View
217
Download
0
Category
Preview:
Citation preview
1
La Visualizzazione ScientificaLa Visualizzazione Scientifica
vedere (e capire) l’invisibilevedere (e capire) l’invisibile
Mario ValleMario ValleSwiss National Supercomputing Centre (CSCS)Swiss National Supercomputing Centre (CSCS)
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Non tutto ha un senso …Non tutto ha un senso …
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Raccolgo dati einformazioni
Cerco di darciun senso
Cristallizzo lanuova conoscenza
Azi
one
oco
mun
icaz
ione
Ho unoscopo
Nuovistimoli
E le nuove conoscenze?E le nuove conoscenze?
2
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Conoscenza non Conoscenza non èè accumuloaccumulo
Dati ≠ informazioni
Dati ≠ conoscenza
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Come diamo un senso ai dati?Come diamo un senso ai dati?
Cerco di darciun senso
ImmaginiSimulazioni mentaliModelli
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Immagini mentaliImmagini mentali
to visualize : to form a mental vision, image, or picture of (something not visible or present to sight, or of an abstraction); to make visible to the mind or imagination.
The Oxford English Dictionary, 1989
3
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Un modello per la creatività Un modello per la creatività
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Processi diversi, ma ugualiProcessi diversi, ma uguali
Processociclico
Modellimentali
Materiale dacostruzione
Materiale dacostruzione
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Modelli mentaliModelli mentali
I modelli mentali sono rappresentazioni psicologiche di situazioni reali, ipotetiche od immaginarie usate per comprendere uno specifico fenomeno.
“All our ideas and concepts are only internal pictures”
Ludwig Boltzmann (1899)
4
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso dei modelli mentaliUso dei modelli mentali
Un modello mentale:
� Astrae
� Semplifica
� Serve per uno scopo (predittivo od esplicativo)
� È in evoluzione costante
� È ambiguo e incompleto
� Contiene quello che credo sia vero
� È simile a ciò che rappresenta
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempi famosiEsempi famosi
Ernest Rutherford� “Nell’atomo c’è un nucleo fatto di protoni e neutroni, con gli
elettroni che orbitano attorno a questo nucleo come pianeti in un sistema solare”
Albert Einstein� Quando era ancora un bambino, mentre aspettava un treno
alla stazione, guardando l'orologio, si chiese cosa sarebbe successo se si fosse allontanato così rapidamente da «cavalcare un raggio di luce»
Friedrich August von Kekulé� Prima di pubblicare, nel 1875, la sua teoria sulla costituzione
del benzene, ebbe un sogno nel quale compariva un serpente circolare che si mordeva la coda.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempi quotidianiEsempi quotidiani
5
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
I modelli guidano la percezioneI modelli guidano la percezione
Un modello mentale è fondamentale anche per la normale percezione, che è un processo attivo.
L’effetto “cocktail”
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Quando non servono modelliQuando non servono modelli
Quando è sufficiente la memoria bruta.
Esempio: per la strada da casa al lavoro, non serve un modello. Ma se c’è un ingorgo un modello serve per decidere cosa fare.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Relazione con la memoriaRelazione con la memoria
I modelli mentali si formano nella memoria di lavoro.
Qui si creano collegamenti fra loro e con elementi della memoriaa lungo termine formando così un nuovo concetto od informazione che diventa rapidamente parte della memoria a lungo termine.
(Nella figura il modello di Wickens)
6
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
E l’immaginazione?E l’immaginazione?
“Imagination is more important than knowledge”
Albert Einstein
Il problema è che siamo sempre meno capaci di immaginare e visualizzare indipendentemente.
Robert Fludde – Memory in imagesUtriusque Cosmi Maioris Scilicet – Oppenheim 1619
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Ricchezza dell’immaginazioneRicchezza dell’immaginazione
Concepiamo nuove idee sulla base del materiale da costruzione che abbiamo a disposizione
Leo Leoni, Fish is Fish, Pantheon, 1970
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Limitazioni: capacitàLimitazioni: capacità
La memoria di lavoro:
� Ha una piccola capacità (7 ± 2 oggetti)
� Svanisce in circa 2 minuti.
