这类图在一张图中展示多组预测。在任一类型 I 的意大利面图中，所展示的轨迹来自不同机构的模型预测（如 NHC、美国国家海洋和大气管理局以及英国气象局等）。与不确定性圆锥一样，它们有助于告知我们大致可能处于飓风路径中的区域。问题在于，它们极不实用，甚至具有误导性，因为它们对每个模型（或预测）赋予了相同的权重。
在上面的类型 I 意大利面图中，不同机构给出的预测具有不同程度的不确定性，这些机构以往的预测准确度也不尽相同。因此，就当前所知，有些路径比另一些更可能出现。但这些信息并未呈现。更令人担忧的是，有些路径甚至称不上预测。以黑色虚线 XTRP 为例，它仅是根据风暴当前轨迹作出的直线外推。这甚至不是模型。Eric Berger 在这篇 Ars Technica 文章中有更详细的讨论。
本质上，这类图提供了一个集合模型（可与民调汇总类比）。然而，集合模型的关键在于为各模型分配合适的权重，并在任何数据可视化中传达这些权重。我们很快会看到如何通过类型 I 的一种变体来实现这一点。
它们提供了风暴中心经过任一地点的相对可能性图景。直白地说，如果更多轨迹穿过地点 A 而非地点 B，那么在当前模型下，风暴中心更可能经过地点 A；
它们不太容易被误解（至少相较于不确定性圆锥与类型 I 图）。图上所需的说明文字仅是“每条线代表一次对艾尔玛路径的预测”。
类型 II 的一个缺点是它们不代表多个模型，但正如我们将看到的，可以通过与类型 I 结合来弥补。另一个缺点是，它们和其他方法一样，只传达风暴中心的路径，而未涉及风暴规模。我们也将很快看到如何改进。需要说明的是，我在文献中没有发现类型 I 与类型 II 的区分，这是我出于这两类图在解读与影响上的显著差异而提出的划分。
这三种方法都能完成最低限度的功能，即提醒公众飓风的可能路径。不确定性圆锥在帮助公众判断飓风经过某一位置的可能性方面表现不错（在圆锥内大约有三分之二的可能性）。如上所述，从定性角度看，类型 II 意大利面图在这方面也表现良好：“如果更多轨迹穿过地点 A 而非地点 B，那么在当前模型下，风暴中心更可能经过地点 A”。
如果绘制 50 条轨迹，您就能大致把握风暴中心可能所在之处，也就是说，如果大约一半轨迹经过某地，那么（根据我们的模型）风暴中心袭击该地的概率约为 50%。目前尚无一种方法能实现第 3 项功能，但我们将看到如何通过结合类型 I 和类型 II 意大利面图来做到这一点。
不确定性圆锥与类型 I 意大利面图的主要问题在于：圆锥易被误解（许多人将其理解为风暴在增强，而忽视不确定性的作用），而类型 I 意大利面图具有误导性（让所有模型看起来同样可信）。因此，它们不满足“我们希望可视化既不具有误导性，也不易被误解”的基本要求。
可视化飓风预测路径的最佳实践
类型 II 意大利面图信息最丰富，也最不易被误解。但它们确实无法展示所有模型的结果。也就是说，它们不像类型 I 那样在多个模型之间进行汇总。
可视化帮助我们理解世界，使我们能够以简洁的形式传达大量复杂的信息、数据和预测。需要向非专业受众传达的专家预测（无论是飓风的路径还是选举的结果）总带有一定的不确定性。如果相关可视化没有传达这种不确定性，结果可能会产生误导，甚至带来危险。
在本文中，我们探讨数据可视化在绘制飓风预测路径中的作用。我们检视用于传达专家预测不确定性的不同视觉方法及其对普通读者解读的影响。同时，我们也将这一点与更广泛的最佳实践讨论联系起来，即新闻媒体如何报道与广大公众息息相关的话题中的专家模型与科学结果。
不要用意大利面图？
近期我们目睹了热带风暴系统在美洲造成的破坏。纽约时报等媒体通过飓风哈维与艾尔玛的交互式可视化，生动呈现了事态发展。例如，图表涵盖了无电人口比例、降雨量、损失金额和避难所人数等多方面信息。
有一种特定类型的图最近频繁出现并引发争议：如何绘制未来72小时内飓风的预测路径。可视化预测路径的方法不止一种，每种方法都有其陷阱与误解。最近，Ars Technica 甚至发表了一篇文章，题为请务必停止分享飓风模型的意大利面图，直指 Nate Silver 与 fivethirtyeight。
