EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 1: 121 - 134

DOI: https://doi.org/10.12082/dqxxkx.2024.230593

Neural Mechanism Analysis of Cartographic Visual Variables Syntactic Construction

  • QIAO Lige , 1, 2 ,
  • WU Mingguang , 1, 2, 3, * ,
  • LV 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
* WU Mingguang, E-mail:

Received date: 2023-10-03

  Revised date: 2023-11-17

  Online published: 2024-03-26

Supported by

National Natural Science Foundation of China(42371443)

National Natural Science Foundation of China(41971417)

National Natural Science Foundation of China(41930104)

Fold

Abstract

The syntactic structure of visual variables refers to a set of rules that guide the matching of visual variables with the types of characteristics represented in data. In current cartographic research, the development of syntactic structures for constructing map symbols is deeply rooted in the experiential knowledge and intuition of cartographers, aiming to effectively convey information expressed in maps. However, there are notable shortcomings in the interpretation of visual neural mechanisms, such as inconsistent classification, inconsistent quantities, and controversial conclusions in the syntactic structure of visual variables. These challenges have far-reaching implications for the alignment of visual variables with data characteristics, often resulting in map representations that may fall short in terms of design efficacy. The ensuing complexity hinders better understanding of map information by users. Against this backdrop, the burgeoning field of visual neuroscience emerges as a transformative force, progressively unraveling the intricate information processing and features of the human visual system. This advancement provides a robust theoretical underpinning, offering a neurologically informed perspective in interpretating visual variable syntactic structures. To achieve a comprehensive understanding, this paper gives a summary of human eye-brain visual information processing. Taking cues from typical paintings and maps, the multifaceted features and processes inherent in complex cognitive activities are discussed. Subsequently, the paper delves into the neural mechanism of the classic syntactic structures of visual variables proposed by Bertin and MacEachren, unraveling the intricacies of how the human brain processes visual information to derive meaningful representations. A critical facet of this neural mechanism analysis involves the classification of visual variable syntactic structures, an undertaking approached from the vantage point of the functional characteristics of visual pathways and visual areas within the eye-brain. This nuanced analysis contributes to a refined understanding of their neural foundations, encompassing types, quantities, and conclusions associated with visual variable syntactic structures. The research outcomes not only present a novel cognitive perspective to the syntactic structure of visual variables but also establish a cognitive foundation for the judicious utilization of these visual variables in map design. This approach transcends the constraints imposed by reliance on empirical summaries in the study of map visual variable syntactic structures. In addition, it yields beneficial insights for the neural mechanism analysis of new visual variables and their syntactic construction in the context of modern cartography.

Key words： visual variables; syntactic construction; cartography; visual perception; data characteristics; visual information processing; visual pathways; neural mechanism

Cite this article

QIAO Lige , WU Mingguang , LV Guonian . Neural Mechanism Analysis of Cartographic Visual Variables Syntactic Construction[J]. Journal of Geo-information Science, 2024 , 26(1) : 121 -134 . DOI: 10.12082/dqxxkx.2024.230593

