CN107067427A - 一种针对农残检测数据的极坐标布局可视化方法 - Google Patents
一种针对农残检测数据的极坐标布局可视化方法 Download PDFInfo
- Publication number
- CN107067427A CN107067427A CN201710351182.0A CN201710351182A CN107067427A CN 107067427 A CN107067427 A CN 107067427A CN 201710351182 A CN201710351182 A CN 201710351182A CN 107067427 A CN107067427 A CN 107067427A
- Authority
- CN
- China
- Prior art keywords
- agricultural
- agricultural chemicals
- agricultural product
- pel
- chemicals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Generation (AREA)
Abstract
本发明涉及一种针对农残检测数据的极坐标布局可视化方法,属于计算机图形学与可视化技术领域。实现步骤为:根据农残检测数据,针对每种农药,统计“被检出该农药”的农产品种数,并可视化映射为农药圆;使用环形分段映射农药的所属分类。针对每种农产品,统计其采样和农药检出数据,并为其设计所对应的农产品图元,将农产品的统计数据映射于农产品图元的位置、大小、形状以及颜色或纹理上,实现信息量的扩充。通过图元位置偏移以降低农产品图元的重叠问题,通过增加信息点选显示增强可视化结果的可读性。本发明利用图形的各项元素进行多属性映射,大大增加了可视化的信息量展现,实现了多方面信息的综合展示,同时具有直观、简洁的特点。
Description
技术领域
本发明涉及一种针对农残检测数据的极坐标布局可视化方法,属于计算机图形学与可视化技术领域。
技术背景
近年来,食品安全问题屡屡发生,总体形势仍较为严峻。而食用农产品中的农药化学品污染物的残留(简称农残)是世界各国关注的重要食品安全问题,与人类健康和食品国际贸易密切相关。
针对食用农产品中农药化学品污染物的残留检测(简称农残检测)数据的可视化,分析人员希望能够快速对其进行一个直观的分析,从而得出数据的规律,尤其重点表达农产品中的被检出农药的倾向性特点,以对其特点进行研究,便于分析人员快速找到深入分析点,并能够帮助监管人员进行分析决策。
从可视化方法来说,目前对农残检测数据的可视化常采用节点链接法、放射环、树图等展现其层次信息;常采用散点图及散点图矩阵、平行坐标以及雷达图等展现其多维属性,但这些方法对数据分析对象特征的展现针对性不强。本发明提出的一种极坐标布局可视化方法,在已公开的文献中,还未发现同类技术。
发明内容
本发明的目的是针对农残检测数据,提出一种极坐标布局的可视化方法。本发明中农残检测数据的数据内容包括若干条记录,每条记录的内容包括:农产品名称、农产品样品编号、农药名称、农药所属分类、农药毒性、被检出含量。其中,农药所属分类共有六种,分别为有机氮类、有机磷类、有机硫类、有机氯类、氨基甲酸酯类以及其他农药;农药毒性是根据世界卫生组织推荐的农药危害分级标准确定。即:根据农药化学物的急性经口和经皮LD50值(大鼠,下同),分固体和液体两种存在形态对农药产品的危害进行分级,如表1所示。
表1世界卫生组织的农药危害分级标准
注:高毒农药与剧毒农药,常合称为高剧毒农药。
本发明提出的一种针对农残检测数据的极坐标布局可视化方法,包含如下步骤:
步骤1:根据农残检测数据,针对每种农药,统计“被检出该农药”的农产品种数,表示为NP。
步骤2:根据步骤1中得到的农药统计结果,进行可视化映射。映射方法为:将每种农药都表示为一个独立的圆形,称为农药圆,将所有农药圆布局在一个圆环结构中,所属类别相同的农药对应的农药圆相邻排列。
设第i个农药圆在圆环结构上所占的圆心角为βi、圆心位置的极坐标为(ρi,θi)、直径为di、填充颜色或纹理为ci,则ρi,βi,θi,di,ci的计算方法为:
步骤2.1:计算农药圆圆心位置的极径ρi。
所有农药圆的极径ρi相同,统一表示为ρ,其可根据绘制区域的大小选取合适的设定值,如绘制区域为长宽均为1000的方形区域,ρ的取值应小于500。
步骤2.2:计算农药圆在圆环结构上所占的圆心角βi。
所有农药圆相邻排列于一个圆环结构中,每个农药圆所占的圆心角与被检出该农药的农产品种数相关,被检出该农药的农产品种数越多,则农药圆所占的圆心角越大。
本发明中将被检出该农药的农产品种数归为四种情况,每种情况映射为不同的圆心角。第i种农药对应的农药圆所占圆心角βi的映射关系如表2所示:
表2农药圆所占圆心角的映射表
被检出该农药的农产品种数 | 所对应的圆心角βi |
