我们首先绘制图1, 点的半径大小代表震级的高低. 点的半径越大, 震级越高. (数据附文后)

图1 震级的大小

然后绘制图2, 点的透明度高低代表震源的深度, 点的透明度越靠近完全不透明 (完全不透明的红色为#FF0000FF), 表示震源深度越浅.

图2 震源的深度

事实上, 三张图的区别极小, 区别就在于绘图参数中bg和cex两个参数的不同.

图3 震级的大小及震源的深度

值得注意的是, 我发现, 使用透明度区分颜色(震源深度)而不是使用纯粹的渐变色(如黄色到红色)区分颜色的一个特点是, 点在叠加的部分会显示得更“深”更“亮”, 在颜色上的体现也就是更加的不透明. 如果你的显示器性能足够强悍, 对比度足够高, 那么可能相对分辨得比较清楚(虽然硬件因素在这个特例中不是很重要, 但这个特性的确是与硬件有一定关系的). 如果效果不是特别明显, 你仍然可以尝试调整一下显示器和眼睛的角度: 将(笔记本的)显示器放得非常平(几乎与视线平行). 你会发现, 其他点都已经变得与底色区别不大的时候, 图3正中偏左下部分(即青海玉树地区)以及一些有叠加的地区呈现一种更深的黑色. 而且, 这种性质与有叠加区域所在的图中位置, 即人们具体视角的关系很小, 不信你可以把图3上下部分互换一下. 至于叠加会产生这种效果的深层次原因, 我想应该是对应着一个光学上的某种简单原理(应该早有人提出了), 但是具体的原理如何表达, 我不得而知, 不过我猜想应该是透明度(alpha)有一种可以累加的性质吧.

当然, 这种不同透明度的叠加几乎没有什么意义, 因为两次不同地震的震源深度数据相加是没有什么意义的. 最多能够给人们一个大致的印象, 那就是哪里的地震发生比较频繁. 当然, 如果你愿意的话, 也可以理解成, 同一个地方发生了那么多次地震, 以破坏力累计, 相当于震源深度越来越浅了.

抛开叠加的因素, 以颜色的透明度区分单独看起来还有点意义, 那就是震源深度浅(透明度较低), 破坏性强的地震将更吸引眼球, 换个最贴切的词就是更Significant一些.

我们说, 如果有这样一个数据集, 满足: 1. 能够稍微让点在空间上散开一些, 至少让我们可以较好地区分开不同的点; 2. 透明度不同的颜色序列的间隔再大一些, 也就是不同透明度之间的区别更明显一些, 那么使用这种透明度的渐变我觉得可能还是有点意思的.

我的另外一个观点是, 从根本上讲, 很遗憾, 虽然不能算是严重的误导, 但这种点的大小和颜色的区别并不能够让我们产生完全理性的认识, 而最多只能算是一种示意和参考. 也就是说, 这种表示方法本身就是有问题的. 我们知道, 震级的表示是取了对数的, 也就是说, 震级每增长一级, 释放的能量将增长超过一个数量级, 约为上一级释放能量的30多倍. 图中并没有一个量能够完美地体现这一点, 让人更无奈的是, 我觉得人们对点的半径大小和面积的感知可能还存在着敏感与不敏感的问题等等. 由于我实在是不懂可视化, 就不再继续痴人说梦了.

附

点击下载文中使用的数据

附1. 数据说明

数据条目: 354

时间跨度: 2010年3月23日-4月23日

经纬度范围: 31°-39°N, 94°-103°E

震源深度单位: Km

震级度量: 面波震级Ms

数据来源: 国家地震数据共享中心

为了可以直接执行下面的R命令, 解压后, 将data.csv放入R的工作目录. 这个目录在Windows环境下一般是:

X:Documents and SettingsYour User NameMy Documents

附2. 绘图过程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# Required Packages:
# sp/rgdal/RgoogleMaps
# Data Proc.
markerdata <- read.csv("data.csv")
boundingbox <- qbbox(lon = markerdata[, "lon"], lat = markerdata[,
    "lat"])
EQMap <- GetMap.bbox(boundingbox$lonR, boundingbox$latR,
    destfile = "EQ.png", maptype = "satellite", zoom = 6)
dep <- as.vector(markerdata$dep)
# Plot begin
# Radius = Ms
result1 <- PlotOnStaticMap(EQMap, lon = markerdata$lon,
    lat = markerdata$lat, pch = 21, bg = "red", cex = markerdata$ms,
    col = "black", verbose = 0)
Sys.sleep(3)
# Color = Depth
result2 <- PlotOnStaticMap(EQMap, lon = markerdata$lon,
    lat = markerdata$lat, pch = 21, bg = dep, cex = 1, col = "black",
    verbose = 0)
Sys.sleep(3)
# Fig 1/2 Hybrid
result3 <- PlotOnStaticMap(EQMap, lon = markerdata$lon,
    lat = markerdata$lat, pch = 21, bg = dep, cex = markerdata$ms,
    col = "black", verbose = 0)
# End

附3. 颜色透明度使用的简要说明

观察数据得震源最大深度25km, 最小深度1km. 生成一个长度为25的向量, 最小值15, 最大值255. 以此向量作为rgb()函数的参数alpha(透明度), R=255, G=0, B=0.

在R中生成上述颜色:

1
2

alpha <- seq(15, 255, 10)
x <- rgb(255, 0, 0, alpha, maxColorValue=255)

向量x中存储了25种颜色的16进制表示(每个元素大致是"#FF00000F"这样的形式). 我们得到的25种颜色如图4所示.

