L7 2.7 持续打磨可视化能力

简介: 导读L7 是由蚂蚁金服 AntV 数据可视化团队推出的基于 WebGL 的开源大规模地理空间数据可视分析开发框架。L7 专注于空间数据的可视化表达。图形符号学为理论基础,将抽象复杂的空间数据转化成 2D、3D 符号,通过颜色、大小、体积、纹理等视觉变量实现丰富的可视化表达。欢迎关注和 star 我们的 GitHub:https://github.com/antvis/L7官网:https://l7

导读

L7 是由蚂蚁金服 AntV 数据可视化团队推出的基于 WebGL 的开源大规模地理空间数据可视分析开发框架。L7 专注于空间数据的可视化表达。图形符号学为理论基础,将抽象复杂的空间数据转化成 2D、3D 符号,通过颜色、大小、体积、纹理等视觉变量实现丰富的可视化表达。

欢迎关注和 star 我们的 GitHub:https://github.com/antvis/L7

官网:https://l7.antv.vision/zh

在过去几个月中,L7 持续打磨本身的可视化能力,在进行可视化基础能力建设的同时改善性能,为用户带来更加极致的可视化体验。同时我们在这一版本同时对官网进行了大的升级改造,补充了更多更炫酷的案例,补齐更详细的文档,让用户可以更加容易的使用 L7 进行开发。

本次发布重点包括:

  • 点、线、面各个图层效果的优化
  • 新增墙、风场等全新的图层
  • 提供了优化性能的简单图层
  • 全面升级官网和文档

官网更新案例集锦

图层能力升级

本次发布我们不仅对现有图层的可视化效果进行了优化,还提供了更多新的图层,能满足用户在不同场景下多样的可视化表达的需求。

点图层

点图层支持固定米单位大小

原本 L7 只支持绘制固定像素大小的点,某些情况下我们可能需要绘制固定面积的点。如在地图上绘制一个固定半径为 500 米的圆。

之前我们只能通过绘制矢量图形来模拟(PolygonLayer),而现在点图层本身支持了这一能力(目前只有高德底图支持)。

固定像素大小

固定半径大小为 100 米的点图层

两种点图层对比

点图层的柱图支持颜色渐变

用户可以配置柱状图的上下颜色渐变,顶部颜色到底部颜色均匀过度。

柱状图颜色渐变

线图层

平面弧线支持动态设置弧度

在许多情况下,我们需要绘制两点之间的多条连线,通过点之间的连线的数量,我们可以表示点之间某种联系的紧密程度。如航线图,我们可以通过表示航班架次弧线数量表示两地航线的繁忙程度。

现在 L7 支持配置弧线图层的 thetaOffset 参数控制弧线的弧度,同时该参数支持用户通过映射手段根据数据动态配置。通过一定的数据和简单的配置,我们可以很容易得到一系列密集排布,弧度不同的弧线。

几个机场之间航线的可视化表示

线图层支持边框配置

本次发布我们为线图层增加了边框的支持,支持配置边框的颜色以及边框的宽度。通过配置边框,我们可以为道路的表示带来更细致的可视化配置。

带有边框的路线图

线图层支持绘制地形

通常我们只需要经度和纬度两个参数可以描述一个点在地图上的位置,而现在我们支持提供第三个参数来控制这个点在地图上的高度。如下图,线图层的数据支持传入除了经度纬度之外的第三个参数,由此我们就可以用线图层来绘制实际地形。

带有地理高度的线图层

面图层

2D 填充图增加径向渐变效果

2D 填充图增加了由外向内和由内向外渐变两种渐变方向,渐变中心是图形的几何中心,渐变值是透明度。通过配置径向渐变,我们可以得到一些更美观可视化效果。

添加了径向渐变的中国地图填充图

性能优化

新增简单点图层

用户使用点的简单模式,在加载大量点数据的情况下带来更小的性能消耗。

简单点在 2D 模式下展示效果

简单点在 3D 模式下展示效果

我们可以通过简单的图示理解加单点图层提升性能的原理。

普通点图层的实现原理

简单点图层的绘制原理

简单点图层实现原理

新增简单线图层

简单线图层是固定宽度是 1px 的线图层,在简化一部分能力的情况下带来了部分性能的提升。

简单线图层配置颜色渐变

新增图层

新增墙图层

我们通常在地图上使用线图层表示边界、围墙、栅栏等非实体对象或是实体对象,为了带来更立体的效果,我们扩展了原有的线图层,新增了墙图层。墙图层是垂直地图的连续墙面,墙图层支持颜色上下渐变、动画模式以及贴图模式。

墙图层配置上下颜色渐变

墙图层配置纹理贴图

新增风场图层

风场图层用来表示台风路径,海洋洋流等带有流动趋势的数据,新增的风场图层提供风场颜色、速度、粒子数量、风度系数等参数的配置。

风场图层

动画和交互

新增柱图的增长动画

柱状图的增长动画是常见的可视化效果,我们通过扩展柱状图的 animate 方法支持增长动画的配置,支持配置动画的速度以及动画的重复次数。

增长动画

优化城市图层,支持扫光效果

我们为原有的城市图层增加了常见的扫光特效,支持配置扫光的颜色、中心点以及扫光的速度。

城市扫光

拾取效果优化

L7 原本的拾取只支持配置拾取选中的高亮色,在某些场景下会丢失图层本身的细节,这一次发布我们对拾取效果提供了

更加精细的控制。

优化前拾取效果

优化前拾取效果

优化拾取效果,支持混合(保留选中元素本身的细节)

