EN中文

地理学报 >

2024 , Vol. 79 >Issue 9: 2191 - 2205

DOI: https://doi.org/10.11821/dlxb202409003

理论与方法

从视觉神经科学的视角看地图视觉变量理论

  • 吴明光 , 1, 2, 3 ,
  • 乔莉鸽 1, 2 ,
  • 闾国年 1, 2, 3
展开
  • 1.南京师范大学地理科学学院，南京 210023
  • 2.南京师范大学虚拟地理环境教育部重点实验室，南京 210023
  • 3.江苏省地理信息资源开发与利用协同创新中心，南京 210023

吴明光(1979-), 男, 湖北武汉人, 教授, 主要从事时空大数据可视化、地图认知、地图AI与风格迁移、声音地图等方面的研究与应用。E-mail:

收稿日期: 2023-12-13

  修回日期: 2024-08-12

  网络出版日期: 2024-09-27

基金资助

国家自然科学基金项目(41971417)

收起

Revisiting cartographic visual variables from a perspective of visual neuroscience

  • WU Mingguang , 1, 2, 3 ,
  • QIAO Lige 1, 2 ,
  • LYU Guonian 1, 2, 3
Expand
  • 1. College of Geographic Sciences, Nanjing Normal University, Nanjing 210023, China
  • 2. Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210023, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received date: 2023-12-13

  Revised date: 2024-08-12

  Online published: 2024-09-27

Supported by

National Natural Science Foundation of China(41971417)

Fold

摘要

地图是地理学的语言，视觉变量是地图学的基础理论。然而，当前对地图视觉变量的研究主要以经验描述归纳为主，视觉机理解释不足，存在感知顺序不清晰、“形状”视觉变量划分粒度不精细、“位置”视觉变量界定不清楚3个基本问题。本文在总结眼—脑系统中的主要视觉神经元的基础上，详细分析了视觉变量的神经机理，研究发现：① 视觉变量的感知顺序首先是亮度和色彩，其次是简单的位置、方向、尺寸，最后是复杂的形状和纹理；旅游图的眼动实验表明，利用色彩能够被优先感知的特点，可以将色彩作为视觉线索，用于加强地图的视觉层次，引导读者的视觉注意力。② 曲率可作为形状视觉变量的细分变量；可持续发展制图案例表明，曲率视觉变量可以有效用于表达定性、定量信息。③ 位置能够被视觉神经元直接高效识别和处理，应该被定义为一个视觉变量，但是在强调图形位置精度的情况下，它不宜变化。导航地图和印象地图的对比实验表明，位置视觉变量能够引起显著的视觉和情感唤醒度差异。本文研究结果可加深对地图视觉变量理论的理解，可为可持续发展制图、个性创意地图设计等提供新的视觉设计理论。

关键词： 视觉变量; 地图学; 视觉感知; 视觉神经科学

本文引用格式

吴明光 , 乔莉鸽 , 闾国年 . 从视觉神经科学的视角看地图视觉变量理论[J]. 地理学报, 2024 , 79(9) : 2191 -2205 . DOI: 10.11821/dlxb202409003

Abstract

Maps are the language of geography and visual variables serve as fundamental theories in the fields of cartography. However, current research on visual variables in cartography predominantly relies on empirical description and induction, and the explanation of visual mechanism is insufficient. There are still three fundamental issues: the perceptual sequence of the visual variables is unclear, the granularity of the "shape" visual variable division is not precise, and the definition of the "location" visual variable is unclear. Based on the summary of the main visual neurons in the eye-brain system, this paper analyzes the neural mechanisms of visual variables in detail. The study uncovers several key findings: (1) The perception sequence of visual variables follows a pattern, starting with value and color, followed by simple location, orientation, size, and finally complex shape and texture. Eye-tracking experiments conducted on tourist maps show that using the feature that color can be perceived first, color can be used as a visual cue to strengthen the visual hierarchy of the map and guide the visual attention of the readers. (2) Curvature can be used as a subdivision variable of shape visual variable. The case study in the context of sustainable development mapping shows that curvature variables can be effectively used to express both qualitative and quantitative information. (3) Location can be directly and efficiently processed and recognized by visual neurons, and thus it should be defined as a visual variable. However, it should not be changed when the accuracy of graphic position is emphasized. Comparative experiments between navigation map and city image map show that the location variable can cause significant evoke differences in visual perception and emotional arousal. The research in this paper contributes to a deeper understanding of the theory of visual variables and provides new visual design theory for sustainable development mapping, creative and personalized mapping.

