EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 2: 211 - 221

DOI: https://doi.org/10.12082/dqxxkx.2021.200301

Visualization of the Epidemic Situation of COVID-19

  • YING Shen , * ,
  • DOU Xiaoying ,
  • XU Yajie ,
  • SU Junru ,
  • LI Lin
Expand
  • School of Resource and Environmental Sciences, Wuhan University, Wuhan 430070, China
* YING Shen, E-mail:

Received date: 2020-06-10

  Revised date: 2020-09-10

  Online published: 2021-04-25

Supported by

National Key Research and Development Program of China(2017YFB0503500)

Copyright

Copyright reserved © 2021.
Fold

Abstract

The COVID-19 epidemic has extremely attracted our attentions and lots of maps and visualization charts were created to represent and disseminate the information about COVID-19 in time, which exactly became a key role for the public to acquire and understand the quantitative information and spatial-temporal information of COVID-19. The paper analyzed the dimension of data for COVID-19 and processing levels about them, then divided the COVID-19 visualization into three types, that is 1-order visualization, 2-order visualization and multi-order visualization for COVID-19, based on direct data or indirect data of COVID-19 with the corresponding visualization methods, characteristics and information transmission Shortcomings and weakness of visualization methods for COVID-19 were analyzed in details, from the aspects of multiple scale unit in spatial data statistics, max value dealing in data classification, also many key design points were described including color connotation in disease visualization, the influences of area / unit size in visualization, symbol overlapping, multiple-scale heat maps and labels in statistical tables. The paper indicated the visualization traps of COVID-19, such as misuse of visual effects and excessive visualization, and reasonable abilities of COVID-19 visualization including map-story narrative methods and visualization pertinence for specific problems should be considered sufficiently to provide the references for cartographers to design the maps and for readers to understand the maps.

Key words： COVID-19; data visualization; color unit method; heat map; spatial temporal relationship; information transmission; map symbol; diagram design

Cite this article

YING Shen , DOU Xiaoying , XU Yajie , SU Junru , LI Lin . Visualization of the Epidemic Situation of COVID-19[J]. Journal of Geo-information Science, 2021 , 23(2) : 211 -221 . DOI: 10.12082/dqxxkx.2021.200301

