ColorBrewer-Paletten für wissenschaftliche Abbildungen
ColorBrewer-Hex-Codes für Set2, Dark2, Paired, Blues, RdBu und RdYlBu sowie eine Anleitung zur Wahl sequenzieller, divergierender und qualitativer Paletten.
SciFig Team
SciFig-Redaktion
ColorBrewer bietet erprobte sequenzielle, divergierende und qualitative Farbpaletten.
Ursprünglich wurde ColorBrewer von Cynthia Brewer und Mark Harrower an der Penn State als Kartografiewerkzeug entwickelt. Bis heute gehört es zu den meistgenutzten Palettenbibliotheken für wissenschaftliche Diagramme, weil es eine Aufgabe besonders gut löst: Die Paletten werden nach der Art der dargestellten Daten geordnet und darauf geprüft, ob sie bei Farbsehschwächen und im Graustufendruck funktionieren.
Drei Reihen mit ColorBrewer-Farbfeldern für sequenzielle, divergierende und qualitative Paletten, jeweils mit Hex-Codes darunter (mit SciFig erstellte ColorBrewer-Übersicht)
Zuerst den Palettentyp wählen
Eine ungeeignete Farbwahl in einer wissenschaftlichen Abbildung ist fast immer ein Typfehler und kein Geschmacksfehler. Ordnen Sie zuerst die Palettenfamilie dem Datentyp zu, bevor Sie einzelne Farben vergleichen.
Datentyp
Palettenfamilie
Beispiel
Geeignet für
Ungeordnete Kategorien
Qualitativ
Set2, Dark2, Paired
Arten, Behandlungsgruppen, Bedingungen
Geordnet oder kontinuierlich
Sequenziell
Blues, Greens, YlOrRd
Konzentration, Anzahl, Dichte
Abweichung von einem Mittelpunkt
Divergierend
RdBu, RdYlBu, BrBG
Log-Fold-Change, Anomalie, Korrelation
Eine divergierende Palette für sequenzielle Daten erfindet einen Mittelpunkt, den es nicht gibt. Eine sequenzielle Palette für Kategorien suggeriert eine Rangfolge, die nicht existiert. Beides führt Leserinnen und Leser in die Irre, noch bevor sie eine Achsenbeschriftung gelesen haben.
Abbildungs-Verbesserung in Aktion erleben
Skalieren Sie jede bestehende wissenschaftliche Abbildung hoch, farben Sie um oder beschriften Sie neu - bis zur 8K journalreifen Qualitat.
Paired (12 Klassen) — die Farben treten in hellen und dunklen Paaren auf. Das ist nützlich, wenn Kategorien natürlich verschachtelt sind, etwa Kontroll- und Behandlungsgruppe innerhalb jedes Genotyps.
Bei Paired ist Vorsicht geboten: Nur die Paarbildung trägt Bedeutung. Verwenden Sie die Palette nicht für zwölf voneinander unabhängige Kategorien, denn die Farbpaare lassen Beziehungen vermuten, die Ihre Daten nicht belegen.
Sequenzielle und divergierende Paletten
Blues (5 Klassen) — sequenziell und einfarbig.
#EFF3FF#BDD7E7#6BAED6#3182BD#08519C
RdBu (5 Klassen) — divergierend mit einem hellen, neutralen Zentrum.
#CA0020#F4A582#F7F7F7#92C5DE#0571B0
RdYlBu (5 Klassen) — divergierend mit gelbem Zentrum und höherem Kontrast an den Enden.
#D7191C#FDAE61#FFFFBF#ABD9E9#2C7BB6
Verankern Sie bei divergierenden Farbskalen die neutrale Farbe am inhaltlich sinnvollen Mittelpunkt. Reicht der Log-Fold-Change von -1 bis +4 und zentriert die Software die Skala am Wertebereich, liegt die neutrale Farbe bei +1,5. Die Abbildung wirkt dann so, als seien die meisten Gene herunterreguliert.
Dieselbe divergierende Heatmap zweimal: einmal am Datenbereich und einmal korrekt bei null zentriert, wodurch gegensätzliche visuelle Eindrücke entstehen (mit SciFig erstellter Vergleich)
Drei Beispieldiagramme mit einer sequenziellen, einer divergierenden und einer qualitativen ColorBrewer-Palette für jeweils passende Daten (mit SciFig erstellt)
Für Farbsehschwächen geeignete Auswahl
Nicht jede ColorBrewer-Palette ist bei Farbsehschwächen zuverlässig; qualitative Paletten sind dabei am anfälligsten. Für die Praxis gelten folgende Regeln:
Sequenzielle einfarbige Paletten (Blues, Greens, Purples) sind konstruktionsbedingt robust, da sie sich hauptsächlich in der Helligkeit unterscheiden.