Key words： visual variables; cartography; visual perception; visual neuroscience

1 引言

地图是地理学的语言，地理学研究与社会发展的需求以及新兴技术驱动着地图学不断演进[1]，也挑战现有的地图学理论与方法。当前地图正以泛地图[2]、准地图[3]、微地图[4]、全息地图[5⇓-7]等形式广泛应用于民生服务、休闲旅游、智慧城市等领域。同时，地图质量参差不齐的问题也异常突出，Goodchild甚至表示“大众正以更加快速、廉价的方式大量生成（地图）垃圾”[8]。其中一个重要的原因在于，当前地图学的许多基本原理，包括视觉变量理论，是以经验性描述为主，缺少机理分析，难以满足日益多样的制图需求。
地图视觉变量是能够引起视觉感知变化的基本的地图图形和颜色因素。Bertin最初提出了7个基本的地图视觉变量：位置、尺寸、亮度、纹理、色彩、方向和形状[9]。许多学者对其进行了后续扩展，Morrison增加了图案排列、图案方向和图案纹理，并将颜色描述为色相、亮度和饱和度[10]；Robinson等将地图视觉变量分为基础视觉变量和从属视觉变量，基本视觉变量包括形状、尺寸、方向、色相、亮度、彩度；从属视觉变量包括纹理排列、纹理方向、纹理网纹[11]。与Bertin认为位置是一个地图视觉变量的观点不一致，Robinson等认为位置不是一个可以在地图中改变或操作的变量。MacEachren扩展了3个视觉变量：清晰度、分辨率和透明度[12]。近年来，视觉变量有进一步细分的趋势，如草图（Sketchiness）被视为一种形状变量用来可视化不确定性[13-14]，还有学者提出动态变量[15-16]、三维变量[17]和声音变量[18]等。
目前地图视觉变量的基础理论还存在3个基本问题：① 地图视觉变量的类型均是以列表的形式来讨论的，意味着视觉变量之间是并列关系。但从视觉信息的加工过程来看，视觉变量在视觉感知顺序上存在先后差别，而感知顺序直接决定地图符号的认知效率。Wolfe等[19]已经注意到颜色、方向和尺寸是最具有引导性的视觉变量，但并未给出感知顺序。② 形状视觉变量的划分粒度不清晰。Robinson等[11]区分了基础视觉变量和从属视觉变量，但是并未讨论视觉变量的划分粒度。有些视觉变量的划分粒度过于粗略，难以深入指导地图符号设计。如“形状”被定义为一个整体的视觉变量，但是，设计师在设计符号时往往会利用图形的曲直、繁简等视觉特征来形成个性、创意的符号风格。③“位置”是否是一个地图视觉变量还存在分歧。Bertin讨论的第一个视觉变量就是位置，而Robinson等则认为位置不是一个视觉变量，而只是制图对象的空间属性。地图设计师往往会对精确采集到的空间位置进行二次加工，制作“变形”的地图，比如地铁线路图、城市规划图等。目前对这类变形地图，主要从清晰、简洁的角度来讨论其视觉外观，尚未从视觉变量的角度来讨论其视觉特征。
近年来，随着神经影像学的进步，特别是功能性磁共振成像、脑电图、脑磁图、眼功能成像等技术的出现，人类对眼—脑系统的视觉神经加工过程的认识逐渐清晰，产生了视觉神经科学、神经美学等新的学科分支[20-21]。本文首先梳理眼—脑视觉信息加工过程，然后从视觉神经信息处理的角度来解释地图视觉变量，最后通过3个地图感知实验，分析地图视觉变量的感知顺序、形状视觉变量的划分粒度、位置视觉变量的界定等问题。

2 眼—脑系统中的主要视觉神经元

眼—脑视觉信息处理过程是指从可见光进入眼睛到最终在头脑中解析出视觉信息的过程（图1）。该过程主要由眼部的视网膜（Retina）、丘脑后部的外侧膝状体（Lateral Geniculate Nucleus, LGN）和大脑枕叶区的视觉皮层（Visual cortex）3个部分的视觉神经系统完成[22]。视网膜主要通过复杂的光电化学反应，将光学信号转换为神经脉冲信号，外侧膝状体主要负责信号的中转，而视觉皮层则负责视觉信号的理解。
图1 人类眼—脑视觉系统的主要组成

注：改自文献[23]。

Fig. 1 The main component of the human eye-brain visual system

2.1 视网膜视觉神经元

视网膜包含视锥细胞和视杆细胞两种光感受器，分别在亮光和暗光环境下活跃。视锥细胞具有较高的空间分辨率，能够辨别色彩。按照视锥细胞对长波光、中波光和短波光的敏感性，可以将其分为红锥、绿锥和蓝锥3种。人类对色彩的感知取决于不同视锥细胞的激活差异。通过比较三种视锥细胞的相对活跃程度可以识别出红、绿、蓝三原色。
视网膜神经节细胞接收来自视锥和视杆细胞的信息。大多数神经节细胞具有同心圆式的中心—周围结构，分为“给光”中心和“撤光”中心两种主要类型，分别对暗背景上的亮点和亮背景上的暗点敏感。两者都对均匀亮度不敏感，而对中心—周围结构的亮度差异敏感。视网膜神经节细胞将来自左右眼的信息进行亮度、色彩和轮廓等初步处理后，经LGN中转，传递给视觉皮层进行深加工。