[min,min+Δd] | β0 |
[min+Δd,min+2Δd] | 2β0 |
[min+2Δd,min+3Δd] | 3β0 |
[min+3Δd,max] | 4β0 |
其中,min和max分别为所有农药中“被检出该农药”的农产品种数的最小值和最大值,Δd为分类间隔值,值为max/4。根据公式(1)求得表2中β0的值,从而求得每个农药圆所占的圆心角βi。
步骤2.3:计算农药圆圆心位置的极角θi。
根据每个农药圆所占的圆心角βi,农药圆圆心极角θi计算方法如公式(2):
其中βi为第i个农药圆所占的圆心角,βk为第1个至第i-1个农药圆中的各农药圆所占的圆心角。至此可得到农药圆的圆心位置极坐标(ρ,θi)。
为便于专家和用户的理解,本发明中的极坐标系以垂直向上的方向作为极角起始角度,以顺时针方向作为正方向。当转换至常规极坐标系(以水平向右作为极角起始角度,以逆时针方向作为正方形)中时,需将极角θi进行转换,转换方法为其中θi为公式(2)中得出的第i个农药圆的圆心极角,θi new为转换后的第i个农药圆的圆心极角。
步骤2.4:计算农药圆的直径di,从而确定农药圆大小。
由于每个农药圆在极坐标中所占的圆心角βi较小,因此,农药圆的直径近似于其所占圆心角βi对应的弧长,本发明中即采用弧长值作为直径,即di=ρ*βi。
步骤2.5:确定农药圆的颜色或纹理ci。
农药圆形中以填充的颜色或纹理ci映射该农药的毒性,所选择的颜色或纹理符合人们日常判断的习惯语义即可。
所有农药圆的ρi,βi,θi,di,ci属性计算完毕后,将所有农药圆绘制于极坐标系中。
步骤3:在完成农药圆的可视化映射之后,使用环形分段映射农药的所属分类。同一类别的农药被划分在同一个环形分段中,并以区别度高的颜色或纹理区分农药的类别。环形分段的具体生成方法如下:
步骤3.1:确定环形分段的内外径。
圆环内外径(半径)的计算方法见公式(3):
其中,Rin为圆环内径,Rout为圆环外径,d为环间距,其值根据最大农药圆直径来确定;α是为使环形边界不与农药圆相切而设定的间隔值,可根据实际情况设置,取值范围一般在[1,10]之间;ρ为步骤2.1中所述的农药圆圆心位置的极径ρ,根据公式(3)可得圆环内外径Rin、Rout的值。
步骤3.2:确定环形分段所占的圆心角。
按照农药分类确定环形的每个分段。共分为6段,分别代表有机氮类农药、有机磷类农药、有机硫类农药、有机氯类农药、氮基甲酸脂类农药以及其他农药六类。每种农药分类对应的环形分段所占的圆心角为所有该类别农药所占的圆心角βi的加和。
步骤3.3:为环形分段填充区别度高的颜色或纹理。
环形分段以填充的颜色或纹理映射该农药的所属分类,所选择的颜色或纹理符合人们日常判断的习惯语义,且与农药圆的颜色或纹理不冲突即可。
所有环形分段的属性计算完毕后,将所有环形分段绘制于农药圆的下一层。至此已完成基于极坐标的农药数据可视化。
步骤4:根据农残检测数据,针对每种农产品,统计如下数据:
1)针对每种农产品,统计其所有采样样品的数量(简称为采样数),记为NC;
2)针对每种农产品,统计其所有采样样品中的被检出农药种数,表示为NZ;
3)针对每种农产品,统计其所有采样样品中被检出频次最多的农药名称及其被检出频次,简称为最大农药检出频次,表示为NY。农药在一个采样样品中被检出则称为一个频次;农产品被检出频次最多的农药及其所属分类,称为农产品的检出农药的倾向性;
4)针对每种农产品,统计其高毒农药与剧毒农药检出属性(简称为高剧毒检出属性),包括所有采样样品中是否有高毒农药、剧毒农药被检出,以及高毒农药、剧毒农药的被检出总频次(简称为高剧毒农药检出总频次),表示为ND。
步骤5:为每种农产品设计其所对应图形,称为农产品图元,首先根据农产品中检出农药的倾向性确定农产品图元的位置;然后将农产品图形的大小、形状以及颜色纹理映射农产品的其他属性,实现信息量的扩充。
设第i项农产品对应的农产品图元所在位置Vi的极坐标为(Di,αi),农产品图元大小为Mi、农产品图元形状Si以及填充颜色或纹理Ci的具体计算方法为:
步骤5.1:计算农产品图元位置的极角αi。
极角αi与第i项农产品的所有采样中“被检出频次最多的农药”对应的农药圆的圆心极角θi new一致。
步骤5.2:计算农产品图元位置的极径Di。
极径Di映射第i项农产品的所有采样中“被检出频次最多的农药”的被检出频次(即NY),映射公式如公式(4)所示:
其中Pvalue[i]是第i项农产品的NY值。Pvaluemax是所有农产品的NY值的最大值,Rin为步骤3.1中的环形分段的内径。
步骤5.3:计算农产品图元的大小Mi。
本发明中以农产品图元外接圆的半径作为图元的大小,大小Mi映射为第i项农产品的采样数。本发明中将采样数从小到大划分为五类,映射为五种图元大小。具体映射关系如表3所示。
表3农产品图元外接圆半径映射表
采样数NC所属范围 | 对应外接圆半径 |
[min,min+Δl] | r0 |
