---

创作缘由

笔者也曾参与过两次的美国大学生数学建模，在阅读优秀论文时，经常感叹于大部分优秀论文的条理清晰的绘图和让人眼球一量的绘图。但是，毕竟自己不是这种专业的构图师、绘画师，难以凭空直接绘制比较清晰、有条理的流程图、概念图等，难以画出信息有序、能够充分说明结果信息的图像。但是，“他山之石，可以攻玉”，借助Nature顶刊的绘图构思和排版，我们或许会得到些启迪与思考。

当然，切记勿“喧宾夺主”，过分注重绘图，而忽视了数模的本质——扎根于建模，解释于结果。

“他山之石，可以攻玉”

1.No 医学+算法流程图

该图涉及基本的实验流程和相应的实验数据处理过程和算法概念图，清晰明朗。

2.No 信息整合

图$a$中将Count和Frequency两者直接上下排布，有效整合了信息，同时也很直观。

3.No 植物＋图像处理

此$a$图能够较好地展现整个植物图像的处理过程，每个步骤都表明了主要的操作，同时以$b$图为实际的操作结果展示，更加直观清晰。

4.No SHAP灵敏度检验的经典系列图

利用SHAP库，可以较为迅速检验绝大部分机器学习算法的灵敏度检验，可以很好的提升机器学习模型的可解释性。

5.No 算法流程

$a$图清晰地展示了整个算法地流程。

6.No 能源循环概念图+结果展示图

图$a$将考虑的多个方面和之间的关系很好地展示出来，同时这7幅图整体色调一致统一，不违和。

写在结尾

切记好的绘图排版只是为论文的整个文档“画龙点睛”的，而不是“救危难于水火”中的，愿各位都能够提高自己的分析问题，构建模型，分析结果，解决问题的能力。

该上面的几篇论文原地址由于笔者截取图片时间较早，原始链接已难以找到，请各位见谅。

这种系列如果大家感兴趣的话（多多点赞），我会继续更新这个系列的。

参考资料

[1].Nature