Set2 und Dark2 funktionieren mit drei bis vier Klassen gut; darüber nimmt die Unterscheidbarkeit ab.
Paired ist nicht zuverlässig, weil die bedeutungstragenden Hell-Dunkel-Paare bei einer Farbsehschwäche zusammenfallen.
Wenn Sie mehr als vier qualitative Kategorien brauchen und Barrierefreiheit wichtig ist, bietet die Okabe-Ito-Palette einen besseren Ausgangspunkt als die qualitativen ColorBrewer-Sets. Unser Leitfaden zu Farbpaletten für wissenschaftliche Abbildungen erläutert diese Abwägung im Detail.
Tipp
ColorBrewer begrenzt die Zahl der Klassen bewusst. Bietet ein Schema höchstens 8 oder 9 Klassen, ist das eine Erkenntnis und keine technische Einschränkung: Oberhalb dieser Zahl können Leserinnen und Leser Farben nicht mehr zuverlässig einer Legende zuordnen. Nehmen Sie die Grenze als Signal, die Abbildung neu zu strukturieren.
Ein gruppiertes Balkendiagramm mit Set2 und direkten Beschriftungen neben demselben Diagramm mit zwölfteiliger Legende, die zeigt, warum diese Variante schwerer lesbar ist (mit SciFig erstellt)
Jetzt wissenschaftliche Abbildungen erstellen
Beschreiben Sie Ihre wissenschaftliche Abbildung in natürlicher Sprache - erhalten Sie publikationsreife Illustrationen in Minuten.
SciFigs Generator für wissenschaftliche Farbpaletten wendet diese Familienregeln beim Erstellen einer Abbildung an. Mit dem Figure Enhancer färben Sie eine vorhandene Abbildung neu ein, ohne sie neu aufzubauen. Für Datenplots erzeugt SciFig DataChart (Diagramme aus Ihren Daten) das Diagramm präzise aus Ihren Daten, mit integrierten diskreten Paletten und kontinuierlichen Farbskalen – und jede Farbe bleibt bearbeitbar.
Set2 mit 8 Klassen verwendet #66C2A5, #FC8D62, #8DA0CB, #E78AC3, #A6D854, #FFD92F, #E5C494 und #B3B3B3. Die weiche qualitative Palette eignet sich für gruppierte Balken- und Boxplots mit wenigen Kategorien.
Ja. Die Farbspezifikationen von ColorBrewer stehen unter einer Apache-ähnlichen Lizenz, die ihre Nutzung in Publikationen und Software erlaubt. Falls Ihr Verlag eine ausdrückliche Erklärung verlangt, prüfen Sie den aktuellen Lizenztext auf der ColorBrewer-Website.
Verwenden Sie eine sequenzielle Palette wie Blues oder YlOrRd, wenn Werte von niedrig nach hoch verlaufen. Für Werte, die um einen sinnvollen Mittelpunkt wie null auseinanderlaufen, eignet sich eine divergierende Palette wie RdBu. Zentrieren Sie divergierende Skalen an diesem Mittelpunkt und nicht am Datenbereich.
Nein. Sequenzielle einfarbige Paletten sind konstruktionsbedingt robust. Set2 und Dark2 funktionieren bis etwa vier Klassen gut, während Paired unzuverlässig ist, weil seine Hell-Dunkel-Paare bei Farbsehschwächen zusammenfallen.
Beide haben eine ähnliche Struktur, unterscheiden sich aber in der Sättigung. Set2 ist gedämpft und eignet sich für große gefüllte Flächen wie Balken. Dark2 ist stärker gesättigt und trennt dünne Linien sowie kleine Markierungen deutlicher.
Ab ungefähr acht Kategorien lässt sich eine Farbe nicht mehr zuverlässig der Legende zuordnen. Die Grenze ist eine bewusste Designentscheidung, die Wahrnehmungsgrenzen berücksichtigt. Nutzen Sie sie als Anlass für Facetten oder direkte Beschriftungen, statt nach einer größeren Palette zu suchen.
Weiterarbeiten
Empfohlene Ressourcen
Vorlagen, Tools und weiterführende Artikel für Ihre Forschung