1 引言

大众化、实时化、智能化、多元化的技术变革对地图学的发展带来了巨大冲击[1]，涌现了各种创新形式与表现风格的地图，例如微地图[2]、准地图[3]、全息地图[4⇓-6]、游戏地图[7]、隐喻地图[8-9]等。地图不再仅限于某种特定的模式，越来越多的地图产品随之产生。同时，也对地图学理论发展带来了新的挑战[10]。现有指导地图可视化的知识规则，包括视觉变量语法结构，是以经验归纳为主，机理解释较为缺乏，难以满足地图表达形式和需求的转变。
视觉变量是地图或其他图形上可以改变的编码信息的图形和色彩因素，最早由Bertin[11]提出，并成为地图学和信息可视化等领域的基本理论[12]。Bertin[11]最初提出7个视觉变量，包括位置、尺寸、亮度、纹理、色相、方向和形状。随后，多位研究者对视觉变量进行了扩展。Morrison[13]增加了图案排列、图案方向和图案纹理，并将颜色分为色相、亮度和饱和度。Kates[14]提出图形要素可称为图形变量，包括形状、尺度、亮度和联合使用。Robinson[15]将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。MacEachren[16]又扩展了3个视觉变量：清晰度、分辨率和透明度。随着地图向动态、三维的场景表达方向发展，制图学家又提出了动态变量[17]、三维变量[18]和声音变量[19]等。
针对不同的视觉变量，很多学者又归纳了视觉变量语法。其中，Bertin[11]对于每个视觉变量，都给出了表征4类“组织层次”(Levels of organization)的“可接受”和“不可接受”的使用规则，具体包括关联感(Association)、选择感(Selection)、顺序感(Order)、数量感(Quantity)。Morrison[13]将视觉变量按照“可用”、“可能”和“不可能”3种情况匹配2种数据类型：顺序型(Ordinal)和定名型(Nominal)。MacEachren[16]进一步扩展了视觉变量语法结构，给出了每个视觉变量表征2种视觉特征：视觉隔离(Visual isolation)、视觉层次(Visual levels)和3种数据类型：顺序型(Ordinal)和数值型(Numerical)、定名型(Nominal)的“好”、“一般”、“差”3种情况。后续还开展了将地图视觉感受理论用于图形认知等方面的研究[20]。例如，评价颜色[21]、形状[22]等不同视觉变量对地图阅读的影响。
但是，以Bertin[11]和MacEachren[16]的视觉变量语法为例，视觉变量语法结构还存在3个基本问题：① 视觉变量语法结构分类的类型不一致，Bertin[11]提出的关联感、选择感和MacEachren[16]的视觉层次、视觉隔离的术语描述不同，含义也有所差异。Bertin[11]认为具有关联感的视觉变量不会影响符号明显的权重或可见性的变化；具有选择感的视觉变量，能够隔离某一类别的所有符号，忽略其他符号。而MacEachren[16]提出用视觉层次和视觉隔离分别对应Bertin[11]的关联感和选择感。其中，视觉层次是将图形上的一组由特定视觉变量表征的符号识别为共同的整体，这一整体占据不同的视觉平面(例如前景和背景)。而视觉隔离是当某一特定的视觉变量被改变，更容易地从所有符号中选择出改变的符号。② 视觉变量语法结构分类的个数不统一，Bertin[11]的视觉变量语法结构包括4种类型：关联感、选择感、顺序感、数量感；而MacEachren[16]扩展的视觉变量语法结构则包括视觉隔离、视觉层次、数值型、顺序型、定名型5种。③ 对于视觉变量表征不同数据特征的适宜性的结论有争议，例如Bertin[11]和MacEachren[16]对于亮度和尺寸是否具有关联感；色相能否表征顺序型数据；纹理能否表征数值型数据等结论有差异。
近年来，功能性核磁共振(Functional Magnetic Resonance Imaging, FMRI)、脑电图(Electroencephalogram, EEG)等技术促进了神经科学的快速发展，人类视觉信息处理流程逐渐明确，为从视觉神经的角度分析地图视觉变量语法结构的类型不一致、个数不统一、结论有争议等3个基本问题提供了理论基础。
本文首先通过总结人类眼-脑视觉信息处理特征及流程，然后从理论上分析Bertin[11]和MacEachren[16]提出的视觉变量语法结构的神经机理，最后结合视觉通路和视觉区域的功能特征分析视觉变量语法结构的类型、个数和结论（图1）。
图1 地图视觉变量语法结构的神经机理分析技术路线

Fig. 1 Flowchart of neural mechanism analysis of cartographic visual variables syntactic construction

2 视觉信息处理特征及流程

视觉信息处理是人眼接收可见光并在大脑中解析视觉信息的过程。该过程主要涉及从视网膜(Retina)经丘脑背侧的外侧膝状体(Lateral Geniculate Nucleus, LGN)到视觉皮层(Visual Cortex)三部分视觉神经系统的协作[23]。视网膜主要将视觉世界的光学信号编码成神经脉冲信号，处理色相(三原色、对比色)和亮度(绝对亮度、相对亮度)等信息[24]，后经外侧膝状体中转至视觉皮层处理视觉信息。
视觉皮层包括视觉第一、第二、第三、第四、第五分区等，或称V1、V2、V3、V4和V5等。不同视觉皮层神经元对于特定的视觉特征具有选择性。例如，V1神经元对于对比色、亮度差异、绝对视差、边缘和线条特定朝向和特定空间频率等特征敏感[24]。V2神经元对对比色和相对视差等特征敏感，并参与边界归属、轮廓提取、纹理分割等[25-26]。V3神经元负责检测物体边缘、提取运动方向等信息[27]。V4神经元对于混色、特定朝向、轮廓曲率和简单形状等具有选择性，还能够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，计算物体尺寸[28]。V5则主要关注物体的全局运动方向[24]。详细的视觉区域神经元功能如图2所示。
图2 视觉信息处理流程中不同视觉神经元功能和特征

Fig. 2 Functions and features of different visual neurons in the visual information processing pathway

2.1 感受野(Receptive field)