[min+Δl,min+2Δl] | r0+k |
[min+2Δl,min+3Δl] | r0+2k |
[min+3Δl,min+4Δl] | r0+3k |
[min+4Δl,max] | r0+4k |
其中,min和max分别为农产品总采样样品数量的最小值和最大值,Δl为各农产品总采样样品数量分段的间隔值,一般可取值为max/5;r0和k是可视化结果的调整参数,r0是最小外接圆半径,其大小影响农产品图元的重叠问题,k是农产品图元外接圆半径的递增差值,其大小影响农产品图元的区分性。
r0值的取值方法为:r0值越大重叠现象越严重,而r0值越小则图元的清晰度越低,r0应尽量取重叠现象可接受条件下的较大值。k值的取值方法为:k值越大图元的区分性越大,而k值越小可视化结果的整体一致性越好,k值应取区分性可接受条件下的较小值。
步骤5.4:计算农产品图元形状Si。
农产品图元的形状Si映射第i项农产品中的被检出农药种数(即NZ)。本发明中将农产品的“被检出农药种数”分为五种情况,具体映射见表4。
表4农产品图元图形设计表
步骤5.5:选取填充颜色或纹理Ci。
填充颜色或纹理Ci映射第i项农产品的“被检出农药种数”(即NZ)和高剧毒检出属性。所选择的颜色或纹理符合人们日常判断的习惯语义即可。
所有农产品图元的属性计算完毕后,将农产品图元根据其属性绘制在极坐标系中。至此,已得到农残检测数据的初步可视化结果。
步骤6:优化该初步可视化结果,通过农产品图元位置偏移以降低农产品图元的重叠问题,通过增加信息点选显示增强可视化结果的可读性,获得基于极坐标的旋转布局可视化结果。优化方法为:
首先,通过农产品图元位置偏移以降低农产品图元的重叠问题。针对农产品图元位置的极径Di,设定一个偏移值S使农产品图元尽可能向去中心方向分散,偏移值S的设置如公式(5)所示:
S+Dmax=Rin-dpre (5)
其中,Rin为圆环内径,dpre为预留间隔值,一般为5-10px。Dmax为所有待偏移农产品图元的位置极径Di的最大值,由此得出偏移值S。
其次,通过增加信息点选显示增强可视化结果的可读性。当用户使用鼠标点击农药圆时,显示农药名称、“被检出该农药”的农产品种数NP;当用户使用鼠标点击农产品图元时,显示农产品名称、采样数NC、被检出农药种数NZ、最大农药检出频次NY、高剧毒农药检出总频次ND。
有益效果
本发明提供了一种针对农残检测数据的极坐标布局可视化方法,该方法针对农残检测数据进行可视化,帮助分析人员快速了解农产品中的农药检出情况,针对其检出频次最高的农药进行重点关注,除此之外,还通过图形的各种属性映射,实现了多方面信息的综合展示,有效辅助分析人员进行农残检测数据的可视分析。
通过该可视化结果,能够对农残检测数据进行多维度对比可视分析,结论包括:
(1)对于农药,可以通过环形分段结构和农药圆的分布情况,得到各类别农药的占比情况,环形分段越大,说明该类别农药占比越多;
(2)对于农药,结合农药圆的填充颜色或纹理,判断高剧毒农药在各类别农药中的分布情况;
(3)对于农药,结合农药圆的大小,了解到各农药在农产品中检出的频次,从而推断该种农药被检出的普遍性,农药圆越大说明其在农产品中的检出越普遍;
(4)对于农产品,可以根据每种农产品图元所在极角对应的农药圆方向,判断出哪种农药在该农产品中的被检出频次最多;
(5)对于农产品,可以根据农产品图元所在位置的极径ρ,了解“被检出频次最多的农药”的被检出频次,ρ值越大表示被检出频次越多;
(6)对于农产品,结合农产品图元的大小,可以判断该种农产品的采样数的大小,图元越大表示其采样数越大;
(7)对于农产品,结合农产品图元的形状,可以了解该种农产品中被检出农药的种数;
(8)对于农产品,结合农产品图元的颜色或纹理,可以判断检出的农药中高剧毒农药的检出情况,并可以通过颜色或纹理来判断毒性高低;
(9)对于感兴趣的农药和农产品,可以通过点选图形,根据文字提示观察其具体数据,包括:检出农产品名称、采样数NC、被检出农药种数NZ、最大农药检出频次NY、高剧毒农药检出总频次ND等。
附图说明
图1为本发明具体实施方式中针对农残检测数据的极坐标布局可视化方法的实现流程图;
图2为本发明具体实施方式中农药圆布局方法示意图;
图3为本发明具体实施方式中农药环形分段结构示意图;
图4为本发明具体实施方式中农产品图元位置计算示意图;
图5为本发明具体实施方式中极坐标布局的最终可视化结果。
具体实施方式
下面结合附图和实施例,对本发明作进一步的说明。
本实施例中的一种针对农残检测数据的极坐标布局可视化方法的实现流程图,如图1所示,其具体操作过程为:
根据步骤1:根据农残检测数据,针对每种农药,统计“被检出该农药”的农产品种数,表示为NP。统计情况如表5所示。
表5被检出该农药的农产品种数统计
根据步骤2:对步骤1中得到的农药统计结果,进行可视化映射。映射方法为:将每种农药都表示为一个独立的圆形,称为农药圆,将所有农药圆布局在一个圆环结构中,如图2所示,所属类别相同的农药对应的农药圆相邻排列。