2.2 视觉皮层视觉神经元

大脑视觉皮层包括纹状皮层（Striate Cortex）和纹外皮层（Extrastriate Cortex）。纹状皮层也称初级视觉皮层或V1，纹外皮层包括视觉第二、第三、第四、第五等分区，或称V2、V3、V4和V5等（图1）。视觉信息进入视觉皮层后有两条主要的视觉通路（图1），一条是腹侧通路，贯穿V1—V2(—V3)—V4，并主要投射到下颞叶（Inferior temporal, IT）皮层[24⇓⇓⇓-28]，处理有关色彩、形状、纹理等信息。另一条是背侧通路，贯穿V1—V2(—V3)—V5，主要经内上颞（Medial Superior Temporal, MST）皮层投射到顶叶[24]，处理和识别亮度、方向、运动和空间位置等信息。
V1包括简单和复杂细胞，分别对特定朝向（Orientation）、位置、特定空间频率的边缘（Edges）或线条（Bars）反应强烈，和对局部特定运动方向（Direction）的线条敏感[29-30]，部分神经元还对绝对视差和线条末端等敏感。约5%~10%的V1神经元专门负责颜色处理[30-31]，包括单对比神经元（Single Opponent Cell），能够计算红—绿和蓝—黄色差，对色差较大的区域做出反应；还有双对比神经元（Double Opponent Cell），对空间对比结构敏感，当一种颜色在其对比色的背景上呈现时反应强烈[30-31]，包括红/绿、绿/红、蓝/黄和黄/蓝4类。
V2主要接收来自V1的输入，提取由纹理、亮度变化形成的图形轮廓[31⇓⇓-34]。V2中包含边界归属神经元，能够将局部特征整合，实现前—背景分离[29]。V2包含与V1类似的双对比神经元，能够处理对比色；还包含对边缘和线条及其朝向、相对视差敏感的神经元，能够识别图形的相对位置关系[30]。
V3中转来自V2的信息，并编码绝对视差，在提取与运动相关的视觉信息中发挥作用[35]。目前对V3功能的研究相对较少。
V4神经元对色彩、方向、曲率、简单形状等具有选择性[29,36]，还能够进行相对详细的尺寸计算[37]。V4中的色彩编码神经元能够识别出更多等亮度的混合色[30]。此外，V4中的方向选择性（Orientation sensitive neurons）神经元有助于识别方向明确、线条平直的图形。
V5神经元对运动方向、速度和加速度等信息进行加工处理和整合[38]，特别关注目标的整体和全局运动方向[39⇓-41]；还对双眼视差敏感，与三维深度判断相关[42⇓-44]，有助于获取物体在三维空间中的精确位置信息。
IT分为PIT（Posterior IT）和AIT（Anterior IT）等区域，负责处理形状和纹理等更复杂的特征[28,30]。其中，AIT主要处理中等复杂度的特征，PIT主要响应二维形状的刺激，并编码和整合其他属性信息，如色彩、纹理和三维形状等[26⇓-28]。与V5相似，MST也能够选择性地响应全局运动方向和模式，如扩张或旋转等[45]。

3 视觉变量的神经处理机理

在上述视觉神经系统简介的基础上，进一步讨论亮度、色彩、位置、方向、尺寸、形状和纹理7个基本视觉变量涉及的神经元，然后讨论其感知顺序、形状视觉变量划分粒度，以及位置视觉变量的界定。

3.1 处理视觉变量的神经元

3.1.1 亮度

亮度描述了图形发射或反射的光的能量强度。与亮度感知及亮度差异检测相关的神经元主要位于视网膜和V1等。视网膜上的视锥细胞和视杆细胞分别对亮光和暗光敏感，分别对应于亮视觉与暗视觉[46]。光线进入视网膜后，视网膜中的光感受器细胞被激活感知出绝对亮度，并将信息传递到视网膜神经节细胞，初步检测出亮度的明暗对比。之后LGN将亮度对比信息传递至视觉皮层，并由V1进一步识别出亮度差异信息。
亮度的感知包括绝对亮度与相对亮度两个识别阶段。其中，绝对亮度主要涉及感知图形的整体亮度水平，而相对亮度检测图形之间的亮度差异。如前所述，“给光”和“撤光”这两种对光的反应模式是识别相对亮度的生理基础，也是进一步识别图形轮廓的前提。

3.1.2 色彩

视网膜、V1、V2、V4等在色彩信息的处理过程中发挥重要作用，但对色彩的处理和识别方式存在不同（图2）。视锥细胞主要识别三原色。视网膜神经节细胞接收来自视锥细胞的信息，并处理红—绿、蓝—黄对比色信息。视觉皮层中识别对比色的神经元可进一步区分为单对比神经元和双对比神经元。V1中的单对比神经元对红—绿、蓝—黄色差较大的区域敏感。V1和V2中的双对比神经元在处理对比色时更加复杂，对某种颜色在其对比色的背景上敏感。V4中的色彩神经元则能够检测出较小的色差，识别出混合色。
图2 色彩敏感神经元的4种色彩识别方式

注：改自文献[30]。

Fig. 2 Four color recognition methods of color-sensitive neurons

3.1.3 位置

现实世界的图形经视网膜传递到视觉皮层后，经过V1、V2、V5等多个处理阶段，识别出图形的位置。视网膜和视觉皮层上的神经元与外在的图形刺激在空间上不是严格的线性对应关系，这种对应关系是变形的，可称之为拓扑对应。Tootell等[47]以一组同心圆结构的视觉刺激材料为基础（图3a），实验分析了视网膜输入到视觉皮层之间的对应关系（图3b）。视网膜的输入传递到V1中发生了较大的变形，其中，视野的中央（中心凹，点O）部分投射到V1的最后端，而视野的外围区域则投射到更靠前端的位置（图3中点S、H、I）。同时，视野中刺激图形的位置在成像时发生了倒转，视野上部投射到V1下方，而视野下部投射到V1上方。视野中的位置相邻关系在投射后得到了保持，例如点O、C在刺激图形中的相邻关系投射到V1后保持不变。随着视觉皮层层级的升高，视网膜拓扑关系越来越模糊[48]。部分V1神经元对绝对视差敏感[30]，其中的简单细胞具有位置选择性，只对特定位置的边缘、线条刺激有最佳反应，能够处理边缘、线条的绝对位置信息[33]。V2对相对视差敏感，能够识别空间中两个图形的相对位置关系[30]。V5中的深度感知神经元则有助于理解目标在三维空间中的精确位置。
图3 视网膜—V1变形图

注：改自文献[47]。

Fig. 3 Retina-V1 deformation

从以上视网膜—V1变形图来看，位置信息从视网膜输入开始就被分解为变形位置、精确位置、绝对位置与相对位置等，完全不同于欧式空间等数学空间中的位置表达方式。

3.1.4 方向

视觉皮层中的神经元能够区分朝向和方向。在视觉系统中，腹侧通路中的神经元对朝向信息的处理起关键作用，能够检测物体的边缘和线条，有助于分析物体的结构和轮廓。其中，V1中的简单细胞可以检测出边缘、线条等的特定朝向特征[30]。V2具有与V1类似的朝向选择性特征。V4神经元也能够对朝向选择性地做出反应，这是因为其中对水平、垂直朝向敏感的神经元占比相对较多[49]。运用这一视觉特征的典型画家Mondrian画作《红、蓝、黄构图》中（图4a），水平、垂直的线条可以被V4神经元直接识别而无须其他神经元的协同。地图也可以通过简化方向和形状来提高信息的表现力与可读性。如图4b的深圳地铁线路图，其中的地铁线路（节点、方向）非常容易被V4识别，使得整个地图信息丰富但认知负担低、认知效率高。
图4 应用方向选择性的实例

