نقشه Choropleth (نقشه رنگبندیشده یا نقشه گرادیانی) نوعی نقشه thematic (مضمونی) است که از رنگها یا سایههای مختلف برای نمایش مقادیر عددی (مثلاً جمعیت، درآمد، نرخ بیکاری و…) در مناطق جغرافیایی مختلف استفاده میکند.
📌 ویژگیهای نقشه Choropleth:
نمایش منطقهای دادهها:
معمولاً بر اساس تقسیمات جغرافیایی مثل استانها، شهرستانها، کشورها یا نواحی آماری.
استفاده از طیف رنگی:
مقادیر زیاد با رنگهای تیرهتر و مقادیر کمتر با رنگهای روشنتر نمایش داده میشوند (یا برعکس).
سادگی در فهم:
در نگاه اول، توزیع فضایی یک متغیر قابل درک است.
📊 موارد کاربردی:
نرخ بیکاری در استانهای مختلف
توزیع جمعیت
درصد سواد
درآمد سرانه
نتایج انتخابات
🛠️ ابزارهای ساخت نقشه Choropleth:
Python + Plotly / Folium / GeoPandas
R (با استفاده از leaflet یا ggplot2)
ArcGIS / QGIS
Power BI / Tableau
Google Maps + GeoJSON
عناوین نقشه Choropleth
- نقشه choropleth چیست؟
- نقشه choropleth برای چه استفاده می شود؟
- نحوه خواندن نقشه choropleth
- روش های مختلف طبقه بندی داده های نقشه choropleth چیست؟
تعریف نقشه Choropleth
نقشه Choropleth (به فارسی: نقشه رنگپایه یا نقشه رنگبندیشده) نوعی نقشه thematic (انتزاعی) است که در آن دادههای آماری برای مناطق مختلف جغرافیایی با استفاده از تفاوت در رنگ، سایه یا الگو نمایش داده میشوند. هر منطقه (مانند کشور، استان یا شهرستان) با یک رنگ خاص مشخص میشود که شدت یا تیرگی آن نمایانگر مقدار یک متغیر خاص در آن منطقه است.
📌 مثال ساده:
فرض کنید میخواهیم نرخ بیکاری استانهای ایران را نمایش دهیم. در این نقشه:
استان با بالاترین نرخ بیکاری، تیرهترین رنگ را دارد.
استان با کمترین نرخ بیکاری، روشنترین رنگ را دارد.
استانهای دیگر بهصورت گرادیانی بین این دو مقدار رنگآمیزی میشوند.
🧠 هدف نقشه Choropleth:
نمایش توزیع مکانی یک متغیر آماری.
کمک به شناسایی الگوهای جغرافیایی، مانند تمرکز فقر یا رشد جمعیت در نواحی خاص.
✅ مزایا:
درک آسان دادهها از طریق رنگ.
مناسب برای تحلیلهای مقایسهای بین مناطق مختلف.
⚠️ محدودیتها:
اندازه مناطق ممکن است باعث سوءبرداشت شود (مثلاً استان بزرگتر ممکن است توجه بیشتری جلب کند، حتی اگر مقدار متغیر در آن کم باشد).
مناسب برای دادههای نسبی (مثل درصد یا نرخ) نه دادههای خام.
نقشه choropleth چیست؟
نقشه Choropleth (کوروپلت یا کوروپلس) نوعی نقشه thematic (موضوعمحور) است که در آن مناطق جغرافیایی مانند استانها، کشورها یا نواحی دیگر، بر اساس یک متغیر عددی با رنگهای مختلف نمایش داده میشوند. این نوع نقشه برای نمایش توزیع مکانی یک متغیر بسیار مفید است.
ویژگیهای نقشه Choropleth:
هر ناحیه با رنگی مشخص یا طیفی از رنگها رنگآمیزی میشود.
شدت یا سایه رنگها نشاندهنده مقدار متغیر مورد نظر (مثلاً جمعیت، درآمد، نرخ بیکاری، میزان آلودگی، …) است.
معمولاً از طیف رنگی از کمرنگ به پررنگ یا از سرد به گرم استفاده میشود.
