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

# डेटा क्लासिफिकेशन का उपयोग

जानें कि GeoPard की क्लासिफिकेशन विधियाँ ज़ोन मैप कैसे बनाती हैं, जिनमें AUTO, Natural Breaks, Equal Interval, Equal Count, और Spatially Localized विकल्प शामिल हैं।

भौगोलिक डेटा के विश्लेषण और उसे नक्शे पर दिखाने में डेटा का वर्गीकरण एक महत्वपूर्ण कदम है। GeoPard डेटा को बेहतर ढंग से समझने और उसकी व्याख्या करने के लिए कई वर्गीकरण पद्धतियाँ प्रदान करता है। GeoPard में आम विकल्प हैं: ऑटो वर्गीकरण, प्राकृतिक विभाजन, समान अंतराल, समान संख्या (क्षेत्रफल) और स्थानिक रूप से स्थानीयकृत वर्गीकरण। जैसा कि नीचे बताया गया है, हर पद्धति अलग उपयोग के लिए उपयुक्त है:

## AUTO classification

ऑटो वर्गीकरण एक उपयुक्त वर्गीकरण पद्धति चुनता है **डेटा के वितरण और जोन के क्षेत्रफल के आधार पर**। इससे आप जल्दी उपयोग लायक जोन का नक्शा बना सकते हैं और अलग-अलग वर्गीकरण पद्धतियों की तुलना खुद करते समय बार-बार प्रयोग करने की जरूरत कम होती है।

जब आप अच्छी शुरुआत चाहते हैं और नक्शा बनाने में समय बचाना चाहते हैं, तब यह विकल्प उपयोगी है। सहेजने से पहले आप नतीजे की समीक्षा कर सकते हैं और जोन की अन्य सेटिंग भी बदल सकते हैं।

<figure><img src="https://537187778-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. प्राकृतिक विभाजन वर्गीकरण

प्राकृतिक विभाजन वर्गीकरण डेटा के वितरण में "स्वाभाविक" सीमाओं या विभाजन बिंदुओं की पहचान करके अलग-अलग समूह बनाता है। यह वर्गों के बीच अंतर अधिकतम और हर वर्ग के भीतर अंतर न्यूनतम करता है। प्राकृतिक विभाजन स्पष्ट पैटर्न या समूहों वाले डेटा के लिए उपयोगी है और उसे अच्छी तरह समझने तथा विश्लेषण करने में मदद करता है।

<figure><img src="https://537187778-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>प्राकृतिक विभाजन वर्गीकरण</p></figcaption></figure>

## 2. समान अंतराल वर्गीकरण

समान अंतराल वर्गीकरण डेटा की पूरी सीमा को बराबर अंतरालों या समूहों में बाँटता है। यह डेटा वितरण का संतुलित चित्र देता है, जिससे हर अंतराल के मानों को समझना और उनकी तुलना करना आसान होता है। समान अंतराल ऐसे समान रूप से वितरित डेटा के लिए उपयुक्त है जिसमें कोई स्पष्ट पैटर्न न हो।

<figure><img src="https://537187778-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>समान अंतराल वर्गीकरण</p></figcaption></figure>

## 3. समान संख्या (क्षेत्रफल) वर्गीकरण

समान संख्या वर्गीकरण सुनिश्चित करता है कि हर वर्ग में डेटा मानों की संख्या बराबर हो। यह विशेष रूप से एक तरफ झुके हुए या असमान रूप से वितरित डेटा का संतुलित चित्र बनाए रखता है। समान संख्या पद्धति इलाकों या क्षेत्रों की निष्पक्ष तुलना करने और उनका एक समान ढंग से विश्लेषण व नक्शे पर प्रदर्शन करने में मदद करती है।

इसका उद्देश्य लगभग समान क्षेत्रफल वाले जोन बनाना है, लेकिन मानों को राउंड करने और जोन की गुणवत्ता बेहतर बनाने की प्रक्रियाओं से उनमें थोड़ा अंतर आ सकता है। इसलिए EVI2, MCARI1 या WDRVI जैसे अधिक बारीक विवरण वाले वनस्पति सूचकांकों का उपयोग करने से अधिक सटीक नतीजे मिलते हैं। साथ ही, [सटीकता बढ़ाने के लिए जोन की अंतिम आकृतियों को और बेहतर बनाया जाता है](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://537187778-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>समान संख्या (क्षेत्रफल) वर्गीकरण</p></figcaption></figure>

## 4. स्थानिक रूप से स्थानीयकृत वर्गीकरण

स्थानिक रूप से स्थानीयकृत वर्गीकरण डेटा को भौगोलिक स्थिति के आधार पर समूहित करके स्थानीय जोन बनाता है। इसका मुख्य उपयोग मिट्टी के नमूने लेने के लिए जोन की योजना बनाना है, जिससे खेतों को आसानी से संभाले जा सकने वाले हिस्सों में बाँटा जा सके।

अधिक लचीलापन देने के लिए, स्थानिक रूप से स्थानीयकृत वर्गीकरण में तीन विकल्प हैं: **स्थान की ओर**, **मानों की ओर**, और **संतुलित**.

### 4.1. स्थानिक रूप से स्थानीयकृत वर्गीकरण का संतुलित विकल्प

इसका **संतुलित** विकल्प इन दोनों के बीच का रास्ता अपनाता है: **स्थान की ओर** और **मानों की ओर**। यह ऐसे समूहों वाला जोन का नक्शा बनाता है जो भौगोलिक निकटता और डेटा मानों की समानता के बीच संतुलन रखते हैं। यह तरीका तब अच्छा काम करता है जब क्षेत्र का सघन होना और डेटा में समानता, दोनों महत्वपूर्ण हों।

<figure><img src="https://537187778-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>स्थानिक रूप से स्थानीयकृत वर्गीकरण (संतुलित विकल्प)</p></figcaption></figure>

### 4.2. स्थानिक रूप से स्थानीयकृत वर्गीकरण का मानों की ओर विकल्प

इसका **मानों की ओर** विकल्प भौगोलिक निकटता के बजाय डेटा मानों के आधार पर जोन बनाता है। यह वनस्पति या मिट्टी की गुणवत्ता जैसी समान विशेषताओं वाले क्षेत्रों को समूहित करके जोन का ऐसा नक्शा बनाता है जिसमें हर जोन के भीतर डेटा की समानता को सबसे अधिक महत्व दिया जाता है।

<figure><img src="https://537187778-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>स्थानिक रूप से स्थानीयकृत वर्गीकरण (मानों की ओर विकल्प)</p></figcaption></figure>

### 4.3. स्थानिक रूप से स्थानीयकृत वर्गीकरण का स्थान की ओर विकल्प

इसका **स्थान की ओर** विकल्प ऐसे जोन बनाने पर ध्यान देता है जिनके हिस्से भौगोलिक रूप से एक-दूसरे के अधिक करीब हों। यह ऐसे समूहों वाला जोन का नक्शा बनाता है जो निकटता को प्राथमिकता देते हैं और हर जोन को सघन रखते हैं। यह तब उपयुक्त है जब भौतिक स्थान सबसे अधिक महत्वपूर्ण हो, जैसे आवागमन की योजना या स्थान के आधार पर नमूने लेना।

<figure><img src="https://537187778-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>स्थानिक रूप से स्थानीयकृत वर्गीकरण (स्थान की ओर विकल्प)</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/in/product-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.