Fig. 4 Examples applying orientation selectivity

与朝向不同，方向信息涉及到动态的运动感知。在视觉系统中，背侧通路中的神经元主要处理方向信息，能够感知图形的运动及方向变化。其中，V1中的复杂细胞具有方向选择性，对局部的特定移动方向的边缘及线条敏感[29]。V5中的大多数神经元对运动刺激敏感，能够对全局运动方向进行感知和整合[30]。MST则接收来自V5的信息，能够整合视野内不同方向的运动，选择性地响应全局运动模式[45]。

3.1.5 尺寸

尺寸描述图形在长度、宽度、高度、面积、体积等方面的度量变化。图形的尺寸是通过V1、V2、V4等区域的神经元活动所激活的视网膜神经元的面积大小来识别的。V1中的部分神经元对特定尺寸（通常较小）的边缘、线条的空间频率等简单特征响应强烈，形成对其尺寸的初步感知。V2对从V1中接收的一些特征进行组合和比较，例如将简单的边缘、线条等合并为更复杂的轮廓，检测出物体的大致尺寸等。V4中的神经元则整合有关视网膜图像尺寸（视网膜上激活神经元的面积大小）与物体距离的信息，当目标分别呈现在较近或较远的距离时，V4神经元分别对较大或较小的视网膜图像尺寸敏感，能够更详细地识别目标尺寸[37]。
总的来说，尺寸感知的精确程度和分辨能力是由神经元活动和信息处理的复杂性决定的。受不同视觉区域中处理边缘、轮廓及其变形位置等信息的影响，获取的尺寸信息的精度也有所差异。

3.1.6 形状

形状的识别包括边缘检测、轮廓提取以及轮廓几何属性的处理等步骤，是一个由简单到复杂的视觉特征整合过程。构成形状特征的是图形的轮廓特征，即沿轮廓的边缘、角度和曲率等[50]，与其相关的神经元主要位于V1、V2、V4和IT等区域。形状信息的处理始于轮廓感知。V1中的神经元能够检测图形中的边缘，例如两个具有色彩或亮度差异的区域的交界处，这个过程有助于图形轮廓的初步感知。V2能够提取轮廓，例如纹理定义的轮廓、虚幻的轮廓等，其中的边界归属神经元能够进行前景和背景分离，有助于图形形状的识别。V4中的神经元能够处理轮廓线的几何属性，对不同轮廓的曲率特征敏感，能够识别出简单的形状（如圆形）[30]。IT区域中的神经元则能够将几何属性与高级轮廓特征（例如对称性和轮廓线的连通性）相结合，从而对复杂的形状进行有效地识别和分类。

3.1.7 纹理

纹理信息的处理涉及到V1、V2、IT等视觉区域神经元的相互作用。V1能够识别简单的纹理特征。V1神经元的朝向选择性可以扩展到对纹理朝向的响应，能够识别不同朝向的纹理特征，例如水平和垂直的纹理信息。V1神经元的空间频率敏感性也可以扩展到对纹理排列的响应，能够识别出特定间隔尺寸的纹理特征。与V1类似，V2中的朝向选择性神经元也可以识别出不同朝向的纹理。此外，V2神经元还能够识别出由纹理定义的轮廓，能够通过纹理信息的变化识别和分离图形的轮廓[29]。IT中的神经元则可以识别不同类型的更复杂的纹理信息。此外，IT神经元还能够将纹理与其他视觉变量进行整合，如纹理和色彩、纹理和形状等，进而提高纹理识别的准确性。
综上，视觉变量所涉及的神经元可以初步总结为表1。Bertin与Robinson等提出的亮度、色彩、方向、形状、纹理等视觉变量均有视觉神经元与之对应，体现了“视觉”与“变量”这两个术语本身的科学性。“尺寸”这一变量虽没有直接对应的神经元，但其所激活的神经元的面积大小正是“尺寸”带来的数量感、等级感的视觉神经基础，将其独立作为一个视觉变量也符合地图需要描述定量地理信息的实际需求[9,11]。另外，Bertin最初使用的术语是“视网膜变量”[9]，后续学者将其命名为“视觉变量”[11]，这一术语的变化，也符合视觉变量始于视网膜，重点在视觉皮层加工处理这一眼—脑协同过程的特征。
表1 视觉变量涉及的视觉神经区域和主要功能

Tab. 1 The visual neural areas involved in visual variables and their primary function

