Нормализация значений

Смысл нормализации в картографических стилях

Нормализация значений в веб-картографии представляет собой приведение исходных данных к унифицированному диапазону, удобному для визуального отображения. В рамках Mapbox GL JS это особенно важно при работе с data-driven styling, где свойства слоёв зависят от числовых или категориальных данных источника.

Типичный сценарий — преобразование произвольных значений (например, численности населения, скорости ветра, плотности застройки) в диапазон, пригодный для:

  • интерполяции цветов,
  • изменения размеров объектов,
  • управления прозрачностью,
  • динамического масштабирования визуальных характеристик.

Без нормализации данные с разными порядками величин становятся несопоставимыми и приводят к визуальным искажениям.

Базовые подходы к нормализации

Линейная нормализация (min-max scaling)

Наиболее распространённый метод:

[ x_{norm} = ]

В Mapbox GL JS аналог реализуется через выражения interpolate и linear.

paint: {
  'circle-radius': [
    'interpolate',
    ['linear'],
    ['get', 'population'],
    0, 2,
    1000000, 10,
    5000000, 25
  ]
}

Здесь исходное значение population фактически нормализуется к диапазону радиусов.

Ограниченная нормализация (clamping)

Часто требуется ограничить значения сверху и снизу, чтобы избежать выбросов:

['clamp',
  ['get', 'value'],
  0,
  100
]

Такой подход стабилизирует визуализацию при наличии аномальных данных.

Нормализация через выражения Mapbox

Интерполяция как инструмент масштабирования

Интерполяция является основным механизмом нормализации в стиле Mapbox:

'fill-color': [
  'interpolate',
  ['linear'],
  ['get', 'temperature'],
  -20, '#2c7bb6',
  0, '#abd9e9',
  20, '#fdae61',
  40, '#d7191c'
]

Фактически происходит преобразование непрерывного числового диапазона в цветовую шкалу.

Экспоненциальная нормализация

При работе с данными, распределёнными по степенному закону, линейная нормализация даёт плохую читаемость. Используется экспоненциальная кривая:

[
  'interpolate',
  ['exponential', 1.5],
  ['get', 'value'],
  1, 2,
  1000, 20
]

Степень 1.5 усиливает различие в малых значениях и сжимает большие.

Нормализация через шаговую функцию

Категориальные данные требуют дискретного преобразования:

[
  'step',
  ['get', 'risk'],
  '#00ff00',
  30, '#ffff00',
  70, '#ff0000'
]

Здесь нормализация происходит не в непрерывной форме, а через пороговые значения.

Приведение данных к рабочему диапазону

Предобработка источника данных

Нормализация может выполняться до передачи данных в стиль:

const normalizedFeatures = features.map(f => ({
  ...f,
  normValue: (f.value - min) / (max - min)
}));

После этого Mapbox использует уже подготовленное поле:

'opacity': ['get', 'normValue']

Такой подход снижает нагрузку на выражения стиля и упрощает отладку.

Логарифмическое преобразование

Для сильно асимметричных данных используется логарифмирование:

[
  'interpolate',
  ['linear'],
  ['ln', ['get', 'income']],
  0, 1,
  10, 10
]

Логарифмическая нормализация позволяет визуализировать значения, отличающиеся на несколько порядков.

Нормализация в контексте масштабирования карты

Зависимость от zoom level

Нормализация часто комбинируется с масштабированием по уровню приближения:

'circle-radius': [
  'interpolate',
  ['linear'],
  ['zoom'],
  5, 2,
  10, 6,
  15, 20
]

Фактически значение радиуса нормализуется относительно zoom, что создаёт визуально стабильную карту.

Комбинированная нормализация

Часто требуется учитывать сразу несколько факторов:

  • значение свойства,
  • zoom,
  • категорию,
  • плотность объектов.

Пример:

'circle-opacity': [
  'interpolate',
  ['linear'],
  ['+', ['get', 'density'], ['zoom']],
  5, 0.2,
  15, 0.8
]

Проблемы некорректной нормализации

Искажение распределения

Линейная шкала при наличии выбросов приводит к сжатию большинства данных в узкий диапазон.

Потеря смысловой интерпретации

Чрезмерная нормализация может скрыть реальные различия между объектами.

Несогласованность слоёв

Если разные слои используют разные методы нормализации, визуальная система становится непредсказуемой.

Практика выбора метода нормализации

Выбор метода зависит от характера данных:

  • равномерное распределение → линейная нормализация,
  • степенные распределения → логарифмическая,
  • наличие порогов → step-функции,
  • шумные данные → clamp,
  • визуальная динамика → экспоненциальные кривые.

Нормализация в связке с цветовыми шкалами

Цветовые шкалы в Mapbox GL JS часто напрямую зависят от нормализованного значения:

'fill-color': [
  'interpolate',
  ['linear'],
  ['get', 'score'],
  0, '#2c3e50',
  50, '#f1c40f',
  100, '#e74c3c'
]

Нормализация здесь фактически встроена в процесс интерполяции, где диапазон 0–100 служит эталонной шкалой.

Нормализация геопространственных метрик

В геоданных часто требуется нормализация расстояний и плотностей:

  • расстояние до объекта,
  • плотность точек в радиусе,
  • площадь полигона.

Пример нормализации расстояния:

'heatmap-intensity': [
  'interpolate',
  ['linear'],
  ['get', 'distance'],
  0, 1,
  10000, 0
]

Нормализация в heatmap слоях

Heatmap особенно чувствителен к диапазону входных значений. Нормализация здесь влияет на:

  • плотность тепловых пятен,
  • радиус влияния точки,
  • интенсивность цвета.
'heatmap-weight': [
  'interpolate',
  ['linear'],
  ['get', 'magnitude'],
  0, 0,
  6, 1
]

Согласование нормализации между слоями

При построении комплексных карт важно сохранять единые правила масштабирования:

  • одинаковые диапазоны входных данных,
  • единые функции интерполяции,
  • согласованные цветовые схемы.

Несогласованность приводит к визуальной фрагментации данных, когда один слой кажется «сильнее» другого без объективной причины.

Оглавление