فاصله برابر

بازه مساوی، محدوده مقادیر مشخصه را به زیرمجموعه هایی با اندازه مساوی تقسیم می کند. این به شما امکان می دهد تعداد بازه ها را مشخص کنید و ArcGIS به طور خودکار شکست های کلاس را بر اساس محدوده مقدار تعیین می کند. به عنوان مثال، اگر برای فیلدی که مقادیر آن از ۰ تا ۳۰۰ متغیر است، سه کلاس مشخص کنید، ArcGIS سه کلاس با محدوده های ۰-۱۰۰، ۱۰۱-۲۰۰ و ۲۰۱-۳۰۰ ایجاد می کند.

فاصله مساوی به بهترین وجه برای محدوده داده های آشنا مانند درصد و دما اعمال می شود. این روش بر مقدار یک مقدار مشخصه نسبت به مقادیر دیگر تأکید می کند. به عنوان مثال، نشان می دهد که یک فروشگاه بخشی از گروه فروشگاه هایی است که یک سوم کل فروش را تشکیل می دهند.

برای تنظیم یک طبقه بندی بازه مساوی، روش طبقه بندی را روی Equal Interval قرار دهید و تعداد کلاس ها را مشخص کنید.

فاصله تعریف شده

بازه تعریف شده به شما این امکان را می دهد که اندازه بازه ای را که برای تعریف مجموعه ای از کلاس ها با محدوده مقدار یکسان استفاده می شود، مشخص کنید. به عنوان مثال، هر بازه ۷۵ واحد خواهد بود. ArcMap تعداد کلاس ها را بر اساس اندازه بازه و دامنه همه مقادیر فیلد تعیین می کند. در مثال زیر اندازه فاصله ۴ درصد مشخص شده است.

برای تنظیم یک طبقه بندی بازه ای تعریف شده، روش طبقه بندی را روی Defined Interval تنظیم کنید و اندازه بازه را مشخص کنید.

Quantile

هر کلاس دارای تعداد مساوی ویژگی است. طبقه‌بندی چندک برای داده‌های توزیع‌شده خطی مناسب است. Quantile تعداد یکسانی از مقادیر داده را به هر کلاس اختصاص می دهد. هیچ کلاس خالی یا کلاسی با مقادیر خیلی کم یا خیلی زیاد وجود ندارد.

از آنجایی که ویژگی ها با استفاده از طبقه بندی Quantile به تعداد مساوی در هر کلاس گروه بندی می شوند، نقشه حاصل اغلب می تواند گمراه کننده باشد. ویژگی های مشابه را می توان در کلاس های مجاور قرار داد، یا ویژگی هایی با مقادیر بسیار متفاوت را می توان در یک کلاس قرار داد. با افزایش تعداد کلاس ها می توانید این اعوجاج را به حداقل برسانید.

برای تنظیم یک طبقه بندی کمیت، روش طبقه بندی را روی Quantile تنظیم کنید و تعداد کلاس ها را مشخص کنید.

شکستگی های طبیعی 

کلاس های Natural Breaks بر اساس گروه بندی های طبیعی ذاتی داده ها هستند. وقفه های کلاسی شناسایی می شوند که بهترین مقادیر مشابه را گروه بندی می کنند و تفاوت بین کلاس ها را به حداکثر می رساند. ویژگی ها به کلاس هایی تقسیم می شوند که مرزهای آنها در جایی تنظیم می شود که تفاوت های نسبتا زیادی در مقادیر داده وجود دارد.

شکست های طبیعی طبقه بندی های خاص داده ها هستند و برای مقایسه نقشه های متعدد ساخته شده از اطلاعات زیربنایی مختلف مفید نیستند.

این طبقه بندی بر اساس الگوریتم شکست های طبیعی جنکس است. برای اطلاعات بیشتر، به طرح‌های طبقه‌بندی تک متغیره در تحلیل جغرافیایی—راهنمای جامع، ویرایش ششم مراجعه کنید . © ۲۰۰۷–۲۰۱۸; دی اسمیت، گودچایلد، لانگلی.

برای تنظیم یک طبقه بندی شکست های طبیعی (جنکس)، روش طبقه بندی را بر روی طبیعی شکستگی ها (جنکس) تنظیم کنید و تعداد کلاس ها را مشخص کنید.

فاصله هندسی

طرح طبقه بندی فاصله هندسی بر اساس فواصل کلاس هایی که دارای یک سری هندسی هستند، وقفه های کلاس ایجاد می کند. ضریب هندسی در این طبقه‌بندی‌کننده می‌تواند یک بار (به معکوس) تغییر کند تا محدوده‌های کلاس بهینه شود. این الگوریتم با به حداقل رساندن مجموع مربعات تعداد عناصر در هر کلاس، فواصل هندسی را ایجاد می کند. این تضمین می‌کند که محدوده هر کلاس تقریباً دارای همان تعداد مقادیر با هر کلاس است و تغییر بین بازه‌ها نسبتاً سازگار است.

این الگوریتم به طور خاص برای تطبیق داده های پیوسته طراحی شده است. این یک روش سازش بین فاصله مساوی، طبیعی بریک (جنکس) و چندک است. تعادلی بین برجسته کردن تغییرات در مقادیر میانی و مقادیر شدید ایجاد می‌کند و در نتیجه نتیجه‌ای را ایجاد می‌کند که از نظر بصری جذاب و از نظر نقشه‌کشی جامع است.

یک مثال برای استفاده از طبقه‌بندی فاصله هندسی می‌تواند با مجموعه داده‌های بارندگی باشد که در آن تنها ۱۵ ایستگاه از ۱۰۰ ایستگاه هواشناسی (کمتر از ۵۰ درصد) بارش را ثبت کرده‌اند و بقیه بارش ثبت‌شده ندارند، بنابراین مقادیر ویژگی‌های آنها صفر است.

برای تنظیم یک طبقه بندی فاصله هندسی، روش طبقه بندی را روی فاصله هندسی تنظیم کنید و تعداد کلاس ها را مشخص کنید.

انحراف معیار

روش طبقه‌بندی انحراف استاندارد به شما نشان می‌دهد که مقدار ویژگی یک ویژگی چقدر از میانگین متفاوت است. ArcMap میانگین و انحراف استاندارد را محاسبه می کند. شکست‌های کلاس با محدوده‌های مقادیر مساوی ایجاد می‌شوند که نسبتی از انحراف استاندارد هستند – معمولاً در فواصل ۱، ½، ⅓ یا ¼ انحراف استاندارد با استفاده از مقادیر میانگین و انحراف استاندارد از میانگین. یک رمپ دو رنگ به تأکید بر مقادیر بالاتر از میانگین (با رنگ آبی) و مقادیر زیر میانگین (با رنگ قرمز) کمک می کند.

برای تنظیم یک طبقه بندی انحراف استاندارد، روش طبقه بندی را روی انحراف استاندارد تنظیم کنید و نسبت یک انحراف استاندارد را برای تعریف هر محدوده کلاس مشخص کنید.