多MRL標準下的全國農(nóng)殘數(shù)據(jù)對比可視化方法

楊倩玉+陳紅倩+馬慧鋆

摘 要：針對全國農(nóng)殘檢測數(shù)據(jù)不同地區(qū)間、多種MRL標準下判定結(jié)論間的數(shù)據(jù)對比分析需求，提出一種地理位置相關(guān)的多重放射環(huán)可視化方法。該方法首先基于GIS方法指代各部分檢測數(shù)據(jù)所在地區(qū)，借鑒氣泡圖形式通過圖元大小映射各地區(qū)檢測樣品采樣量，以及借鑒餅圖形式通過扇區(qū)比例映射樣品中檢出不同毒性農(nóng)藥的比例關(guān)系，并提出并行環(huán)方法，映射各地區(qū)的檢測數(shù)據(jù)在不同MRL標準下的超標結(jié)論對比情況。實驗結(jié)果與領(lǐng)域?qū)＜业脑u價表明，該方法能有效提高全國農(nóng)殘檢測數(shù)據(jù)的分析效率，可實現(xiàn)不同地理位置、不同檢出結(jié)果判定類別間的對比分析。

關(guān)鍵詞：MRL標準；農(nóng)殘檢測數(shù)據(jù)；多重放射環(huán)；R語言

DOIDOI：10.11907/rjdk.173112

中圖分類號：TP391

文獻標識碼：A 文章編號：1672-7800（2018）002-0172-03

0 引言

食品安全問題關(guān)系到國計民生，國家多部門都會對食品中的農(nóng)藥殘留進行檢測及防范。為規(guī)范食品安全檢測，中國、美國、日本、歐盟、中國香港、國際食品法典委員會（CAC，Codex Alimentarius Commission）均存在相應(yīng)的MRL標準。

農(nóng)殘檢測數(shù)據(jù)具有層次、空間屬性特征，具有采樣點、農(nóng)產(chǎn)品、農(nóng)藥、檢測數(shù)據(jù)4大屬性。采樣點基于地圖上的行政區(qū)域劃分，農(nóng)產(chǎn)品種類、農(nóng)藥種類均具有層次結(jié)構(gòu)。在進行全國農(nóng)殘檢測數(shù)據(jù)分析過程中，首先需要分析在數(shù)據(jù)集中的哪些地區(qū)，農(nóng)產(chǎn)品是需要重點關(guān)注或亟需采取措施的。同時，在數(shù)據(jù)分析過程中，農(nóng)藥殘留量超標的判斷結(jié)論是相對的，需同時參照多種MRL標準，在不同標準下的同步對比分析是提高分析效率的有效手段。因此，針對數(shù)據(jù)中不同地區(qū)間、多種MRL標準下判定結(jié)論間的對比分析是需要解決的首要問題。

在層次型數(shù)據(jù)可視化技術(shù)方面，主要技術(shù)為節(jié)點-鏈接（Node-Link）法和空間填充（Space-Filling）法兩大類。Xiaotong Liu等[1]在2016年設(shè)計了BrandWheel，對社會媒體品牌的公眾認知進行可視化分析；PhenoStacks[2]利用徑向?qū)哟谓Y(jié)構(gòu)的sunburst總結(jié)表型全局層次結(jié)構(gòu)，輔助進行醫(yī)學(xué)領(lǐng)域的表型比較可視化；ViDX[3] 使用同心圓結(jié)合條形圖，可快速顯示智能工廠產(chǎn)品裝配過程所需的時間；Lohmann S[4]在2015年提出一種分層詞云布局的可視化方法，利用各層扇區(qū)的交集進行文本交集的詞云展示；Keim[5]提出一種PixelMap算法，通過小范圍移動點改善重疊現(xiàn)象。

