> 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/ru/obzor-produkta-veb-prilozhenie/zones-maps-and-analytics/using-data-classification.md).

# Использование классификации данных

Узнайте, как методы классификации GeoPard формируют карты зон, включая варианты AUTO, Natural Breaks, Equal Interval, Equal Count и Spatially Localized.

Классификация данных — важный этап анализа и визуализации географических данных. GeoPard предлагает несколько методов классификации, которые помогают эффективно понимать и интерпретировать данные. В GeoPard доступны следующие распространённые варианты: АВТО-классификация, естественные границы, равные интервалы, равное количество (по площади) и пространственно-локализованная классификация. Каждый метод подходит для своего сценария использования, как описано ниже:

## Классификация АВТО

Автоматическая классификация выбирает подходящий метод классификации **на основе распределения данных и площадей зон**. Она помогает быстрее получить пригодную для работы карту зон, сократив количество проб и ошибок при ручном сравнении методов классификации.

Этот вариант подходит, если вам нужна надёжная отправная точка и вы хотите сэкономить время при создании карты. Перед сохранением вы по-прежнему можете проверить результат и изменить другие настройки зон.

<figure><img src="https://3851418964-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>Классификация АВТО</p></figcaption></figure>

## 1. Классификация методом естественных границ

Классификация методом естественных границ выявляет «естественные» пороги или точки разрыва в распределении данных, чтобы сформировать отдельные группы. Она максимизирует различия между классами и минимизирует различия внутри каждого класса. Этот метод подходит для данных с чётко выраженными закономерностями или кластерами и позволяет эффективно изучать и анализировать их.

<figure><img src="https://3851418964-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>Классификация методом естественных границ</p></figcaption></figure>

## 2. Классификация методом равных интервалов

Классификация методом равных интервалов делит диапазон данных на равные интервалы или группы. Она обеспечивает сбалансированное представление распределения данных и упрощает интерпретацию и сравнение значений в каждом интервале. Метод подходит для равномерно распределённых данных без чётко выраженных закономерностей.

<figure><img src="https://3851418964-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>Классификация методом равных интервалов</p></figcaption></figure>

## 3. Классификация по равному количеству (площади)

Классификация по равному количеству обеспечивает одинаковое число значений данных в каждом классе. Она сохраняет сбалансированное представление данных, особенно если они распределены асимметрично или неравномерно. Этот метод позволяет корректно сравнивать участки или регионы и обеспечивает последовательность анализа и визуализации.

Цель — создать зоны с относительно близкими по размеру площадями, однако округление и улучшение качества зон могут привести к небольшим отклонениям. Поэтому более точные результаты достигаются при использовании индексов растительности с большей детализацией, например EVI2, MCARI1 или WDRVI. Кроме того, [итоговая геометрия зон корректируется для повышения точности](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://3851418964-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>Классификация по равному количеству (площади)</p></figcaption></figure>

## 4. Пространственно-локализованная классификация

Пространственно-локализованная классификация группирует данные с учётом их географического положения, создавая локальные зоны. Основной сценарий её применения — планирование зон отбора проб почвы, позволяющее эффективно разделить поля на удобные для работы участки.

Для большей гибкости в пространственно-локализованной классификации доступны три варианта: **С приоритетом пространственной близости**, **С приоритетом значений**, а также **Сбалансированный**.

### 4.1. Сбалансированный вариант пространственно-локализованной классификации

Вариант **«Сбалансированный»** представляет собой компромисс между вариантами **«С приоритетом пространственной близости»** и **«С приоритетом значений»**. В результате создаётся карта зон с кластерами, в которых сбалансированы географическая близость и сходство значений данных. Этот подход подходит для случаев, когда важны и компактность расположения, и согласованность данных.

<figure><img src="https://3851418964-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>Пространственно-локализованная классификация (сбалансированный вариант)</p></figcaption></figure>

### 4.2. Вариант «С приоритетом значений» пространственно-локализованной классификации

Вариант **«С приоритетом значений»** пространственно-локализованной классификации формирует зоны на основе значений данных, а не географической близости. Он объединяет участки со сходными характеристиками, например растительностью или качеством почвы, чтобы создать карту зон, где важнее всего согласованность данных внутри каждой зоны.

<figure><img src="https://3851418964-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>Пространственно-локализованная классификация (вариант с приоритетом значений)</p></figcaption></figure>

### 4.3. Вариант «С приоритетом пространственной близости» пространственно-локализованной классификации

Вариант **«С приоритетом пространственной близости»** пространственно-локализованной классификации направлен на создание зон, расположенных ближе друг к другу. В результате создаётся карта зон с кластерами, в которых приоритет отдаётся близости, а каждая зона сохраняет пространственную компактность. Этот вариант особенно подходит, когда важнее всего физическое расположение, например при планировании логистики или пространственного отбора проб.

<figure><img src="https://3851418964-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>Пространственно-локализованная классификация (вариант с приоритетом пространственной близости)</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/ru/obzor-produkta-veb-prilozhenie/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.