مثالهایی از کاربرد:
نقشه نرخ بیکاری در استانهای یک کشور
نقشه تراکم جمعیت در نواحی شهری
نقشه مشارکت در انتخابات در مناطق مختلف
مزایا:
نمایش سریع و بصری تفاوتهای مکانی
مناسب برای مقایسه نسبی دادهها بین نواحی
محدودیتها:
وابسته به مرزهای ناحیهای (نه نقاط دقیق داده)
ممکن است تفاوتهای داخلی نواحی را پنهان کند
تفسیر نادرست در صورت نبود مقیاس مناسب رنگ
نقشه Choropleth (یا نقشه رنگی موضوعی) نوعی نقشه است که در آن مناطق جغرافیایی مختلف (مثل کشورها، استانها، شهرستانها یا ناحیهها) بر اساس یک متغیر آماری خاص با استفاده از درجات مختلف رنگ یا سایه نمایش داده میشوند.
کاربرد:
Choropleth Map برای نمایش توزیع دادههای کمی (عددی) مانند:
جمعیت
درآمد سرانه
نرخ بیکاری
درصد باسوادان
آمار بیماریها
نرخ مشارکت انتخاباتی
مثال:
فرض کنید نرخ بیکاری در استانهای مختلف ایران را داریم. میتوان یک نقشه Choropleth رسم کرد که در آن:
استانهایی با بیکاری کم با رنگ روشن
استانهایی با بیکاری بالا با رنگ تیرهتر
نمایش داده شوند.
نقشه choropleth برای چه مواردی استفاده می شود؟
نقشه های Choropleth زمانی مفید هستند که داده هایی که می خواهید منتقل کنید عبارتند از:
- پیوست به واحدهای شمارش مانند شهرها، شهرستان ها و کشورها،
- استاندارد شده برای نشان دادن نرخ ها یا نسبت ها، و
- در یک سطح آماری پیوسته، به این معنی که مقادیر قابل اندازه گیری در همه جای منطقه مورد مطالعه و نه فقط در مکان های خاص رخ می دهد.
این نقشه موضوعی میزان پولی را که هر ایالت آمریکا (واحدهای شمارش، در یک سطح آماری پیوسته) صرف مراقبت های بهداشتی در رابطه با تولید ناخالص داخلی کشور (داده های استاندارد شده) می کند را به تصویر می کشد.
توجه به این نکته مهم است که داده های خام برای نقشه های choropleth توصیه نمی شود .
این به این دلیل است که نقشه های choropleth طبیعتاً مقایسه ای هستند. آنها معمولا برای مقایسه داده های نسبی و برجسته کردن تفاوت های آنها در مکان های جغرافیایی استفاده می شوند.
به عنوان مثال، جمعیت هر شهر (خام) در مقابل جمعیت هر شهر نسبت به اندازه آن (استاندارد). اولی صرفاً اطلاعات را بیان می کند در حالی که دومی مقایسه بین داده ها را برای نشان دادن تفاوت در تراکم شهرها ارائه می دهد.
نحوه خواندن نقشه choropleth
نقشه choropleth یکی از رایج ترین نقشه های موضوعی مورد استفاده است زیرا خواندن و درک آن بسیار آسان است. اگر شما یکی از معدود افرادی هستید که در مورد نحوه خواندن نقشه choropleth اطلاعاتی ندارید، اجازه دهید شما را راهنمایی کنیم.
نگاه به عنوان و موضوع نقشهاول ببین موضوع نقشه چیه؟ مثلا نرخ بیکاری، جمعیت، درآمد، میزان آلودگی، یا هر چیز دیگه. این بهت میگه دادهای که روی نقشه نشون داده شده چیه.
بررسی راهنمای رنگها (Legend)نقشههای choropleth معمولاً یک راهنمای رنگ دارن که به صورت جدول یا طیف رنگی کنار نقشه هست.
رنگها یا سایههای روشنتر معمولاً مقدار کمتر رو نشون میدن.
رنگهای تیرهتر یا پررنگتر مقدار بیشتر رو.این راهنما بهت میگه هر رنگ یا هر بازه عددی چه معنیای داره.
بررسی نواحی و مقایسه رنگهامناطق مختلف روی نقشه رنگهای متفاوت دارن. با دیدن رنگ هر منطقه میتونی بفهمی مقدار داده در اون منطقه چقدره.مثلاً اگر نقشه نرخ بیکاری باشه، استانهای با رنگ تیرهتر بیکاری بیشتری دارن.
مطالعه توزیع و الگوهای مکانی
ببین مناطق پررنگ و کمرنگ چطوری تو نقشه پراکنده شدن.