3.2 地图视觉变量3个基本问题的实验分析

3.2.1 地图视觉变量的感知过程

地图视觉变量的信息处理是一个由简单到复杂、由基础到高级的层次递进的过程（表1）。亮度和色彩是其他视觉变量构建的基础。视网膜通过外界可见光的刺激感知出亮度和三原色，并检测和提取出具有亮度和色彩差异的边缘、轮廓等信息。这些信息继续被整合，进一步识别出对比色、位置、方向和尺寸信息，最终解析出混合色、复杂的形状和纹理等信息。因此，整体来看，首先被感知到的视觉变量是亮度和色彩，其次是简单的位置、方向、尺寸，最后是复杂的形状和纹理。
为了验证上述视觉变量的感知顺序，本文选取Utnapishtiy的《莫斯科之夜》绘画（图5a）与《江苏园博园旅游地图》（图5b）来进行视知觉实验。该旅游图上的颜色使用具有典型性，主要用来区分地物属性与功能，如绿色表示绿地与自然景观、黄色表示餐饮等配套设施、粉色表示园林景观；符号颜色严格与符号的形状对齐。本文注意到该区域的地物分布不均匀，且广泛存在功能混合的区域。如图中心略偏上的位置，主体分布的是园林景观，也零星分布有自然景观；图中心略偏左下的区域，主体是餐饮等场所，但是也分布有供观赏的园林景观。该图没有突出表达核心景区，也没有表达出功能混合的特征。为进行控制实验，本文对该旅游图的颜色配置方式进行了改进（不改变颜色值）。本文利用颜色能够先被感知这一特点来标识核心景区的大致范围；利用颜色和形状分步感知的特点，用颜色来对功能类似的符号进行分组。改进后的旅游图中，颜色作为视觉线索，不与地图符号的形状严格对齐（图5c）。
图5 绘画与地图的注视点热点分布

Fig. 5 Hotpot distribution of fixation for painting and maps

本文使用眼动仪（Tobii Pro X3-120）来对上述3个图件进行视知觉实验，通过注视点随时间的变化来分析它们所使用视觉变量的感知顺序。实验共邀请了20名被试者，其中10名男性，10名女性，平均年龄25岁，均无眼部疾病（如色弱），矫正视力正常。实验过程中，被试者被要求在一个安静、明亮的房间无任务自由观看图5a、5b和5c各40 s。采集被试者在读图过程中的首次注视点（一般发生在0~1 s，平均时间0.45 s）、0~20 s注视点（包含首次注视点）、20~40 s注视点热点的分布。
从图5a的首次注视点热点分布可以看出，绘画中的黄色路灯首先吸引被试者的注意；0~20 s的结果表明，随后被试者的注视点扩散到由密集的点状色彩填充的区域中（左下方）；20~40 s的结果表明，后期被试者的注视点又扩散到由简单线条勾勒的建筑物上（右侧）。原始旅游图的注视点也先落在有色彩填充的点状图标、面状要素上，随后才注意到无色彩填充的道路。改进后的旅游图的注视点热点分布也呈现出由色彩填充的区域扩散到建筑物、道路上的变化趋势。3个图件的眼动实验结果均符合上述视觉变量感知顺序的理论分析。
对比原始和改进的旅游图可以发现，原始旅游图将色彩作为符号的属性，整个地图的视觉中心不突出，注视点比较分散。改进后的旅游图中，虽然颜色没有与符号的形状严格对齐，但是由于颜色和形状是分步、先后感知的，整个图的视觉感受并不突兀；它利用色彩先被感知这一特性，能够将读者的视觉引导到核心景区，且能够清晰表达功能混合这一特性。
本文所归纳的感知顺序能够为视觉变量的选取和使用提供新的理论依据。在地图设计时，如果要提高视觉感知效率，降低认知负担，可以选择优先被感知的视觉变量，如亮度或色彩，而不是形状和纹理。旅游图改进前后的对比实验表明，利用色彩先被感知的特征，可以将色彩作为视觉线索，用于加强地图的视觉层次和视觉分组，引导读者的视觉注意力。

3.2.2 形状视觉变量的划分粒度

视觉变量均不是由单一的视觉神经元和视觉皮层来处理和识别的（表1）。这就意味着当前视觉变量的划分粒度还可以进一步细化。如果某类视觉特征容易被识别，可以用于表达定性和（或）定量的信息，且其视觉感知具有普遍性，则可以将其定义为一个新的或者细分的视觉变量。形状的处理涉及不同的视觉区域，主要包括V1、V2中的轮廓提取神经元和V4中的曲率识别神经元等。因此，将形状定义为一个整体的视觉变量不利于指导具体的符号设计。图形轮廓曲率的凹凸朝向、弯曲程度、对称性等特征均有特定的神经元与其对应，其加工过程具有普适性，因此可以将曲率定义为形状视觉变量的一个细分变量。
本文以一个面向可持续发展的制图案例来验证细分形状视觉变量的应用。江苏省的可持续发展分析涉及到许多不同方面的数据变量，如常住人口数量分布、人均可支配收入水平和相对差异，需要一种有效的制图方法来同时展示和比较多个变量、发现变量之间的关系和趋势。常见的专题制图方法中，通常使用符号的形状视觉变量来编码属性信息。但是，当涉及多个数据变量时，仅通过粗略的形状区分难以满足多变量的表达需求。因此，本文增加曲率作为形状的细分视觉变量，来丰富点符号的表达能力。本文设计了一个使用曲率作为形状的细分视觉变量编码多变量数据的案例。如图6a所示，点符号共表征两个变量的3个属性，涉及定性和定量信息。其中，点符号中角的个数表征常住人口数量，以5000000为间隔分为3类（定性）；轮廓弯曲方向表征人均可支配收入，以江苏省人均可支配收入均值42500为界限分为3类（定性）；轮廓弯曲程度表征人均可支配收入相对42500的差异（定量）。为了验证曲率作为形状细分变量编码多变量数据的可用性，本文还设计了无曲率特征的色彩—亮度（图6b），色彩—尺寸（图6c）两种视觉变量组合来编码相同的数据变量。为了进行控制实验，3个方案（下面分别称为曲率方案、色彩—亮度方案、色彩—尺寸方案）中除了用于编码数据的视觉变量外，其余的地图要素特征都是一致的，例如底图的背景色和标注的颜色、大小、位置，以屏蔽其他视觉变量对视知觉的影响。在两个对比方案中，角的个数也用来表征常住人口数量、轮廓色彩表征人均可支配收入；不同的是表征人均可支配收入相对42500的差异的分别是轮廓亮度和轮廓尺寸。
图6 3种多变量编码方案