接下来，我将比较三种常见方法，讨论各自的优缺点，并对进一步的绘图类型提出建议。我还会深入说明这些类型为何重要，从而帮助我们判断哪些视觉方法与技术最为合适。
声明：我绝非气象与飓风预测方面的专家。但我长期思考如何用视觉方法传达数据、预测与模型。我欢迎并积极鼓励专家和其他读者的反馈。
可视化飓风预测路径
绘制飓风预测路径常见的可视化方法有三种。在讨论它们之前，我希望您先看看这些图，并思考各自能传达哪些信息。尽力逐一解读每幅图试图告诉您的内容，然后我们再探讨它们的用意与优缺点：
不确定性圆锥
意大利面图（类型 I）
意大利面图（类型 II）
对飓风预测路径可视化的解读与影响
不确定性圆锥
不确定性圆锥是美国国家飓风中心（NHC）使用并由许多新闻媒体传播的工具，它展示未来五天飓风最可能的路径，由圆锥内的黑点给出。它还展示了对该路径的把握程度。随着时间推移，预测的不确定性增大，这体现在圆锥会变宽；大致来说，飓风中心落在圆锥范围内的概率约为 66.6%。
仅从图上，这一点明显吗？
起初对我并不明显，我是从图例本身、NHC 关于不确定性圆锥的说明页以及 weather.com 的科普文章中获取这些信息的。还有三点值得注意，稍后我们会回到它们：
意大利面图（类型 I）
这类图在一张图中展示多组预测。在任一类型 I 的意大利面图中，所展示的轨迹来自不同机构的模型预测（如 NHC、美国国家海洋和大气管理局以及英国气象局等）。与不确定性圆锥一样，它们有助于告知我们大致可能处于飓风路径中的区域。问题在于，它们极不实用，甚至具有误导性，因为它们对每个模型（或预测）赋予了相同的权重。
在上面的类型 I 意大利面图中，不同机构给出的预测具有不同程度的不确定性，这些机构以往的预测准确度也不尽相同。因此，就当前所知，有些路径比另一些更可能出现。但这些信息并未呈现。更令人担忧的是，有些路径甚至称不上预测。以黑色虚线 XTRP 为例，它仅是根据风暴当前轨迹作出的直线外推。这甚至不是模型。Eric Berger 在这篇 Ars Technica 文章中有更详细的讨论。
本质上，这类图提供了一个集合模型（可与民调汇总类比）。然而，集合模型的关键在于为各模型分配合适的权重，并在任何数据可视化中传达这些权重。我们很快会看到如何通过类型 I 的一种变体来实现这一点。
意大利面图（类型 II）
这类图展示某一给定模型的多次（例如 50 次）模拟结果。要点在于，如果我们多次运行一个模型，每次都会给出不同的轨迹。为什么？Nate Cohen 在The Upshot中解释得很到位：
出于以下原因，这或许是三者中我最喜欢的一类：
类型 II 的一个缺点是它们不代表多个模型，但正如我们将看到的，可以通过与类型 I 结合来弥补。另一个缺点是，它们和其他方法一样，只传达风暴中心的路径，而未涉及风暴规模。我们也将很快看到如何改进。需要说明的是，我在文献中没有发现类型 I 与类型 II 的区分，这是我出于这两类图在解读与影响上的显著差异而提出的划分。
不过目前请注意，我们一直在讨论某些图表类型的有效性，却尚未明确讨论它们的目的，即为何需要这些图。在继续之前，让我们稍微后退一步，尝试回答“可视化飓风预测路径的目的是什么？”这种看似朴素的问题往往很有启发性。
为何要绘制飓风预测路径？
我们为何要传达热带风暴的预测路径？我稍后会给出几个答案。
但首先，我要说明这些可视化不是用来做什么的。我们并不是用这些图来帮助人们决定是否撤离家园或城镇。下达或建议撤离是地方当局在与专家、科学家、建模人员及其他关键相关方反复协商后作出的决定。
此类可视化的主要目的，是让公众尽可能充分地了解飓风的可能路径，并在其所在或将到达的地方可能处于破坏路径中时，做好最坏的准备。它不是为了无端恐吓人们。正如weather.com 所说关于不确定性圆锥的功能，“每个热带系统都会配有一个预测圆锥，以帮助公众更好地了解其行进方向”，而且“圆锥旨在显示随时间推移预测不确定性的增加”。
为此，我认为一个重要特性是：读者能看图后判断“我的房子（例如）很可能/可能/有一半可能/不太可能/很不可能”会被飓风严重破坏。