آیا مناطق مجاور رنگهای مشابه دارن؟ (مثلاً همسایگان با نرخ بیکاری بالا)
آیا یک منطقه خاص تفاوت زیادی با بقیه داره؟این کمک میکنه الگوهای جغرافیایی و روندهای داده رو بشناسی.
ملاحظه مقادیر عددی دقیق (اگر داده همراه باشد)گاهی نقشه همراه با جداول یا نمودارهایی است که مقادیر دقیقتر رو میدن. این عددها میتونن تحلیل تو رو دقیقتر کنن.
مثال کاربردی:
فرض کن نقشه choropleth نرخ بیکاری استانهای ایران رو نشون میده.
نگاه میکنی به راهنما: رنگ زرد = بیکاری ۵-۱۰٪، نارنجی = ۱۰-۱۵٪، قرمز = بیشتر از ۱۵٪
استان تهران قرمز، پس بیکاری بالاست.
استانهای اطرافش نارنجی یا زرد، یعنی بیکاری کمتر.
این میتونه بهت کمک کنه بفهمی مشکل بیکاری بیشتر در کدام مناطق هست.
روش های مختلف طبقه بندی داده های نقشه choropleth چیست؟
طبقه بندی داده ها داده هایی را که در نقشه choropleth خود قرار می دهید با مرزهایی مرتب می کند تا هر کلاس را از یکدیگر جدا کند.طبقهبندی مساوی (Equal Interval)
بازه دادهها به بخشهای مساوی تقسیم میشه.
مثلاً اگر دادهها از ۰ تا ۱۰۰ هستن و بخوای ۵ دسته داشته باشی، بازهها میشن ۰-۲۰، ۲۰-۴۰، ۴۰-۶۰ و …
ساده و سرراست، اما ممکنه دادههای زیادی در یک دسته باشن و در دستههای دیگه خیلی کم.
طبقهبندی بر اساس تعداد نمونهها (Quantiles)
دادهها طوری تقسیم میشن که هر دسته تقریباً شامل تعداد مساوی از نمونهها باشه.
مثلا اگر ۱۰۰ منطقه داری و ۵ دسته، هر دسته ۲۰ منطقه داره.
مزیت: هر دسته به اندازه مساوی نمونه داره و تفاوتها بهتر دیده میشن.
معایب: ممکنه بازهها از نظر اندازه متفاوت باشن و بازههای خیلی کوچک یا بزرگ ایجاد بشه.
طبقهبندی طبیعی (Natural Breaks / Jenks)
دادهها طوری تقسیم میشن که تغییرات داخلی هر دسته حداقل و تفاوت بین دستهها حداکثر باشه.
الگوریتم خاصی این بهینهسازی رو انجام میده.
بهترین روش برای دادههای غیر یکنواخت و طبیعی که خوشهبندی دارن.
طبقهبندی استاندارد انحراف (Standard Deviation)
دادهها بر اساس انحراف استاندارد از میانگین دستهبندی میشن.
مثلاً دستههایی مثل کمتر از میانگین منهای یک انحراف، بین میانگین منهای یک انحراف و میانگین، و غیره.
مناسب برای دادههایی که میخوای تفاوتها نسبت به میانگین رو ببینی.
طبقهبندی دستی (Manual)
نقشه های choropleth چگونه کار می کنند
در فرآیندی که به طبقهبندی دادهها گفته میشود ، مقادیر عددی مدرج در محدودهها گروهبندی میشوند و هر محدوده طبقهبندی با یک سایه یا رنگ در سطح شیبدار رنگ نشان داده میشود. مقادیر باید نسبت هایی باشند تا سوگیری از مناطق با اندازه های مختلف کاهش یابد.