1 引言

流行病学在研究中常常需要把数据可视化。1854年英国医生约翰.斯诺（John Snow）在调查伦敦霍乱时,将死亡病人资料和街区的水井位置标注在地图上,说明了受污染的水是霍乱的来源,这一事件被认为是流行病学调查的开端[1]。在新型冠状病毒肺炎（COVID-19,简称新冠肺炎）聚集性疫情流行病学调查指南中流行曲线、时序图、病例关系图等可视化图表,是梳理总结聚集性疫情关键信息的重要手段[2]。新冠病毒或传染病的传播与人类流动紧密相关,体现在传播链和感染量、距离和疾病到达时间等方面[3,4],对制定公众聚会、人口流动等政策起关键因素,特别新冠疫情暴发城市的“封城”行为对阻滞或延后疫情传播作用明显[5,6],计算机、大数据分析等技术的发展让疫情防控服务更智慧[7,8,9],数据可视化形式也越来越多样,医学相关的可视化系统建设技术也不断完善[10,11,12],一些可视化工具可快速生成设计精美的可视化图件,借助可视化库可开发web端、移动端界面,实现后台数据实时更新的可交互的可视化页面。
数据可视化是一种讲故事的手段[13],新冠肺炎暴发以来,新闻媒体实时为公众通报疫情情况,运用地图、折线图、玫瑰图等可视化手段向公众传递疫情发展情况[14]。相比于一般可视化,疫情可视化具有更强的时效性,更注重疫情信息实时更新和展示。新冠疫情数据可视化是为了清晰、准确、高效地向读者传达疫情信息,这些信息包括数值信息、位置信息和时序信息等,通过可视化向读者传达：① 疫情在哪里;② 如何发展的;③ 形势如何。新冠肺炎疫情期间媒体报告的数据统计量分为6大类：累计数据、增量数据、存量数据、比率数据、个体数据和其他数据,前5种类型数据呈现出明显的地理和时序特征,是典型的时空数据。累积数据包括累积确诊、累积治愈和累积死亡,增量数据包括新增确诊、新增治愈、新增死亡、新增重症、新增疑似、较昨日数据和新增境外输入,存量数据包括现有确诊、现有重症和现有疑似,比率数据包括治愈率、病死率、重症率,个体数据包括逗留时间、逗留地点、密切接触者位置和活动名称,以及辟谣信息、公众情绪、科普知识等其他数据。疫情前期公众关注的是累计数据,随着疫情的发展,公众更关注增量信息、比率数据、病例剖析和风险评估,以及辟谣、科普等作品。疫情形式逐渐向好,社会逐渐复工复产,公众更关注的是存量数据。
疫情期间相关专家从不同的角度对疫情可视化进行总结[15],从时空地理大数据视角梳理时空可视化的起源与方法,并对时空地理分析可视化进行描述[16]。更专业的疫情地图制作,可从空间尺度（如大尺度聚合、小尺度聚合等）、单元类型（如省级、地市级等）、聚类方法（分位数法、标准差法等）和呈现形式（如面元密度图、核密度图等）4个方面绘制和解读[17],并且考虑地图投影、颜色配置、色彩渐变图、密度图、等比例符号等在疫情地图制作和数据传达方面存在差异,还有三维地图、web地图具有的优缺点[18]等方面。针对疫情期间主要媒体发布的图件,可以从疫情可视化设计的用户分类、数据类型、特点和演化过程等方面总结[19]。
本文针对新冠肺炎疫情的可视化图件,从数据可视化表达内容的维度出发,将疫情信息可视化分为“1阶”可视化、“2阶”可视化和“多阶”可视化,并结合案例对相应表达的内容和特点进行阐述。本文还对疫情可视化中的数据统计和可视化展现方面的问题进行反思,并对疫情可视化中的误区和要求进行分析,为制图者合理设计图表和用户理性阅读提供参考。

2 疫情数据可视化形式分类

疫情数据可分为直接数据和间接数据,直接 数据是疫情情况的统计数据,间接数据是依据模型、公式等对直接数据计算加工后得到的知识数据（图1）。1阶可视化反映某一时刻的疫情分布情况或者是某一类数据的时间变化情况,涉及到疫情累计数据、增量数据、存量数据和比率数据。2阶可视化反映疫情在时间和空间上的发展过程,涉及到疫情轨迹数据和时间序列数据（或历史疫情数据）。多阶可视化反映了对疫情的评估、预测等情况,侧重于数据挖掘的知识数据展示,涉及到的数据是计算、加工后得到的知识数据。
图1 疫情数据可视化方式

Fig. 1 Different visualization symbols of COVID-19

2.1 “1阶”可视化

“1阶”可视化形式是统计和展示某一维度的疫情数据,只关注数据的单一维度,比如某一时刻的累计确诊数、新增确诊数、出院数、死亡数等等,侧重对数据本身的直接展示。
（1）地图
地图在表达具有时空特性的数据方面凸显了绝对的优势,新冠疫情期间,各大媒体均开通新冠疫情专题每日通报疫情情况,以地图形式的可视化备受关注。常用的疫情地图有质底法地图、符号地图和热力图等形式,其中符号法在全球疫情地图中最常见。
质底法地图（图2(a)）可呈现各地疫情的累计确诊病例数、新增确诊病例数等数据的地域分布情况,多用于表达累计数据和增量数据。质底法使用分级设色的形式绘制地图,以不同色相或同种色相不同深浅区分不同的类别。针对中国的疫情情况,分省统计数据是常见的分类形式,而全球疫情的地图多采用分国家统计数据。现在的电子地图基本都具备交互的功能,用户可根据自己的需求进行放大到下一级行政区、浏览详细情况等操作。
图2 疫情地图分类