优化拾取效果,支持对拾取结果进行光照计算

官网升级

目录结构升级

随着 L7 生态日渐繁荣,相关上层建设如 L7Reat、L7Draw、L7Boundary、L7Plot、DipperMap 等均建设了自己的站点,为了更聚焦于 L7 本身的能力,这一次升级后 L7 官网将不再保留上层生态的内容。

新旧官网结构对比

文档补齐优化

本次官网升级对 L7 全量 API 提供了详细的说明,同时为了用户方便理解,在对应的地方提供了相应的图解和使用代码。

官网文档图解

新增 demo 、覆盖更多的场景

L7 官网新增 了 16 + 的案例用来演示 L7 新增的能力,同时对现有的 demo 进行效果的优化。改进后的案例集合可以覆盖更多更实际的业务场景,给用户提供更多的使用、借鉴意义。

未来规划

L7 在 2022 新的一年有许多新的计划

  • 引入 worker 计算
  • 提供完善的后处理特效
  • 新增瓦片方案
  • 完善小程序端的兼容
  • 可视化能力持续打磨

相信在新的一年,L7 会给大家带来更加专业好用的地理可视化能力!

欢迎大家点点 star ✨  Github

官方钉钉群号:32292906

二维码:

相关文章
|
4月前
|
人工智能 运维 监控
现代运维中的自动化趋势与挑战
随着信息技术的快速发展,现代运维领域也面临着越来越多的挑战与机遇。本文将探讨当前运维中自动化的趋势以及相关的挑战,分析自动化在提高效率、降低成本等方面的重要性,并讨论未来运维领域的发展方向。
89 2
|
2月前
|
数据挖掘 测试技术
产品运营方法论问题之运营过程中持续的数据分析如何解决
产品运营方法论问题之运营过程中持续的数据分析如何解决
|
3月前
|
机器学习/深度学习 人工智能 运维
智能化运维:利用AI和机器学习提升系统稳定性与效率
【6月更文挑战第21天】在数字化浪潮下,企业对IT系统的依赖程度日益加深。传统运维模式已难以满足现代业务需求,智能化运维应运而生。本文将探讨如何通过集成人工智能(AI)和机器学习(ML)技术,实现预测性维护、自动化故障处理和优化资源配置,以提升系统的稳定性和运行效率,同时降低运维成本。
258 5
|
3月前
|
机器学习/深度学习 数据采集 运维
基于机器学习的智能运维:提升系统稳定性与效率
在数字化时代,随着企业对信息技术系统的依赖日益加深,传统的运维模式已难以满足现代业务需求。本文探讨了如何通过机器学习技术优化运维流程,实现故障预测、自动化处理和性能优化,从而提升系统的稳定性和效率。文章首先概述了智能运维的概念及其重要性,随后深入分析了机器学习在故障检测、自动化运维和性能优化方面的应用案例,并讨论了实施智能运维时面临的挑战及应对策略。最后,通过数据支持的分析,展示了智能运维带来的效益,为运维领域的专业人士提供了一种前沿的技术视角和实践指南。
100 0
|
3月前
|
机器学习/深度学习 人工智能 运维
智能化运维:利用机器学习提升系统稳定性
在本文中,我们将探讨如何通过机器学习技术来提升系统的稳定性。我们将介绍机器学习在智能运维中的应用,包括预测性维护、异常检测和自动化故障响应。我们还将讨论如何实施这些技术,并分享一些成功案例。最后,我们将探讨机器学习在运维领域的未来发展趋势。
41 0
|
3月前
|
机器学习/深度学习 运维 监控
智能化运维的崛起:机器学习在IT运维中的应用与挑战
本文将深入探讨如何通过机器学习技术提升IT运维的效率和准确性,分析其在故障预测、自动化处理及安全监控方面的应用实例,并讨论实施过程中可能遇到的技术与管理挑战。
82 0
|
4月前
|
人工智能 搜索推荐
AI能力更加原子化,业务流程迈向“无感智能”
【1月更文挑战第7天】AI能力更加原子化,业务流程迈向“无感智能”
144 1
AI能力更加原子化,业务流程迈向“无感智能”
|
存储 数据采集 监控
阿里云故障洞察提效 50%,全栈可观测建设有哪些技术要点
本文分享了阿里云可观测平台服务作为全球分布的超大业务系统,同时也作为服务全球企业用户的可观测平台提供方,在故障洞察提效中遇到的业务挑战,以及 6 个关键技术点和 2 个应用案例。
21501 55
阿里云故障洞察提效 50%,全栈可观测建设有哪些技术要点
|
4月前
|
存储 云计算
生信工程师高效工作的背后——可观测性、资源适配与自动化
使用Memory Machine Cloud(简称MMCloud)的生信工程师们为什么工作效率比别人高呢?我们悄悄总结了MMCloud的三个核心优势——可观测性、资源适配与自动化。
183 0
|
机器学习/深度学习 人工智能 运维
如何通过AI 全面提升运维效率?选型宝分享AIOps实战案例
前言 运维,是企业IT最基础的工作,也是痛点、槽点最多的工作。海量的数据、频繁的报警、艰难的排障、无情的投诉,足以让运维工程师们感到崩溃和绝望…… Gartner在ITOA (IT Operations Analytics IT运营分析)的基础上,提出了AIOps的概念。
2935 0