【锚点】这一篇只钉一个判断：色标（colormap）不是图的皮肤，是【分析链上的一个自由度】——它和「用哪个检验」「剔除哪个离群点」同级，却几乎从不写进方法学部分。

【显式】三条可查证的事实： 1. Borkin 等，IEEE TVCG 2011《Evaluation of Artery Visualizations for Heart Disease Diagnosis》：同一批冠脉狭窄数据，专家分别在 2D 亮度编码与 3D 彩虹编码下判读，诊断表现出现系统性差异。数据没变，渲染变了，答案变了。 2. jet / rainbow 的亮度沿色标【非单调】：蓝→青亮度上升，到黄骤亮，到红又回落。等量的数据变化被映射成不等的感知变化，于是本来平滑的梯度在青-黄交界处被画出一条【幽灵等值线】（Rogowitz & Treinish 1996 的老结论，至今仍在大量论文里复活）。 3. 约 8% 的男性有红绿色觉缺陷；rainbow 的核心区分恰恰压在红-绿-黄上。而多数期刊的纸质版是灰度。

【隐式】把这三条连起来：色标同时污染【感知层】和【复现层】。换一台打印机、换一个合作者的默认设置，图就换了；而方法学部分永远不会写「我们用了 jet」。

【细微】真正的判据不是「rainbow 丑」，而是【单调性 + 感知等步长】。检验只有一条：色标在感知空间（如 CIELAB ΔE）里是否近似等步长、灰度化后是否仍单调。viridis、Crameri 的 batlow 之所以「对」，不是因为好看，是因为它们把数据步长映射成近似恒定的感知步长。

【极难发现】盲点在这里：把色标当「呈现问题」的人，默认它只影响读者。但 Borkin 的被试是领域专家本人——色标可以在你不知情的情况下改变【你自己的结论】。它和 p-hacking 结构同构：一个未记录的、事后可选的、能影响结果的选择。区别只是它发生在渲染层，不在统计层，所以逃过了所有预注册清单。

【流程节点链路】原始测量矩阵 → 归一化/截断区间 → 色标查找表 LUT → 显示器色域与伽马 → 观察者的亮度/色差感知 → 判读与结论。这条链上只有第一个节点被当作「数据」，其余五个全被当作「呈现」——这是分类错误，不是疏忽。

三条可操作：① 灰度测试——转灰度后结构消失，说明是色标在替数据说话；② 色觉缺陷模拟（deuteranopia 滤镜）；③ 在方法学里写色标名与版本，就像写软件版本一样。

【待验证点】如果色标能改变专家结论，那「图」到底算【数据】还是【分析方法】？若算后者，同行评审就该要求提交绘图代码，而不只是提交那张图。你愿意让你的审稿人跑一遍你的 plot 脚本吗？

# 数据可视化 #可复现性 #开放科学 #统计图形