设第i个农药圆在圆环结构上所占的圆心角为βi、圆心位置的极坐标为(ρi,θi)、直径为di、填充颜色或纹理为ci,本实施例中以农药甲霜灵为例,则ρi,βi,θi,di,ci的计算方法为:
步骤2.1:计算农药圆圆心位置的极径ρi。
所有农药圆的极径ρi相同,统一表示为ρ,其可根据绘制区域的大小选取合适的设定值,如绘制区域为长宽均为1000的方形区域,ρ的取值应小于500。根据本实施例中绘制区域的大小选取ρ的设定值为225。
步骤2.2:计算农药圆在圆环结构上所占的圆心角βi。
由表5可得,本实施例中的min为1,max为32,Δd=max/4=8,甲霜灵共在15种农产品中被检出,由表2得到其在区间[min+Δd,min+2Δd]即[9,16]范围内,因此对应的圆心角为2β0。
根据表2得到所有农药的圆心角βi,根据公式(1),计算得到β0的计算方法如公式(6)
从而求得甲霜灵对应的农药圆所占的圆心角βi=0.1208(弧度制)。
步骤2.3:计算农药圆圆心位置的极角θi。
根据甲霜灵计算得到的所占圆心角βi,计算其极角θi。根据公式(2)得到其极角θi的计算方法如公式(7):
为便于专家和用户的理解,本发明中的极坐标系以垂直向上的方向作为极角起始角度,以顺时针方向作为正方向。当转换至常规极坐标系(以水平向右作为极角起始角度,以逆时针方向作为正方形)中时,需将极角θi进行转换,转换方法为
至此,可得甲霜灵对应的农药圆圆心位置的极坐标为(225,0.9668)(极角为弧度制)。
步骤2.4:计算农药圆的直径di,从而确定农药圆大小。
由于每个农药圆在极坐标中所占的圆心角βi较小,因此,农药圆的直径近似于其所占圆心角βi对应的弧长,本设计中即采用弧长值作为直接,即di=ρ*βi。由此可以得到甲霜灵对应的农药圆的直径为di=ρ*βi=27.17。
步骤2.5:确定农药圆的颜色或纹理ci。
农药圆形中以填充的颜色或纹理ci映射该农药的毒性,所选择的颜色或纹理符合人们日常判断的习惯语义即可。
本实施例中,将农药毒性映射为颜色,映射表如表6所示,
表6农药圆形的颜色编码映射表
农药毒性分类 | 颜色编码 |
剧毒农药 | Red(255,0,0) |
高毒农药 | Orange(255,165,0) |
中等毒和低毒农药 | Yellow(255,255,0) |
按照表6的颜色编码映射表,甲霜灵属于低毒农药,故赋予颜色编码为Yellow(255,255,0)。
所有农药圆的属性计算完毕后,将农药圆绘制于极坐标系中。
根据步骤3:在完成农药圆的可视化映射之后,使用环形分段映射农药的所属分类,如图3所示。同一类别的农药被划分在同一个环形分段中,并以区别度高的颜色或纹理区分农药的类别。具体环形分段结构的生成方法如下:
步骤3.1:确定环形分段的内外径。
本实施例中α设为3,则根据公式(3),可得圆环内外径的计算方法如公式(8):
步骤3.2:确定环形分段所占的圆心角。
按照农药分类确定环形的每个分段。共分为6段,分别代表有机氮类农药、有机磷类农药、有机硫类农药、有机氯类农药、氮基甲酸脂类农药以及其他农药六类。每种农药分类对应的环形分段所占的圆心角为所有该类别农药所占的圆心角βi的加和。
本实施例中有机氮类农药、有机磷类农药、有机硫类农药、有机氯类农药、氮基甲酸脂类农药以及其他农药六类农药对应的环形分段的圆心角(即各类别农药圆心角的加和结果)依次为:4.35、0.78、0.42、0.06、0.55、0.12(弧度制),六个环形分段的圆心角总和为6.28,即2π。
每个环形分段的开始点与结束点的极角范围依次为[4.35,5.13]、[5.13,5.55]、[5.55,5.61]、[5.61,6.16]、[6.16,6.28]。
步骤3.3:为环形分段填充区别度高的颜色或纹理。
环形分段以填充的颜色或纹理映射该农药的所属分类,所选择的颜色或纹理符合人们日常判断的习惯语义,且与农药圆的颜色或纹理不冲突即可。
本实施例中,将农药所属分类对应的环形分段填充为纹理,所采用纹理如附图5中图例所示。
所有环形分段的属性计算完毕后,将环形分段结构绘制于农药圆的下一层。至此已完成基于极坐标的农药数据可视化。
根据步骤4:根据农残检测数据,针对每种农产品,统计如下数据:
1)针对每种农产品,统计其所有采样样品的数量(简称为采样数),记为NC;
2)针对每种农产品,统计其所有采样样品中的被检出农药种数,表示为NZ;
3)针对每种农产品,统计其所有采样样品中被检出频次最多的农药名称及其被检出频次(简称为最大农药检出频次,表示为NY),农药在一个采样中被检出则称为一个频次;农产品被检出频次最多的农药及其所属分类,称为农产品的检出农药的倾向性;
4)针对每种农产品,统计其高毒农药与剧毒农药检出属性(简称为高剧毒检出属性),包括所有采样样品中是否有高毒农药、剧毒农药被检出,以及高毒农药、剧毒农药的被检出总频次(简称为高剧毒农药检出总频次),表示为ND。