注：图(a)来源于https://hgis.uw.edu/virus/;图(b)来源于https://coronavirus.jhu.edu/map.htm。

Fig. 2 COVID-19 maps with different symbols

符号地图（图2(b)）用于统计累计确诊病例数、累计死亡数等数据的地域分布情况,多用于表达累计数据。在符号的选择上多采用点状符号（如圆点）,圆点的大小代表数量的多少,符号的颜色单一,符号的位置常选择放置在区域的重心位置。在世界疫情地图设计中,比例符号地图运用最多,为避免引起误解,制图者会设置缩放级别限制,防止符号点落到具体的居民地上。
热力图（图2(c)）多用于表示城市级别的确诊病例的空间分布情况,多见于表达个体数据,相似的还有密度图,这类地图具有变化连续、边界模糊的特点,在宏观特征提取、疫情时空演变和过程模拟等方面具有优势。
（2）统计图
统计图具有简单直观的特点,往往作为辅助的功能,放置在可视化大屏、仪表盘界面的一侧。虽然统计图不能表达空间关系,它的作用可能被制图者低估;同时,电子统计图具有交互的功能,能够表达的信息逐渐丰富。
折线图（图3(a)）常用于表达趋势,在表达增量数据、比率数据等类型数据时具有优势。柱状图（图3(b)）用于分类量之间的大小比较,可表达累计数据、存量数据等类型数据。饼状图或类似的玫瑰图（图3(c)）在表达累计数据、增量数据中常用。若以空间区域作为分类项,统计图表虽缺失对空间区域关系的表达,但在数量大小的比较方面比地图更直观。
图3 疫情统计图

注：图(a)来源于财富时代;图(b)来源于维基百科;图(c)来源于人民日报微博。

Fig. 3 Statistical graphs of COVID-19

2.2 “2阶”可视化

对疫情数据进行2个维度上的统计和展示,展示时间空间上的变化,侧重展示数据前后变化等信息,可视化采用比如轨迹图、时间轴、晴雨表等形式。
（1）轨迹图
移动轨迹的可视化多用于展示个体病例数据,比如具体病患个案的移动轨迹可视化（图4）,以交互地图的形式展示病患在哪一天乘坐何种交通工具去往何处,重点展示了起点、目的地和出行日期信息,为公众的自我防护提供了重要的依据。
图4 疫情病例个体行踪可视化

注：来源于www.bilibili.com/video/av98344374n。

Fig. 4 Visualization of personal trajectory about individual case

（2）时间轴
时间轴的可视化方法相当于在“1阶”地图点状符号法可视化方法基础上加入了时间维度,来展现疫情总体分布的历史发展变化状况,以动态和交互的方式展示疫情统计数据的时间和空间分布情况如图5（a）,同时对疫情的空间扩散情况能有直观的认识。时间轴在统计图中也有应用,比如河流图（图5(b)）,聚焦于某个统计单元的每日新增病例,色彩流的宽度表示疫情统计值大小,每条色彩的垂直高度随同当日数据改变,垂直线高度就是当日新增病例的总量,横轴表示时间的推移。河流图能清晰展现一个统计单元内的某个或2个疫情统计数据的时间发展整体趋势,曲线的外轮廓高低起伏的状态可以清晰地呈现出新增病例数量的变化,并显示出疫情严重的地区。
图5 疫情时间轴可视化

注：图(a)图来源https://www.healthmap.org/covid-19/;图(b)来源http://zeelab.cn/WuhanThemeRiver。

Fig. 5 COVID-19 visualization with timeline

（3）晴雨表
晴雨表（图6）聚焦于增量数据,对每日历史数据进行统计,宏观呈现疫情发展态势。晴雨表中方块颜色表示当日新增确诊数较前日的变化,面积表示增量的多少。方块下方的数字为当日新增确诊数,括号内为核增或核减数。晴雨表可以对每天的增量数据进行统计,运用色彩和方块大小展示每个地区的疫情发展,以地理名称代表不同的地区。
图6 疫情晴雨表可视化

