# Использование классификации данных Классификация данных — важнейший этап анализа и визуализации географических данных. GeoPard предлагает несколько методов классификации, чтобы помочь пользователям эффективно понимать и интерпретировать свои данные. Распространённые варианты в GeoPard: AUTO classification, Natural Breaks, Equal Interval, Equal Count (Area) и Spatially Localized classification. Каждый метод подходит для своего сценария использования, как описано ниже: ## AUTO classification Автоматическая классификация выбирает подходящий метод классификации **на основе распределения данных и площадей зон**. Она помогает быстрее получить пригодную карту зон, с меньшим количеством проб и ошибок при ручном сравнении методов классификации. Этот вариант полезен, когда нужен хороший стартовый вариант и важно сэкономить время при создании карты. Вы всё равно можете просмотреть результат и настроить другие параметры зон перед сохранением.

AUTO classification

## 1. Классификация Natural Breaks Классификация Natural Breaks выявляет «естественные» пороги или точки разрыва в распределении данных, чтобы создавать отдельные группы. Она максимизирует различия между классами и минимизирует различия внутри каждого класса. Natural Breaks полезна для данных с чёткими закономерностями или кластерами, позволяя эффективно проводить анализ и исследование.

Классификация Natural Breaks

## 2. Классификация Equal Interval Классификация Equal Interval делит диапазон данных на равные интервалы или корзины. Она обеспечивает сбалансированное представление распределения данных, что облегчает интерпретацию и сравнение значений внутри каждого интервала. Equal Interval подходит для равномерно распределённых данных без выраженных закономерностей.

Классификация Equal Interval

## 3. Классификация Equal Count (Area) Классификация Equal Count обеспечивает одинаковое количество значений данных в каждом классе. Она сохраняет сбалансированное представление, особенно для смещённых или неравномерно распределённых данных. Equal Count позволяет справедливо сравнивать поля или зоны, обеспечивая последовательный анализ и визуализацию. Цель — создать зоны с относительно одинаковой площадью, но операции округления и улучшение качества зон могут вносить небольшие отклонения. Поэтому использование вегетационных индексов с более высокой гранулярностью, таких как EVI2, MCARI1 или WDRVI, даёт более точные результаты. И [окончательные геометрии зон донастраиваются для повышения точности](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

Классификация Equal Count (Area)

## 4. Пространственно локализованная классификация Пространственно локализованная классификация группирует данные по геопространственному признаку, создавая локальные зоны. Её основное применение — планирование зон для отбора проб почвы, что позволяет эффективно сегментировать поля на управляемые участки. Чтобы обеспечить большую гибкость, пространственно локализованная классификация включает три варианта: **В сторону пространственной близости**, **В сторону значений**, и **Сбалансированный**. ### 4.1. Сбалансированный вариант пространственно локализованной Теперь **Сбалансированный** вариант представляет собой компромисс между **В сторону пространственной близости** и **В сторону значений**. Он создаёт карту зон с кластерами, которые уравновешивают географическую близость и сходство значений данных. Этот подход хорошо работает, когда важны и компактность по пространству, и согласованность данных.

Пространственно локализованная классификация (сбалансированный вариант)

### 4.2. В сторону значений пространственно локализованной Теперь **В сторону значений** вариант пространственно локализованной классификации формирует зоны, сгруппированные по значениям данных, а не по географической близости. Он объединяет участки со схожими характеристиками, такими как вегетация или качество почвы, чтобы создать карту зон, где внутри каждой зоны на первом месте стоит согласованность данных.

Пространственно локализованная классификация (вариант в сторону значений)

### 4.3. В сторону пространственной близости пространственно локализованной Теперь **В сторону пространственной близости** вариант пространственно локализованной классификации сосредоточен на создании зон, более географически компактных. Он создаёт карту зон с кластерами, которые приоритизируют близость и сохраняют каждую зону пространственно компактной. Это идеально подходит, когда важнее всего физическое расположение, например для логистики или пространственного отбора проб.

Пространственно локализованная классификация (вариант в сторону пространственной близости)

--- # 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/ru/obzor-produkta-veb-prilozhenie/karty-zon-i-analitika/ispolzovanie-klassifikacii-dannykh.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.