Fig. 6 Three multivariable encoding schema

本文设计了涵盖4种典型读图任务（识别、比较、排序和关联）的问题。
问题1：识别常住人口0~5000000人，且人均可支配收入大于42500元的城市。
问题2：比较连云港和常州的常住人口和人均可支配收入的大小。
问题3：对徐州、镇江和苏州的常住人口和人均可支配收入进行排序。
问题4：找到与无锡相邻的城市，然后对这些城市的常住人口及其人均可支配收入与42500元之间的差异进行排序。
本文邀请了未患有眼部疾病的60名被试者参加实验（30名男性，30名女性，平均年龄25岁）。被试者被分为3组，每组20名，分别对应3种不同的设计方案。本文从有效性，即正确率；效率，即完成时间；认知负担，即瞳孔直径变化（瞳孔直径变化越大，表明认知负担越高）3个方面评价曲率作为形状细分视觉变量编码多变量数据的可用性。
图7结果表明，曲率方案的有效性、效率和认知负担与色彩—尺寸方案相似，在效率方面显著优于色彩—亮度方案。因此，本实验结果也验证了曲率可以作为形状的细分视觉变量，这一发现有利于丰富现有点符号的多变量制图方法，有望进一步扩展到同样存在曲率特征的线、面符号。
图7 3种多变量编码方案描述性统计和显著性检验结果

注：*表示具有统计学显著性差异。

Fig. 7 Descriptive statistics and significance test results for three multivariable encoding schema

3.2.3 位置视觉变量的界定

本文对视觉变量神经机理的分析，可以调和两种分歧的位置视觉变量理论。Bertin认为图形在平面上的坐标就是位置视觉变量，这一定义符合视觉神经本身的特点。“位置”能够作为视觉变量的前提是制图任务并不强调制图对象本身的绝对位置精度，例如示意图、心象地图等。Robinson等不认为位置是视觉变量的观点是在计算机制图，特别是在数据采集和制图表达过程分离的技术条件下提出的。在数据驱动的制图背景下，图形的位置由采集的数据决定。此类制图任务也往往强调数据本身的精度，此类地图只是数据的符号化表示，地图图形的位置不能随意调整。位置能够引起显著的视觉差异，本身属于视觉变量。但是，在强调图形位置精度的情况下，它不宜变化。从这个角度来看，上述两种对位置视觉变量的界定并非相互矛盾，只是使用的前提条件不一样。Kraak等将地图定义为地理环境的视觉表达[51]，精确表达地理位置只是众多制图任务之一。随着地图形式的泛化，将位置定义为视觉变量，有利于摆脱“精度”“误差”等的束缚，从而释放出广阔的地图设计创意空间。
为了验证本文对“位置”视觉变量的分析，本文选择典型的面向公众的导航地图和侧重人文的城市印象地图来进行视知觉实验。如图8a的OSM地图具有精确的位置，适用于导航等需要精确位置信息的场景。而图8c的印象地图将道路、河流等进行移位、拉伸，使线条主要呈水平、垂直状态，不强调绝对位置精度，仅保持要素之间的相对位置关系，更注重线条的美观和简洁。图8c又通过使用明快的色彩强化地物属性，用于突出表达五彩斑斓的现代城市印象。两幅地图存在符号、色彩等差异。为便于进行控制实验，本文仅对其道路网、河流进行对照实验（图8b、8d），两者的空间范围、数量、线型与颜色均相同，仅位置有差异。
图8 精确位置与变形位置视觉变量的使用方式

Fig. 8 Two ways of using positional variables: Exact position and distorted position

本文设计了眼动实验和皮肤电反应测试，评价两种位置视觉变量的使用方式（下面分别称为精确位置、变形位置）的表现力差异。本次实验再次邀请了参与本文3.2.1节实验的20名被试者进行眼动实验。实验要求被试者无任务、自由观看每张地图40秒，并佩戴手部可穿戴式皮肤电传感器（shimmer 3 GSR+），同步进行皮肤电反应测试。为了防止由于地图切换引起的情感变化，两张地图观看时间间隔5 min。最后从吸引力（平均注视持续时长）、认知负担（瞳孔直径变化）、情感唤醒度（皮肤电导反应数量，即皮肤电导中出现的瞬时、较快的波动的数量）3个方面进行评价。注视持续时长越长说明地图更具有吸引力[52]；瞳孔直径变化越大，说明被试者认知负担越高；皮肤电导反应数量越多，说明被试者对刺激的情感唤醒度越高。
图9结果表明，相比于精确位置的地图，强化了水平、垂直方向的变形位置地图具有更显著的吸引力、更低的认知负担和更高的情感唤醒度。这一视觉特征也有利于丰富当前对位置视觉变量的理解，激发更多的设计创意。
图9 两种位置视觉变量描述性统计和显著性检验结果

注：*表示具有统计学显著性差异。

Fig. 9 Descriptive statistics and significance test results for exact position and distorted position

