> 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/swe/produktvandring-webbapp/zones-maps-and-analytics/using-data-classification.md).

# Använda dataklassificering

Lär dig hur GeoPards klassificeringsmetoder formar zonkartor, inklusive AUTO, naturliga brytningar, lika intervall, lika antal och spatialt lokaliserade alternativ.

Dataklassificering är ett viktigt steg i analysen och visualiseringen av geografiska data. GeoPard erbjuder flera klassificeringsmetoder som hjälper användare att förstå och tolka sina data. Vanliga alternativ i GeoPard är automatisk klassificering, naturliga brytpunkter, lika intervall, lika antal (areal) och geografiskt lokaliserad klassificering. Varje metod lämpar sig för olika användningsområden, enligt beskrivningarna nedan:

## AUTO-klassificering

Automatisk klassificering väljer en lämplig klassificeringsmetod **utifrån datafördelningen och zonernas areal**. Det hjälper dig att snabbare få fram en användbar zonkarta, utan att behöva prova dig fram lika mycket genom att jämföra klassificeringsmetoder manuellt.

Det här alternativet är användbart när du vill ha en bra utgångspunkt och spara tid när du skapar kartor. Du kan fortfarande granska resultatet och justera andra zoninställningar innan du sparar.

<figure><img src="https://1016759462-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-klassificering</p></figcaption></figure>

## 1. Klassificering med naturliga brytpunkter

Klassificering med naturliga brytpunkter identifierar ”naturliga” tröskelvärden eller brytpunkter i datafördelningen för att skapa tydligt åtskilda grupper. Den maximerar skillnaderna mellan klasserna och minimerar skillnaderna inom varje klass. Metoden är användbar för data med tydliga mönster eller grupperingar och gör det lättare att utforska och analysera dem.

<figure><img src="https://1016759462-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>Klassificering med naturliga brytpunkter</p></figcaption></figure>

## 2. Klassificering med lika intervall

Klassificering med lika intervall delar in dataintervallet i lika stora intervall eller klasser. Den ger en balanserad bild av datafördelningen och gör det enkelt att tolka och jämföra värden inom varje intervall. Metoden lämpar sig för jämnt fördelade data utan tydliga mönster.

<figure><img src="https://1016759462-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>Klassificering med lika intervall</p></figcaption></figure>

## 3. Klassificering med lika antal (areal)

Klassificering med lika antal säkerställer att varje klass innehåller lika många datavärden. Den ger en balanserad bild, särskilt när data är snedfördelade eller ojämnt fördelade. Metoden möjliggör rättvisa jämförelser mellan områden eller regioner och ger en konsekvent analys och visualisering.

Målet är att skapa zoner med relativt lika stora arealer, men avrundningar och förbättringar av zonernas kvalitet kan medföra mindre variationer. Därför ger vegetationsindex med högre detaljgrad, som EVI2, MCARI1 eller WDRVI, mer exakta resultat. Och [zonernas slutliga geometrier finjusteras för att förbättra noggrannheten](https://geopard.tech/blog/432ca9jhnt-zones-quality/).

<figure><img src="https://1016759462-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>Klassificering med lika antal (areal)</p></figcaption></figure>

## 4. Geografiskt lokaliserad klassificering

Geografiskt lokaliserad klassificering grupperar data geografiskt och skapar lokala zoner. Metoden används främst för att planera zoner för markkartering och gör det möjligt att dela in fält i hanterbara områden.

För större flexibilitet finns tre alternativ för geografiskt lokaliserad klassificering: **Mot geografisk närhet**, **Mot värden** och **Balanserat**.

### 4.1. Balanserat alternativ för geografiskt lokaliserad klassificering

Alternativet **Balanserat** utgör en medelväg mellan **Mot geografisk närhet** och **Mot värden**. Det skapar en zonkarta med grupper som balanserar geografisk närhet och likhet i datavärden. Metoden fungerar bra när det är viktigt att zonerna både är geografiskt sammanhållna och har likartade datavärden.

<figure><img src="https://1016759462-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>Geografiskt lokaliserad klassificering (balanserat alternativ)</p></figcaption></figure>

### 4.2. Mot värden för geografiskt lokaliserad klassificering

Alternativet **Mot värden** för geografiskt lokaliserad klassificering skapar zoner som grupperas efter datavärden snarare än geografisk närhet. Det grupperar områden med liknande egenskaper, till exempel vegetation eller jordkvalitet, och skapar en zonkarta där likartade datavärden inom varje zon är viktigast.

<figure><img src="https://1016759462-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>Geografiskt lokaliserad klassificering (alternativet Mot värden)</p></figcaption></figure>

### 4.3. Mot geografisk närhet för geografiskt lokaliserad klassificering

Alternativet **Mot geografisk närhet** för geografiskt lokaliserad klassificering fokuserar på att skapa mer geografiskt koncentrerade zoner. Det skapar en zonkarta med grupper som prioriterar närhet och håller varje zon geografiskt sammanhållen. Alternativet passar bäst när den fysiska platsen är viktigast, till exempel vid logistik eller geografisk provtagning.

<figure><img src="https://1016759462-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>Geografiskt lokaliserad klassificering (alternativet Mot geografisk närhet)</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/swe/produktvandring-webbapp/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.
