGB 格式。最終投稿前，需要按期刊 ICC 設定檔（通常以 Adobe RGB 1998 或 sRGB IEC61966-2.1 為來源色彩空間）將圖表轉換為 CMYK。顏色會有輕微偏移——要仔細核查 CMYK 預覽，尤其是 Viridis 高值端的高飽和黃色，轉 CMYK 後容易發灰。如有疑問，向期刊製作團隊申請彩色打樣。
Q：是否存在對所有類型色覺差異都安全的單一色板？
目前沒有任何單一色板能同時完美適配三種主要類型（原色盲、氘色盲、藍黃色盲），但 Okabe-Ito 在定性色板中最接近這一目標。對於連續和發散場景，Cividis 是專門針對所有色覺差異類型最佳化的色圖。建議使用 Coblis 模擬器分別驗證你的色板在三種色覺差異下的效果。
Q：如何確保顏色在不同顯示器和投影機上看起來一致？
將顯示器校正至 sRGB 色彩空間——這是學術圖表的標準預設色彩空間。用於大型會場投影時，應適當提高對比度，避免過淺的顏色（亮度超過約 85% 的顏色在大多數投影機上會顯得很淡）。有條件時，在實際投影環境中預先測試簡報效果。