4 结论与展望

本文引入神经科学的研究进展，针对地图视觉变量基础理论存在的感知顺序不清晰、形状视觉变量划分粒度不精细、位置视觉变量界定不清楚3个问题展开理论分析和实验研究，结论如下：
（1）从视觉神经加工过程来看，视觉变量的感知顺序先是亮度和色彩，其次是简单的位置、方向、尺寸，最后是复杂的形状、纹理。旅游图的眼动实验表明：利用色彩能够先被感知的特征，可以将色彩作为视觉线索，用于加强视觉层次和视觉分组，引导视觉注意力。
（2）当前形状视觉变量的定义粒度过于粗略，可以进一步细化。可持续发展制图案例表明：曲率可作为形状视觉变量的细分变量，为多变量制图提供新的途径。
（3）从视觉认知的角度看，位置能够被视觉神经元直接高效处理和识别，应该被定义为一个视觉变量，但是在强调图形位置精度的情况下，它不宜变化。导航地图和印象地图的对比实验表明：位置变量能够引起显著的视觉和情感唤醒度差异。
本文可以加深对地图视觉变量理论的理解，可以为可持续发展制图、个性创意地图设计等提供新的视觉设计理论。但是，本文侧重于理论分析，仅以典型地图为例进行了认知实验，未来将进一步开展更系统的视知觉实验，以验证本文结论的普适性。后续还将继续解析动态、三维等视觉变量的神经机理，以便更好地服务于动态地图、虚拟现实、增强现实和混合现实等可视化形式。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang Jiayao, Wu Fang, Yan Haowen. Cartography: Its past, present and future. Acta Geodaetica et Cartographica Sinica, 2022, 51(6): 829-842.

DOI

[王家耀, 武芳, 闫浩文. 大变化时代的地图学. 测绘学报, 2022, 51(6): 829-842.]

DOI

[2]
Guo Renzhong, Chen Yebin, Ma Ding, et al. Pan-map representation in ICT era. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1108-1113.

DOI

[郭仁忠, 陈业滨, 马丁, 等. 论ICT 时代的泛地图表达. 测绘学报, 2022, 51(7): 1108-1113.]

DOI

[3]
Meng Liqiu. The constancy and volatility in cartography. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1637-1644.

DOI

[孟立秋. 地图学的恒常性和易变性. 测绘学报, 2017, 46(10): 1637-1644.]

DOI

[4]
Yan Haowen, Zhang Liming, Du Ping, et al. We-Map: A new type of map in the era of We Media. Journal of Geomatics Science and Technology, 2016, 33(5): 520-523.

[闫浩文, 张黎明, 杜萍, 等. 自媒体时代的地图: 微地图. 测绘科学技术学报, 2016, 33(5): 520-523.]

[5]
Zhou Chenghu. The era of holographic maps has arrived-historical evolution of map functions. Science of Surveying and Mapping, 2014, 39(7): 3-8.

[周成虎. 全息地图时代已经来临—地图功能的历史演变. 测绘科学, 2014, 39(7): 3-8.]

[6]
Lv Guonian, Yu Zhaoyuan, Yuan Linwang, et al. Is the future of cartography the scenario science? Journal of Geo-information Science, 2018, 20(1): 1-6.

[闾国年, 俞肇元, 袁林旺, 等. 地图学的未来是场景学吗? 地球信息科学学报, 2018, 20(1): 1-6.]

DOI

[7]
Qi Qingwen, Jiang Lili, Zhang An, et al. Modeling and multiple representation of holographic map. Science of Surveying and Mapping, 2018, 43(7): 7-14.

[齐清文, 姜莉莉, 张岸, 等. 全息地图建模与多重表达. 测绘科学, 2018, 43(7): 7-14.]

[8]
Goodchild M F. Cartographic futures on a digital earth. Cartographic Perspectives, 2000, 36(4): 3-11.

[9]
Bertin J. Semiology of Graphics:Diagrams, Networks, Maps. Madison: University of Wisconsin Press, 1983.

[10]
Morrison J L. A theoretical framework for cartographic generalization with the emphasis on the process of symbolization. International Yearbook of Cartography, 1974, 14: 115-127.

[11]
Robinson A, Morrison J, Muehrcke P. Elements of Cartography. New York: John Willey & Son, 1995.

[12]
MacEachren A M. How Maps Work. New York: Guilford Press, 1995.

[13]
Wood J, Isenberg P, Isenberg T, et al. Sketchy rendering for information visualization. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(12): 2749-2758.

[14]
Boukhelifa N, Bezerianos A, Isenberg T, et al. Evaluating sketchiness as a visual variable for the depiction of qualitative uncertainty. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(12): 2769-2778.

[15]
DiBiase D, MacEachren A M, Krygier J B, et al. Animation and the role of map design in scientific visualization. Cartography and Geographic Information Systems, 1992, 19(4): 201-214.

[16]
MacEachren A M. Time as a cartographic variable//Hearnshaw H M, Unwin D J. Visualization in Geographical Information Systems. London: John Wiley & Sons, 1994: 115-130.

[17]
Slocum T A, McMaster R B, Kessler F C, et al. Thematic Cartography and GeoVisualization. London: Pearson, 2008.

[18]
Krygier J B. Sound and geographic visualization// MacEachren A M, Taylor D R F. Visualization in Modern Cartography. Oxford: Pergamon, 1994: 149-166.

[19]
Wolfe J M, Horowitz T S. What attributes guide the deployment of visual attention and how do they do it? Nature Reviews Neuroscience, 2004, 5(6): 495-501.

DOI PMID

[20]
Rainer G. Visual neuroscience: Computational brain dynamics of face processing. Current Biology, 2007, 17(21): 933-934.

PMID

[21]
Chatterjee A, Vartanian O. Neuroaesthetics. Trends in Cognitive Sciences, 2014, 18(7): 370-375.

DOI PMID

[22]
Wandell B A. Foundations of Vision. Sunderland: Sinauer Associates, 1995.

[23]
Qiao Lige, Wu Mingguang, Lv Guonian. Neural mechanism analysis of cartographic visual variables syntactic construction. Journal of Geo-Information Science, 2024, 26(1): 121-134.

[乔莉鸽, 吴明光, 闾国年. 地图视觉变量语法结构的神经机理分析. 地球信息科学学报, 2024, 26(1): 121-134.]