7
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Limitazioni: vincoli inesistenti Limitazioni: vincoli inesistenti
Un esempio è il classico problema di unire nove punti usando al massimo quattro linee rette senza alzare la matita dal foglioe senza ricalcare linee esistenti.
Questa è una delle soluzioni ottenute:Le linee sono cinque …
Una delle soluzioni corrette:Ha le richieste quattro linee
I modelli mentali ci vincolano inconsciamente alle soluzioni che rimangono entro il quadrato
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esternalizzazione della conoscenzaEsternalizzazione della conoscenza
L’uomo si distingue dagli animali perché ha sempre creato delle estensioni al proprio corpo e mente.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: moltiplicazioneEsempio: moltiplicazione
34 x72
------68
238-------2448
Tempo impiegato
0
20
40
60
80
100
120
Mentale Su carta
sec
8
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: carte topograficheEsempio: carte topografiche
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: istruzioni di montaggioEsempio: istruzioni di montaggio
�Esempio di esternalizzazione di un processo.
�È un modello che cattura anche il tempo, oltre agli oggetti materiali coinvolti.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
I modelli esterniI modelli esterni
1. Espandono la memoria di lavoro.
2. Riducono la necessità di cercare informazioni.
3. Ci rendono visibili schemi e tendenze: ci danno la visione d’assieme che manca.
4. Facilitano il ragionamento attraverso la percezione diretta delle informazioni senza passare attraverso difficili inferenze logiche. “Non farmi pensare!”
5. Ci permettono di interagire con qualcosa di tangibile.
6. Sono visibili dalla comunità: sono la base per la comunicazione .
7. Aiutano la creatività
9
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Aiutano Aiutano la creativitàla creatività
I modelli mentali possono creare vincoli. Invece un aiuto esterno può farci uscire dalla scatola delle nostre idee preconcette aiutandoci a vedere le cose in maniera differente, aiutando così la creatività.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Facilitano il ragionamentoFacilitano il ragionamento
Struttura emoglobinaFile PDB: 75 pagine
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Rendono visibile l’essenzialeRendono visibile l’essenziale
Strutturamolecolare Superficie
accessibile
Struttura terziaria
10
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Visione e cognizioneVisione e cognizione
Ai livelli più alti
visione e cognizione
sono legate.
Diciamo “vedo” per
dire “ho capito”.
Il sistema visivo è
un’estensione del
cervello: 1/3 – 1/4 è
dedicato alla visione.
Vecchia pubblicità IBM
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Il sistema visivo Il sistema visivo
L’occhio non è una telecamera, otticamente è fatto proprio male.
La vista non è uno strumento general-purpose, è un sistema che si evoluto nel compito di farci sopravvivere, specializzandosi in alcune funzioni.
Per esempio:� Scoperta ed identificazione di schemi
� Percezione immediata senza elaborazione razionale
� Semplificazione delle scene acquisite
� Ma anche cecità ai cambi
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Pattern matching and discoveryPattern matching and discovery
Trends, Clusters, Gaps, Outliers, Correlations, ...
11
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Preattentive processingPreattentive processing
"Civilization advances by extending the number of important operations which we can perform without thinking about them."
Alfred North Whitehead
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Contare quanti ‘3’ ci sonoContare quanti ‘3’ ci sono
89739057092794057962976509829408028085080830802809850-802808567847298872ty458202094757720021789843890r455790456099272188897594797902855892594573979209
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Contare quanti ‘3’ ci sonoContare quanti ‘3’ ci sono
89739057092794057962976509829408028085080830802809850-802808567847298872ty458202094757720021789843890r455790456099272188897594797902855892594573979209
12
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: coloreEsempio: colore
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
EsempioEsempio : forma: forma
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
ControContro --esempio: colore + formaesempio: colore + forma
13
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Le leggi della GestaltLe leggi della Gestalt
Perché percepiamo tre paia di punti e non due triplette?
La teoria della Gestalt (forma o configurazione) ci dice che nella percezione il tutto è differente dalla somma delle parti.
