# Bruk av dataklassifisering Dataklassifisering er et avgjørende steg i analyse og visualisering av geografiske data. GeoPard tilbyr flere klassifiseringsmetoder som hjelper brukerne med å forstå og tolke dataene sine på en effektiv måte. Vanlige alternativer i GeoPard er AUTO-klassifisering, Naturlige brudd, Likt intervall, Lik mengde (areal) og romlig lokalisert klassifisering. Hver metode passer til ulike brukstilfeller, som beskrevet nedenfor: ## AUTO-klassifisering Auto-klassifisering velger en passende klassifiseringsmetode **basert på datadistribusjonen og sonenes arealer**. Den hjelper deg raskere fram til et brukbart sonnekart, med mindre prøving og feiling når du sammenligner klassifiseringsmetoder manuelt. Dette alternativet er nyttig når du vil ha et godt utgangspunkt og spare tid under kartopprettingen. Du kan fortsatt gå gjennom resultatet og justere andre soneinnstillinger før du lagrer.

## 1. Klassifisering med naturlige brudd Klassifisering med naturlige brudd identifiserer «naturlige» terskler eller bruddpunkt i datadistribusjonen for å lage tydelige grupper. Den maksimerer forskjeller mellom klassene og minimerer forskjeller innen hver klasse. Naturlige brudd er nyttig for data med tydelige mønstre eller klynger, og gjør utforskning og analyse mer effektiv.

## 2. Klassifisering med likt intervall Klassifisering med likt intervall deler dataspennet inn i like intervaller eller grupper. Den gir en balansert framstilling av datadistribusjonen, noe som gjør det enkelt å tolke og sammenligne verdier innen hvert intervall. Likt intervall passer godt for jevnt fordelte data uten tydelige mønstre.

## 3. Klassifisering med lik mengde (areal) Klassifisering med lik mengde sørger for like mange dataverdier i hver klasse. Den gir en balansert framstilling, særlig for skjeve eller ujevnt fordelte data. Lik mengde gjør det mulig å sammenligne områder eller regioner på en rettferdig måte, og gir konsistent analyse og visualisering. Målet er å lage soner med relativt like arealstørrelser, men avrundingsoperasjoner og forbedringer av sonekvaliteten kan føre til små variasjoner. Derfor gir bruk av vegetasjonsindekser med høyere detaljnivå, som EVI2, MCARI1 eller WDRVI, mer presise resultater. Og [den endelige geometrien til sonene finjusteres for å forbedre nøyaktigheten](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

## 4. Romlig lokalisert klassifisering Romlig lokalisert klassifisering grupperer data geografisk og lager lokale soner. Hovedbruken er planlegging av soner for jordprøvetaking, slik at skifter kan deles inn i håndterbare områder på en effektiv måte. For å gi større fleksibilitet har romlig lokalisert klassifisering tre alternativer: **Mot romlig**, **Mot verdier**, og **Balansert**. ### 4.1. Balansert alternativ for romlig lokalisert Den **Balansert** alternativet gir en mellomting mellom **Mot romlig** og **Mot verdier**. Det lager et sonnekart med klynger som balanserer geografisk nærhet og likhet i dataverdier. Denne tilnærmingen fungerer godt når både romlig kompakthet og datakonsistens er viktig.

Romlig lokalisert klassifisering (balansert alternativ)

### 4.2. Mot verdier i romlig lokalisert Den **Mot verdier** alternativet for romlig lokalisert klassifisering lager soner som er gruppert etter dataverdier heller enn geografisk nærhet. Det grupperer områder med lignende egenskaper, som vegetasjon eller jordkvalitet, for å lage et sonnekart der datakonsistens innen hver sone er det viktigste.

Romlig lokalisert klassifisering (alternativet mot verdier)

### 4.3. Mot romlig i romlig lokalisert Den **Mot romlig** alternativet for romlig lokalisert klassifisering fokuserer på å lage soner som er mer geografisk samlet. Det lager et sonnekart med klynger som prioriterer nærhet og holder hver sone romlig kompakt. Det er ideelt når fysisk plassering betyr mest, for eksempel ved logistikk eller romlig prøvetaking.

Romlig lokalisert klassifisering (alternativet mot romlig)

--- # 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/nor/produkttur-nettapp/soner-kart-og-analyse/bruk-av-dataklassifisering.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.