注：来源http://vis.pku.edu.cn/ncov/barometer/。

Fig. 6 COVID-19 visualization with barometer

2.3 “多阶”可视化

新冠疫情的“1阶”可视化和“2阶”可视化,侧重对疫情基本统计数据本身的时间和空间变化的直观展示。而“多阶”可视化侧重对新冠疫情数据的挖掘、分析和评估,通过一定的方法对疫情数据进行挖掘如关联、对比、预测和可视化分析等。通过手机定位追踪疫情期间用户的活动情况,并结合疫情的发展模拟、真实数据来评估保持社交距离可以降低或减缓新冠病毒传播的效应（图7(a)）,不同区域可根据该评估来提出本地的限行、保持社交距离和禁止公众集会等决策。在疫情的后期,依据区域社区划分数据、POI网格数据、空间交互数据、病患逗留小区数据,建立风险估算模型,计算传播矩阵用以刻画社区到社区之间的风险传播度,从而对每个社区进行风险评估（图7(b)）,为社会复工、生产、生活提供参考。
图7 疫情决策分析地图

注：图(a)图来源于https://www.unacast.com/covid19/social-distancing-scoreboard#scoreboard;图(b)来源于mp.weixin.qq.com/s/i8cVCK3Ko79QoFWTF7cEpA。

Fig. 7 COVID-19 decision map

针对个体病例,构建人（患者）、事（探亲等活动）、地（地理位置）、物（接触对象）和时间相互联系的框架,聚焦于个体病例数据之间的关联,通过位置关联可以有效地进行时空交叠或共现分析,绘制病例时序图、关系图和移动轨迹图,可快速调查病例之间的传播链,支持流行病学调查。如图8所示,通过时空关联分析,得到病例415号为输入型病例（右侧位置转变图）,且先发病入院（健康状态时序图）,并传染给402号和397号病例（左侧关系图和健康状态图）。而面向新冠病毒全球大暴发的过程,不同新冠病毒谱系变异、国家之间的时间演进、病例总量的动态变化、国家间的病例输入等复杂多维的信息亦可以通过实时动态地图进行生动的绘制和展示（图9）。
图8 疫情病例时空关系分析

Fig. 8 Spatial-temporal analysis for COVID-19 cases

图9 全球新冠病毒谱系演进

注：来源于https://nextstrain.org/ncov/global。

Fig. 9 Genomic epidemiology of COVID-19 and transmissions

3 疫情数据可视化中的反思

3.1 疫情可视化中的反思

面对多样的疫情数据,疫情可视化设计时存在一定误区,包括对统计数据的制图单元选择和数值的不均匀性处理,以及可视化手段特别是视觉变量和符号的选择和处理等方面。
3.1.1 数据统计
（1） 制图单元
制图单元的选取体现了对信息的概括程度,中国的疫情可视化多以省份为统计单元,省级统计图（图参考：https://mp.weixin.qq.com/s/ZCCIad3UWX x-2qVKJcuZDA）能概括疫情发展的基本空间特征,能反映地理大格局下的疫情空间结构。市级的行政单位更能细致地反映真实情形(图参考：https://mp.weixin.qq.com/s/ZCCIad3UWXx-2qVKJcuZDA）,疫情的确诊人数可能只集中在某几个城市,省级单元的统计同时给出市级单元的结果才是科学而恰当的选择,在了解省级疫情统计结果的同时,也让公众明白市级单元的结果更能反映疫情空间分布的真实情况。在疫情地图制作中,无论是提高民众防范意识,还是分析疫情地理传播机制都应充分考虑制图单元。
（2）极值
疫情数据中存在离群极大值的现象,对极大离群值处理不当会造成小数值之间差异无法比较。在确定符号尺寸大小时,为消除极值造成的压盖,对数据可以采用对数、指数等方式变换,消除极值过大的影响。在分级地图分类中,分级操作导致同一等级的数量差异被消除,因此同一等级的差异无法捕捉,常用的分类方法有自然间断点分级法,该方法对分类间隔加以识别,可对相似值进行最恰当的分组,并可使各个类之间的差异最大化[20]。如质底法地图（https://voice.baidu.com/act/newpneumonia/newpneumonia#tab4）的分类方法照顾了极大值,增加了在小数值之间的分类以便比较差异。图10（a）的地图中使用比例符号绘制,符号尺寸直观地体现数量差异。图10（b）柱状图在表达极值时具有优势,能够直观地显示出哪个是极大值,更能清晰地表示数值的具体差值。
图10 可视化中的极值处理