视觉感受野是光照视网膜能够引起神经元活动的区域[29]。不同视觉皮层神经元的感受野表现出随视觉皮层层级的升高逐渐增大的趋势[24,30]。此外，同一视觉皮层神经元的感受野随偏离中央凹的程度的增大而增加。随着感受野的增大，神经元编码的特征也越来越复杂。例如，V1神经元的感受野约为0.5°~1.5°，仅对视野中相对较小的区域做出响应，对图像的边缘具有高度敏感性。V2感受野约为0.5°~4.0°，能够综合V1中提取的局部特征，编码更复杂的视觉信息。V4感受野约为1°~20°，能够对大面积的视野区域做出响应，处理物体形状等更复杂的视觉信息。
感受野的大小决定了神经元感知图形信息的范围和详细程度的能力，影响图形的感知和识别。较小的感受野具有更高的空间分辨率和清晰度，对较小尺寸的局部细节和边缘信息敏感。较大的感受野则有助于捕捉更大尺寸的图形上下文信息，实现对图形的整体结构和复杂视觉特征的感知和提取。

2.2 延时(Latency)

当刺激呈现到视网膜后，各视觉区域对刺激的响应具有延时性。随着视觉皮层层级的升高，延时也逐渐增加[24,30]。V1是最早接收和处理视觉信息的视觉皮层，延时相对较短(约60 ms)，能够快速提取简单的局部特征和边缘信息、识别对比色等。V2在综合V1提取的局部特征的基础上处理视觉信息，延时增加(约70 ms)。V4延时更长(约80 ms)，能够进一步综合信息，提取和分析更复杂的特征。
延时影响解读不同视觉信息所花费的时长，进而影响图形的认知效率和认知负担。例如图3(a)中的黄色灯光比图形形状更先引起读者的注意。图3(b)中的色相比线条形状更容易被察觉。
图3 使用延时差异的绘画和地图案例

Fig. 3 Examples of painting and map using latency variation

2.3 视觉通路(Visual pathway)

视觉信息处理分为背侧和腹侧2个主要的视觉通路(图4)。腹侧通路包括了枕叶到颞叶的一系列脑区，主要负责处理形状和色相等信息，还涉及少部分的亮度信息的处理[31⇓-33]，由V1-V2(-V3)-V4等视觉皮层组成，主要传递到下颞叶(Inferior Temporal, IT)皮层[34]。IT神经元对复杂的二维形状和纹理信息敏感，能够整合不同特征的信息（例如形状和色相，纹理和色相等），对人脸特征敏感[24,32-33]。背侧通路包括枕叶到顶叶的一系列脑区，主要负责处理亮度、运动和位置等信息[34]，由V1-V2(-V3)-V5/内上颞皮层(Medial Superior Temporal, MST)等，并投射到腹内侧顶叶(Ventral Intraparietal Area, VIP)和背内侧顶叶区域（Lateral Intraparietal Area, LIP)控制眼睛运动(例如眼跳）[34⇓-36]。
图4 眼-脑视觉区域与2条视觉通路

Fig. 4 Eye-brain visual area and two visual pathways

背侧和腹侧通路的激活模式影响绘画的视觉感受。如图5(a)中绿色的草地和红色的花朵亮度相近(图5(b))，等亮度色彩的运用主要激活腹侧通路，背侧通路会感到松弛，产生对位置的恍惚和不确定的感觉，看起来花草仿佛在微风中轻轻摇曳[31]。而图5(c)中的颜色亮度差异大，主要激活背侧通路，去掉色相(图5(d))，景观之间的远近层次、地形起伏，云彩与红日等的描绘效果几乎不变。
图5 使用视觉通路差异的绘画案例

Fig. 5 Examples of paintings using visual pathway variation

视觉通路的激活模式也影响地图的视觉感受。如图6(a)中的颜色亮度差异不显著，要素的空间差异不明显，强调乐园中丰富多彩的游玩体验。而图6(b)中强化了河流和背景的亮度差异，突出河流在地图中的位置。
图6 使用视觉通路差异的地图案例

Fig. 6 Examples of maps using visual pathway variation

3 视觉变量语法结构的神经机理

本节以Bertin[11]和MacEachren[16]的视觉变量语法结构为例(图7)，从视觉通路及视觉区域的功能特征出发，结合具体的绘画和地图案例来分析典型的视觉变量(位置、尺寸、亮度、纹理、色相、方向、形状)产生关联感、选择感和表征顺序型、数值型和定名型数据特征的神经机理。
图7 Bertin[11]和MacEachren[16]的视觉变量语法结构

Fig. 7 Visual variable syntactic structure by Bertin[11] and MacEachren[16]