在農(nóng)殘檢測數(shù)據(jù)中，地理位置、區(qū)域分布等空間屬性是非常重要的方面。在地理信息與其他屬性同步展現(xiàn)的方法中，Ward[6]提出CityScape方法將地圖區(qū)域劃分為塊，并采用3D柱狀圖表示區(qū)域塊的統(tǒng)計數(shù)據(jù)；Li J和Xiao Z[7]結(jié)合地圖與外射圓環(huán)表征煙霧分布和隨時間變化情況；Isaac Cho[8]結(jié)合地圖與節(jié)點鏈接式的放射環(huán)分析不同時間、地點下的羅馬歷史事件；Lu Y和Steptoe M[9]利用采樣地圖疊加餅圖的方式展現(xiàn)層次、時序?qū)傩?；Nivan Ferreira[10]使用地圖疊加矩陣像素塊，以顏色深淺反映各地區(qū)航空公司延遲航班的速度情況。

本文針對農(nóng)藥殘留檢測數(shù)據(jù)多地區(qū)、多MRL標準下的對比分析需求，提出一種能同時表征基于多種MRL標準的判定結(jié)果且結(jié)合地理位置的可視化方法。該方法首先將每一城市或地區(qū)的數(shù)據(jù)聚合為一個多重放射環(huán)，以一種直觀的方式表達多種MRL標準下的農(nóng)殘檢測數(shù)據(jù)統(tǒng)計結(jié)果，并結(jié)合地圖隱喻直觀地呈現(xiàn)地區(qū)間的采樣量、含量超標的對比情況。

1 基于多重放射環(huán)的多標準對比可視化

1.1 多重放射環(huán)設(shè)計

由于各國家/地區(qū)的MRL標準有所差異，不同的判定標準會造成某種農(nóng)產(chǎn)品中某種農(nóng)藥的檢出值是否超標的結(jié)果不同，從而造成同一批檢測數(shù)據(jù)，在不同MRL標準下超標和未超標樣品數(shù)不同。

本文針對指定城市或區(qū)域的農(nóng)殘檢測結(jié)果數(shù)據(jù)，設(shè)計了一種名為“多重放射環(huán)”的可視化方法，其設(shè)計思想源自于Sunburst，方法的示意圖如圖1所示，具體設(shè)計思想為：

（1） 根節(jié)點設(shè)計為餅圖，分別表示無農(nóng)藥檢出、中低毒農(nóng)藥檢出、高劇毒農(nóng)藥檢出3種情況的比例。

（2） 外射的同心外環(huán)分為兩部分：在中低度農(nóng)藥檢出部分采用堆疊圖的形式表示未超標/超標數(shù)據(jù)的占比，在高劇毒農(nóng)藥檢出部分采用徑向映射表示高劇毒農(nóng)藥的檢出情況。

1.2 內(nèi)層放射環(huán)計算

多重放射環(huán)的內(nèi)層放射環(huán)具體計算方法為：

（1）內(nèi)徑映射與計算。第一重環(huán)（A、B、C區(qū)）中餅圖半徑稱為多重放射環(huán)的內(nèi)徑，映射為所指定城市或區(qū)域的“農(nóng)產(chǎn)品樣品采樣量”。內(nèi)徑映射公式如公式（1）所示：

其中，[min，max]為內(nèi)徑的自定義區(qū)間，區(qū)間大小根據(jù)實際效果而定。Num為各地區(qū)樣品數(shù)，Num.max為樣品數(shù)最大值，Num.min為樣品數(shù)最小值。根據(jù)公式（1）將各農(nóng)產(chǎn)品樣品數(shù)映射為多重放射環(huán)內(nèi)徑radius.in。

（2）角度占比與著色。根據(jù)農(nóng)產(chǎn)品中的檢出農(nóng)藥情況，將數(shù)據(jù)集分為中低毒農(nóng)藥檢出、高劇毒農(nóng)藥檢出、無農(nóng)藥檢出3類，根據(jù)3類檢出情況的農(nóng)產(chǎn)品占比映射為圖2中A、B、C區(qū)扇區(qū)所占的圓心角角度比。針對中低毒農(nóng)藥檢出、高劇毒農(nóng)藥檢出、無檢出3類情況，依次著色為藍色、紅色、綠色。

1.3 外層放射環(huán)計算

多重放射環(huán)的外層放射環(huán)的環(huán)寬計算方法為： ①無農(nóng)藥檢出扇區(qū)，對應(yīng)環(huán)寬為0；②中低毒農(nóng)藥檢出扇區(qū)（圖2中B1區(qū)），環(huán)寬映射為農(nóng)產(chǎn)品樣例中農(nóng)藥檢出量的最高值或均值，本文實例選擇農(nóng)藥檢出量的均值。

