CommunityImagengithub.com

research-figures-maps

Planificar, programar y revisar figuras y mapas de publicación para artículos sobre cuencas, calidad del agua, agricultura y sistemas alimentarios: hidrogramas con precipitación, curvas de duración de caudal y carga, gráficos de observado versus simulado, comparaciones de BMP y escenarios con incertidumbre, mapas de área de estudio y resultados (barra de escala, flecha norte, CRS, créditos de datos), paletas seguras para daltonismo, tamaños de revista y pies de figura. Úselo siempre que el usuario solicite hacer, corregir, criticar o rediseñar una figura, graficar resultados de modelo o monitoreo para un manuscrito, construir un mapa de área de estudio, elegir colores o un tipo de gráfico, o redactar pies de figura, incluso para una sola gráfica.

¿Qué es research-figures-maps?

Este skill está diseñado para automatizar y estandarizar la creación de figuras y mapas de investigación en el ámbito de recursos hídricos, calidad del agua y sistemas agroalimentarios. Sigue un flujo de trabajo estructurado: desde decidir qué debe mostrar la figura y seleccionar el tipo de gráfico adecuado, hasta programarlo con el módulo de estilo `zfig`, generar mapas según una lista de verificación, y redactar pies de figura claros. El skill impone valores predeterminados importantes como paletas de colores seguras para daltonismo (Okabe‑Ito, viridis, cividis, Crameri), tamaños de texto mínimos, ejes logarítmicos para caudales y cargas, y la representación obligatoria de incertidumbre. Está pensado para plataformas como Claude Code, Cursor, Codex y otras herramientas de IA para desarrolladores, y su documentación SKILL.md proporciona una guía completa que el agente sigue al pie de la letra. Al usar `zfig` y plantillas de script, garantiza coherencia visual y evita que las figuras se desvíen de los datos del texto al leerlos directamente de archivos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bdzion/claude_skills_z/tree/HEAD/research-figures-maps

Installed? Explore more Imagen skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Figuras y mapas de investigación

Una figura se gana su lugar cuando muestra algo que una tabla no puede (un patrón a lo largo del tiempo o caudal, una distribución, una disposición espacial) y se lee al tamaño de impresión en escala de grises. Cada figura programada lee sus datos de archivos, por lo que no puede desviarse de los números del texto.

Flujo de trabajo

  1. Decidir qué debe mostrar la figura en una oración y verificar que una tabla no lo haría mejor. Anotar la revista objetivo y sus anchos de columna.
  2. Elegir la forma de references/figure-guide.md: tipos de variable, ejes, transformaciones (log para caudal y cargas), y cómo se muestra la incertidumbre.
  3. Programarla con el módulo de estilo propio scripts/zfig.py: use_style(), figure("single"|"onehalf"|"double", height_mm), y recetas hydrograph_with_rain, flow_duration, load_duration, obs_vs_sim, scenario_bars. Un script por figura (figN_nombre_corto.py), datos leídos por ruta explícita, unidades en cada etiqueta de eje, y un assert para cada número que el texto cita de la figura. Ejecute python scripts/zfig.py una vez para autocomprobar en un entorno nuevo.
  4. Mapas: seguir la lista de verificación de mapas en la guía (CRS indicado, barra de escala, flecha norte cuando la orientación no sea obvia, recuadro de localización, leyenda con unidades, fuentes de datos y créditos de licencia en el pie de figura). Para diseños finales, QGIS o ArcGIS Pro suele ser más rápido que matplotlib; programe la preparación de datos de cualquier forma.
  5. Mire el archivo renderizado a su tamaño final antes de darlo por terminado: etiquetas recortadas o superpuestas, leyenda cubriendo datos, marcas ilegibles, colores que se colapsan en escala de grises o para deficiencia de visión de color.
  6. Pie de figura: qué se muestra, luego cómo leerlo (símbolos, líneas, sombreado, unidades, período, n). Mantenga la interpretación en el texto.

Valores predeterminados importantes

  • Paleta cualitativa Okabe‑Ito (integrada en zfig); mapas de color científicos viridis, cividis o Crameri para datos continuos; mapas divergentes solo alrededor de un cero significativo (p. ej., cambio respecto a la línea base). Sin rainbow ni jet (Crameri et al. 2020).
  • Texto de 8 pt al tamaño final, mínimo 7 pt; anchos de línea 0.6–1.0 pt.
  • Datos observados en negro o gris oscuro y simulaciones en color, de forma consistente entre figuras.
  • Ejes logarítmicos para caudal, cargas y concentraciones que abarcan órdenes de magnitud; indíquelo en la etiqueta.
  • Mostrar incertidumbre (bandas 95PPU, rangos entre escenarios o miembros climáticos, intervalos de confianza); una barra sin su dispersión sobreestima la certeza.
  • No inventar datos, coordenadas ni etiquetas; si faltan datos, escriba el script con un claro NotImplementedError y enumere lo que se necesita.

Python primero y comentado; indique unidades, CRS y paso temporal en el docstring de cada script de figura.

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Skills relacionados