3.1 关联感(Association)

Bertin[11]认为关联感受可见性的影响，具有关联感的视觉变量在不同视觉维度的变化具有相同的可见性，允许视觉通过识别和保持该变量引发的相似性关系，将所有类别进行分组。其中，亮度和尺寸的变化改变了符号的可见性，难以产生关联感，其余5个视觉变量都具有关联感(图7(a))。而MacEachren[16]提出视觉层次对应Bertin[11]的关联感。读者可以将图形上的一组由特定视觉变量表征的符号识别为共同的整体，这一整体占据不同的视觉平面(如前景和背景)。尺寸、亮度、纹理能够产生好的视觉层次，色相产生的视觉层次一般，而位置、方向和形状的视觉层次较差(图7(b))。
Bertin[11]的产生关联感的视觉变量需要在感知过程中平衡和分组所有类别，回答的是一个给定组成部分中所有种类的组合“在哪里”的问题，对应背侧和腹侧通路的激活，识别符号的空间位置和类别[31]。接下来，以色相和形状为例，分析其产生关联感的神经机理。
色相能够产生关联感。色相信息在视觉早期的视网膜阶段就被识别出来，延时较短，并跨越整个腹侧通路。因此，色相信息的处理具有优先权。首先，亮度差异不显著的色相在空间上的差异也不显著[31]，容易形成空间上的整体感知；其次，视觉系统能够通过优先识别并保持色相所产生的相似性关系进行分组，即基于色相相似性的分组优先于其他视觉变量的干扰，从而产生关联感。如图8(a)中彩色方块的亮度和饱和度相近，色相差异明显，人眼能够感知其整体分布，并区分不同的色相组，产生具有美感的空间平衡和视觉和谐的效果。图8(b)利用色相产生的关联感，创造了一个丰富的美食世界。
图8 色相能够产生关联感的绘画和地图案例

Fig. 8 Examples of painting and map that hue can create a sense of association

形状能够产生关联感。形状信息的识别主要激活腹侧通路[34]。首先，腹侧通路不影响形状在空间可见性的显著差异，有助于形成整体的感知。其次，腹侧通路中的V4和IT神经元的感受野较大，能够区分不同的形状特征(如曲率)，识别出形状。因此，腹侧通路有助于将不同形状特征进行分组，产生关联感。如图9(a)中抽象的几何形状相互交织和变化，能够区分不同形状的组合(例如矩形、三角形)。图9(b)中不同动物形状的可见性差异不显著，表征不同类型的动物的整体分布情况。
图9 形状能够产生关联感的绘画和地图案例

Fig. 9 Examples of painting and map that shape can create a sense of association

3.2 选择感(Selection)

Bertin[11]认为具有选择感的视觉变量，能够使眼睛单独聚焦某些变化，而忽略其他变化。MacEachren[16]则用视觉隔离对应Bertin[11]的选择感，认为当仅改变符号中某一特定的视觉变量，读者更容易从所有符号中选择出改变的符号，那么这种视觉变量能够产生视觉隔离。MacEachren[16]的视觉隔离和Bertin[11]的选择感定义相似，视觉变量与表征数据特征的适宜性结论一致，认为除了形状以外的其他6个视觉变量都具有选择感(图7)。
产生选择感的视觉变量需要在感知过程中隔离出具有特定变化特征的符号，回答“在哪里”的问题，给出某一特征或类别的空间识别。因此，这个过程主要激活背侧通路，提取具有特定特征的符号位置，感知空间上的差异，产生选择感。接下来，以亮度、色相为例，分析其产生选择感的神经机理。
亮度能够产生选择感。首先，与色相类似，亮度差异也主要由视觉早期阶段的视网膜和V1神经元检测，延时较短，在视觉过程中被优先处理；其次，亮度差异主要激活背侧通路，能够识别空间位置差异，产生空间上的选择感。如图10(a)中高亮度的草地和山脉，与低亮度的树木和道路形成对比。前-背景亮度差异大，低亮度的信息被忽视，突出了阳光下草地和山脉的生机与活力。图10(b)中相比高亮度的道路，低亮度的道路与背景亮度差异更大，强化了空间上的差异，更易吸引视觉注意。
图10 亮度能够产生选择感的绘画和地图案例

Fig. 10 Examples of painting and map that value can create a sense of selection

色相能够产生选择感，是由于可见光谱中的色相呈现出固有的亮度变化特征，可以获得由暗到亮或由亮到暗变化的色相序列。因此，当色相中具有亮度变化时，能够加强空间上的差异，产生选择感。如图11(a)中高亮度的红色、黄色点缀进一些方块中，与背景的亮度差异强化了其空间差异，创造了视觉焦点。图11(b)中的建筑物高度地图使用的色相本身具有亮度差异，在黑色背景上，具有较高亮度的黄色、绿色更容易被感知，而较暗的蓝色容易被忽略。
图11 色相能够产生选择感的绘画和地图案例