注：图(a)来源于:https://www.ft.com/content/a26fbf7e-48f8-11ea-aeb3-955839e06441;图(b)来源于https://weibo.com/。

Fig. 10 Special value processing in COVID-19 visualization

3.1.2 可视化手段
（1）颜色
数据可视化离不开色彩,不同的色彩向读者传达了不同的情绪和直观感受。红色、橙色等刺激色系,用来标识确诊、疑似、无症状等指标,既突出了疫情的严重程度,也起到提醒警示作用,相比之下,绿色作为一种令人感到稳重和舒适的色彩,用来标识累计治愈人数、出院数等指标,可以对冲红色带来的消极情绪,给人以希望和积极,而灰黑色,则体现了对于逝去生命的尊重和哀悼[21]。在疫情前期采用代表危险和邪恶的红色表达疫情,提醒公众疫情的危险、紧急和警示作用,提高公众的参与防控意识。公众并不希望它恶化到满屏的红色,当疫情得到控制和缓和后,用色宜适度缓和些,舒缓用户的心理压力。
（2）质底法
质底法对制图单位进行色彩填充,并以色彩区分差异。质底法中制图单元的形状及面积大小不可忽视,颜色的凸显度可能会被冲淡,同时面积较小的区域块的情况无法清晰表达。另外将制图单位内情况视为具有同质性,易造成曲解,尤其是对数值小的省份,比如西藏归类到“1-9个病例”类别,细化到市级图只有拉萨一地有数值,其余各市数值均为0（图参考https://voice.baidu.com/act/newpneumonia/newpneumonia/）,此时结合市级图更能反映真实的情况。质底法在地图上需要有统一的衡量标准,使用各省的颜色直接表达原始数据如累计确诊病例数是不合理的,因为各省的人口、面积不是相同的,必要时可利用密度值代替。
（3）符号绘制方式
比例符号地图在传达信息上相对有力和高效[22],人眼对符号尺寸大小相对敏感,分级符号法中无法表达同一等级的差异。而按照统一比例进行符号化的比例符号地图,可以非常直观地展示到不同地区病例的数量差异和空间分布关系,特别是极值和其他数量的差异。符号压盖是符号绘制中需要考虑的问题,可以通过设置透明度或局部放大来解决,世界疫情地图（https://www.ft.com/content/a26fbf7e-48f8-11ea-aeb3-955839e06441）中欧洲国家的面积相对较小,符号压盖比较严重,需要配合放大的局部地图（图11）能够清晰阅读。
图11 疫情地图的点状符号

Fig. 11 Different point symbols in COVID-19 maps

（4）热力图
热力图能够展现疫情重灾区的空间分布特 征和等级特征,能表达疫情的整体分布、扩散情况（图12）,有利于展示宏观特征。但是热力图是根据区域内的多个点的数值,运用函数拟合计算得到的估算值,覆盖在区域上的是估算值,不是确定的真实值,不恰当的比例尺控制下,计算产生的干扰信息和冗余信息会使热力图失去意义。
图12 疫情热力图

Fig. 12 COVID-19 heat map

（5）统计图
当地图上符号化的值随时间变化很大时,这类数据更适合使用图表来可视化,图表和地图起到相互补充的作用。折线图、柱状图和扇形图都是简单有效的可视化表达方式,在表达数值型的数据非常有效,能直观表示时间信息、增量信息、总量信息。大多的统计图表只是进行了简单的分类统计,统计图没有得到充分的利用。
（6）标注信息
疫情可视化中往往采用色彩差别表示不同统计对象,用符号的大小、趋势线、折线图、柱状图的高低等表达相对变化或多少,但是却忽视了标注信息,当用户在关注到走势或趋势的同时,也会更在意具体的数字或变化值,此时辅助标注和数值信息的重要性尤为突出,如图13在柱状图中标示每个类别的人数,减轻了阅读的压力,也增强了对数量认识的清晰性。
图13 疫情地图中的标注信息

