The communication of uncertainty estimates, predictions and insights based on spatio-temporal models is important for decision-making as it impacts the utilisation and interpretation of information. Bivariate mapping is commonly used for communication of estimates and associated uncertainty; however, it is known that different visual qualities resulting from choics of symbols and consequent interaction between the display dimensions can lead to different interpretations and consequently affect resultant decisions. Characteristics of the data to be presented, such as spatial format, statistical level and continuousness, shape the range of available bivairate symbols. The subsequent utility of these bivariate symbols depends on their ability to achieve end-user's goals. In this paper we present a novel design framework, which, through consideration of both input data characteristics and potential operational tasks (as proxy to end-user goals), assists map designers in appropriate selection of bivariate symbols for the coincident presentation of spatio-temporal modelled data and associated uncertainty. The framework is showcased through application to a case study pertaining to sediment pollution in the Great Barrier Reef.


翻译:基于时空空间模型的不确定性估计、预测和洞察力的交流对于决策十分重要,因为它影响到信息的利用和解释。双轨图谱通常用于估算和相关不确定性的交流;然而,众所周知,符号的杂乱和显示维度之间随后相互作用所产生的不同视觉特性可能导致不同的解释,从而影响相应的决定。将要提供的数据的特征,如空间格式、统计水平和连续性,决定了现有的双轨制符号的范围。这些双轨制符号随后的效用取决于它们实现最终用户目标的能力。在本文件中,我们提出了一个新的设计框架,通过考虑输入数据特性和潜在操作任务(作为最终用户目标的替代),协助地图设计者适当选择双轨制符号,以便同时提出spatio-时空模型数据和相关不确定性。框架通过应用大堡礁沉积物污染案例研究加以展示。

0
下载
关闭预览

相关内容

IFIP TC13 Conference on Human-Computer Interaction是人机交互领域的研究者和实践者展示其工作的重要平台。多年来,这些会议吸引了来自几个国家和文化的研究人员。官网链接:http://interact2019.org/
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2022年2月16日
Arxiv
1+阅读 · 2022年2月15日
Arxiv
0+阅读 · 2022年2月4日
Arxiv
30+阅读 · 2021年7月7日
VIP会员
相关VIP内容
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员