طبقه بندی داده ها
گزینه های طبقه بندی زیر برای نقشه های choropleth در دسترس هستند:
| روش طبقه بندی | توضیحات | مثال |
|---|---|---|
|
شکستگی های طبیعی |
کلاس ها بر اساس گروه بندی های طبیعی ذاتی داده ها هستند. این طبقه بندی پیش فرض است. زمانی که میخواهید بر گروهبندیهای طبیعی ذاتی دادههای خود تأکید کنید، باید از روش شکستهای طبیعی استفاده شود. برای مقایسه نقشه های ایجاد شده با داده های مختلف نباید از وقفه های طبیعی استفاده کرد. |
از استراحت های طبیعی برای مقایسه میزان جرم و جنایت در محله های شهر استفاده کنید. نرخ جرم و جنایت به گونه ای گروه بندی می شود که محله هایی با نرخ جرم مشابه با همان رنگ نمادین شوند. |
|
فاصله مساوی |
محدوده مقادیر مشخصه را به زیرمجموعه های هم اندازه تقسیم می کند. طبقه بندی فاصله مساوی بر مقدار یک ویژگی نسبت به مقادیر دیگر تأکید می کند و باید برای داده هایی استفاده شود که محدوده های آشنا دارند. |
از فواصل مساوی برای مقایسه درصد درختان با سوسک های مهاجم در پارک های یک شهرستان استفاده کنید. درصدها از ۰ تا ۱۰۰ متغیر است. اگر انتخاب کنید از چهار سطل استفاده کنید، کلاس ها بر اساس فواصل ۲۵٪ خواهند بود. |
|
Quantile |
ویژگی ها را به bin هایی با تعداد مساوی از ویژگی ها تقسیم می کند. طبقه بندی چندک می تواند با قرار دادن مقادیر مشابه در کلاس های مختلف، ظاهر نقشه شما را مخدوش کند. بنابراین، این روش طبقه بندی باید روی داده هایی که نسبتاً یکنواخت هستند استفاده شود. همچنین می توانید از طبقه بندی کمیت به عنوان روشی برای رتبه بندی بصری استفاده کنید. |
از فواصل کمی برای مقایسه نرخ بیکاری در ایالات متحده استفاده کنید. اگر پنج سطل را برای ۵۰ ایالت به اضافه منطقه کلمبیا اعمال کنید، تقریباً ۱۰ ایالت در هر بن وجود خواهد داشت. از نتایج می توان برای مشاهده نرخ های بیکاری در گروه های ۱۰ تایی استفاده کرد. |
|
انحراف معیار |
یک ویژگی را بر اساس میزان تفاوت ویژگی های ویژگی با میانگین طبقه بندی می کند. روش انحراف استاندارد روی مجموعه داده هایی که به طور معمول توزیع می شوند و برای تجزیه و تحلیل هایی که در آن میانگین یا فاصله از میانگین مهم است، بهترین کار را دارد. نکته:سعی کنید طبقه بندی انحراف استاندارد را با یک رمپ رنگی واگرا جفت کنید. رمپهای رنگی متفاوت، قسمتهای بالا و پایین را با سایههای تیره و متوسط را با رنگ خنثی استایل کنید. |
برای مقایسه میانگین امید به زندگی بین کشورها از انحراف استاندارد و یک رمپ رنگ متفاوت استفاده کنید. کشورهایی که بیشترین و کمترین امید به زندگی را دارند در سایه های تیره مختلف نمایش داده می شوند. با نزدیک شدن کلاس ها به میانگین امید به زندگی جهانی، رنگ ها روشن تر می شوند. |
|
طبقه بندی نشده |
داده های عددی به جای کلاس های گسسته در مقیاس پیوسته نمایش داده می شوند. زمانی که می خواهید تغییرات تدریجی در داده های خود مشاهده کنید، باید از روش طبقه بندی نشده استفاده کنید. |
از یک رمپ رنگی طبقهبندی نشده برای اندازهگیری میانگین دمایی برای یک محدوده زمانی معین که در ایستگاههای هواشناسی مرتباً قرار داده شده است، استفاده کنید. نقاط تغییرات تدریجی دما را در منطقه مورد مطالعه نشان خواهند داد. |
|
دستی |
به صورت دستی وقفه های کلاس را که برای داده های شما مناسب است اضافه کنید. روش دستی باید زمانی استفاده شود که محدودههای شناخته شدهای وجود دارد که باید روی دادههای شما اعمال شود، مانند زمانی که میخواهید نقشههای متعددی را با سطلهای یکسان ایجاد کنید. |
از یک طبقه بندی دستی برای مقایسه میانگین درآمد خانوار در محله های یک شهر در طول زمان استفاده کنید. طبقهبندی دستی میتواند برای اعمال سطلهای یکسان برای هر دو نقشه استفاده شود تا الگوها و مقایسهها بدون ایجاد فرضیات نادرست به دلیل تفاوت در طبقهبندی انجام شود. |
طبقه بندی های مختلف داده ها به شرح زیر است:
طبقه بندی شکست طبیعی
شکست های طبیعی طبقه بندی پیش فرض موجود برای نقشه های choropleth است. در اینجا، کلاس ها بر اساس گروه بندی های طبیعی ذاتی داده ها هستند. این روش طبقه بندی نباید برای مقایسه نقشه های ایجاد شده با داده های مختلف استفاده شود، بلکه فقط زمانی که می خواهید بر گروه بندی های طبیعی در داده های خود تأکید کنید.