Fig. 11 Examples of painting and map that hue can create a sense of selection

3.3 顺序型(Ordinal)

Bertin[11]和MacEachren[16]认为表征顺序型数据特征的视觉变量能够使符号无需外界提示按顺序进行排序，如从小到大，从亮到暗。接下来，以亮度和尺寸为例，分析其能够很好的表征顺序型数据的神经机理。
亮度能够很好的表征顺序型数据。部分亮度差异信息还能够激活腹侧通路[31]，通过感知亮度差异进行目标识别，关联亮度的明暗变化与数据的顺序特征。图12(a)中由暗到亮的亮度变化表达了海浪从波谷到波峰的高度变化，加强了画面中海浪的冲击力和震撼感。图12(b)中由亮到暗的亮度变化表征了由小到大的面积变化，便于直观地比较草坪面积的大小。
图12 亮度能够很好地表征顺序型数据的绘画和地图案例

Fig. 12 Examples of painting and map that value can be a good representation of ordinal data

尺寸能够很好的表征顺序型数据。首先，尺寸的感知主要激活腹侧通路，V4神经元能够根据所激活的神经元的面积大小识别尺寸信息。通过将尺寸与数据关联，例如较大的尺寸通常具有较高的重要性或数值，判断数据间的大小或高低顺序关系。图13(a)中从中间的小圆逐渐扩大到外围的大圆，相互交错的圆在尺寸上的变化产生了一种递进感。图13(b)中能够直观地比较不同区域交通死亡人数数量的多少。
图13 尺寸能够很好地表征顺序型数据的绘画和地图案例

Fig. 13 Examples of painting and map that size can be a good representation of ordinal data

3.4 数值型(Numerical)

Bertin[11]和MacEachren[16]认为，能够表征数值型数据特征的视觉变量可以量化所表征的符号中的变化程度，如大小的差异可以用数字表示，这种定量的数值间隔或比率可以转化为视觉变量之间的定量关系。接下来，以尺寸为例，分析其能够很好的表征数值型数据的神经机理。
尺寸能够很好的表征数值型数据。首先，尺寸的感知主要激活腹侧通路，通过对尺寸的物理大小的加倍产生感知大小的加倍，估计出数值的比率或大小。如图14(a)中圆的尺寸线性变化引导读者的目光在画面中游走。图14(b)的受教育程度地图中，圆形的尺寸成比例变化，通过估算出符号间的比率关系计算数值大小。
图14 尺寸能够很好地表征数值型数据的绘画和地图案例

Fig. 14 Examples of painting and map that size can be a good representation of numerical data

3.5 定名型(Nominal)

MacEachren[16]扩展的视觉变量语法中增加了定名型数据，表征定名型数据的视觉变量可以有效区分不同属性信息的类型，如职业、语言、民族等无序信息。接下来，以色相和形状为例，分析其能够很好的表征定名型数据的神经机理。
色相能够很好的表征定名型数据。色相的加工主要激活腹侧通路，专用于目标识别。将色相与定名型数据关联，能够激活腹侧通路，通过识别和区分符号间的色相差异，将其区分为不同的类别。图15(a)色相丰富：红色床单；绿色地板；黄色床架、椅子；蓝色墙壁和门。图15(a)中红-绿、蓝-黄对比色强化了视觉对比，使不同信息的类型更易区分。图15(b)中具有明显差异的色相能够有效关联和区分不同的地物类别。
图15 色相能够很好地表征定名型数据的绘画和地图案例

Fig. 15 Examples of painting and map that hue can be a good representation of nominal data

形状能够很好的表征定名型数据。腹侧通路专用于形状的识别和分类，V4、IT等神经元对于不同的形状特征敏感，例如区分轮廓曲率特征，识别形状，可用于表征定名型数据。图16(a)中的图形形状代表情感、心境或感觉。例如，圆形象征和谐、完整；尖锐的三角形象征紧张或不安；黄色在蓝色和红色圆圈周围形成同心圆的光环，代表声音的爆炸(如喇叭声)。图16(b)的象形符号表征店铺的类型，读者能够根据相似性将形状与表征的地物信息进行关联和区分。
图16 形状能够很好地表征定名型数据的绘画和地图案例

Fig. 16 Examples of painting and map that shape can be a good representation of nominal data

