> 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/dnk/produktguide-webapp/zones-maps-and-analytics/using-data-classification.md).

# Brug af dataklassificering

Lær, hvordan GeoPards klassificeringsmetoder former zonekort, inklusive AUTO, naturlige brud, lige intervaller, lige antal og rumligt lokaliserede valg.

Klassificering af data er et afgørende trin i analysen og visualiseringen af geografiske data. GeoPard tilbyder flere klassificeringsmetoder, som hjælper brugerne med at forstå og fortolke deres data effektivt. Almindelige muligheder i GeoPard er AUTO-klassificering, Natural Breaks, Equal Interval, Equal Count (Area) og Spatially Localized. Hver metode passer til forskellige anvendelser, som beskrevet nedenfor:

## AUTO-klassificering

Automatisk klassificering vælger en passende klassificeringsmetode **ud fra datafordelingen og zonernes arealer**. Det hjælper dig med hurtigere at få et brugbart zonekort og kræver færre forsøg og fejl, når du sammenligner klassificeringsmetoder manuelt.

Denne mulighed er nyttig, når du ønsker et godt udgangspunkt og vil spare tid under oprettelsen af kortet. Du kan stadig gennemgå resultatet og justere andre zoneindstillinger, før du gemmer.

<figure><img src="https://1581835146-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-klassificering</p></figcaption></figure>

## 1. Natural Breaks-klassificering

Natural Breaks-klassificering finder "naturlige" tærskler eller skæringspunkter i datafordelingen for at oprette adskilte grupper. Metoden maksimerer forskellene mellem klasserne og minimerer forskellene inden for hver klasse. Natural Breaks er nyttig til data med tydelige mønstre eller klynger og gør det muligt at udforske og analysere data effektivt.

<figure><img src="https://1581835146-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>Natural Breaks-klassificering</p></figcaption></figure>

## 2. Equal Interval-klassificering

Equal Interval-klassificering opdeler dataområdet i lige store intervaller eller grupper. Den giver en afbalanceret gengivelse af datafordelingen, så værdierne i hvert interval er nemme at fortolke og sammenligne. Equal Interval er velegnet til data, der er jævnt fordelt uden tydelige mønstre.

<figure><img src="https://1581835146-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>Equal Interval-klassificering</p></figcaption></figure>

## 3. Equal Count (Area)-klassificering

Equal Count-klassificering sikrer, at hver klasse indeholder det samme antal dataværdier. Den giver en afbalanceret gengivelse, især for skæve eller ujævnt fordelte data. Equal Count gør det muligt at sammenligne arealer eller områder på en retfærdig måde og giver en ensartet analyse og visualisering.

Målet er at oprette zoner med forholdsvis ens arealstørrelser, men afrunding og forbedringer af zonekvaliteten kan medføre små variationer. Derfor giver vegetationsindeks med højere granularitet, såsom EVI2, MCARI1 eller WDRVI, mere præcise resultater. Og [zonernes endelige geometrier finjusteres for at forbedre nøjagtigheden](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://1581835146-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>Equal Count (Area)-klassificering</p></figcaption></figure>

## 4. Spatially Localized-klassificering

Spatially Localized-klassificering grupperer data geografisk og opretter lokale zoner. Metoden bruges især til planlægning af zoner til jordprøvetagning, så marker effektivt kan opdeles i håndterbare områder.

For at give større fleksibilitet omfatter Spatially Localized-klassificering tre muligheder: **Mod geografisk nærhed**, **Mod værdier**, og **Afbalanceret**.

### 4.1. Den afbalancerede mulighed i Spatially Localized

Den **afbalancerede** mulighed er et kompromis mellem **Mod geografisk nærhed** og **Mod værdier**. Den opretter et zonekort med klynger, der afvejer geografisk nærhed og lighed i dataværdier. Denne metode fungerer godt, når både geografisk kompakthed og ensartede data er vigtige.

<figure><img src="https://1581835146-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>Spatially Localized-klassificering (afbalanceret mulighed)</p></figcaption></figure>

### 4.2. Mod værdier i Spatially Localized

Muligheden **Mod værdier** i Spatially Localized-klassificering opretter zoner, der grupperes efter dataværdier frem for geografisk nærhed. Den samler områder med lignende egenskaber, såsom vegetation eller jordkvalitet, så zonekortet især afspejler ensartetheden af data inden for hver zone.

<figure><img src="https://1581835146-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>Spatially Localized-klassificering (muligheden Mod værdier)</p></figcaption></figure>

### 4.3. Mod geografisk nærhed i Spatially Localized

Muligheden **Mod geografisk nærhed** i Spatially Localized-klassificering fokuserer på at oprette zoner, der er mere geografisk koncentrerede. Den opretter et zonekort med klynger, hvor nærhed prioriteres, så hver zone forbliver geografisk kompakt. Den er ideel, når den fysiske placering er vigtigst, for eksempel inden for logistik eller geografisk prøveudtagning.

<figure><img src="https://1581835146-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>Spatially Localized-klassificering (muligheden Mod geografisk nærhed)</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/dnk/produktguide-webapp/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.
