> 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/de/produkt-tour-web-app/zones-maps-and-analytics/using-data-classification.md).

# Datenklassifizierung verwenden

Erfahren Sie, wie GeoPard-Klassifizierungsmethoden Zonenkarten formen, einschließlich AUTO, natürliche Unterbrechungen, gleiche Intervalle, gleiche Häufigkeit und räumlich lokalisierte Optionen.

Die Datenklassifizierung ist ein entscheidender Schritt bei der Analyse und Visualisierung geografischer Daten. GeoPard bietet verschiedene Klassifizierungsmethoden, mit denen Nutzer ihre Daten effektiv verstehen und interpretieren können. Zu den gängigen Optionen in GeoPard gehören die AUTO-Klassifizierung, Natürliche Unterbrechungen, Gleich breite Klassen, Gleiche Anzahl (Fläche) und Räumlich lokalisierte Klassifizierung. Jede Methode eignet sich für einen anderen Anwendungsfall, wie im Folgenden beschrieben:

## AUTO classification

Die automatische Klassifizierung wählt einen geeigneten Klassifizierungsansatz aus **basierend auf der Datenverteilung und den Flächen der Zonen**. So gelangen Sie schneller zu einer nutzbaren Zonenkarte und müssen beim manuellen Vergleich von Klassifizierungsmethoden weniger ausprobieren.

Diese Option ist hilfreich, wenn Sie eine solide Ausgangsbasis wünschen und bei der Kartenerstellung Zeit sparen möchten. Sie können das Ergebnis weiterhin überprüfen und andere Zoneneinstellungen anpassen, bevor Sie die Karte speichern.

<figure><img src="https://1347797700-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. Klassifizierung nach natürlichen Unterbrechungen

Die Klassifizierung nach natürlichen Unterbrechungen erkennt „natürliche“ Schwellenwerte oder Trennpunkte in der Datenverteilung, um klar abgegrenzte Gruppen zu bilden. Sie maximiert die Unterschiede zwischen den Klassen und minimiert die Unterschiede innerhalb der einzelnen Klassen. Diese Methode eignet sich für Daten mit klaren Mustern oder Clustern und ermöglicht eine effektive Exploration und Analyse.

<figure><img src="https://1347797700-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>Klassifizierung nach natürlichen Unterbrechungen</p></figcaption></figure>

## 2. Klassifizierung mit gleich breiten Klassen

Bei der Klassifizierung mit gleich breiten Klassen wird die Datenspanne in gleich große Intervalle oder Klassen unterteilt. Dadurch wird die Datenverteilung ausgewogen dargestellt und Werte innerhalb der einzelnen Intervalle lassen sich leicht interpretieren und vergleichen. Diese Methode eignet sich für gleichmäßig verteilte Daten ohne ausgeprägte Muster.

<figure><img src="https://1347797700-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>Klassifizierung mit gleich breiten Klassen</p></figcaption></figure>

## 3. Klassifizierung mit gleicher Anzahl (Fläche)

Bei der Klassifizierung mit gleicher Anzahl wird sichergestellt, dass jede Klasse gleich viele Datenwerte enthält. So bleibt die Darstellung ausgewogen, besonders bei schief oder ungleichmäßig verteilten Daten. Die Methode ermöglicht faire Vergleiche zwischen Flächen oder Regionen und sorgt für eine konsistente Analyse und Visualisierung.

Ziel ist es, Zonen mit möglichst ähnlichen Flächengrößen zu erstellen. Rundungen und Verbesserungen der Zonenqualität können jedoch zu geringfügigen Abweichungen führen. Daher erzielen Vegetationsindizes mit höherer Granularität, etwa EVI2, MCARI1 oder WDRVI, präzisere Ergebnisse. Außerdem werden [die endgültigen Geometrien der Zonen zur Verbesserung der Genauigkeit feinabgestimmt](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://1347797700-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>Klassifizierung mit gleicher Anzahl (Fläche)</p></figcaption></figure>

## 4. Räumlich lokalisierte Klassifizierung

Bei der räumlich lokalisierten Klassifizierung werden Daten anhand ihrer geografischen Lage gruppiert, sodass lokal begrenzte Zonen entstehen. Sie eignet sich vor allem für die Planung von Zonen für die Bodenprobenahme und ermöglicht eine effiziente Unterteilung von Schlägen in überschaubare Bereiche.

Für mehr Flexibilität bietet die räumlich lokalisierte Klassifizierung drei Optionen: **Räumliche Nähe priorisieren**, **Werte priorisieren**, und **Ausgewogen**.

### 4.1. Ausgewogene Option der räumlich lokalisierten Klassifizierung

Die Option **Ausgewogen** bildet einen Mittelweg zwischen **Räumliche Nähe priorisieren** und **Werte priorisieren**. Sie erstellt eine Zonenkarte mit Clustern, die geografische Nähe und Ähnlichkeit der Datenwerte in Einklang bringen. Dieser Ansatz eignet sich, wenn sowohl kompakte räumliche Anordnung als auch konsistente Daten wichtig sind.

<figure><img src="https://1347797700-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>Räumlich lokalisierte Klassifizierung (ausgewogene Option)</p></figcaption></figure>

### 4.2. Werte priorisieren bei der räumlich lokalisierten Klassifizierung

Die Option **Werte priorisieren** der räumlich lokalisierten Klassifizierung bildet Zonen anhand von Datenwerten statt geografischer Nähe. Sie fasst Bereiche mit ähnlichen Merkmalen, etwa Vegetations- oder Bodenqualität, zusammen und erstellt eine Zonenkarte, bei der die Datenkonsistenz innerhalb jeder Zone im Vordergrund steht.

<figure><img src="https://1347797700-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>Räumlich lokalisierte Klassifizierung (Option „Werte priorisieren“)</p></figcaption></figure>

### 4.3. Räumliche Nähe priorisieren bei der räumlich lokalisierten Klassifizierung

Die Option **Räumliche Nähe priorisieren** der räumlich lokalisierten Klassifizierung konzentriert sich auf die Erstellung räumlich stärker gebündelter Zonen. Sie erstellt eine Zonenkarte mit Clustern, bei denen Nähe im Vordergrund steht und die Zonen räumlich kompakt bleiben. Sie eignet sich besonders, wenn die physische Lage entscheidend ist, etwa bei der Logistik oder räumlichen Probenahme.

<figure><img src="https://1347797700-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>Räumlich lokalisierte Klassifizierung (Option „Räumliche Nähe priorisieren“)</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/de/produkt-tour-web-app/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.
