> 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/nor/produktomvisning-nettapp/zones-maps-and-analytics/using-data-classification.md).

# Bruke dataklassifisering

Lær hvordan GeoPard sine klassifiseringsmetoder former sonekart, inkludert alternativene AUTO, Natural Breaks, Equal Interval, Equal Count og Spatially Localized.

Dataklassifisering er et avgjørende trinn i analysen og visualiseringen av geografiske data. GeoPard tilbyr flere klassifiseringsmetoder som hjelper brukerne med å forstå og tolke dataene sine. Vanlige alternativer i GeoPard er AUTO-klassifisering, naturlige brudd, likt intervall, likt antall (areal) og romlig lokalisert klassifisering. Hver metode passer til ulike bruksområder, som beskrevet nedenfor:

## AUTO-klassifisering

Automatisk klassifisering velger en passende klassifiseringsmetode **basert på datafordelingen og sonenes arealer**. Det hjelper deg med å lage et brukbart sonekart raskere, med mindre prøving og feiling når du sammenligner klassifiseringsmetoder manuelt.

Dette alternativet er nyttig når du ønsker et godt utgangspunkt og vil spare tid når du oppretter kartet. Du kan fortsatt gjennomgå resultatet og justere andre soneinnstillinger før du lagrer.

<figure><img src="https://4236156289-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-klassifisering</p></figcaption></figure>

## 1. Klassifisering med naturlige brudd

Klassifisering med naturlige brudd identifiserer «naturlige» terskler eller bruddpunkter i datafordelingen for å opprette tydelige grupper. Metoden maksimerer forskjellene mellom klassene og minimerer forskjellene innenfor hver klasse. Naturlige brudd egner seg for data med tydelige mønstre eller klynger og gir gode muligheter for utforsking og analyse.

<figure><img src="https://4236156289-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>Klassifisering med naturlige brudd</p></figcaption></figure>

## 2. Klassifisering med like intervaller

Klassifisering med like intervaller deler dataområdet inn i intervaller eller grupper med lik bredde. Den gir en balansert fremstilling av datafordelingen, slik at verdier i hvert intervall blir enkle å tolke og sammenligne. Like intervaller passer for jevnt fordelte data uten tydelige mønstre.

<figure><img src="https://4236156289-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>Klassifisering med like intervaller</p></figcaption></figure>

## 3. Klassifisering med likt antall (areal)

Klassifisering med likt antall sørger for at hver klasse inneholder like mange dataverdier. Den gir en balansert fremstilling, særlig for skjeve eller ujevnt fordelte data. Likt antall gjør det mulig å sammenligne områder på en rettferdig måte og gir konsistent analyse og visualisering.

Målet er å opprette soner med omtrent like store arealer, men avrunding og forbedringer av sonekvaliteten kan føre til små variasjoner. Derfor gir vegetasjonsindekser med høyere detaljnivå, som EVI2, MCARI1 eller WDRVI, mer presise resultater. I tillegg [finjusteres sonenes endelige geometrier for å forbedre nøyaktigheten](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://4236156289-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>Klassifisering med likt antall (areal)</p></figcaption></figure>

## 4. Romlig lokalisert klassifisering

Romlig lokalisert klassifisering grupperer data geografisk og oppretter lokale soner. Metoden brukes først og fremst til å planlegge soner for jordprøvetaking, slik at skifter effektivt kan deles inn i håndterbare områder.

For å gi større fleksibilitet omfatter romlig lokalisert klassifisering tre alternativer: **Mot romlig plassering**, **Mot verdier**, og **Balansert**.

### 4.1. Balansert alternativ for romlig lokalisert klassifisering

Det **Balanserte** alternativet er et kompromiss mellom **Mot romlig plassering** og **Mot verdier**. Det oppretter et sonekart med klynger som balanserer geografisk nærhet og likhet i dataverdier. Denne tilnærmingen egner seg godt når både kompakte soner og konsistente data er viktig.

<figure><img src="https://4236156289-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>Romlig lokalisert klassifisering (balansert alternativ)</p></figcaption></figure>

### 4.2. Mot verdier i romlig lokalisert klassifisering

Alternativet **Mot verdier** for romlig lokalisert klassifisering oppretter soner som grupperes etter dataverdier i stedet for geografisk nærhet. Det grupperer områder med lignende egenskaper, som vegetasjon eller jordkvalitet, slik at sonekartet først og fremst viser konsistente data innenfor hver sone.

<figure><img src="https://4236156289-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>Romlig lokalisert klassifisering (alternativet Mot verdier)</p></figcaption></figure>

### 4.3. Mot romlig plassering i romlig lokalisert klassifisering

Alternativet **Mot romlig plassering** for romlig lokalisert klassifisering fokuserer på å opprette mer geografisk konsentrerte soner. Det oppretter et sonekart med klynger som prioriterer nærhet og holder hver sone kompakt. Dette er ideelt når den fysiske plasseringen er viktigst, for eksempel innen logistikk eller romlig prøvetaking.

<figure><img src="https://4236156289-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>Romlig lokalisert klassifisering (alternativet Mot romlig plassering)</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/nor/produktomvisning-nettapp/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.