این نقشه choropleth طبقه بندی شده اطلاعات طبقه بندی شده بر اساس مناطق جغرافیایی را ارائه می دهد. گروه بندی طبیعی داده ها با رنگ ها و افسانه های آنها برجسته می شود.
طبقه بندی فاصله مساوی
روش طبقهبندی بازههای مساوی، محدوده مقادیر ویژگیها را به زیر محدودههای هم اندازه تقسیم میکند. بر مقدار یک ویژگی نسبت به مقادیر دیگر تأکید می کند و معمولاً برای داده هایی استفاده می شود که محدوده های آشنا دارند.
طبقه بندی کمیت
روش طبقهبندی چندکی، ویژگیها را به پیوندهایی با تعداد مساوی از ویژگیها تقسیم میکند. برای مثال، نقشهای که نرخ رشد جمعیت تمام ۵۰ ایالت آمریکا (ویژگیها) را نشان میدهد، ممکن است به پنج چندک یا زیرگروه با ۱۰ ایالت تقسیم شود (با تعداد مساوی ویژگی پیوند مییابد). هر چندک با یک رنگ روی نقشه نشان داده می شود.
اما مشکل این روش این است که می تواند ظاهر نقشه choropleth شما را پیچیده کند زیرا می تواند مقادیر مشابهی را در کلاس های مختلف قرار دهد.
به عنوان مثال، در مثال ذکر شده قبلی، نرخ رشد جمعیت ممکن است بر اساس ترتیب زمانی داده ها (یعنی بالاترین به کمترین) در مقابل آرایش جغرافیایی ایالت ها تقسیم شود. در این حالت، رنگ های کمیت به جای سازماندهی در هر منطقه، روی نقشه پراکنده خواهند شد.
به همین دلیل است که این روش در داده هایی که نسبتاً یکنواخت هستند بهتر است استفاده شود. با این حال، می توان از آن به عنوان روشی برای رتبه بندی بصری نیز استفاده کرد.
طبقه بندی انحراف استاندارد
روش طبقه بندی انحراف استاندارد نشان می دهد که داده ها در هر مکان جغرافیایی چقدر انحراف دارند یا با یک مقدار متوسط تفاوت دارند.
این روش روی مجموعههای دادهای که به طور معمول توزیع میشوند و برای تحلیلهایی که میانگین یا فاصله از میانگین در آنها بسیار مهم است، بهترین کار را دارد.
به عنوان مثال، نقشه ای که می خواهد نشان دهد آمریکایی ها در هر ایالت در مقایسه با میانگین ملی در سال چقدر برای خرید مواد غذایی هزینه می کنند.
طبقه بندی کلاس بندی نشده
روش طبقه بندی کلاس بندی نشده زمانی استفاده می شود که داده های عددی در مقیاس پیوسته نمایش داده می شوند، نه در کلاس های گسسته. هنگامی که می خواهید تغییرات تدریجی در داده های خود مشاهده کنید، می توانید با استفاده از این روش این کار را انجام دهید.
در اینجا نمونه ای از نقشه choropleth طبقه بندی نشده آورده شده است:
این نقشه میانگین قیمت گاز در هر ایالت آمریکا را از طریق کدهای رنگی و مقیاسی نشان می دهد که سایه های مختلف را در بر می گیرد.
طبقه بندی دستی
از خود نام، یک روش طبقه بندی دستی به این معنی است که شما به صورت دستی شکست های کلاس را که برای داده های شما مناسب است اضافه می کنید.
هنگامی که محدوده های شناخته شده ای وجود دارد که باید روی اطلاعات شما اعمال شود، باید استفاده شود، مانند زمانی که می خواهید یک سری نقشه های choropleth با همان کلاس ها یا گروه های فرعی ایجاد کنید تا ارتباط آنها را با یکدیگر نشان دهید.