注：图来源于维基百科。

Fig. 13 Label information in COVID-19 maps

3.2 疫情可视化中的误区与要求

（1）疫情可视化中的误区
视觉效果误用：疫情可视化不能偏离高效传达信息的初衷,色彩、符号是可视化视觉吸引的重要方面,色彩、符号使用不当会扰乱读者的认知,给读者传达有误差的信息,甚至是错误信息。如在符号分级图中的符号大小和颜色混用,颜色和符号大小都用于累计确诊病例数的分级,易造成视觉干扰。在热力图中的使用不同的颜色表示确诊病例数的多少,对不同颜色的含义认知会分散读者注意力,使用同一色系或者类比色能缓解读者阅读压力。
设计过于复杂：疫情可视化是为了让读者快速获取知识,不恰当的可视化方式将增加读者理解信息的时间成本。图表越简单、简洁越被熟知,读者越容易理解越快速;符号越复杂,人脑需要的认知和加工的时间越长。图表表达形式各有优缺点见表1,在可视化的可读性和传达高效性上,符号地图和柱状图的表达最简洁有效。相对来说,点状、线状符号容易理解,面状符号则需要认知加工。如比较各个省市或国家的确诊病例数时,一维柱状图以高度表示数量比二维河流图用宽度表示数量更精简、直观。
表1 不同图表表达优缺点

Tab. 1 The advantages and disadvantages of different charts

图表类型 表达内容 欠缺点
质底法地图 区域差异 整体上对面积小的区域表达不友好
符号地图 区域差异 面积小的聚集区域容易符号压盖
热力图 整体分布、扩散情况 区域具体数值
动态地图 历史演变情况 Web应用动态图多,静态多以快照形式展示
柱状图 直观比较数据大小 空间信息表达弱
折线图 展示变化趋势 无法表达空间关系
饼图 比较数据大小 空间信息表达弱
河流图 类别之间比较和各类变化趋势 空间信息表达弱
晴雨表 类别比较和变化趋势 无法表达空间关系
（2）疫情可视化中的要求
讲故事的能力：疫情可视化作为叙事和描述状态的媒介,通过可视化进行疫情信息的传递,将疫情以易理解和记忆的方式呈现出来,玫瑰图、柱状图等图表展现疫情发展状态,病例时空关系图分析了病例关系与传播链,轨迹地图绘制了个体病例的活动轨迹,符号地图、热力图等展示了疫情时空差异性等信息,这些可视化都是在讲述或叙述某些故事和疫情状态情节。
问题针对性：疫情可视化应具有明确目的性,疫情1阶和2阶可视化是为了展现疫情基本信息、提高民众参与防控意识、安抚民众情绪,多阶可视化主要是为了辅助决策层制定决策,都是需要解决具体的实际问题,设计须根据读者类型、制图主题等因素设计可视化,向读者高效传达正确的信息。

4 结论与展望

疫情可视化具有高时效性和易传播性,目的是实时、高效地向读者传达疫情信息,在传递疫情信息、揭示疫情特征、提高民众防控意识、辅助管理层制定决策方面发挥重要作用。
（1）新冠疫情可视化形式多样,国内媒体疫情可视化主要采用质底法地图搭配柱状图和折线图的方式呈现,国外诸如霍普金斯大学的疫情可视化大屏多采用点符号地图的形式。大多可视化系统保持日更新,保证了数据的实时性。疫情数据的1阶、2阶和多阶可视化是层层递进的关系,1阶可视化中的地图表示了空间分布差异,统计图表表示了时间变化,侧重于数据的某一个方面;2阶可视化中的图表同时展示了疫情数据的时间和空间变化,重点传达疫情的时空变化序列信息;多阶可视化以疫情时空数据为基础,运用数据挖掘方法和模型对数据深层次信息进行探究。现有的疫情可视化基本满足了公众对疫情基本信息获取的需求,侧重于数据挖掘的疫情可视化在将来会受到更广泛的关注。
（2）在可视化中选择多级制图单元,充分考虑极值进行数据分类,能更好体现数值的差异性。可视化设计中的颜色应尽量避免具有强烈情感指向的颜色,质底法地图叠合点状符号表达效果会更好,地图上不适合展示的信息,选择统计图表和文字信息辅助表达,须依据数据的特点和可视化目的选择图表,降低用户理解信息的时间成本,通过可视化快速传递疫情信息。
1阶、2阶和多阶的可视化是对数据挖掘的层层深入,从呈现疫情发展的地理特征到挖掘内在规律,达到记录历史发展轨迹、展示现在基本状况和预测将来演变状况的目标。以某个主题形成的可视化序列可以利用地学图谱信息化、智能化的思维方式[23],反映社会人文现象的地理空间变换和时空特征,借助于地学图谱可视化会实现过去、现在和将来的全景分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李立明, 王艳红, 吕筠. 流行病学发展的回顾与展望[J]. 中华疾病控制杂志, 2008,12(4):304-308.