图4 alpha值不同的25种红色

这里提一句, 点的缩放参数cex直接使用了Ms震级数据, 在其他图中为了看得更清楚或许需要做一个线性变换, 我觉得在这张图里直接用震级数据作为参数cex就差不多了.

我不懂数据框和向量操作, 所以直接将生成的颜色向量换入了上面的数据, 你可以通过代码实现. 最后解释一下标题, 其实标题本身是没有什么意义的, 《小径分岔的花园》是博尔赫斯的一个短篇, 代表了我的R绘图零基础在昨天做图时的蜿蜒曲折和无语之极 ..

图1 2010年2月青海地区地震分布

图2 2010年3月青海地区地震分布

图3 2010年4月青海地区地震分布

童鞋们对比一下2、3月份与4月的分布概况图, 不难辨识出青海省玉树藏族自治州的位置. 4月的数据截至22日, 图中所示的经纬度范围约为: 31°-39°N, 94°-103°E. 灾难无情, 愿那些已在天堂的人们安息.

我一向很崇拜那些做可视化的人们, 至少那么多复杂的图形控制参数是难倒我了. 吾生性迟钝, 只能隐约感觉到, 可视化方法在过去, 现在和未来探索某些尚未发现深层次规律问题时, 都是一个极其重要的方法.

最近有一种说法是, 京津地区将在某某天发生破坏性地震, 据说还是某些位神人日观天象偶然看到了一种特殊的云而得出的结论, 和人教社的初中语文课文中所谓的“看云识天气”颇有几分相似. 我们暂且不说这种说法的来源有多不靠谱, 首先, 且看这种说法的一个重要论据是, 有xx次国内外的破坏性地震之前, 天空中都出现了特殊形状的云. 但是, 这样的论据显然是文不对题的. 实际上, 正确的论据应该指出, 在多少出现了这种云的情况下发生了破坏性地震. 以贝叶斯的观点看, 这两个概率没有确定的关系, 也无法相互替代. 其次, 在我看来, 这种提法在统计中最多只能算是一种假设，即使经过严格的检验, 也不能断定其成立. 而且, 这个假设描述非常模糊, 以致几乎无法加以有效的检验. 再次, 有些人说, 出现了某种云, 导致发生了地震, 实际上是提出了一个因果模型: 出现某某云 → 发生地震. 对初等的数理统计知识有所了解以后, 我们就会知道, 用统计方法建立一个因果模型是一件多么困难的事情, 何况是这种要数据没有, 样本量更小到可以忽略的情况. 我的概率论学得不好, 数理统计也还没入门, 多说无益, 就不再斗胆细究了. 不过, 我所知道的一个情况是, “预言”这件事情其实有点像押宝, 言中了算运气好, 就算没言中, 也只是被人逐渐淡忘而已. 但从道德角度讲, 对于一些缺乏独立思考能力和精神的人来说, 这大抵可以算得上是一种伤害. 关于这类问题一个有趣的例子, 可以参考[3]中对青少年问题的探讨.

扩展阅读

[1] 从实例看RgoogleMaps包的使用

[2] 《最近一周中国及周边版图地震情况》之卫星地图版与动画实现

[3] 王小波. 摆脱童稚状态. 读书, 1993, 6.

图1: R与Google Earth

以俺的代码能力现在是写不出这样的程序了 .. 但是俺的脑海中蹦出了一个个小问号：如果要求降低一点，抓取Google的卫星图片，再往上Overlay可视化的数据，怎么计算抓取图片的参数？如果要在抓来的卫星图片上打点，又如何把点与图上的位置正确地对应？这些问题让俺困惑了好久。

前一阵子，在遥远的贝吉塔行星上，又出现了这样一篇博文：

http://www.bjt.name/2010/01/chinese-earthquake-visualization/

里面有一张图，描绘了2009年1月20日至1月25日中国及周边版图的地震情况：

图2: 最近7天中国及周边版图的地震情况

贝吉塔在文中有道，四川地区不太平，弟兄们要小心云云。我这次就特别关注一下四川地区。于是从数据源下载了我国地震监测部门四川台网所测定的四川地区2008年全年32640次地震震源的经纬度数据，稍稍处理了一下，把点打到了从Google Earth上抓来的卫星地图上。由于数据较多，图片较小，加之主要看的是震源的位置分布，恕难展示每个数据震级大小了：

图3: 2008年四川省地震分布情况

不难看出，有一个地区 .. 十分的 .. 危险 .. 然后，俺突发奇想，又分别抓了12个月的数据分别进行打点，最后做出一个GIF，正如那句话所讲，用的是R，画的是寂寞 .. 因为不小心沾了“统计动画”的边，不知有没有什么问题，不知Yihui能否来指点一二：

( 此图甚巨，计2.3M，为了不影响页面载入速度，请点此在新窗口查看或右键-另存为 )

图4: 2008年四川省地震分布情况 ( 按月份 )

由于Google Maps API使用协议里有讲须保留Powered by Google字样，我就没有再处理背景图，而抓取背景图的参数是自动计算的，所以现在看上去有些不连贯，so sucks ..当然，上述讨论很可能是完全无意义的。因为我觉得这基本上是一个强加的例子，玩玩而已：震源位置与时间又有啥关系呢？如果用来观察预测某种现象 ( 如疫情、自然灾害 ) 的蔓延情况，用以制订防御策略，估计会更有价值些吧。

扩展一下，下面这张全景图不是俺的，生成自 earthquake.usgs.gov :

图5: 公元前2150年 - 公元1994年间世界上最严重的地震

前述R与Google Earth的简单结合使用 RgoogleMaps 包可以非常方便的实现。具体实现过程，且见下篇博文分解。