4 视觉神经视角下的视觉变量语法结构

4.1 视觉变量语法结构分类的类型

本文分析了Bertin[11]和MacEachren[16]对视觉变量语法结构分类的类型差异。Bertin[11]提出了关联感和选择感，而MacEachren[16]提出了视觉层次和视觉隔离。Bertin[11]对关联感和选择感的描述更符合视觉神经的工作方式。产生关联感的视觉变量首先允许读者在视觉场景中看到该视觉变量表征的所有符号，然后根据相似性分组。这一过程反映了背侧和腹侧通路在处理视觉信息时的协作。而选择感更侧重于空间差异，主要激活背侧通路。此外，视觉神经元的选择性敏感特征也是视觉变量产生选择感的神经基础。如视网膜和V1神经元对亮度差异敏感，进一步识别出空间差异，有助于产生选择感。

4.2 视觉变量语法结构分类的个数

从视觉神经的角度来看，增加定名型数据的分类符合视觉神经的工作方式。首先，定名型数据的处理主要激活腹侧通路，用于目标的识别和分类。其次，不同视觉皮层存在对特定的定名型数据信息敏感的神经元，可以增强视觉信息的表现力和区分度。例如，V2神经元可以区分不同类型的纹理信息，V4神经元可以区分不同形状轮廓的曲率特征，IT神经元在辨别人脸特征时发挥重要作用。通过利用这些神经元处理信息的特异性，可以加强定名型数据信息的表征效果。例如，Chernoff脸谱地图利用IT神经元对面部的强大识别能力，通过不同表情的面孔直观地展示不同社区的贫富差异[37]。

4.3 视觉变量表征不同数据特征的适宜性结论

Bertin[11]和MacEachren[16]关于视觉变量表征数据特征的适宜性有不同的结论，尤其是视觉变量是否适合表征关联感和顺序型、数值型数据。如关于亮度和尺寸是否具有关联感、色相是否能表征顺序型数据、以及纹理是否能表征数值型数据等存在分歧。
从神经学角度分析亮度差异主要激活背侧通路，产生空间上的差异感，影响视觉平衡。尺寸信息识别主要激活腹侧通路。由于受感受野大小的限制，符号尺寸的大小影响符号的可见性，因此，亮度和尺寸难以产生关联感。
色相表征顺序型数据的效果一般。因为色相对于传递顺序信息具有限制性，具有亮度差异的色相信息适用于表征顺序型数据。
纹理表征数值型数据的效果一般。纹理是具有一定的尺寸、方向和形状的点、线和点线组合而成的图案。因此，尺寸、方向和形状等视觉变量表征数据特征的适宜性也可以扩展到纹理中。如纹理间隔尺寸的变化更适合表征数值型数据。其中，V1神经元能够进行空间频率检测，通过V4神经元计算间隔尺寸，从而估算出不同间隔尺寸的比率或数值大小差异。

5 结论与展望

5.1 结论

本研究将地图学与神经科学理论相结合，针对视觉变量语法结构分类存在的类型不一致、个数不统一、结论有争议等问题展开研究，得出以下结论：
（1） 从视觉神经的角度分析，Bertin[11]的视觉变量语法结构中的关联感和选择感的术语描述和含义更符合神经认知的特点。其中，产生关联感的过程涉及背侧和腹侧通路处理视觉信息的协作。而产生选择感的过程主要涉及背侧通路的激活。另外，选择性是视觉神经元的重要功能特征，也是视觉变量产生选择感的神经基础。
（2） 从视觉神经的角度分析， MacEachren[16]的视觉变量语法结构中增加的视觉变量与定名型数据特征的匹配规则符合神经认知的特点。首先，定名型数据信息的处理涉及特定的视觉通路，即腹侧通路，主要负责目标的识别和分类。其次，视觉皮层中对特定定名型数据信息敏感的神经元有助于增强信息的表现力和区分度。
（3） 对于视觉变量与数据特征匹配的适宜性结论存在的争议，从视觉神经的角度分析，亮度和尺寸难以产生关联感；色相在携带亮度变化信息时能够表征顺序型数据；纹理作为复合变量，尺寸、方向、形状等表征不同数据特征的适宜性可以扩展到纹理中，例如纹理间隔的尺寸可以用于表征数值型数据。

5.2 展望

目前，随着技术的发展和需求的变化，地图也呈现出多维、动态、实时和移动交互等特征。后续将分析动态、三维等视觉变量语法结构的神经机理，以便指导不同可视化形式的地图视觉变量的使用。此外，上述的初步结论还需要实证性研究的支撑。后续会开展联合视觉行为与脑神经机制的地图视觉变量语法结构的实验研究。通过将眼动实验与FMRI和EEG等技术结合，采集有关人类的眼动行为和大脑活动的详细信息，分析当使用不同视觉变量语法规则可视化时，读者阅读地图的表现，以及所激活的脑功能区和不同脑区间协同工作的情况，通过一系列实验提高本文结论的可信度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
郭仁忠, 陈业滨, 马丁, 等. 论ICT时代的泛地图表达[J]. 测绘学报, 2022, 51(7):1108-1113.