更理想的是，能够说出：“根据当前最先进的建模，我的房子被严重破坏的概率在 30-40% 之间”。
于是，我们对可视化要传达的内容有了一个层级：
此外，我们还希望可视化既不具有误导性，也不易被误解。
不确定性圆锥与意大利面图对比
这三种方法都能完成最低限度的功能，即提醒公众飓风的可能路径。不确定性圆锥在帮助公众判断飓风经过某一位置的可能性方面表现不错（在圆锥内大约有三分之二的可能性）。如上所述，从定性角度看，类型 II 意大利面图在这方面也表现良好：“如果更多轨迹穿过地点 A 而非地点 B，那么在当前模型下，风暴中心更可能经过地点 A”。
如果绘制 50 条轨迹，您就能大致把握风暴中心可能所在之处，也就是说，如果大约一半轨迹经过某地，那么（根据我们的模型）风暴中心袭击该地的概率约为 50%。目前尚无一种方法能实现第 3 项功能，但我们将看到如何通过结合类型 I 和类型 II 意大利面图来做到这一点。
不确定性圆锥与类型 I 意大利面图的主要问题在于：圆锥易被误解（许多人将其理解为风暴在增强，而忽视不确定性的作用），而类型 I 意大利面图具有误导性（让所有模型看起来同样可信）。因此，它们不满足“我们希望可视化既不具有误导性，也不易被误解”的基本要求。
可视化飓风预测路径的最佳实践
类型 II 意大利面图信息最丰富，也最不易被误解。但它们确实无法展示所有模型的结果。也就是说，它们不像类型 I 那样在多个模型之间进行汇总。
那么，如果我们把类型 I 和类型 II 结合起来会怎样？
为此，我用
python、folium和numpy做了一个小实验。您可以在这里找到全部代码。我首先选取了上周 NHC 关于飓风艾尔玛的一条预测路径，加入一些随机噪声，并绘制了 50 条轨迹。需要再次说明的是，我并非气象领域专家。我生成并加入到预测信号/路径中的噪声并非基于任何模型，在真实场景中应来自模型本身（如果您感兴趣，我使用的是高斯噪声）。顺带一提，我也很难找到媒体报道中的预测路径数据。最终我在这里找到了所用数据。
下面是一个包含 50 条轨迹的简单类型 II 意大利面图：
但这些是由单一模型生成的可能轨迹。如果我们有来自不同机构的多个模型呢？我们可以分别绘制每个模型的 50 条轨迹：
类型 II 意大利面图一个非常有趣的特点是：如果绘制得足够多，每条轨迹会逐渐变得模糊，我们开始看到风暴中心可能所在位置的热力图。这意味着，某一区域越蓝，路径穿过那里的可能性就越大。放大查看一下。
此外，如果我们认为某个模型比另一个更可靠（例如，该模型背后的专家以往的预测更为准确），我们可以通过调整轨迹透明度等方式对这些模型进行加权，如下所示。请注意，给模型赋权应由专家完成，并且是集合建模过程中至关重要的一步。
上述做法满足了我们对可视化的前两项要求。要实现第 3 项——让读者能够读出某地被飓风中心掠过的概率，例如 30-40%——有两种方案：
还请注意，这将告诉人们某地被飓风中心掠过的概率。您可以将其与关于飓风规模的信息结合（准确地说是卷积），将热力图转换为某地遭遇飓风级风力的概率图。如果您想这么做，可以去改改我用来生成上述图表的代码（我计划写后续文章来实现这一点并讲解代码）。
可视化不确定性与数据新闻
我们能从中得到什么？我们探讨了多种用于展示飓风预测路径的可视化方法，讨论了各自的优缺点，并提出了更具信息性、也更不易误导的改进方向——这些图不仅传达结果，也传达围绕模型的不确定性。
这也是关于在可视化与数据新闻中呈现不确定性的更广泛讨论的一部分。我们需要积极参与关于专家如何通过新闻媒体向公众传达不确定性的对话。The Upshot 有一篇很棒的文章，展示了即便就业保持稳定，就业报告也可能因统计噪声而呈现何种样貌。还有另一篇 Upshot 文章展示了噪声与不确定性在解读民调中的作用。我深知在当今新闻媒体环境中，标题对新闻传播的重要性以及“标题党”的角色，但我们需要传达的不仅是结果，还包括围绕这些结果的不确定性，以免误导公众，甚至误导我们自己。更重要的是，教育体系需要转变，为所有公民配备足够的数据素养与统计素养，以应对这个数据驱动时代。我们都可以为此出一份力。