[ Li L M, Wang Y H, Lü J. Epidemiology: History and challenges[J]. Chinese Journal of Disease Control and Prevention, 2008,12(4):304-308. ]

[2]
中国疾病预防控制中心. 新型冠状病毒肺炎聚集性疫情流行病学调查指南[EB/OL]. 2020- 2- 13. http://www.chinacdc.cn/jkzt/crb/zl/szkb_11803/jszl_11815/202002/t20200220_213405.html

[ Chinese Center for Disease Control and Prevention. A guide to the epidemiological investigation of novel coronavirus pneumonia clustered epidemic situation [EB/OL]. 2020- 2- 13. http://www.chinacdc.cn/jkzt/crb/zl/szkb_11803/jszl_11815/202002/t20200220_213405.html

[3]
Brockmann D, Helbing D. The hidden geometry of complex, network-driven contagion phenomena[J]. Science, 2013,342(6164):1337-1342.

DOI

[4]
Gonzalez M C, Hidalgo C A, Barabasi A. Understanding individual human mobility patterns[J]. Nature, 2008,453(7196):779-782.

DOI PMID

[5]
Moritz U G K, Yang C H, Bernardo G, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China[J]. Science, 2020,368(6490):493-497.

DOI PMID

[6]
Jia J S, Lu X, Yuan Y, et al. Population flow drives spatio-temporal distribution of COVID-19 in China[J]. Nature, 2020,582:389-394.

DOI PMID

[7]
李德仁, 邵振峰, 于文博, 等. 基于时空位置大数据的公共疫情防控服务让城市更智慧[J]. 武汉大学学报·信息科学版, 2020,45(4):475-487,556.

[ Li D R, Shao Z F, Yu W B, et al. Public epidemic prevention and control services based on big data of spatiotemporal location make cities more smart[J]. Geomatics and Information Science of Wuhan University, 2020,45(4):475-487,556. ]

[8]
Zhou C H, Su F Z, Pei T, et al. COVID-19: Challenges to GIS with big data[J]. Geography and Sustainability, 2020,1(1):77-87.

DOI

[9]
杨伊静. 大数据:打造战“疫”利器[J]. 中国科技产业, 2020(4):7-8.

[ Yang Y J. Big data creates a weapon of war[J]. Science & Technology Industry of China, 2020(4):7-8. ]

[10]
孟郁洁, 戚晓鹏, 王松旺. 急性发热性疾病监测系统设计与实现[J]. 医学信息学杂志, 2019,40(5):36-40.

[ Meng Y J, Qi X P, Wang S W. Design and implementation of monitoring system for acute febrile illness[J]. Journal of Medical Informatics, 2019,40(5):36-40. ]

[11]
周奕洋, 张泽, 钱庆. 肿瘤流行病数据可视化系统设计与应用[J]. 医学信息学杂志, 2016,37(5):46-50.

[ Zhou Y Y, Zhang Z, Qian Q. Design and application of the data visualization system for trumer epidemiology[J]. Journal of Medical Informatics, 2016,37(5):46-50. ]

[12]
张振华, 吴开超. 基于Twitter的流感疫情可视化系统[J]. 计算机系统应用, 2015,24(3):69-74.