DOI

[Guo R Z, Chen Y B, Ma D, et al. Pan-map representation in ICT era[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7):1108-1113.] DOI:10.11947/j.AGCS.2022.20220140

[2]
闫浩文, 张黎明, 杜萍, 等. 自媒体时代的地图:微地图[J]. 测绘科学技术学报, 2016, 33(5):520-523.

[Yan H W, Zhang L M, Du P, et al. We-map: A new type of map in the era of we media[J]. Journal of Geomatics Science and Technology, 2016, 33(5):520-523.] DOI:10.3969/j.issn.1673-6338.2016.05.015

[3]
孟立秋. 地图学的恒常性和易变性[J]. 测绘学报, 2017, 46(10):1637-1644.

DOI

[Meng L Q. The constancy and volatility in cartography[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1637-1644.] DOI:10.11947/j.AGCS.2017.20170359

[4]
周成虎. 全息地图时代已经来临——地图功能的历史演变[J]. 测绘科学, 2014, 39(7):3-8.

[Zhou C H. The era of holographic map has come-the historical evolution of map function[J]. Science of Surveying and Mapping, 2014, 39(7):3-8.] DOI:10.16251/j.cnki.1009-2307.2014.07.001

[5]
闾国年, 俞肇元, 袁林旺, 等. 地图学的未来是场景学吗?[J]. 地球信息科学学报, 2018, 20(1):1-6.

DOI

[Lv G N, Yu Z Y, Yuan L W, et al. Is the future of cartography the scenario science?[J]. Journal of Geo-information Science, 2018, 20(1):1-6.] DOI:10.12082/dqxxkx.2018.170621

[6]
齐清文, 姜莉莉, 张岸, 等. 全息地图建模与多重表达[J]. 测绘科学, 2018, 43(7):7-14.

[Qi Q W, Jiang L L, Zhang A, et al. Modeling and multiple representation of holographic map[J]. Science of Surveying and Mapping, 2018, 43(7):7-14.] DOI:10.16251/j.cnki.1009-2307.2018.07.002

[7]
应申, 侯思远, 苏俊如, 等. 论游戏地图的特点[J]. 武汉大学学报·信息科学版, 2020, 45(9):1334-1343.

[Ying S, Hou S Y, Su J R, et al. Characteristics of the game map[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1334-1343.] DOI:10.13203/j.whugis20200211

[8]
信睿, 艾廷华, 何亚坤. Gosper地图的非空间层次数据隐喻表达与分析[J]. 测绘学报, 2017, 46(12):2006-2015.

DOI

[Xin R, Ai T H, He Y K. Visualisation and analysis of non-spatial hierarchical data of gosper map[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(12):2006-2015.] DOI:10.11947/j.AGCS.2017.20160596

[9]
Wu M G, Qiao L G. Designing metaphorical multivariate symbols to optimize dockless bike sharing[J]. The Cartographic Journal, 2022, 59(3):220-238. DOI:10.1080/00087041.2022.2097759

[10]
董卫华, 刘毅龙, 黑巧松, 等. 泛地图空间认知理论与方法研究框架[J]. 武汉大学学报·信息科学版, 2022, 47(12):2007-2014.

[Liu Y L, Hei Q S, et al. Research framework of the theories and methods for pan-map spatial cognition[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2007-2014.] DOI:10.13203/j.whugis20220604

[11]
Bertin J. Semiology of graphics: diagrams, networks, maps[M]. Madison: University of Wisconsin Press, 1967/1983.

[12]
Roth R E. Visual variables. In International encyclopedia of geography[M]. Hoboken: Wiley, 2017.

[13]
Morrison J L. A theoretical framework for cartographic generalization with the emphasis on the process of symbolization[J]. International Yearbook of Cartography, 1974,14:115-127.

[14]
Keates J S. Understanding maps[M]. 2nd ed. New York: Routledge, 2014.

[15]
Robinson A, Morrison J, Muehrcke P, et al. Elements of cartography[M]. 6th ed. New York: Willey, 1995.

[16]
MacEachren A M. How maps work[M]. New York: Guilford Press, 1995.

