尽管如今我们能够通过快速数据收集方法(例如手机、传感器、GPS)生成大量空间或地理参考数据,但理解收集到的大数据对人们来说仍然是一个巨大的挑战。可视化分析和探索性地理可视化工具已被用于识别非结构化和不一致数据中未知的地理空间现象,并有助于提高我们理解这些现象的根本原因和参与者的能力(Andrienko & Andrienko,1999;Jeansoulin,2016)。一方面,可视化参数(例如视觉变量;Bertin,1967)和图形显示的质量在解释视觉场景和发现不太突出的信息方面发挥着重要作用。另一方面,选择正确的方法来指导有效的地图使用并利用对人类视觉空间认知的研究来定义人机交互水平至关重要。在这种情况下,我们需要系统地了解影响空间认知的人为因素,以便能够提供个性化的显示,其中人与机器作为一个团队工作,特别是创建适应用户行为而不是相反的界面。正如 Basole (2019) 所解释的那样,未来基于人工智能的可视化系统可以从用户行为中学习并根据用户的选择和偏好推荐进一步的操作,而不是规定显示什么和如何显示。
Rochelle N. Naylor 1,Cashyap A. Patel 2 *,Jarno Kettunen 3 *,Jonna M.E.Männiste4 *,Julie 5 *,Jacques Beltrand 6,Michel Pok 7,Adasd Pmidi 8,Tina Vilsband 9,Siri A.W.Greeley 1,Andrew T Hattersley 2#,Tiinamaija Tuomi 10#
致谢 我们感谢 PBL 同事 Alexandros Dimitropoulos、Aldert Hanemaaijer、Maikel Kishna 和 Harry Wilting 的宝贵意见。我们还要感谢以下顾问:Taco Westerhuis 和 Marie-Christine Siemerink(外交部)、Philip Drost(基础设施和水资源管理部)、Mattheüs van de Pol(经济事务和气候政策部)和 Hans Brand(农业、自然和食品质量部)。最后,我们要感谢 Susanne Karcher(非洲循环经济网络 (ACEN))、Nadia Ashraf 和 Jeske van Seters(欧洲发展政策管理中心 (ECDPM))、Patrick Schröder 和 Jack Barrie(查塔姆研究所)、Marianne Kettunen(贸易、环境和可持续发展目标论坛 (TESS))以及 Josefine Koehler 和 Koen Rademaekers(Trinomics)的审阅意见。 Nadia Ashraf 和 Jeske van Seters (ECDPM) 也执行了本报告中使用的利益相关者分析。