2. 科学计算数据特征与可视化映射
科学计算可视化的第一步不是选颜色、画图表，而是先看清数据“长什么样”。同样是数值，模拟输出、实验测量和高维场数据在结构、维度、噪声特征和语义上差异极大；如果对数据特征判断错误，后面再漂亮的图形也只是误导。本节围绕三类典型数据展开，并给出从数据特征到视觉编码的映射原则。
一、三类数据的结构特点
数值模拟输出通常由网格或粒子承载。以二维有限差分热传导为例，计算域被离散为 nx × ny 个格点，每个格点存温度 T[i][j]，再叠加时间步形成 T[t][i][j] 的三维数组。它的关键特征是：结构规整、维度明确、物理量之间有守恒关系。模拟数据往往还带有坐标数组 x[]、y[] 和元数据（网格间距 dx、边界条件、时间步长 dt）。可视化时必须保留这些空间语义，否则“第 37 号格点”毫无意义。
实验测量数据则相反：它通常是“散点 + 通道”的形式。例如风洞中 12 个压力传感器按不等间距布置，每个传感器以 1 kHz 采样，得到形如 (传感器编号, 时间, 压力值) 的长表。其特征是采样位置不规则、含噪声、可能有缺失值和异常点、量纲与单位必须显式记录。测量数据不能默认等间距，也不能假设平滑，异常尖峰可能正是要捕捉的物理事件。
高维场数据是前两者的放大版：三维空间场 u(x,y,z)、随时间演化的四维场 u(x,y,z,t)，或包含速度、压力、温度的多物理量场。其核心难点是维度灾难——人眼只能有效感知二维平面加颜色/尺寸等少量通道，四维以上必须通过切片、降维、动画或交互来“投影”到可感知空间。
二、从数据特征到视觉编码的映射原则
视觉编码的本质是“把数据属性翻译成视觉通道”。数据属性可分为定量、有序、类别三类，视觉通道的“表达力”也有强弱之分。经验上，位置和长度最适合表达定量信息（人眼对位置差异最敏感），颜色明度/饱和度适合表达有序量，色相适合表达类别但不宜超过 7 类，面积和体积容易失真，应谨慎用于精确比较。
具体到三类数据，映射策略有明显差异。模拟输出的温度场，用位置编码空间坐标、连续颜色标尺编码温度值，并保留等值线作为定量参考；若温度跨越正负（如相对环境温差），应使用以 0 为中心的发散色标（蓝—白—红），而不是单色渐变，否则零点位置会被视觉掩盖。实验测量的多通道压力，用颜色区分传感器、位置编码时间与压力，异常尖峰用不同标记形状突出，缺失段留白而非插值填补。高维场则必须做“投影”：固定 z 取切片、用动画播放 t、或用平行坐标展示多物理量之间的关系。
三、一个可操作的映射流程
实际工作中可按以下顺序推进，避免返工：
- 识别数据维度与类型：列出每个字段是定量、有序还是类别，标注单位与取值范围。例如
T为定量（K），sensor_id为类别，time为有序定量。 - 确定主任务：是比较区域差异、追踪时间演化，还是发现异常？任务决定主视觉通道。比较区域差异优先用颜色填满平面；追踪演化优先用动画或小倍数图。
- 选择编码通道并检查冲突：同一通道不要承载两种语义。若已用色相区分传感器，就不要再让色相表示压力大小。
- 补齐标尺与元数据：颜色条标注数值与单位，坐标轴标注物理量，图注说明数据来源与处理方式（是否插值、是否滤波）。
- 用已知特征验证：在模拟数据中人为设置一个已知热点，检查图中能否准确定位；在测量数据中检查已知异常时刻是否被正确突出。
以热传导模拟为例，若网格为 200×200、dx=0.01 m、时间步 dt=0.1 s、共 500 步，直接画 500 张热力图既冗余又难比较。合理做法是选取 t=0, 100, 200, 300, 400 五个时刻做小倍数图，共享同一颜色标尺（固定 vmin、vmax），这样读者能横向比较温度扩散范围，而不会被每张图自动缩放的颜色标尺误导。这正是“数据特征决定编码”的直接体现：时间维用分面而非堆叠，颜色标尺全局统一而非逐图自适应。
总结来看，科学计算可视化的可靠性来自“先读数据、再选通道、后补标尺、终做验证”的闭环。模拟数据重在保留结构与守恒语义，测量数据重在诚实呈现噪声与缺失，高维场重在合理投影与交互探索。掌握这套映射逻辑，后续无论面对何种数据源，都能快速判断该用什么图、为什么用、以及如何检查它没有说谎。