本实施例中,上述数据统计如表7所示,
表7农产品统计数据
注:是否有高剧毒农药检出列中,空白表示“无高剧毒农药检出”,高毒表示“有高毒农药检出”,剧毒表示“有剧毒农药检出”。
根据步骤5:为每种农产品设计其所对应图形,称为农产品图元,首先根据农产品中检出农药的倾向性确定农产品图元的位置;然后将农产品图形的大小、形状以及颜色纹理映射农产品的其他属性,实现信息量的扩充。农产品图元位置计算如图4所示。
本实施例中,以农产品橘为例说明农产品图元的设计,设其对应的农产品图元所在位置Vi的极坐标为(Di,αi),其农产品图元位置极坐标(Di,αi)、农产品图元大小Mi、农产品图元形状Si以及填充颜色或纹理Ci的具体计算方法为:
步骤5.1:计算农产品图元位置的极角αi。
极角αi与第i项农产品的所有采样中“被检出频次最多的农药”对应的农药圆的圆心极角θi new一致。
农产品橘中被检出频次最多的农药为咪鲜胺,根据步骤2中咪鲜胺的极角为2.51,因此橘的极角α1也为2.51。
步骤5.2:计算农产品图元位置的极径Di。
极径Di映射橘中被检出频次最多的农药咪鲜胺的检出频次,综合步骤4中所有农产品的NY值的最大值Pvaluemax为37,橘中被检出咪鲜胺的频次Pvalue[i]为22,步骤3.1中的环形分段的内径Rin为196.33,根据公式(4),橘对应的农药圆的位置坐标极径计算方法如公式(9)所示:
由此得到橘所对应的农产品图元位置的极坐标为(116.74,2.51)。
步骤5.3:计算农产品图元的大小Mi。
本发明中以农产品图元外接圆的半径作为图元的大小,大小Mi映射为第i项农产品的采样数。本发明中将采样数从小到大划分为五类,映射为五种图元大小。
根据表3及表7,农产品总采样样品数量的最小值min和最大值max分别为1和69,各农产品的采样数分段的间隔值,Δl=max/5=69/5=14;橘的采样量为47,属于[min+3Δl,min+4Δl]区间,映射外接圆半径为r0+3k,最小外接圆半径r0取值为20,农产品图元的外接圆半径的递增差值k设为10,则可得出橘对应的农产品图元的外接圆半径为50。
步骤5.4:计算农产品图元形状Si。
农产品图元的形状Si映射第i项农产品中的被检出农药种数(即NZ)。本发明中将农产品的“被检出农药种数”分为五种情况,
橘中的被检出农药种数为18,根据表4得到其映射形状为圆形。
步骤5.5:选取填充颜色或纹理Ci。
填充颜色或纹理Ci映射第i项农产品的“被检出农药种数”(即NZ)和高剧毒检出属性。所选择的颜色或纹理符合人们日常判断的习惯语义即可。
由于步骤5.4中,对“农产品中被检出农药种数>=5”的农产品均以圆形表示,为提高区分性,本实施例中将“农产品中被检出农药种数>=5”的农产品图元使用不同的颜色或纹理映射其高毒剧毒农药检出属性。
本实施例中,将农产品的被检出农药种数和高毒剧毒农药检出属性映射为颜色,映射表如表8所示,
表8农产品图元填充颜色映射表
至此,得到农产品橘的图元的位置及图形映射,其余农产品图形也由步骤5.1至步骤5.5得到。
所有农产品图元的属性计算完毕后,将农产品图元根据其属性绘制在极坐标系中。至此,已得到农残检测数据的初步可视化结果。
根据步骤6:优化该初步可视化结果,通过农产品图元位置偏移以降低农产品图元的重叠问题,通过增加信息点选显示增强可视化结果的可读性,获得基于极坐标的旋转布局可视化结果。优化方法为:
首先,通过农产品图元位置偏移以降低农产品图元的重叠问题。针对农产品图元位置的极径Di,设定一个偏移值S使农产品图元尽可能向去中心方向分散,根据公式(5),dpre为设定值5,通过比较每一个Di的值,得到Dmax为143.67,从而计算得到S为47.64,偏移后的效果如附图5所示。
其次,通过增加信息点选显示增强可视化结果的可读性。当用户使用鼠标点击农药圆时,显示农药名称、“被检出该农药”的农产品种数NP;当用户使用鼠标点击农产品图元时,显示农产品名称、采样数NC、被检出农药种数NZ、最大农药检出频次NY、高剧毒农药检出总频次ND。,具体数值由步骤4的统计结果得到,见表7。
针对整个农残检测数据集,经过上述6个步骤的操作,完成针对农残检测数据的基于极坐标的可视化结果。图5为该实施例(某地区某批次农残检测数据)的可视化结果。从该可视化结果中,能够对农残检测数据进行多维度对比可视分析结论包括:
(1)对于农药,可以通过环形分段结构和农药圆的分布情况,得到各类别农药的占比情况,环形分段越大,说明该类别农药占比越多;得出在75种农药中,有机氮类农药占比最多;
(2)对于农药,结合农药圆的填充颜色或纹理,判断高剧毒农药在各类别农药中的分布情况;得到高剧毒农药有9种,集中分布在有机磷类以及氨基甲酸酯类农药当中;
(3)对于农药,结合农药圆的大小,了解到各农药在农产品中检出的频次,从而推断该种农药被检出的普遍性,农药圆越大说明其在农产品中的检出越普遍;从实施例结果中,多菌灵、烯酰吗啉、苯醚甲环唑、咪鲜胺等几种农药的农药圆较大,其中以多菌灵为最大,它们在农产品中的检出较为普遍;