[ Zhang Z H, Wu K C. Flu epidemic visualization system based on twitter[J]. Computer Systems & Applications, 2015,24(3):69-74. ]

[13]
朱梦泽, 赵海英. 叙事式可视化综述[J]. 计算机辅助设计与图形学学报, 2019,31(10):1719-1727.

[ Zhu M Z, Zhao H Y. A summary of narrative visualization[J]. Journal of Computer-Aided Design & Computer Graphics, 2019,31(10):1719-1727. ]

[14]
白净, 吴莉. 健康传播中的可视化应用——以新冠肺炎报道为例[J]. 新闻与写作, 2020(4):31-36.

[ Bai J, Wu L. Visualization in health communication novel coronavirus pneumonia report[J]. News and Writing, 2020(4):31-36. ]

[15]
陈晓慧, 徐立, 葛磊, 等. 传染病传播数据可视分析综述[J]. 计算机辅助设计与图形学学报, 2020,32(10):1581-1593.

[ Chen X H, Xu L, Ge L, et al. A survey of infectious disease transmission data visual analysis[J]. Journal of Computer-Aided Design & Computer Graphics, 2020,32(10):1581-1593. ]

[16]
沈雨尘. COVID-19疫情数据的时空地理空间可视化分析(上篇)[EB/OL]. 2020-2-20.mp. weixin.qq.com/s/ByBSV0K1SpMwC-N12rbQfQ.

[ Shen Y C. Spatial-temporal geographic spatial visualization analysis of COVID-19 epidemic situation data (Part 1)[EB/OL]. 2020-2-20.mp.weixin.qq.com/s/ByBSV0K1SpMwC-N12rbQfQ. ]

[17]
疫情地图项目组. “说谎”的疫情地图,隐藏了什么? [EB/OL]. 2020-1-31.mp.weixin.qq.com/s/U9BMlPVVPy N_rjv_HT1R_w.

[ Epidemic Map Project Team. What is hidden in the "lying" epidemic map? [EB/OL]. 2020-1-31.mp.weixin.qq.com/s/U9BMlPVVPyN_rjv_HT1R_w. ]

[18]
Kenneth Field. Mapping coronavirus, responsibly[EB/OL]. 2020-2-25. www.esri.com/arcgis-blog/products/product/mapping/mapping-coronavirus-responsibly.

[19]
孙远波, 闻芷艺, 徐瑞鸽, 等. 新型冠状病毒肺炎疫情数据可视化设计综述[J]. 包装工程, 2020,41(8):51-62.

[ Sun Y B, Wen Z Y, Xu R G, et al. Data visualization design of COVID-19 epidemic[J]. Packaging Engineering, 2020,41(8):51-62. ]

[20]
ESRI. 对分级符号的数字字段进行分类[EB/OL]. 2020-5-25. desktop.arcgis.com/zh-cn/arcmap/10.3/map/working-with-layers/classifying-numerical-fields-for-graduated-symbols.htm.

[ ESRI. Classify the numeric fields of the grade symbol[EB/OL]. 2020-5-25. desktop.arcgis.com/zh-cn/arcmap/10.3/map/working-with-layers/classifying-numerical-fields-for-graduated-symbols.htm. ]

[21]
李楠. 疫情期间的信息化视觉思考(三):数据可视化[EB/OL]. 2020-4-22.mp.weixin.qq.com/s/CNmboW1yW DGI3I-JogJSkQ.

[ Li N. Informational visual thinking during the outbreak (3): data visualization[EB/OL]. 2020-4-22.mp.weixin.qq.com/s/CNmboW1yWDGI3I-JogJSkQ. ]

[22]
Gao P, Li Z, Qin Z. Usability of value-by-alpha maps compared to area cartograms and proportional symbol maps[J]. Journal of Spatial Science, 2019,64(2):1-17.

DOI

[23]
张洪岩, 周成虎, 闾国年, 等. 试论地学信息图谱思想的内涵与传承[J]. 地球信息科学学报, 2020,22(4):653-661.

[ Zhang H Y, Zhou C H, Lü G N, et al. The connotation and inheritance of geo-information Tupu[J]. Journal of Geo-information Science, 2020,22(4):653-661. ]

Options
Outlines

/

〈 〉