DOI

[24]
Bear M F, Connors B W, Paradiso M A. Neuroscience: Exploring the Brain. Philadelphia: Wolters Kluwer, 2015.

[25]
Tanaka K, Saito H, Fukada Y, et al. Coding visual images of objects in the inferotemporal cortex of the macaque monkey. Journal of Neurophysiology, 1991, 66(1): 170-189.

PMID

[26]
Zeki S, Aglioti S, McKeefry D, et al. The neurological basis of conscious color perception in a blind patient. PNAS, 1999, 96(24): 14124-14129.

DOI PMID

[27]
Janssen P, Vogels R, Orban G A. Three-dimensional shape coding in inferior temporal cortex. Neuron, 2000, 27(2): 385-397.

DOI PMID

[28]
Tompa T, Sáry G. A review on the inferior temporal cortex of the macaque. Brain Research Reviews, 2010, 62(2): 165-182.

DOI PMID

[29]
Orban G A. Higher order visual processing in macaque extrastriate cortex. Physiological Reviews, 2008, 88(1): 59-89.

DOI PMID

[30]
Krüger N, Janssen P, Kalkan S, et al. Deep hierarchies in the primate visual cortex: What can we learn for computer vision? IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1847-1871.

DOI PMID

[31]
Ho M L, Schwarzkopf D S. The human primary visual cortex (V1) encodes the perceived position of static but not moving objects. Communications Biology, 2022, 5(1): 181. DOI: 10.1038/s42003-022-03136-y.

[32]
Hubel D H, Livingstone M S. Segregation of form, color, and stereopsis in primate area 18. The Journal of Neuroscience, 1987, 7(11): 3378-3415.

[33]
Kandel E R, Schwartz J H, Jessell T M, et al. Principles of Neural Science. New York: McGraw-Hill, 2013.

[34]
Zhou H, Friedman H S, von der Heydt R. Coding of border ownership in monkey visual cortex. The Journal of Neuroscience, 2000, 20(17): 6594-6611.

[35]
Braddick O J, O'Brien J M D, Wattam-Bell J, et al. Brain areas sensitive to coherent visual motion. Perception, 2001, 30(1): 61-72.

PMID

[36]
Pasupathy A, Connor C E. Responses to contour features in macaque area V4. Journal of Neurophysiology, 1999, 82(5): 2490-2502.

DOI PMID

[37]
Tanaka S, Fujita I. Computation of object size in visual cortical area V4 as a neural basis for size constancy. Journal of Neuroscience, 2015, 35(34): 12033-12046.

DOI PMID

[38]
Rust N C, Schwartz O, Movshon J A, et al. Spike-triggered characterization of excitatory and suppressive stimulus dimensions in monkey V1. Neurocomputing, 2004, 58: 793-799.

[39]
Zeki S M. Functional organization of a visual area in the posterior bank of the superior temporal sulcus of the rhesus monkey. The Journal of Physiology, 1974, 236(3): 549-573.

[40]
Born R T, Bradley D C. Structure and function of visual area MT. Annual Review of Neuroscience, 2005, 28: 157-189.

PMID

[41]
Hock H S, Nichols D F. The perception of object versus objectless motion. Attention, Perception & Psychophysics, 2013, 75(4): 726-737.

[42]
Dodd J V, Krug K, Cumming B G, et al. Perceptually bistable three-dimensional figures evoke high choice probabilities in cortical area MT. Journal of Neuroscience, 2001, 21(1): 4809-4821.

[43]
Krug K, Cumming B G, Parker A J. Comparing perceptual signals of single V5/MT neurons in two binocular depth tasks. Journal of Neurophysiology, 2004, 92(3): 1586-1596.

PMID

[44]
Krug K, Parker A J. Neurons in dorsal visual area V5/MT signal relative disparity. Journal of Neuroscience, 2011, 31(49): 17892-17904.

DOI PMID

[45]
Tanaka K, Saito H. Analysis of motion of the visual field by direction, expansion/contraction, and rotation cells clustered in the dorsal part of the medial superior temporal area of the macaque monkey. Journal of Neurophysiology, 1989, 62(3): 626-641.

DOI PMID

[46]
Shin J C, Yaguchi H, Shioiri S. Change of color appearance in photopic, mesopic and scotopic vision. Optical Review, 2004, 11(4): 265-271.

[47]
Tootell R B, Switkes E, Silverman M S, et al. Functional anatomy of macaque striate cortex: II. Retinotopic organization. The Journal of Neuroscience, 1988, 8(5): 1531-1568.

[48]
Hubel D H, Wiesel T N. Receptive fields, binocular interaction and functional architecture in the cat's visual cortex. Journal of Physiology, 1962, 160(1): 106-154.

[49]
Ponce C R, Hartmann T S, Livingstone M S. End-stopping predicts curvature tuning along the ventral stream. Journal of Neuroscience, 2017, 37(3): 648-659.

DOI PMID

[50]
Pasupathy A. Neural basis of shape representation in the primate brain. Progress in Brain Research, 2006, 154: 293-313.

PMID

[51]
Kraak M J, Fabrikant S I. Of maps, cartography and the geography of the International Cartographic Association. International Journal of Cartography, 2017, 3(sup1): 9-31.

[52]
Dong Weihua, Liao Hua, Zhan Zhicheng, et al. New research progress of eye tracking-based map cognition in cartography since 2008. Acta Geographica Sinica, 2019, 74(3): 599-614.

DOI

[董卫华, 廖华, 詹智成, 等. 2008年以来地图学眼动与视觉认知研究新进展. 地理学报, 2019, 74(3): 599-614.]

DOI

Options
文章导航

/

〈 〉