(4)对于农产品,可以根据每种农产品图元所在极角对应的农药圆方向,判断出哪种农药在该农产品中的被检出频次最多;可以看出圣女果中苯醚甲环唑的检出频次最多,其检出农药倾向于苯醚甲环唑;超过五种农产品其检出含量最多者为多菌灵,如苹果、胡萝卜、芹菜、草莓等,可在接下来的分析中重点关注该农药的检出超标值;
(5)对于农产品,可以根据农产品图元所在位置的极径ρ,了解“被检出频次最多的农药”的被检出频次,ρ值越大表示被检出频次越多;从实施例中看出,苹果、黄瓜的ρ值较大,其含量最多农药的检出频次较多;而冬瓜、草莓、甜椒等的ρ值较小,含量最多农药的检出频次较少;
(6)对于农产品,结合农产品图元的大小,可以判断该种农产品的采样数的大小,图元越大表示其采样数越大;从实施例中可以看出,苹果、黄瓜、芹菜、橘等图元较大,采样量较多;
(7)对于农产品,结合农产品图元的形状,可以了解该种农产品中被检出农药的种数;从实施例中了解到,被检出农药种数超过5的农产品占大多数,只有少数农产品中标被检出农药种数较少;
(8)对于农产品,结合农产品图元的颜色或纹理,可以判断检出的农药中高剧毒农药的检出情况,并可以通过颜色或纹理来判断毒性高低;由实施例可以看出,芹菜的高剧毒农药含量比较大,毒性较高,需引起高度重视;
(9)对于感兴趣的农药和农产品,可以通过点选图形,根据文字提示观察其具体数据,包括:检出农产品名称、采样数NC、被检出农药种数NZ、最大农药检出频次NY、高剧毒农药检出总频次ND等;选取用户较为关注的检出高剧毒农药频次较多的农产品,以橘为例,其农药检出情况倾向于咪鲜胺检出最多,采样数为4,检出频次为22,检出农药18种,高剧毒农药检出总频次为7次,为较为危险的农产品,颜色较深的均需要引起重点关注。
Claims (2)
1.一种针对农残检测数据的极坐标布局可视化方法,其特征在于:
步骤1:根据农残检测数据,针对每种农药,统计“被检出该农药”的农产品种数,表示为NP;
步骤2:根据步骤1中得到的农药统计结果,进行可视化映射,映射方法为:将每种农药都表示为一个独立的圆形,称为农药圆,将所有农药圆布局在一个圆环结构中,所属类别相同的农药对应的农药圆相邻排列;所有农药圆的属性计算完毕后,将农药圆绘制于极坐标系中;
步骤3:在完成农药圆的可视化映射之后,使用环形分段映射农药的所属分类。同一类别的农药被划分在同一个环形分段中,并以区别度高的颜色或纹理区分农药的类别;所有环形分段的属性计算完毕后,将环形分段绘制于农药圆的下一层;
步骤4:根据农残检测数据,针对每种农产品,统计如下数据:
1)针对每种农产品,统计其所有采样样品的数量(简称为采样数),记为NC;
2)针对每种农产品,统计其所有采样样品中的被检出农药种数,表示为NZ;
3)针对每种农产品,统计其所有采样样品中被检出频次最多的农药名称及其被检出频次,简称为最大农药检出频次,表示为NY。农药在一个采样样品中被检出则称为一个频次;农产品被检出频次最多的农药及其所属分类,称为农产品的检出农药的倾向性;
4)针对每种农产品,统计其高毒农药与剧毒农药检出属性(简称为高剧毒检出属性),包括所有采样样品中是否有高毒农药、剧毒农药被检出,以及高毒农药、剧毒农药的被检出总频次(简称为高剧毒农药检出总频次),表示为ND;
步骤5:为每种农产品设计其所对应图形,称为农产品图元,首先根据农产品中检出农药的倾向性确定农产品图元的位置;然后将农产品图形的大小、形状以及颜色纹理映射农产品的其他属性,实现信息量的扩充;所有农产品图元的属性计算完毕后,将农产品图元根据其属性绘制在极坐标系中;
步骤6:优化该初步可视化结果,通过农产品图元位置偏移以降低农产品图元的重叠问题,通过增加信息点选显示增强可视化结果的可读性,获得基于极坐标的旋转布局可视化结果。
2.一种针对农残检测数据的极坐标布局可视化方法,其特征还在于:针对初步可视化结果进行优化,通过农产品图元位置偏移以降低农产品图元的重叠问题,通过增加信息点选显示增强可视化结果的可读性,具体步骤为:
首先,通过农产品图元位置偏移以降低农产品图元的重叠问题。针对农产品图元位置的极径Di,设定一个偏移值S使农产品图元尽可能向去中心方向分散,偏移值S的设置:
S+Dmax=Rin-dpre
其中,Rin为圆环内径,dpre为预留间隔值,一般为5-10px,Dmax为所有待偏移农产品图元的位置极径Di的最大值,由此得出偏移值S;