多重放射環(huán)B1區(qū)的外徑計算方法如公式（2）所示：

1.4 多標準并行環(huán)計算endprint

為對比多種MRL檢測標準下超標/未超標判定結(jié)果的對比情況，將中低毒農(nóng)藥檢出扇區(qū)（即圖2中B1區(qū)）的外徑由內(nèi)到外劃分為6層，分別表示中國、歐盟、日本、香港、美國、CAC的MRL標準下的判定結(jié)果。在同一并行環(huán)中，超標部分使用深色著色，未超標部分使用淺色著色。

判定結(jié)果中未超標/超標占比將對應(yīng)圓環(huán)逆時針分割，每個分割區(qū)間圓心角為各類檢出量與總檢出量的比值乘以中低毒檢出扇區(qū)圓心角。

2 實驗結(jié)果與分析

2.1 案例數(shù)據(jù)集可視分析

基于R語言實現(xiàn)了本文提出的多重放射環(huán)可視化方法。圖2為多重放射環(huán)應(yīng)用到農(nóng)藥殘留檢測數(shù)據(jù)的可視化效果圖的一個樣例，從該圖中得出的分析結(jié)論有：

（1）從中心的餅圖可以看出，綠色扇形區(qū)代表的未檢出量及紅色扇形區(qū)代表的高劇毒檢出量占比較小，而藍色扇形區(qū)代表的中低毒檢出量占比較大，可見中低毒檢出量相對較多。

（2）從高劇毒農(nóng)藥總檢出頻次映射區(qū)間看，其檢出頻次在所有城市或地區(qū)的農(nóng)產(chǎn)品采樣中基本處于中等。

（3）從同心圓環(huán)對比多國/地區(qū)MRL標準下的檢出超標情況看，中國、香港、美國、CAC標準下超標量較少，但歐盟、日本標準下的超標量相對較多，因此該批次農(nóng)產(chǎn)品仍需引起注意。

針對多地區(qū)的農(nóng)殘檢測情況的對比，本文基于leaflet地圖庫實現(xiàn)了多重放射環(huán)與地圖結(jié)合的全國農(nóng)殘檢測數(shù)據(jù)概覽效果圖，如圖3所示為其中一個數(shù)據(jù)集的可視化效果。

該圖共展示了26個省會城市以及4個直轄市的主要檢測信息，通過對比圖3中表征各城市的多重放射環(huán)，可得到以下結(jié)論：

（1）根據(jù)不同城市/地區(qū)中的多重放射環(huán)大小，可對比其農(nóng)產(chǎn)品樣品采樣數(shù)量。如本例中北京、石家莊、廣州的采樣量相對較多，有些地區(qū)的采樣量相對較少，可以考慮加大其采樣量。

（2）根據(jù)多重放射環(huán)的內(nèi)層環(huán)各扇區(qū)占比，可對比各城市不同農(nóng)藥檢出情況的農(nóng)產(chǎn)品樣品占比情況。如本例中烏魯木齊、南寧、長沙等城市無農(nóng)藥化學(xué)物檢出的樣品比例較高，說明其農(nóng)殘檢測的結(jié)果總體較好。

（3）根據(jù)高劇毒農(nóng)藥檢出扇區(qū)的外層環(huán)環(huán)寬值，可對比各城市的農(nóng)產(chǎn)品樣品中的高劇毒農(nóng)藥檢出情況。如本例中武漢、南寧等城市的高劇毒農(nóng)藥平均檢出量較少。

（4）根據(jù)中低毒農(nóng)藥檢出扇區(qū)的外層環(huán)環(huán)寬，可對比各城市的中低毒農(nóng)藥平均檢出量。如在本例中石家莊、北京、廣州等城市的農(nóng)產(chǎn)品采樣量較多，但中低毒農(nóng)藥的平均檢出量較小。

