Colorindo Conforme A Legenda

Como montar uma paleta de cores que realmente funciona

Você provavelmente já tentou colorir um mapa ou gráfico usando uma legenda e acabou com uma peça que parecia um arco-íris quebrado. Isso acontece porque a maioria das pessoas seleciona cores pelo aspecto visual, não pela funcionalidade perceptual. A ordem correta é o contrário. Eu trabalho com mapas temáticos há anos e quase todo cliente pede para eu aplicar cores bonitas em dados ordinais. Cores bonitas não significam legíveis. O problema surge quando você coloca vermelho, verde e azul lado a lado e tenta ler valores intermediários. O cérebro não processa isso de forma linear, e a legenda se torna inútil.

A lógica por trás do colorindo conforme a legenda

Existem três tipos de escalas de cores, e escolher a errada é o erro mais comum. Escala qualitativa serve para categorias sem ordem, como tipos de solo ou regiões administrativas. Escala sequencial é para dados com direção, de baixo para alto. Escala divergente é quando há um ponto central significativo, como temperatura acima e abaixo de zero, ou saldo positivo e negativo. O erro clássico é usar uma escala qualitativa para dados numéricos. A diferença entre 42 e 43 não existe visualmente quando você assignou cores distintas a cada valor. Para dados sequenciais, use tons de uma única cor variando a luminosidade. Amarelo para baixo, laranja no meio, marrom para alto funciona melhor do que RGB puro porque a variação de brilho carrega a informação de magnitude.

Na prática: o processo passo a passo

Primeiro defina o tipo de dado. Depois escolha a escala apropriada. Em seguida, selecione as cores com base em ferramentas como ColorBrewer 2 ou a paleta viridis do matplotlib. Sim, eu sei que parece estranho usar a mesma paleta de Python para cartografia, mas a viridis foi desenhada especificamente para ser percebida de forma uniforme pelo olho humano e funcionar bem em preto e branco também. No QGIS, o caminho é configuração da camada, simbologia, e selecionar classificação gradual para dados contínuos ou classificação baseada em intervalos para dados discretos. O segredo está nos intervalos. Classificação natural breaks (Jenks) funciona para a maioria dos casos, mas quando sua distribuição é altamente assimétrica, como renda familiar com poucos valores muito altos, os intervalos parecem arbitrários. Nesse caso, use transformação logarítmica antes de classificar. Para dados discretos com poucas categorias, o número ideal de classes fica entre três e sete. Mais do que isso e a legenda compete com o mapa pela atenção do leitor. Menos do que três e você perde informação útil.

Um caso específico que me custou duas semanas

Estava trabalhando num mapa de vulnerabilidade social com onze variáveis normalizadas. A legenda tinha dez classes porque o cliente queria granularidade. O resultado foi ilegível. As cores sequenciais que eu havia escolhido em tons de azul criavam ilusão de continuidade onde não existia, e os valores intermediários se confundiam porque a diferença de luminosidade entre classes adjacentes era menor que o limiar de percepção humana. A solução foi reduzir para sete classes e usar uma paleta divergente com cinza no centro, azul para valores baixos e vermelho para altos. O cinza no ponto médio é importante porque sinaliza visualmente que aquele grupo não se encaixa nem no extremo inferior nem no superior. O cliente inicialmente resistiu, disse que parecia menos profissional. Os dados não mudaram, apenas a forma como eram lidos mudou drasticamente.

Dicas que ninguém conta sobre colorindo conforme a legenda

Teste sempre em preto e branco antes de finalizar. Se a hierarquia visual desaparece quando a cor é removida, algo está errado com a escolha da paleta. Ferramentas como Coblis ou simplesmente converter para escala de cinza no Photoshop revelam problemas que a cor mascara. Outro ponto negligenciado é o contraste entre cores adjacentes na legenda. Cores que parecem distintas na tela frequentemente se aproximam quando impressas. Se você precisa publicar em papel, evite pares como verde-azulado e azul-petróleo lado a lado. Teste com amostras impressas reais, não confie apenas na pré-visualização digital. A acessibilidade também entra aqui. Cerca de oito por cento dos homens têm alguma forma de daltonismo, sendo a deficiênciade vermelhos e verdes a mais comum. Paletas que dependem exclusivamente da distinção vermelho-verde são exclusão desnecessária. A paleta viridis resolve isso naturalmente, e opções como o Okabe-Ito foram desenvolvidas especificamente para serem acessíveis.

Se você usa R, o pacote RColorBrewer é essencial. No Python, matplotlib.pyplot.colormaps oferece acesso direto às paletas validadas. Evite criar paletas próprias em HSV convertendo valor e saturação manualmente, a menos que tenha conhecimento de psicologia da percepção cromática. O resultado quase sempre parece artificial e a mensagem dos dados se perde. O excesso de informação visual é o inimigo. Legendas com dezenas de classes, mapas com múltiplas camadas coloridas e gráficos que usam gradientes complexos para dados simples são tentação comum, especialmente quando se quer impressionar. A regra prática é simples: a legenda deve responder a uma pergunta, não contar uma história inteira. Se precisa de mais cores para explicar, provavelmente deveria estar usando outro tipo de visualização.