# Brug af dataklassificering Dataklassificering er et afgørende trin i analyse og visualisering af geografiske data. GeoPard tilbyder flere klassificeringsmetoder, som hjælper brugerne med effektivt at forstå og fortolke deres data. Almindelige muligheder i GeoPard er AUTO-klassificering, Natural Breaks, Equal Interval, Equal Count (Area) og Spatially Localized klassificering. Hver metode passer til et forskelligt brugsscenarie, som beskrevet nedenfor: ## AUTO-klassificering Auto-klassificering vælger en passende klassificeringsmetode **baseret på datadistributionen og zonearealerne**. Det hjælper dig hurtigere frem til et brugbart zonekort, med mindre prøven-og-fejlen, når klassificeringsmetoder sammenlignes manuelt. Denne mulighed er nyttig, når du vil have et stærkt udgangspunkt og spare tid under kortoprettelsen. Du kan stadig gennemgå resultatet og justere andre zoneindstillinger, før du gemmer.

## 1. Natural Breaks-klassificering Natural Breaks-klassificeringen identificerer "naturlige" tærskler eller knækpunkter i datadistributionen for at skabe tydelige grupper. Den maksimerer forskellene mellem klasser og minimerer forskellene inden for hver klasse. Natural Breaks er nyttig til data med tydelige mønstre eller klynger og giver mulighed for effektiv udforskning og analyse.

## 2. Klassificering med lige intervaller Equal Interval-klassificeringen opdeler dataområdet i lige store intervaller eller bins. Den giver en afbalanceret fremstilling af datadistributionen, så det er let at fortolke og sammenligne værdier inden for hvert interval. Equal Interval er velegnet til jævnt fordelte data uden tydelige mønstre.

## 3. Klassificering med lige antal (areal) Equal Count-klassificeringen sikrer et lige antal dataværdier i hver klasse. Den bevarer en afbalanceret fremstilling, især for skævt eller ujævnt fordelte data. Equal Count muliggør retfærdige sammenligninger mellem arealer eller regioner og giver ensartet analyse og visualisering. Målet er at skabe zoner med nogenlunde ens arealstørrelser, men afrundingsoperationer og forbedringer af zonekvaliteten kan give små variationer. Derfor giver brug af vegetationsindeks med højere detaljeringsgrad, såsom EVI2, MCARI1 eller WDRVI, mere præcise resultater. Og [zonernes endelige geometrier finjusteres for at forbedre nøjagtigheden](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

## 4. Spatialt lokaliseret klassificering Den spatialt lokaliserede klassificering grupperer data geografisk og skaber lokale zoner. Dens primære brugsscenarie er planlægning af zoner til jordprøvetagning, så marken kan opdeles effektivt i overskuelige områder. For at give større fleksibilitet indeholder spatialt lokaliseret klassificering tre muligheder: **Mod spatial**, **Mod værdier**, og **Balanceret**. ### 4.1. Balanceret mulighed for spatialt lokaliseret Det **Balanceret** mulighed giver en mellemvej mellem **Mod spatial** og **Mod værdier**. Den skaber et zonekort med klynger, der afbalancerer geografisk nærhed og lighed i dataværdier. Denne tilgang fungerer godt, når både rumlig kompakthed og datakonsistens er vigtige.

Spatialt lokaliseret klassificering (balanceret mulighed)

### 4.2. Mod værdier for spatialt lokaliseret Det **Mod værdier** mulighed i spatialt lokaliseret klassificering laver zoner, der er klyngede efter dataværdier snarere end geografisk nærhed. Den grupperer områder med lignende egenskaber, såsom vegetation eller jordkvalitet, for at skabe et zonekort, hvor datakonsistensen inde i hver zone er vigtigst.

Spatialt lokaliseret klassificering (mulighed mod værdier)

### 4.3. Mod spatial for spatialt lokaliseret Det **Mod spatial** mulighed i spatialt lokaliseret klassificering fokuserer på at skabe zoner, der er mere geografisk koncentrerede. Den skaber et zonekort med klynger, der prioriterer nærhed og holder hver zone rumligt kompakt. Den er ideel, når den fysiske placering er vigtigst, såsom til logistik eller rumlig prøvetagning.

Spatialt lokaliseret klassificering (mulighed mod spatial)

--- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.geopard.tech/geopard-tutorials/dnk/produkttur-webapp/zonkort-og-analyser/brug-af-dataklassificering.md?ask= ``` The question should be specific, self-contained, and written in natural language. 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.