Aiuta ad estrarre un senso da ciò che vediamo, per esempio raggruppando cose simili.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: continuità Esempio: continuità
a b c
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: simmetriaEsempio: simmetria
a c
b
14
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio: chiusuraEsempio: chiusura
a c
b
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Change blindness Change blindness
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
““ Using vision to thinkUsing vision to think ””
1. Dacché non riusciamo a ragionare sull’invisibile, dobbiamo prima renderlo visibile.
2. L’apparato sensoriale non deve essere limitato al solo interfacciamento col mondo esterno.
“Using vision to think”
15
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
La visualizzazione scientificaLa visualizzazione scientifica
“Visualization offers a method for seeing the unseen . It enriches the process of scientific discovery and fosters profound and unexpected insights. In many fields it is already revolutionizing the way scientists do science”
Visualization in Scientific Computing,McCormick et al.
ACM SIGGRAPH, 1987
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Vedere l’invisibileVedere l’invisibile
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Vedere l’invisibileVedere l’invisibile
16
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Altra definizioneAltra definizione
“[Visualization is] the use of computer-supported, interactive, visual representations of data to amplify cognition...”
Card, Mackinlay, and Shneiderman
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Lo sloganLo slogan
“Discover the unexpected, describe and explain the expected”
National Visualization and Analytics Center™Pacific Northwest National Laboratory
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
X
XX
X
X
X
X
X X
X
X
Il dr. John Snow nel1854 durante un’epidemia di colera a Londra ci fornisce uno dei primi esempi di uso della visualizzazione per l’analisi
1) Raccolta e visualizzazione dei dati
Croci rosse :pompe d’acqua
Punti neri :decessi
Scoprire l’inaspettatoScoprire l’inaspettato
17
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
X
XX
X
X
X
X
X X
X
X
2) Analisi della rappresentazione grafica risultante
Scoprire l’inaspettatoScoprire l’inaspettato
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
X
XX
X
X
X
X
X X
X
X
3) Azione basata sui risultati dell’analisi
Il dr. Snow rimossela leva della pompa e l’epidemia si estinse
Scoprire l’inaspettatoScoprire l’inaspettato
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Lo scopo ultimo Lo scopo ultimo èè la comprensionela comprensione
The purpose of computing is insight, not numbers
Richard Hamming,Numerical Methods for Scientists and Engineers, 1962
visualizzazione
18
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Visualizzazione e Computer Visualizzazione e Computer GraphicGraphic
“Ma ho sempre pensato che la visualizzazione sia solo creare belle immagini”
Scopo è migliorare le informazioni visuali, non creare illusione.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
ÈÈ scienza e artescienza e arte
L’artista e lo scienziato hanno un obiettivo simile: quello di rendere visibile l’invisibile.
Hanno anche altre caratteristiche comuni:
� Creatività
� Intuizione
� Determinazione a superare le regole
� Attenta osservazione della natura (l’artista guarda attivamente)
� Capacità di vedere schemi dove tutti vedono solo caos
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Doppio ruolo della visualizzazioneDoppio ruolo della visualizzazione
“Discover the unexpected,describe and explain the expected”
Esplorare/capireIl ricercatore cerca di estrarre un significato.
Presentare/comunicareUn autore cerca di trasmettere un significato.
Sono legati: posso comunicare solo quello che ho capito e dover presentare aiuta a capire.
19
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Banalizzare la visualizzazioneBanalizzare la visualizzazione
ModellazioneCalcolo
Visualizzazione
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Il ciclo della visualizzazioneIl ciclo della visualizzazione
Modelloconcettuale
Modelloconcettuale
DatiOggetto dello
studio
Modellodati
Modellodati
acquisizione
Preconcetti &interpretazione
Influenza
no
Interazione
Algoritmi
RenderPercezion
e
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Il modello di Il modello di RobertsonRobertson
20
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Produzione dei datiProduzione dei datiFenomeno reale o simulato
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Modellazione dei datiModellazione dei datiFenomeno reale o simulato
Si crea un modello dei dati
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Visualizzazione vera e propriaVisualizzazione vera e propriaFenomeno reale o simulato
Si crea un modello dei dati
Trasformatoin immagini
21
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
InterpretazioneInterpretazioneFenomeno reale o simulato
Si crea un modello dei dati
Trasformatoin immagini
Interpreta
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
ComprensioneComprensioneFenomeno reale o simulato
Si crea un modello dei dati
Trasformatoin immagini
InterpretaEUREKA!
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Una galleria di esempiUna galleria di esempi
1. Una tabella di dati semplici
2. Dati multidimensionali: la campagna di Russia di Napoleone vista da Charles Minard
3. Una variabile scalare continua presente su di una superficie
4. Un dato scalare definito in tutti i punti di un volume
5. Un campo vettoriale, come la velocità dell’aria attorno ad un’automobile o i venti sull’Europa
6. Informazioni gerarchiche, come la struttura di un file system o la segmentazione di dati marketing
22
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 1Esempio 1
Ho una semplice tabella di dati …
time(min) temp(ºC)
0 25
3 276 29
9 31
12 32
15 32
� Esempio 2
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
SoluzioneSoluzione
ABC analyzer warm-up
25
27
29
31
33
0 3 6 9 12 15 18
time from power-on (min)
tem
pera
ture
(°C
)
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
E perché non cosE perché non cos ìì??
25
27
29
31
33
0 3 6 9 12 15
time
tem
p
25
27
2931
32
32
23
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Istogramma (vivente) delle etàIstogramma (vivente) delle età
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Se l’obiettivo Se l’obiettivo èè il confrontoil confronto
0
10
20
30
40
50
60
70
80
20 - 40 40 - 60
Age range
Impo
rtan
ce (
%)
ABCD
0
10
20
30
40
50
60
70
80
A B C D
Factor
Impo
rtan
ce (
%)
20 - 4040 - 60
Age range20-40 40-60
A 70% 50%B 37% 45%C 10% 23%D 50% 35%
ø
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 2Esempio 2
“Mi chiamo Charles Joseph Minard e voglio proclamare che la campagna di Napoleone in Russia è stata un’inutile strage”.
“Voglio rappresentare la dimensione dell’armata, la direzione di marcia, la posizione geografica con la corrispondente data e temperatura. Voglio mostrare così la dimensione della strage e la futilità della campagna militare”.
� Esempio 3
24
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
I dati da rappresentareI dati da rappresentarelonc latc city lont temp days date lonp latp surviv dir div24.0 55.0 Kowno 37.6 0 6 Oct 18 24.0 54.9 340000 A 125.3 54.7 Wilna 36.0 0 6 Oct 24 24.5 55.0 340000 A 126.4 54.4 Smorgoni 33.2 -9 16 Nov 9 25.5 54.5 340000 A 126.8 54.3 Molodexno 32.0 -21 5 Nov 14 26.0 54.7 320000 A 127.7 55.2 Gloubokoe 29.2 -11 10 27.0 54.8 300000 A 127.6 53.9 Minsk 28.5 -20 4 Nov 28 28.0 54.9 280000 A 128.5 54.3 Studienska 27.2 -24 3 Dec 1 28.5 55.0 240000 A 128.7 55.5 Polotzk 26.7 -30 5 Dec 6 29.0 55.1 210000 A 129.2 54.4 Bobr 25.3 -26 1 Dec 7 30.0 55.2 180000 A 130.2 55.3 Witebsk 30.3 55.3 175000 A 130.4 54.5 Orscha 32.0 54.8 145000 A 130.4 53.9 Mohilow 33.2 54.9 140000 A 132.0 54.8 Smolensk 34.4 55.5 127100 A 133.2 54.9 Dorogobouge 35.5 55.4 100000 A 134.3 55.2 Wixma 36.0 55.5 100000 A 134.4 55.5 Chjat 37.6 55.8 100000 R 136.0 55.5 Mojaisk 37.5 55.7 98000 R 137.6 55.8 Moscou 37.0 55.0 97000 R 136.6 55.3 Tarantino 36.8 55.0 96000 R 136.5 55.0 Malo-jarosewli 35.4 55.3 87000 R 1
34.3 55.2 55000 R 1 33.3 54.8 37000 R 132.0 54.6 24000 R 130.4 54.4 20000 R 129.2 54.4 20000 R 1
(etc.)
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
RisultatoRisultato
From E. Tufte 1983
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Dati senza geometria spazialeDati senza geometria spaziale
Ma non tutti i dati hanno una geometriaassociata (accessi a un web site, dati marketing, ecc.). Alcuni hanno solo una topologia (albero, grafo).
Per visualizzarli bisogna dare loro una struttura geometrica.
25
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Suddivisione tradizionaleSuddivisione tradizionale
Visualizzazione ScientificaFocalizzata primariamente su dati fisici come il corpo umano, la terra, molecole, temperature e così via.Campo maturo, ma “vincolato” alla realtà.
Visualizzazione delle Informazioni Focalizzata primariamente su dati astratti e non fisici come testi, gerarchie e dati statistici.Campo giovane e perciò più libero e creativo. Le applicazioni business lo rendono ben finanziato.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Visualizzazioni non intuitiveVisualizzazioni non intuitive
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Ma suddividere limitaMa suddividere limita
Visualizzazione ScientificaFocalizzata primariamente su dati fisici.
Visualizzazione delle Informazioni Focalizzata primariamente su dati astratti e non fisici.
Questa suddivisione sembra implicare che:
� La visualizzazione delle informazioni non è scientifica
� La visualizzazione scientifica non è informativa
26
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
InfoVisInfoVis per dati scientificiper dati scientifici
Vincitore delVisualization
Contest (IEEE Vis2005)
ø
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 3Esempio 3
Devo rappresentare una variabile scalare continua presente su una superficie (valori di altitudine). La superficie può essere in 2D o essere la superficie esterna di un oggetto 3D.
� Esempio 4
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Pseudocolor mappingPseudocolor mapping
Una scala di colori trasforma i valori in colori per la visualizzazione.
Questa scala si chiama colormap. Nella figura è utilizzata una rainbow colormap.
La tecnica èampiamente utilizzata, ma la percezione umana ha un forte impatto sul risultato.
27
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Scala monocromaticaScala monocromatica
Per esempio una colormap monocromatica
rivela dettagli più fini.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
MappingMapping percettivamente migliorepercettivamente migliore
Dettagli ancora migliori appaiono se si sceglie una scala di colori che rispetta le caratteristiche percettive dell’occhio
umano
La colormap utilizzata cambia tinta, saturazione
e luminanza da:HSV (0.66, 0, 0)
a:HSV (0, 1, 1)
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Altre rappresentazioniAltre rappresentazioni
28
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Surface displacementSurface displacement
ø
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 4Esempio 4
Ho un dato scalare definito in tutti i punti di un volume. Un esempio è l’andamento della temperatura all’interno di un blocco di metallo o la concentrazione di inquinanti in un certo volume di spazio.
Problemi:� Capire cosa c’è dentro il blocco
� Capire come visualizzare il 3Dsullo schermo bidimensionale
� Esempio 5
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
SlicingSlicing
Il volume è sezionato con un piano arbitrario o parallelo ad uno dei piani coordinati (orthoslice).
I valori della variabile sul piano sono poi visualizzati con l’uso dello pseudocolormapping.
29
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
IsosuperficiIsosuperfici
L’isosuperficie è una superficie che passa per i punti del volume in cui la variabile scalare ha un valore dato.
Eventualmente il valore di un’altra variabile scalare
definita nel volume può essere mappato come colore sulla isosuperficie per mostrare correlazioni fra le due variabili.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Volume renderingVolume rendering
Il volume è visualizzato direttamente senza doverlo convertire in una rappresentazione a superfici.
La metafora è quella di un blocco di vetro semitrasparente.
Il fattore critico è la scelta della funzione di trasferimento che mappa i valori in colori e trasparenza.
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Isosuperfici innestateIsosuperfici innestate
Isosuperfici semitrasparenti permettono la comprensione della struttura del volume senza dover ricorrere a tecniche piùpesanti come il volume rendering.
30
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso dell’animazioneUso dell’animazione
L’uso dell’animazione aiuta a costruire il modello mentale del contenuto del volume.
Nel filmato viene animata:
• La posizione di una orthoslice
• Il livello di una isosuperficie
• I parametri di un volume rendering
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Percezione tridimensionalePercezione tridimensionale
1. Come si trasmette una sensazione spaziale attraverso un mezzo bidimensionale come lo schermo del video?
2. Come si superano i problemi intrinseci della percezione di una scena tridimensionale?
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso della prospettivaUso della prospettiva
Brunelleschi: La Chiesa di Santo Spirito
31
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Ma la prospettiva distorceMa la prospettiva distorce
Prospettiva
Proiezione parallela
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Prospettiva aerea (Prospettiva aerea ( depth cueingdepth cueing ))
Senza Con depth cueing
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
IlluminazioneIlluminazione
Luce di fronte Luce da sinistra
32
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso della visione stereoscopicaUso della visione stereoscopica
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Meglio: interazione e animazioneMeglio: interazione e animazione
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Interazione supera l’ambiguità 3DInterazione supera l’ambiguità 3D
Illusione causata
dal punto di vista fisso
La famosa illusione della Ames Room
ø
33
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 5Esempio 5
Rappresentare un campo vettoriale come la velocità dell’aria nel volume attorno ad un’automobile o i venti sull’Europa.
� Esempio 6
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
StreamlinesStreamlines
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
LagrangianLagrangian --EulerianEulerian AdvectionAdvection
MeteoSwissWeather Forecast
computed on CSCS machines
ø
34
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Esempio 6Esempio 6
Come rappresento informazioni gerarchiche, come alberi di directorieso la segmentazione di dati marketing?
� Fine esempi
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso dello spazioUso dello spazio
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Uso (esagerato) di metaforeUso (esagerato) di metafore
35
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
contenimento
Uso di una struttura inusualeUso di una struttura inusuale
Uso di relazioni di contenimento invece che della connessione per rappresentare la gerarchia:� Ogni nodo dell’albero occupa un’area
� I nodi figli sono contenuti all’interno del nodo padre
connessione
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Categorie di notizieCategorie di notizie
www.marumushi.com/apps/newsmap
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Segmentazione del mercatoSegmentazione del mercato
www.smartmoney.com/marketmap
36
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Contesto e dettagliContesto e dettagli
www.inxight.com/demos/grocery/
ø
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Come faccio a scegliere?Come faccio a scegliere?
1. Considera il problema da risolvere, lo scopo da raggiungere ed il contesto in cui mi pongo
2. Il tipo di dati che devi visualizzare
3. Lo strumento che hai sotto mano e le tecniche di visualizzazione che fornisce.
“Per fare una grande visualizzazione,fai grande scienza”
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Per cominciarePer cominciare
� Innanzitutto usare i propri occhi: guardarsi attorno, guardare attivamente. Copiare buoni esempi.
� Usare la curiosità: che succederebbe se utilizzassi una rappresentazione grafica?
� Esplorare un qualche strumento. Sfortunatamente non esiste un “Photoshop” o un “Maya” per la visualizzazione.
37
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Alcuni strumentiAlcuni strumenti
Visualizzazione MultidimensionaleXmdvTool
GGobi
Visualizzazione Scientifica ParaView
MayaVi
Diagrammi 2DGnuplot
Excel
www.cscs.ch/~mvalle/SciViz/tools.html
Visualizzare per capire – Mario Valle – CSCS – Pavia 27/01/2005
Qualcosa da portare a casaQualcosa da portare a casa
Purpose of computing is insight, not numbers
(Richard Hamming)
Purpose of visualization is insight, not pretty pictures
(Visualization community)
Inizia con qualcosa, qualsiasi cosa, ma inizia!
La Visualizzazione ScientificaLa Visualizzazione Scientifica
vedere (e capire) l’invisibilevedere (e capire) l’invisibile
Grazie per l’attenzione!Grazie per l’attenzione!
Mario ValleMario ValleSwiss National Supercomputing Centre (CSCS)Swiss National Supercomputing Centre (CSCS)
mvalle@cscs.chmvalle@cscs.chhttp://www.cscs.ch/~mvalle/http://www.cscs.ch/~mvalle/
Recommended