其次,通过增加信息点选显示增强可视化结果的可读性。当用户使用鼠标点击农药圆时,显示农药名称、“被检出该农药”的农产品种数NP;当用户使用鼠标点击农产品图元时,显示农产品名称、采样数NC、被检出农药种数NZ、最大农药检出频次NY、高剧毒农药检出总频次ND。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351182.0A CN107067427B (zh) | 2017-05-18 | 2017-05-18 | 一种针对农残检测数据的极坐标布局可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351182.0A CN107067427B (zh) | 2017-05-18 | 2017-05-18 | 一种针对农残检测数据的极坐标布局可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067427A true CN107067427A (zh) | 2017-08-18 |
CN107067427B CN107067427B (zh) | 2020-03-31 |
Family
ID=59610593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351182.0A Expired - Fee Related CN107067427B (zh) | 2017-05-18 | 2017-05-18 | 一种针对农残检测数据的极坐标布局可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067427B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319715A (zh) * | 2018-02-09 | 2018-07-24 | 北京工商大学 | 针对多维整值型数据集的平行坐标改进方法 |
CN111597249A (zh) * | 2020-04-24 | 2020-08-28 | 深圳市商汤科技有限公司 | 数据显示方法和相关装置 |
CN113470779A (zh) * | 2021-09-03 | 2021-10-01 | 壹药网科技(上海)股份有限公司 | 药品类目识别方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049580A (zh) * | 2013-01-17 | 2013-04-17 | 北京工商大学 | 一种层次数据的可视化方法和设备 |
-
2017
- 2017-05-18 CN CN201710351182.0A patent/CN107067427B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049580A (zh) * | 2013-01-17 | 2013-04-17 | 北京工商大学 | 一种层次数据的可视化方法和设备 |
Non-Patent Citations (1)
Title |
---|
陈红倩: "一种针对农残检测数据的时序分组可视化方法", 《系统仿真学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319715A (zh) * | 2018-02-09 | 2018-07-24 | 北京工商大学 | 针对多维整值型数据集的平行坐标改进方法 |
CN108319715B (zh) * | 2018-02-09 | 2020-05-22 | 北京工商大学 | 针对多维整值型数据集的平行坐标改进方法 |
CN111597249A (zh) * | 2020-04-24 | 2020-08-28 | 深圳市商汤科技有限公司 | 数据显示方法和相关装置 |
WO2021212711A1 (zh) * | 2020-04-24 | 2021-10-28 | 深圳市商汤科技有限公司 | 数据显示方法和相关装置 |
CN113470779A (zh) * | 2021-09-03 | 2021-10-01 | 壹药网科技(上海)股份有限公司 | 药品类目识别方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107067427B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018192421A1 (zh) | 基于高分辨质谱+互联网+地理信息的农药残留在线溯源与预警视频化方法 | |
Johnson et al. | Unsupervised image segmentation evaluation and refinement using a multi-scale approach | |
CN107067427A (zh) | 一种针对农残检测数据的极坐标布局可视化方法 | |
Möller et al. | The comparison index: A tool for assessing the accuracy of image segmentation | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN105404643B (zh) | 针对具有多维属性的层次结构数据的可视化方法和应用 | |