（5）根據(jù)中低毒農(nóng)藥對應(yīng)區(qū)域的外層環(huán)各標準下超標/未超標情況占比，可對比各城市農(nóng)產(chǎn)品樣品中的超標/未超標情況。如本例中大部分城市含中低毒農(nóng)產(chǎn)品化學(xué)物的樣品超標比例都較低，但在日本MRL標準下各城市樣品的超標比例明顯高于其他標準。這是由于日本MRL標準的限量值較低，標準要求更為嚴格。

2.2 本文方法性能分析

本文設(shè)計的對比可視化方法，從多重放射環(huán)的可視編碼和布局設(shè)計上，同現(xiàn)有的類Sunburst層次可視化布局方法相比，本文方法采用創(chuàng)新的可視化元素編碼，并可以較好地實現(xiàn)數(shù)據(jù)集的多屬性和多標準對比，展現(xiàn)的信息量增多，且空間利用率高。

3 結(jié)語

本文針對農(nóng)殘檢測數(shù)據(jù)多地區(qū)間、多MRL標準下的對比分析，提出了一種多重放射環(huán)的可視化方法，并與地圖相結(jié)合，實現(xiàn)了農(nóng)殘檢測數(shù)據(jù)的對比分析可視化以及多MRL標準下的判定結(jié)果比較。該方法有利于專家快速瀏覽數(shù)據(jù)集，分析區(qū)域間數(shù)據(jù)的差異性，并根據(jù)各項數(shù)據(jù)指標針對指定區(qū)域進行深入分析。實驗結(jié)果表明，本方法能幫助食品安全領(lǐng)域?qū)＜覍χ付ǔ鞘?地區(qū)的農(nóng)殘檢測結(jié)果數(shù)據(jù)作一個快速了解，根據(jù)可視結(jié)果重點關(guān)注超標嚴重或高劇毒農(nóng)藥占比較大的地區(qū)，以便對農(nóng)產(chǎn)品中農(nóng)藥殘留檢測情況作進一步分析。下一步工作將設(shè)計農(nóng)產(chǎn)品及農(nóng)藥的分類統(tǒng)計可視化方法，利用交互手段進行協(xié)同展示，通過多視圖實現(xiàn)多角度的綜合評價。

參考文獻：

[1] LIU X， XU A， GOU L， et al. SocialBrands： visual analysis of public perceptions of brands on social media[C].IEEE Conference on Visual Analytics Science and Technology. IEEE Computer Society， 2016：71-80.

[2] GLUECK M， GVOZDIK A， CHEVALIER F， et al. PhenoStacks： cross-sectional cohort phenotype comparison visualizations[J]. IEEE Transactions on Visualization & Computer Graphics， 2016，23（1）：191.

[3] XU P， MEI H， LIU R， et al. ViDX： visual diagnostics of assembly line performance in smart factories[J].IEEE Transactions on Visualization & Computer Graphics， 2016，23（1）：291-300.

[4] LOHMANN S， HEIMERL F， BOPP F， et al. Concentri cloud： word cloud visualization for multiple text documents[C].International Conference on Information Visualisation. IEEE， 2015：114-120.

[5] KEIM D， PANSE C， SIPS M， et al. Visual data mining in large geospatial point sets[J]. Computer Graphics and Applica-tions， IEEE， 2004，24（5）：36-44.

[6] WARD M O， GRINSTEIN G， KEIM D. Interactive data visuali-zation： foundations， techniques， and applications[M]. CRC Press， 2010.

[7] LI J， XIAO Z， ZHAO H Q， et al. Visual analytics of smogs in China[J]. Journal of Visualization， 2016（3）：1-14.

[8] CHO I， DOU W， WANG D X， et al. VAiRoma： a Visual Analytics system for making sense of places， times， and events in roman history[J]. IEEE Transactions on Visualization & Computer Graphics， 2016，22（1）：210-219.

[9] LU Y， STEPTOE M， BURKE S， et al. Exploring evolving media discourse through event cueing[J].IEEE Transactions on Visualization & Computer Graphics， 2015，22（1）：220-229.

[10] WANG Z， FERREIRA N， WEI Y， et al. Gaussian cubes： real-time modeling for visual exploration of large multidimensional datasets[J]. IEEE Transactions on Visualization & Computer Graphics， 2016，23（1）：681-690.endprint