> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/zones-maps-and-analytics/using-data-classification.md).

# Използване на класификация на данни

Научете как методите за класификация в GeoPard оформят картите на зони, включително AUTO, Natural Breaks, Equal Interval, Equal Count и Spatially Localized опции.

Класифицирането на данните е важна стъпка при анализа и визуализацията на географски данни. GeoPard предлага няколко метода за класифициране, които помагат на потребителите ефективно да разбират и интерпретират данните си. Най-често използваните методи в GeoPard са автоматично класифициране, естествени граници, равни интервали, равен брой (по площ) и пространствено локализирано класифициране. Всеки метод е подходящ за различни случаи на употреба, както е описано по-долу:

## AUTO classification

Автоматичното класифициране избира подходящ подход за класифициране **въз основа на разпределението на данните и площта на зоните**. Така по-бързо получавате използваема карта на зоните и избягвате многократните проби и грешки при ръчно сравняване на методите за класифициране.

Тази опция е полезна, когато искате добра отправна точка и трябва да спестите време при създаването на картата. Преди да запазите, можете да прегледате резултата и да коригирате другите настройки на зоните.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2F9w5QnaWrwVXAXPQTAw5L%2Fimage.png?alt=media&amp;token=b4c57f60-c506-4454-ab3e-e0525235975f" alt=""><figcaption><p>AUTO classification</p></figcaption></figure>

## 1. Класифициране по естествени граници

Класифицирането по естествени граници открива „естествени“ прагове или точки на прекъсване в разпределението на данните, за да създаде отделни групи. То максимизира разликите между класовете и минимизира разликите във всеки клас. Този метод е полезен за данни с ясно изразени закономерности или клъстери и улеснява ефективното им изследване и анализ.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FQzmD8cm9fyq0vTDYwxvq%2Fimage.png?alt=media&amp;token=4cf3e432-cbe6-459b-8fd6-75e7cb540024" alt=""><figcaption><p>Класифициране по естествени граници</p></figcaption></figure>

## 2. Класифициране на равни интервали

Класифицирането на равни интервали разделя диапазона от стойности на данните на равни интервали или групи. То осигурява балансирано представяне на разпределението на данните и улеснява тълкуването и сравняването на стойностите във всеки интервал. Подходящо е за равномерно разпределени данни без ясно изразени закономерности.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FkOZpBpxYxxyhGVbicPLO%2Fimage.png?alt=media&amp;token=0f1211c8-2ac2-4786-a0e8-ed8ae7ffd843" alt=""><figcaption><p>Класифициране на равни интервали</p></figcaption></figure>

## 3. Класифициране с равен брой (по площ)

Класифицирането с равен брой гарантира, че във всеки клас има еднакъв брой стойности на данните. То осигурява балансирано представяне, особено при изкривено или неравномерно разпределение на данните. Методът позволява справедливо сравнение между площи или региони и осигурява последователен анализ и визуализация.

Целта е да се създадат зони със сравнително сходна площ, но закръгляването и подобренията на качеството на зоните могат да доведат до леки отклонения. Затова вегетационните индекси с по-висока разделителна способност, като EVI2, MCARI1 или WDRVI, дават по-прецизни резултати. Освен това [окончателната геометрия на зоните се прецизира за по-голяма точност](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FKimgcw9kK0ED2uGagkEM%2Fimage.png?alt=media&amp;token=31e7fd08-ecec-4253-ac0a-582edf368bdc" alt=""><figcaption><p>Класифициране с равен брой (по площ)</p></figcaption></figure>

## 4. Пространствено локализирано класифициране

Пространствено локализираното класифициране групира данните според географското им местоположение и създава локализирани зони. Основното му приложение е планирането на зони за почвени проби, което позволява ефективно разделяне на полетата на управляеми по размер участъци.

За по-голяма гъвкавост пространствено локализираното класифициране предлага три опции: **С приоритет на пространственото разположение**, **С приоритет на стойностите**и **Балансирана**.

### 4.1. Балансирана опция при пространствено локализирано класифициране

Опцията **Балансирана** предлага компромис между опцията **С приоритет на пространственото разположение** и опцията **С приоритет на стойностите**. Тя създава карта на зоните с клъстери, които балансират географската близост и сходството на стойностите на данните. Този подход е подходящ, когато са важни както компактността на зоните, така и последователността на данните.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FHkWvnjWzBOiljEnXQOhU%2Fimage.png?alt=media&amp;token=c5bd0315-ed78-4638-b219-3dac4abde057" alt=""><figcaption><p>Пространствено локализирано класифициране (балансирана опция)</p></figcaption></figure>

### 4.2. Опция „С приоритет на стойностите“ при пространствено локализирано класифициране

Опцията **С приоритет на стойностите** при пространствено локализираното класифициране създава зони, групирани според стойностите на данните, а не според географската близост. Тя обединява площи със сходни характеристики, например растителност или качество на почвата, за да създаде карта на зоните, при която най-важна е еднородността на данните във всяка зона.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FF7h0AB4cF7xbWCmA7PmK%2Fimage.png?alt=media&amp;token=5e9d6b86-5f7c-4acf-9990-e4c2a7a746c1" alt=""><figcaption><p>Пространствено локализирано класифициране (опция с приоритет на стойностите)</p></figcaption></figure>

### 4.3. Опция „С приоритет на пространственото разположение“ при пространствено локализирано класифициране

Опцията **С приоритет на пространственото разположение** при пространствено локализираното класифициране се фокусира върху създаването на зони, които са по-компактни географски. Тя създава карта на зоните с клъстери, при които близостта е водеща и всяка зона остава пространствено компактна. Подходяща е, когато физическото местоположение е от първостепенно значение, например при логистиката или вземането на пространствено разпределени проби.

<figure><img src="https://190376946-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FDh2CT0aMwFrdBdPSDhjg%2Fimage.png?alt=media&amp;token=808f32ce-22c6-4baf-8370-5b65177ea3bd" alt=""><figcaption><p>Пространствено локализирано класифициране (опция с приоритет на пространственото разположение)</p></figcaption></figure>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/bg/produktova-obikolka-ueb-prilozhenie/zones-maps-and-analytics/using-data-classification.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
