CommunityImagegithub.com

Figures de recherche et cartes

Planifier, coder et vérifier les figures et cartes de publication pour des articles sur les bassins versants, la qualité de l'eau, l'agriculture et les systèmes alimentaires — hydrogrammes avec précipitations, courbes de débit classé et de charge classée, graphiques observé vs simulé, comparaisons de scénarios avec incertitude, cartes de zone d'étude et de résultats (barre d'échelle, flèche nord, SCR, crédits des données), palettes adaptées aux daltoniens, tailles de journal et légendes. À utiliser chaque fois que l'utilisateur demande de créer, corriger, critiquer ou redessiner une figure, un modèle de tracé ou des résultats de suivi pour un manuscrit, construire une carte de zone d'étude, choisir des couleurs ou un type de graphique, ou rédiger des légendes de figures, même pour un seul tracé.

Qu'est-ce que Figures de recherche et cartes ?

Ce skill guide la création et la révision de figures et cartes scientifiques pour des articles dans les domaines de l'hydrologie, de la qualité de l'eau et de l'agriculture. Il impose un flux de travail rigoureux : décider du message clé, choisir le type de graphique adapté (hydrogramme, courbe de débit classé, observé vs simulé, etc.) en se référant à un guide interne, puis coder la figure avec le module de style `zfig.py`, qui assure une cohérence visuelle (polices, tailles, palettes de couleurs). Les figures sont scriptées pour rester liées aux données et éviter toute dérive. Le skill inclut des règles strictes pour les cartes (SCR, barre d'échelle, légende) et la vérification de la lisibilité en niveaux de gris et pour les daltoniens. Les légendes doivent expliquer la lecture de la figure, pas interpréter les résultats. Ce skill est utile pour les chercheurs et ingénieurs utilisant des agents IA comme Claude Code, Cursor ou Codex, car il standardise la production de figures reproductibles et de haute qualité pour la publication.

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

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Figures et cartes de recherche

Une figure mérite sa place lorsqu'elle montre ce qu'un tableau ne peut pas (une tendance dans le temps ou le débit, une distribution, une disposition spatiale) et qu'elle est lisible à la taille d'impression en niveaux de gris. Chaque figure scriptée lit ses données à partir de fichiers, elle ne peut donc pas dériver des nombres du texte.

Flux de travail

  1. Décider ce que la figure doit montrer en une phrase et vérifier qu'un tableau ne le ferait pas mieux. Noter le journal cible et ses largeurs de colonne.
  2. Choisir la forme à partir de references/figure-guide.md : types de variables, axes, transformations (log pour les débits et les charges), et comment l'incertitude est représentée.
  3. La coder avec le module de style maison scripts/zfig.py : use_style(), figure("single"|"onehalf"|"double", height_mm), et les recettes hydrograph_with_rain, flow_duration, load_duration, obs_vs_sim, scenario_bars. Un script par figure (figN_short_name.py), données lues par chemin explicite, unités dans chaque étiquette d'axe, et une assertion assert pour chaque nombre que le texte cite à partir de la figure. Exécuter python scripts/zfig.py une fois pour l'auto-test dans un nouvel environnement.
  4. Cartes : suivre la liste de contrôle des cartes dans le guide (SCR indiqué, barre d'échelle, flèche nord lorsque l'orientation n'est pas évidente, carton de localisation, légende avec unités, sources de données et crédits de licence dans la légende). Pour les mises en page finales, QGIS ou ArcGIS Pro est généralement plus rapide que matplotlib ; de toute façon, scripter la préparation des données.
  5. Regarder le fichier rendu à sa taille finale avant de le déclarer terminé : étiquettes coupées ou qui se chevauchent, légende cachant les données, graduations illisibles, couleurs se confondant en niveaux de gris ou pour les daltoniens.
  6. Légende : ce qui est montré, puis comment le lire (symboles, lignes, trames, unités, période, n). Garder l'interprétation dans le texte.

Valeurs par défaut importantes

  • Palette qualitative Okabe-Ito (intégrée dans zfig) ; viridis, cividis ou cartes de couleurs scientifiques Crameri pour les données continues ; cartes divergentes uniquement autour d'un zéro significatif (par ex. changement par rapport à la référence). Pas d'arc-en-ciel ni de jet (Crameri et al. 2020).
  • Texte à 8 pt à la taille finale, minimum 7 pt ; épaisseurs de ligne 0,6–1,0 pt.
  • Données observées en noir ou gris foncé et simulations en couleur, de manière cohérente entre les figures.
  • Axes logarithmiques pour les débits, les charges et les concentrations s'étendant sur plusieurs ordres de grandeur ; le mentionner dans l'étiquette.
  • Afficher l'incertitude (bandes d'incertitude à 95 %, plages entre scénarios ou membres climatiques, intervalles de confiance) ; une barre sans son intervalle surestime la certitude.
  • Ne pas inventer de données, de coordonnées ou d'étiquettes ; si des données manquent, écrire le script avec un NotImplementedError clair et lister ce qui est nécessaire.

Python d'abord et commenté ; indiquer les unités, le SCR et le pas de temps dans la docstring de chaque script de figure.

Individual skills in this repo

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

Skills associés