> 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/fr/visite-guidee-du-produit-application-web/zones-maps-and-analytics/using-data-classification.md).

# Utilisation de la classification des données

Découvrez comment les méthodes de classification GeoPard façonnent les cartes de zones, notamment les options AUTO, cassures naturelles, intervalle égal, effectif égal et localement spatialisées.

La classification des données est une étape cruciale de l’analyse et de la visualisation des données géographiques. GeoPard propose plusieurs méthodes de classification pour aider les utilisateurs à comprendre et à interpréter efficacement leurs données. Les options courantes dans GeoPard sont la classification AUTO, les ruptures naturelles, les intervalles égaux, le nombre égal (par superficie) et la classification localisée dans l’espace. Chaque méthode convient à un cas d’utilisation différent, comme décrit ci-dessous :

## Classification AUTO

La classification automatique sélectionne une approche de classification appropriée **en fonction de la distribution des données et de la superficie des zones**. Elle vous permet d’obtenir plus rapidement une carte de zones exploitable, avec moins d’essais et d’erreurs que lorsque vous comparez manuellement différentes méthodes de classification.

Cette option est utile si vous souhaitez partir d’une base solide et gagner du temps lors de la création de la carte. Vous pouvez toujours examiner le résultat et ajuster d’autres paramètres des zones avant l’enregistrement.

<figure><img src="https://690567185-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>Classification AUTO</p></figcaption></figure>

## 1. Classification par ruptures naturelles

La classification par ruptures naturelles repère dans la distribution des données des seuils ou des points de rupture « naturels » afin de créer des groupes distincts. Elle maximise les différences entre les classes et minimise les différences au sein de chacune d’elles. Cette méthode convient aux données présentant des motifs ou des regroupements nets, et facilite leur exploration et leur analyse.

<figure><img src="https://690567185-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>Classification par ruptures naturelles</p></figcaption></figure>

## 2. Classification par intervalles égaux

La classification par intervalles égaux divise l’étendue des données en intervalles ou classes de même largeur. Elle offre une représentation équilibrée de la distribution des données, ce qui facilite l’interprétation et la comparaison des valeurs de chaque intervalle. Cette méthode convient aux données réparties uniformément et ne présentant pas de motifs distincts.

<figure><img src="https://690567185-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>Classification par intervalles égaux</p></figcaption></figure>

## 3. Classification par nombre égal (par superficie)

La classification par nombre égal garantit que chaque classe contient le même nombre de valeurs de données. Elle assure une représentation équilibrée, en particulier lorsque les données sont asymétriques ou réparties de manière inégale. Elle permet de comparer équitablement des superficies ou des régions et d’obtenir une analyse et une visualisation cohérentes.

L’objectif est de créer des zones dont les superficies sont relativement similaires, mais les opérations d’arrondi et l’amélioration de la qualité des zones peuvent entraîner de légères variations. L’utilisation d’indices de végétation à granularité plus fine, comme EVI2, MCARI1 ou WDRVI, permet donc d’obtenir des résultats plus précis. De plus, [les géométries finales des zones sont ajustées avec précision afin d’en améliorer l’exactitude](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://690567185-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>Classification par nombre égal (par superficie)</p></figcaption></figure>

## 4. Classification localisée dans l’espace

La classification localisée dans l’espace regroupe les données selon leur position géographique afin de créer des zones localisées. Elle sert principalement à planifier des zones d’échantillonnage des sols, en segmentant efficacement les parcelles en secteurs faciles à gérer.

Pour offrir davantage de flexibilité, la classification localisée dans l’espace propose trois options : **Priorité à la proximité géographique**, **Priorité aux valeurs**, et **Équilibrée**.

### 4.1. Option Équilibrée de la classification localisée dans l’espace

L’option **Équilibrée** offre un compromis entre **Priorité à la proximité géographique** et **Priorité aux valeurs**. Elle crée une carte de zones dont les regroupements équilibrent la proximité géographique et la similarité des valeurs des données. Cette approche convient lorsque la compacité spatiale et la cohérence des données sont toutes deux importantes.

<figure><img src="https://690567185-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>Classification localisée dans l’espace (option Équilibrée)</p></figcaption></figure>

### 4.2. Option Priorité aux valeurs de la classification localisée dans l’espace

L’option **Priorité aux valeurs** de la classification localisée dans l’espace produit des zones regroupées selon les valeurs des données plutôt que selon leur proximité géographique. Elle rassemble les secteurs présentant des caractéristiques similaires, comme la végétation ou la qualité des sols, afin de créer une carte de zones où la cohérence des données au sein de chaque zone est prioritaire.

<figure><img src="https://690567185-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>Classification localisée dans l’espace (option Priorité aux valeurs)</p></figcaption></figure>

### 4.3. Option Priorité à la proximité géographique de la classification localisée dans l’espace

L’option **Priorité à la proximité géographique** de la classification localisée dans l’espace vise à créer des zones plus concentrées géographiquement. Elle produit une carte de zones dont les regroupements privilégient la proximité et préservent la compacité spatiale de chaque zone. Cette option est idéale lorsque l’emplacement physique est le critère principal, par exemple pour la logistique ou l’échantillonnage spatial.

<figure><img src="https://690567185-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>Classification localisée dans l’espace (option Priorité à la proximité géographique)</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/fr/visite-guidee-du-produit-application-web/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.