[17]
DiBiase D, MacEachren A M, Krygier J B, et al. Animation and the role of map design in scientific visualization[J]. Cartography and Geographic Information Systems, 1992, 19(4):201-214. DOI:10.1559/152304092783721295

[18]
Slocum T A, McMaster R M, Kessler F C, et al. Thematic cartography and geographic visualization[M]. New Jersey: Prentice Hall, 2008.

[19]
Krygier J B. Sound and geographic visualization[M]// Visualization in Modern Cartography. Amsterdam: Elsevier, 1994:149-166. DOI:10.1016/b978-0-08-042415-6.50015-6

[20]
董卫华, 廖华, 杨天宇, 等. 地图学空间认知眼动实验原理与方法[M]. 北京: 科学出版社, 2023.

[Dong, W H, Liao H, Yang T Y, et al. Experimental principles and methods of spatial cognition eye movement in cartography[M]. Beijing: Science Press, 2023.]

[21]
Qiao L G, Wu M G. Light mode and dark mode: Which one is suitable when using public-facing web maps? An experimental evaluation using eye-tracking[J]. Transactions in GIS, 2023, 27(2):516-540. DOI:10.1111/tgis.13038

[22]
Dong W H, Wang S K, Chen Y Z, et al. Using eye tracking to evaluate the usability of flow maps[J]. ISPRS International Journal of Geo-Information, 2018, 7(7):281-296. DOI:10.3390/ijgi7070281

[23]
Wandell B A. Foundations of vision[M]. Sunderland, Mass.: Sinauer Associates, 1995.

[24]
Kruger N, Janssen P, Kalkan S, et al. Deep hierarchies in the primate visual cortex: What can we learn for computer vision?[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8):1847-1871. DOI:10.1109/TPAMI.2012.272

PMID

[25]
Hubel D H, Livingstone M S. Segregation of form, color, and stereopsis in primate area 18[J]. The Journal of Neuroscience, 1987, 7(11):3378-3415. DOI:10.1523/jneurosci.07-11-03378.1987

[26]
Kandel E R, Schwartz J H, Jessell T M, et al. Principles of neural science[M]. 5th ed. New York: McGraw-Hill, 2013.

[27]
Braddick O J, O'Brien J M D, Wattam-Bell J, et al. Brain areas sensitive to coherent visual motion[J]. Perception, 2001, 30(1):61-72. DOI:10.1068/p3048

PMID

[28]
Pasupathy A, Connor C E. Responses to contour features in macaque area V4[J]. Journal of Neurophysiology, 1999, 82(5):2490-2502. DOI:10.1152/jn.1999.82.5.2490

PMID

[29]
Hirsch J A, Martinez L M. Visual cortical and subcortical receptive fields[M]// Encyclopedia of Neuroscience. Berlin, Heidelberg: Springer, 2009:4307-4310.10.1007/978-3-540-29678-2_6348

[30]
Jitsev J. On the self-organization of a hierarchical memory for compositional object representation in the visual cortex[D]. Frankfurt: Goethe University Frankfurt am Main, 2010.

[31]
Livingstone M S. Vision and art: The biology of seeing[M]. New York: Harry N. Abrams, 2008.

[32]
Tanaka K, Saito H, Fukada Y, et al. Coding visual images of objects in the inferotemporal cortex of the macaque monkey[J]. Journal of Neurophysiology, 1991, 66(1):170-189. DOI:10.1152/jn.1991.66.1.170

PMID

[33]
Zeki S, Aglioti S, McKeefry D, et al. The neurological basis of conscious color perception in a blind patient[J]. Proceedings of the National Academy of Sciences of the United States of America, 1999, 96(24):14124-14129. DOI:10.1073/pnas.96.24.14124

PMID

[34]
Bear M F, Connors B W, Paradiso M A. Neuroscience: exploring the brain[M]. 4th ed. Philadelphia: Wolters Kluwer, 2016.

[35]
Colby C L, Goldberg M E. Space and attention in parietal cortex[J]. Annual Review of Neuroscience, 1999, 22:319-349. DOI:10.1146/annurev.neuro.22.1.319

PMID

[36]
Freud E, Plaut D C, Behrmann M. ‘what’ is happening in the dorsal visual pathway[J]. Trends in Cognitive Sciences, 2016, 20(10):773-784. DOI: 10.1016/j.tics.2016.08.003

PMID

[37]
Turner E. Gene's map gallery. 1977. https://www.csun.edu/-hfgeg005/eturner/images/Maps/lifeinla.gif, accesse d at 30 July 2023.

Options
Outlines

/

〈 〉