Changing your perspective: the impact of different visualisation methods on seismic hazard maps
Notice bibliographique
Résumé
A number of widely used colour palettes applied to display critical scientific results not only distort data but are also inaccessible to a proportion of the population. An issue with the rainbow palette (and variants such as “jet”) is that the gradients between the colours are not even. The impact of an uneven colour gradient is that certain colours are highlighted over others, distorting the underlying data. Furthermore, an uneven colour palette like rainbow may be inaccessible for people with colour vision deficiencies or colour blindness. When communicating scientific results, data should always be presented without distortion and be universally accessible. This is particularly important when communicating public-facing and time-critical information such as hazards. Here, we show the impact of changing the visualisation profile of seismic hazard maps on the perception of risk, as well as qualifying the public accessibility of this information. Using Canadian seismic hazard as an example, our results reveal that an uneven colour map applied to seismic hazard data can exaggerate lower hazard values and reduce the perception of extremely high hazard values. Applying an even colour gradient to our sample data not only allows this essential public resource to be universally accessible but was found to lead to the greatest visual change in regions with the most populated cities. The choice of colour map and subsequent data interpretations also holds relevance for considerations such as insurance. We highlight potential next steps to promote inclusiveness in data visualisation and welcome discussion on science communication best practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».