Pesaresi et al. | Recognizing settlement structure using mathematical morphology and image texture | |
Vehmas et al. | Using airborne laser scanning data for detecting canopy gaps and their understory type in mature boreal forest | |
Bugnicourt et al. | Using textural analysis for regional landform and landscape mapping, Eastern Guiana Shield | |
Całka | Comparing continuity and compactness of choropleth map classes | |
CN110473205A (zh) | 基于矢栅模型的遥感影像信息提取方法和系统 | |
Huang et al. | Assessment of the impact of rubber plantation expansion on regional carbon storage based on time series remote sensing and the invest model | |
Hengl et al. | A double continuous approach to visualization and analysis of categorical maps | |
Sun et al. | Detection of Massive Oil Spills in Sun Glint Optical Imagery through Super-Pixel Segmentation | |
Fisher | Knowledge-based approaches to determining and correcting areas of unreliability in geographic databases | |
Jiang et al. | A spectral-spatial approach for detection of single-point natural gas leakage using hyperspectral imaging | |
Yeom et al. | Detecting damaged building parts in earthquake-damaged areas using differential seeded region growing | |
Silva Junior et al. | Object-based image analysis supported by data mining to discriminate large areas of soybean | |
Kleinn | A cautionary note on the minimum crown cover criterion in forest definitions | |
CN107870231B (zh) | 一种针对农残检测数据的多属性对比可视化方法 | |
Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
Mitchell et al. | Regional variation in forest canopy height and implications for koala (Phascolarctos cinereus) habitat mapping and forest management | |
Persson | A survey of methods for visualizing spatio-temporal data | |
Fox et al. | Spatial analysis of high resolution aerial photographs to analyze the spread of mountain pine beetle infestations | |
CN111178945A (zh) | 果品价格的时空聚集可视化分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200331 Termination date: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |