Jean-Pascal M.

La meilleure façon de ne pas avancer est de suivre une idée fixe (J. Prévert)

Posts Tagged ‘data visualization’

Quelques données appréciables* sur l’Homme dans son milieu

Posted by Jean-Pascal sur 16 mai 2018

* par appréciable, j’entends que les graphiques ci-dessous permettent d’apprécier (voir) les données directement et simplement. Vous pouvez toutefois les trouver appréciables, au sens d’utiles et agréables, si elles vous apportent un éclairage sur notre fragile situation.

Je poursuis ici ma recherche sur la Data Art, avec l’envie profonde de produire à nouveau des représentations originales à partir de données réelles du monde.

Je pars ainsi en quête de données globales et mondiales (population, météo, économie…), sous forme de séries temporelles, annuelles, depuis 1901 à nos jours. Comme j’ai pu le souligner précédemment, trois phases sont nécessaires pour produire une forme à partir de données : l’extraction, la subjectivation et l’esthétisation. Dans cet article, je me cantonne la première phase : recherche de données et mise en forme de graphiques « classiques » (des courbes en 2D). La méthode que j’ai utilisée pour produire ces courbes sera présentée dans un article ultérieur, sachez juste que j’ai développé avec Blender un outil simple et ludique, quelque chose de l’ordre du jouet, me permettant de croiser 3 séries entre elles et d’obtenir les représentations qui parsèment ce texte.

Que quelqu’un me montre des données manquantes !

Le web nous donne accès facilement à des données mondiales, moyennes, sur l’ensemble de la terre. Plusieurs instituts donnent à la fois des données agrégées et des données brutes telles qu’elles ont été prélevées.

Il est étonnant de lire ou d’entendre des climato-sceptiques affirmant que de telles données n’existent pas ! Voici par exemple une critique habile d’un discours de M Courtillot par « le réveilleur ».

Bien sur, la majorité des entreprises conservent leurs datas pour elles-mêmes, mais il n’en va pas de même dans la recherche publique. Et oui, beaucoup d’universités ont encore une éthique universalistes. Partageons nos connaissances pour le bien de tous.

Ces données brutes existent bien puisque j’ai pu les utiliser pour construire par exemple « Ascendance » en utilisant plus de 7 millions de mesures. Voici la vidéo de modélisation :

De quelles données disposons nous ? J’ai trouvé trois sources intéressantes couvrant année par année la période 1901- 2016 :

  • Le CRU CY 4.01 apporte la couverture nuageuse, la température moyenne du jour et de la nuit, le nombre de jours dont la température reste inférieure à 0, l’évapotranspiration, les précipitation, la pression atmosphérique et le nombre de jours de pluie.
  • Our World In Data apporte la concentration en CO² (qui induit pour partie le réchauffement planétaire par effet de serre).
  • World Population History fournit une estimation de la population humaine sur terre. J’ai recopié les données à la main car je n’ai pas trouvé d’export.

Deux séries me manquent encore, celle du PIB moyen mondial et la production d’énergie sur cette période de 116 ans. Je recherche également le nombre d’arbres par habitant. Sauriez-vous où les trouver ?

Se faire graphiquement plaisir

En s’amusant à croiser des données, j’obtiens par exemple le graphique qui suit. Le temps s’écoule en abscisse (axe horizontal). En ordonnée nous avons le nombre de jours dont la température est inférieure à 0. Enfin, la couleur et la taille des bulles sont déterminées par la troisième variable, la température moyenne dans cet exemple.

Date x Nb Jours de gel x Température

Le graphique permet de bien observer la diminution du nombre de jours de gel en moyenne sur terre. J’ai mis en bas à gauche la courbe simple afin de bien voir le mouvement général. On constate que le gradient de couleur du bleu au rouge va du haut vers le bas, de la gauche vers la droite : le nombre de jours de gel diminue logiquement quand la température augmente. Il est aisé de voir cette corrélation en croisant directement la température et le nombre de jours de gel :

Température x Nb jours de gel x Date

Attention, une pause s’impose. Bien que ces données sont clairement corrélées, cela ne signifie pas pour autant qu’il y a une relation de cause à effet entre les deux. Cette corrélation ne prouve pas :

  • que l’augmentation de la température induirait la diminution du nombre de jours de gel. (en plus, le nombre de jours de gel pourrait être constant si l’écart entre les températures minimales et maximales augmentait),
  • que la diminution du nombre de jours de gel causerait l’augmentation de la température moyenne,
  • qu’une cause unique et commune induise l’augmentation de la température ET la diminution du nombre de jours de gel.

Pour étudier les relations de cause à effet, je vous renvoie sur le blog de Jean-Marc Jancovici (https://jancovici.com/) ou toutes autres sources passionnantes du web.

Revenons à la visualisation brute de nos données. Voici une vue d’ensemble de paramètres croisés. On peut voir d’un coup d’œil que certaines valeurs semblent corrélées et d’autres non.

Jean-Pascal Martin (2018). Data: CRU TS 4.01, World Population History

Il est intéressant d’en détailler quelques-uns. Sans surprise, on voit ci-dessous que la température moyenne de 1901 à 2016 augmente, le phénomène s’accélérant.

Température x Date x Température

D’autres corrélations sont moins évidentes, par exemple l’augmentation de la couverture nuageuse (ci-dessous). Pourtant, il semble bien y avoir un effet, ce qu’une corrélation linéaire montrerait facilement. Pour l’augmentation des précipitations, la prudence s’impose davantage car la dispersion des données augmente encore. La courbe disparait dans un nuage de points.

Date x Couverture nuageuse x Température

Date x Précipitations x Température

Je n’ai pas fait de calcul de régression, principalement parce que cela nous éloignerait de la perception brute et directe des données. Je laisse pour l’instant ces calculs au GIEC car ce n’est pas mon propos immédiat. Mais si j’ai l’énergie (tout est affaire d’énergie) je le ferai plus tard, notamment pour réaliser mes propres prédictions pour les années 2030, 2050 ou 2100. Si vous souhaitez me proposer vos projections, je peux vous transmettre mes données bien sûr.

Revenons au graphique. Une première cause possible à l’augmentation de température serait l’augmentation de l’activité humaine, qui est logiquement liée au nombre d’humains sur terre. Voyons le lien entre population et température :

Population x Température x Température

La relation est visible, non ? Alors, est-ce que c’est l’augmentation de la population qui génère l’augmentation de la température à l’échelle mondiale ?

Une équation simple pourrait nous aider à continuer cette réflexion. Il s’agit d’une équation étrange, dite équation de Kaya, qui fait le lien entre taille de la population, émissions de CO², Consommation d’énergie et PIB. En gros, l’équation nous apprend que pour diviser le CO² par deux, il faut diviser la partie droite de l’équation par 2.

 

Pour plus de détails, je vous renvoie à l’article wikipedia : Equation de Kaya , ou au site Made In Earth.

De plus, les scientifiques expliquent très bien l’effet de serre provoqué par certains gaz, le CO² en tête (à 76%, le méthane participant à 16% selon le C2ES). Heureusement, j’ai pu récupérer les émissions de CO² communiquées par Our World In Data. OurWorldInData fournit à la fois la quantité de CO² présente dans l’atmosphère et celle émise dans l’année. Il est à noter que le CO² émis se désagrège très lentement, sur plus d’un siècle (cf Blog de Jean-Marc Jancovici) : ainsi le CO² émis au début de l’ère industrielle est toujours en grande partie présent dans notre atmosphère et participe toujours au réchauffement.

Les deux graphiques qui suivent illustrent le lien entre CO² présent, population et température :

CO² présent dans l’atmophère x Population mondiale

CO² présent dans l’atmosphère et température moyenne mondiale

En synthèse, je note que les données sont cohérentes avec les constations d’experts :

  • La température augmente avec le temps
  • La couverture nuageuse augmente avec le temps
  • La surface de glaciation diminue avec le temps
  • La variété et les pics des précipitations augmentent avec le temps
  • La quantité de vapeur d’eau dans l’air augmente avec le temps
  • La population humaine augmente avec le temps
  • La population humaine croit en corrélation avec l’augmentation de la température.
  • La quantité de CO² dans l’atmosphère augmente avec le temps
  • La population humaine croit en corrélation avec l’augmentation de CO² dans l’atmosphère

J’arrête ici ces réflexions même si j’aimerai intégrer les données de consommation annuelle d’énergie et celles de PIB par la suite. Mais la matière est suffisante pour envisager de produire des sculptures ou autres tableaux numériques à partir des données récoltées.

Je propose pour la suite de présenter un paysage de bord de mer qui évolue selon certaines de ces variables. J’ai commencé à publier certains de ces paysages sur twitter avec le compte @GlobalDatascape.

A bientôt donc.

Mes autres articles sur le Design Génératif et le Data Art sont ici

Publicités

Posted in Systèmes d'Information AudioVisuels | Tagué: , , , | 3 Comments »

« Gouttes de pollution » – Voir la pollution en peinture

Posted by Jean-Pascal sur 28 août 2017

Tenerife-Cycle0010.png

« Gouttes de pollution, Tenerife ». Santa Cruz, Tenerife, le 25 aout à 7 heures du matin. L’ile de Tenerife est réputée, d’après les agences de voyage, pour la transparence de son eau et la qualité de son air. La réalité est très différente au nord de l’île, dans la ville de Santa Cruz où se trouve la raffinerie de Pétrole de la Compañía Española de Petróleos S.A. Malgré les remontrances de la commission européenne pour la présence en grande quantité de métaux lourds et d’hydrocarbures toxiques, la population de Santa Cruz est tout simplement en danger depuis de nombreuses années. Score AQI : 776, Hazardous+. Source : Consejería de Educación, Universidades y Sostenibilidad – Gobierno de Canarias.

J’explore dans cette série « Gouttes de pollution » la possibilité de représenter la pollution des grandes villes sous la forme de tableaux abstraits, en imitant la technique de « dripping » inventée par Jackson Pollock. Cette démarche a l’intérêt de proposer une forme visuelle facilement perceptible de la pollution, quand celle-ci est généralement invisible (à part sous forme de brouillard). L’impression générale de densité, de saturation et de nervosité est proportionnelle à la pollution réelle des lieux représentés. Pour cela, j’utilise les informations mesurées par les stations du monde pour déterminer sous quelle forme et en quelle quantité de la peinture doit être projetée. Tous les traitements, de la récupération des données au calcul du rendu final, sont réalisés avec le logiciel Blender.

Comme le souligne l’OMS, la pollution de l’air est alarmante dans le monde, et inégalement répartie. Bien sûr, ce sont les habitants des grandes villes qui en souffrent le plus directement, mais les points de concentration de particules fines les plus remarquables sont en général autour des usines de production d’énergie ou de pétrole.

Voici ci-dessous une représentation de Paris, la ville la plus polluée de France, mais qui reste bien en dessous des seuils de danger la majorité du temps.

Paris.png

« Gouttes de pollution, Paris ». Ce 9 juin 2017 à 9h du matin, le taux de particules fines PM2.5 est quelque peu élevé : des personnes particulièrement sensibles comme des enfants asthmatiques pourraient être légèrement incommodées, mais la qualité de l’air est globalement considérée comme acceptable par les normes. Score AQI : 62, Moderate. Source AirParif – Association de surveillance de la qualité de l’air en Île-de-France. 

Les scientifiques observent que ce sont les villes les plus pauvres qui sont les plus polluées alors que les villes d’Europe de l’ouest s’en tirent bien. Une des raisons profondément inégalitaires est que nous importons des produits ayant pollué des centres de production situés hors d’Europe. Par exemple, la chine nous fournit nombre de nos produits manufacturés à partir de pétrole depuis ses usines, usines qui elles même consomment de l’électricité chinoise très carbonée (charbon).

EErduosi-Cycle0007.png

« Gouttes de pollution, Eerduosi ». Eerduosi (Ordos), situé en Chine, est une agglomération particulièrement riche en ressources naturelles. L’extraction du charbon, les traitements pétrochimiques, l’industrie textile et la production d’électricité permettent à Eerduosi (Ordos) de prospérer.  L’agglomération composée de plus d’un million d’habitants est extrêmement  exposée à la pollution de l’air, comme en cette fin d’après-midi ou le score en particules fines est au-delà des échelles d’évaluation. Toute la population est en risque immédiat. Ne faudrait-il pas évacuer en urgence ? Score AQI : 693, Hazardous+ (http://aqicn.org/city/eerduosi/).

Par contre nos agglomérations françaises moyennes bénéficient d’un air généralement sain.

Nantes-Cycle0004.png

« Gouttes de pollution, Nantes ». Nantes, France, le 25 aout à 10h du matin. Le niveau de pollution est faible, la qualité de l’air est satisfaisante, sans risque pour les habitants dont les enfants peuvent pratiquer du sport en extérieur. Score AQI : 25. Good. Source Air Pays de la Loire.

D’un autre côté, il est effarant de constater que les villes à l’air le plus nocif sont en Inde, au Pakistan ou au Nigéria. En France, nos concentrations en particules fines sont – au pire – 10 fois moindres, mais Paris reste en tête, bien devant des agglomérations plus petites comme Nantes.

Delhi-Cycle0010.png

« Gouttes de pollution, New Delhi ». Journée normale à New Delhi, pourtant les concentrations en particules PM2.5 (AQI : 135) sont très élevées.

Je tiens à remercier le World Air Quality Index (http://aqicn.org) qui fournit une API unique permettant de suivre en temps réel les relevés de pollution des stations du monde. Cet institut utilise une échelle standard de qualité de l’air, l’AQI (Air Quality Index), qui est basée sur la mesure de la concentration en particules fines PM10 et PM2.5, ainsi que sur les concentrations en CO, NO2, SO2 et O3. Un score allant de 0 à 500 est établi pour chacun de ces éléments, les valeurs supérieures à 100 étant problématiques. En particulier, les particules fines sont très régulièrement au-dessus des recommandations de l’OMS, notamment les particules inférieures à 2.5 nm qui peuvent pénétrer sans les poumons et même dans le flux sanguin.

Comment pouvons-nous représenter visuellement des concentrations de gazes nocifs et de particules fines quand l’un et l’autre sont transparents ? Je fais ici la proposition d’utiliser la technique dite de « dripping » développée par Jackson Pollock, technique qui consiste à faire goutter de la peinture sur une toile au sol, en veillant à conserver un mouvement naturel et à répartir globalement plusieurs couches de peintures de couleurs différentes. Cette notion de répartition, nommée « all over » est assez similaire avec le comportement des gazes et particules qui ont tendance à utiliser tout l’espace disponible.

J’ai utilisé les taux de particules pour décider du nombre de gouttes à projeter sur le tableau, et les concentrations en gaz pour les traits de peintures. Globalement, plus la toile est « chargée » d’éléments, plus la pollution est là.

Je n’ai pas pu représenter les villes les plus notoirement polluées, car les informations fournies pour ces villes sont trop lacunaires et ne me donnaient pas les 6 indicateurs que j’utilise. Par exemple, il n’y a pas de stations permanentes dans les villes africaines, alors que Aba, Kaduna ou Onitsha, toutes trois au Nigeria, sont 3 des 10 villes les plus polluées au monde.

J’ai donc choisi, un peu au hasard à l’exception de Paris et de Nantes, quelques villes aux valeurs remarquables ces derniers jours. Le site World Air Quality Index permet de naviguer en temps réel sur les pollutions de la planète. J’ai choisi des villes aux pollutions élevées (New Delhi, Shanghai) ou extrêmes (Eerduosi en Chine, Sderot en Israel, Santa Cruz de Tenerife en Espagne ou Monclova au Mexique). D’autres villes suivront certainement.

Shanghai_north-Cycle0005.png

« Gouttes de pollution, nord de Shanghai ». A Hongkou Liangcheng, au nord de Shanghai, en cet après-midi du 25 aout 2017, comme souvent la pollution est perçue de tous et gène immédiatement les plus sensibles. La santé des enfants est mise en danger principalement par les particules fines PM2.5 très présentes, qui pénètrent facilement leurs poumons. Score AQI : 151, Unhealthy. Source : Shanghai Environment Monitoring Center (上海市环境监测中心).

 

Sderot-Israel-Cycle0004.png

« Gouttes de pollution, Sderot ». Sderot, Israel. En ce matin du 25 aout, l’air est à nouveau saturé de particules PM10. Cela est peut être la conséquence de l’arrêt des stations d’épuration de la bande de Gaza faute d’électricité. En effet, les eaux très polluées de gaza arrivent sur les plages israéliennes qui ont dû être fermées en juin. Des pompes récupèrent l’eau polluée et la font transiter vers le centre d’épuration de Sderot qui tourne à plein. Au delà de la grave pollution de l’eau, les particules fines empoisonnent l’air de toute l’agglomération, dont la santé est gravement en danger. Score AQI : 663, Hazardous+. Source Israel Ministry of Environmental Protection.

 

Monclova-Mexico-Cycle0010.png

« Gouttes de pollution, Monclova ». L’air de Monclova, au Mexique, est totalement saturé de particules fines (PM10 et PM2.5) avec des concentrations largement supérieures aux limites supérieures des classifications. L’air est également rempli d’ozone, d’ammoniaque, de méthanol et d’acide formique ! L’origine principale est connue, il s’agit de la centrale au charbon de 2600 Mégawatts, mais aussi l’agriculture sur brûlis. Le vent qui souffle du sud pousse la pollution en direction du Texas. La visibilité du Big Bend National Park est diminuée jusqu’à 60% ! Pourtant le Mexique souhaite continuer de développer l’énergie charbon car sa capacité de production d’électricité est encore faible. Score AQI : 869, Hazardous+. Source : INECC – Instituto Nacional de Ecologua y Cambio Climatico.

 

Pour aller plus loin :

Mes autres articles sur le Design Génératif et le Data Art sont ici

Posted in data art, Design Génératif | Tagué: , , , , , , | 3 Comments »

Data Art (partie 1/3) : Open Data + Design Génératif

Posted by Jean-Pascal sur 20 mars 2017

weatherart12

Exemple de météo parisienne, avec un temps qui se refroidit, pas de pollution détectée peu de vent et une pression assez basse.  

We can’t make meaning out of enormous statistics […] We need visual langage so data can be felt. – Chris Jordan.

Je présente dans cet article une réalisation simple de Data Art. Cette réalisation sera expliquée en détail dans les articles suivants (Data Art, parties 2 et 3). Le résultat (visible ici) est construit à partir de données météo obtenues en temps réel, et mises en forme automatiquement, pour produire ce qu’on pourrait appeler du « Weather Art ». L’objectif est de proposer une peinture originale dépendant des conditions climatiques et évoluant dynamiquement selon ces conditions climatiques. La peinture change selon le tracé généré par des centaines de particules dont les mouvements ressemblent à des grains de poussières flottants au gré du vent.

WA3

Cliquez sur l’image pour voir la météo à Paris

De nombreux raccourcis sont proposés :

  • Barre d’espace pour afficher les informations météo/pollution
  • touche « V » pour voir les vecteurs du champ de force
  • touches 1 à 6 pour lancer des scénarios de test
  • touches 7 à 0 pour changer les conditions de pollution.

Voici des exemples de rendus possibles :

Les particules changent de couleur ou de forme selon la température, l’humidité ou le taux de pollution aux particules fines. Le mouvement des particules dépend de la température, de l’humidité, de la pollution, de la pression atmosphérique et du vent.

Le data art, un mouvement ?

J’ai fait un tour du côté de Wikipedia sans trouver d’article sur le data art. Voici le résultat, quelque peu absurde, de cette recherche. Le noeud Data Art est isolé à droite.

Data-Art

De nombreux artistes ont déjà exploré cette voie, et j’apprécie particulièrement le travail de Nathalie Miebach dont la démarche est autant artistique qu’artisanale. Elle produit des sculptures physique à partir de mesures réalisées par ses soins !

 

D’autres exemples sont présentés par Manuel Lima qui présente les mérites de ce qu’il nomme « Networkism », un mouvement artistique mettant en forme des graphes.

Plus digital, on peut admirer le travail de Refik Anadol présentant les vents de Boston sous la form de Data Painting :

Pour aller plus loin :

Posted in Design Génératif | Tagué: , , , , , , | 7 Comments »

Cartographier Wikipedia avec Processing

Posted by Jean-Pascal sur 2 juin 2016

Dans cet article, je propose une approche originale pour aborder un nouveau domaine tel que l’Art Génératif.

Que signifie l’expression « Art Génératif » ? Faut-il s’en tenir à la définition, où avant de plonger en apnée dans ce domaine, faire un détour par les termes ou expressions proches ? Je pense par exemple à Design Génératif, Art Algorithmique, Computer Art, Infographie, Data Visualization…

Quelle méthode utiliser pour trouver la relation entre ces termes, et trouver par exemple les artistes, les méthodes ou les logiciels de référence de ce domaine ?

Hélas, le web est un océan dans lequel nous, minuscules internautes, naviguons à vue, inlassablement, toujours fasciné par son infinité.

Utilisez par exemple The Internet Map (http://internet-map.net/). Cette carte positionne les 350.000 sites les plus visités au monde en 2011. Ceux-ci sont figurés par des disques  qui s’attirent et se repoussent subtilement, comme si les URLs qui les unissent étaient des ressorts. L’exemple qui suit montre bien la cohérence des liens associés au site lemonde.fr :

The Interne Map - le monde

Mais cette carte a plusieurs défauts. L’interactivité est limitée, les liens ne sont pas montrés, les disques représentent des sites et les informations sont bien trop nombreuses !

Alors comment utiliser le web pour découvrir un domaine nouveau ? Pour ma part, le premier compagnon de toutes mes recherches est Wikipédia. A la différence du web en général, Wikipédia offre une synthèse structurée et encyclopédique des connaissances humaines. Structurée vous dites ? Oui, les pages sont reliées entre elles grâce à des liens typés, et elles sont même rangées dans des catégories assez générales !

clusterball

source Infosthetics.com  (site génial)

Heureusement, le language Processing va combler ces manques grâce à un code fourni par les auteurs de Generative Design (http://www.generative-gestaltung.de) dont j’ai parlé dans l’article précédent.

Les codes sources sont librement accessibles en ligne et nous allons utiliser un exemple fournit à la fin du livre dans le chapitre M 6.4.1 Structures de données dynamiques, placement par champ de force.

Voici une vidéo montrant le code en fonctionnement. C’est juste magique !

M_6_4_01_TOOL from Generative Design on Vimeo.

Hélas, j’ai rapidement buté sur une des limites de l’application : je souhaitais l’utiliser pour comprendre le domaine du design génératif, mais en cliquant à gauche et à droite, je n’arrivais pas à trouver les liens qui relient les termes de base entre eux. On s’y perd très vite !

Comment faire pour trouver le(s) chemin(s) le(s) plus court(s) qui les relie(nt), deux articles Wikipedia ? Comment apréhender rapidement le contexte autour d’un ou plusieurs articles ?

Comment obtenir, par exemple, à partir des termes « Infographics » et « Generative Art » le chemin suivant (il existe) :

160531_162010

Je ne voulais pas pour autant coder une heuristique de recherche de chemins, mais plutôt m’appuyer sur la représentation très visuelle offerte par le code développé par Generative Design, et sur nos capacités naturelle d’exploration.

J’ai donc apporté plusieurs modifications au code afin de pouvoir :

  1. Initialiser le graph avec plusieurs termes
  2. Demander l’ouverture de tous les nœuds du graphe d’une pression de touche (touche E : « expansion »)
  3. Demander la suppression de tous les nœuds n’ayant moins de deux liens (touche C : « Compression »)

Reprenons l’exemple des connexions entre les articles « Generative Art » et « Infographics » ?

J’ai initialisé le programme avec ces deux valeurs, en modifiant le code l.67 :

String [] startKeywords = {"Infographics", "Generative Art "};

J’ai ensuite utilisé le menu (touche “m”) et réglé le paramètre “Result Count” à 34.

J’ai ensuite demandé l’expansion du graphe : Touche « E ». On obtient un graphe à 78 noeuds.

Comme il n’y avait pas de lien commun, j’ai à nouveau pressé la touche E, puis une troisième fois. Le nombre de nœuds augmente considérablement pour remplir tout l’écran !

160531_132806

C’est beau, mais peu exploitable, alors j’ai ensuite pressé « C » afin de supprimer tous les nœuds ayant moins de 2 connexions.

160531_133215

Le résultat est bien plus parlant. Il est possible de commencer à travailler sur cette map.

On constate l’apparition de grands domaines, tels que les statistiques avec leurs représentations graphiques (Histogram, Boxplot, Barchart…), les probabilités, les groupes de données (séries temporelles), les systèmes d’information géographiques (SIG), bref des concepts plus ou moins lointains mais inspirants. Je supprime néanmoins ces nœuds de la carte, et je presse « C » pour nettoyer.

160531_134352

On trouve aussi beaucoup de noms propres ou de lieux tels que le Victoria and Albert Museum, que je supprime aussi de la carte, mais que j’ajoute dans ma liste des musés à visiter :). On trouve aussi des termes comme les « dark data ». Voici un sujet pas inintéressant qui mériterait d’être cartographié… On trouve des nœuds faisant le carrefour entre des concepts, sans valeur ajoutée, tels que « List of engineering branches », ou « International Standard Book Number ». Je les supprime et je presse « C ».

De nombreux noms d’artistes sont maintenant bien visibles. Plus proches du nœud « Art », on trouve Miguel Chevalier, Pascal Dombis, Sonia Landis Sheridan, Frank Popper, Joseph Nechvatal… J’accède à leurs articles Wikipepia (double clic droit) pour les découvrir, c’est si simple.

160531_134352

Plus proche du nœud « Infographics » : Charles Joseph Minard, Nigel Holmes, Thomas A. Defanti, Jacques Bertin qui semble composer un groupe, mais aussi James Joseph Sylvester

160531_135602

J’ai ensuite retiré ces noms pour obtenir une carte assez intéressante du domaine.

160531_140821

J’ai enfin retiré quelques notions trop vagues (timeline, Latin) ainsi que les noms propres pour ne trouver que les domaines parlants et une carte simplifiée.

160531_150547

Je m’arrête ici dans cette recherche. Cette navigation m’a beaucoup appris, car j’ai parcouru plusieurs dizaines d’articles wikipedia (double clic-droit).

Le code pour réaliser cette navigation est disponible en téléchargement. Pour l’utiliser, il suffit de le télécharger, de le dézipper et de l’ouvrir avec Processing 3+. N’hésitez pas à changer les paramètres d’initialisation pour mettre vos propres termes !

 

Consultez tous les articles sur le Design Génératif.

 

Posted in Design, Design Génératif, Interaction Homme Machine | Tagué: , , , , , , | Leave a Comment »