Zum Hauptinhalt springen
Fernerkundungsteams annotieren Satelliten-, Luftbild- und Drohnenaufnahmen für Landnutzungsklassifikation, Kartierung, Infrastrukturüberwachung und Umweltanalyse. Avala bietet Polygon-, Segmentierungs- und Klassifikationswerkzeuge, die für Überkopfbilder optimiert sind, zusammen mit Datensatzverwaltungsfunktionen für die Organisation großer Bildsammlungen über Geographien und Zeiträume hinweg.

​
Datentypen

QuelleAvala-DatentypTypische Annotation
SatellitenbilderBildPolygone, Segmentierungsmasken, Klassifikation
LuftfotografieBildBounding Boxes, Polygone
DrohnenbilderBild, VideoBounding Boxes, Polygone, Segmentierung
OrthophotosBildSegmentierungsmasken, Klassifikation
Zeitreihen-KompositeBildKlassifikation, Veränderungserkennungs-Annotationen

​
Häufige Aufgaben

​
Landnutzungsklassifikation

Segmentieren Sie Satelliten- und Luftbilder in Bodenbedeckungskategorien: städtisch, Wald, Wasser, Landwirtschaft, Ödland, Feuchtgebiet und andere Geländetypen. Verwenden Sie das Segmentierungswerkzeug für pixelgenaue Klassifikation über das gesamte Bild oder Polygon-Annotation für regionsbasiertes Labeling. Beispiel Label-Taxonomie: 
{
  "labels": [
    { "name": "urban", "color": "#FF4444" },
    { "name": "forest", "color": "#22AA22" },
    { "name": "water", "color": "#4488FF" },
    { "name": "agriculture", "color": "#AADD44" },
    { "name": "barren", "color": "#BBAA88" },
    { "name": "wetland", "color": "#66BBAA" }
  ]
}
Für die Landnutzungsklassifikation definieren Sie Ihre Kategorien basierend auf der Auflösung Ihrer Bilder. Hochauflösende Satellitenbilder (0,3-0,5 m/Pixel) unterstützen feingranulare Kategorien wie “Wohn-” vs. “Gewerbe-”. Niedrigere Auflösung (10-30 m/Pixel) funktioniert besser mit breiteren Kategorien wie “städtisch” vs. “ländlich”.

​
Gebäudeumriss-Extraktion

Zeichnen Sie Polygongrenzen um Gebäude für Kartierung, Stadtplanung und Veränderungserkennung. Das Polygon-Werkzeug unterstützt:
  • Vertex-Bearbeitung für präzise Dachgrenzen
  • Kantenfang für rechtwinklige Gebäude
  • Kopieren und Anpassen für sich wiederholende Strukturen (z. B. Reihenhäuser)
Gebäudeumriss-Datensätze werden in der Bevölkerungsschätzung, Katastrophenhilfe-Kartierung und Bauüberwachung verwendet.

​
Fahrzeug- und Objektzählung

Erkennen und zählen Sie Fahrzeuge, Schiffe, Flugzeuge und andere Objekte in Überkopfbildern mit Bounding-Box-Annotationen. Für dichte Szenen (Parkplätze, Häfen, Flughäfen) bieten Bounding Boxes schnelle Annotation mit ausreichender Präzision für Zähl- und Erkennungsmodelle.

​
Infrastrukturüberwachung

Annotieren Sie Infrastrukturelemente — Straßen, Brücken, Stromleitungen, Solarpanels, Pipelines — für Zustandsbewertung und Veränderungserkennung. Gängige Ansätze:
InfrastrukturAnnotationstypAttribute
StraßenPolylinienOberflächentyp, Zustand, Breite
GebäudePolygoneDachtyp, Schadensstufe, Baustatus
StromleitungenPolylinienSpannweitentyp, Mastpräsenz
SolarpanelsPolygonePanelanzahl, Ausrichtung
GewässerPolygoneTyp (Fluss, See, Stausee), Grenzen

​
Veränderungserkennung

Vergleichen Sie Bilder verschiedener Daten, um Veränderungen zu identifizieren: Neubau, Entwaldung, Hochwasserausdehnung, Pflanzenwachstum. Organisieren Sie zeitliche Bildpaare im selben Datensatz und annotieren Sie Veränderungen mit Klassifikationslabels und Polygongrenzen. Verwenden Sie Metadatenfelder, um Bilder mit Aufnahmedatum und Standort zu taggen: 
metadata.collection_date = "2026-01-15"
metadata.region = "san-francisco-bay"
metadata.satellite = "worldview-3"
Dann filtern Sie mit der Abfragesprache, um bestimmte Zeitfenster zu finden: 
metadata.region = "san-francisco-bay" AND metadata.collection_date = "2026-01-15"

​
Datensatzorganisation

Satelliten- und Luftbild-Datensätze sind tendenziell groß — Tausende bis Millionen von Bildern über Geographien und Zeiträume. Effektive Organisation ist entscheidend.

​
Organisationsstrategien

StrategieWann verwendenBeispiel
Nach RegionMulti-Geographie-Projektenorth-america, europe, southeast-asia
Nach AufnahmedatumZeitliche Analyseq1-2026, q2-2026
Nach AuflösungGemischte Auflösungsquellenhigh-res-30cm, medium-res-10m
Nach AufgabeVerschiedene Annotationszielebuilding-footprints, land-cover, vehicle-counting

​
Slices verwenden

Slices erstellen virtuelle Teilmengen ohne Bilder zu duplizieren:
  • Erstellen Sie einen training-Slice mit 80 % der Bilder und einen validation-Slice mit 20 %
  • Erstellen Sie Slices nach geographischer Region für regionsspezifische Modellevaluation
  • Erstellen Sie einen difficult-cases-Slice für Bilder, bei denen Annotatoren häufig Fehler machen

​
Cloud-Speicher-Integration

Für große Satellitenbildsammlungen verwenden Sie die Cloud-Speicher-Integration, um Ihren S3- oder GCS-Bucket direkt zu verbinden. Avala liest Bilder aus Ihrem Bucket, ohne einen separaten Upload-Schritt zu erfordern.
Cloud-Speicher wird für Satellitenbilddatensätze mit über 10.000 Bildern empfohlen. Dies vermeidet den Upload-Engpass und hält Ihre Daten in Ihrem eigenen Speicher mit Ihren Verschlüsselungs- und Aufbewahrungsrichtlinien.

​
Verwendete Avala-Funktionen

FunktionZweckMehr erfahren
Polygon-AnnotationGebäudeumrisse, InfrastrukturgrenzenPolygon-Werkzeug
SegmentierungsannotationPixelgenaue BodenbedeckungsklassifikationSegmentierungswerkzeug
Bounding-Box-AnnotationFahrzeug- und ObjekterkennungBounding-Box-Werkzeug
Polylinien-AnnotationStraßen, Stromleitungen und lineare MerkmalePolylinien-Werkzeug
KlassifikationLandtyp- und Zustandslabels auf SzenenebeneKlassifikationswerkzeug
AutoTagÄhnlichkeitsbasierte Gruppierung für SzenenerkennungAutoTag
DatensatzverwaltungBilder nach Region, Datum und Quelle organisierenDatensätze verwalten
SlicesTrainings-/Validierungssplits und Regionsuntermengen erstellenSlices API
Cloud-SpeicherS3 oder GCS für große Bildsammlungen verbindenCloud-Speicher
QualitätskontrolleMehrstufiges Review für kartierungstaugliche GenauigkeitQualitätskontrolle

​
Beispiel-Pipeline

Satelliten- / Luftbildsammlung
  -> In S3- oder GCS-Bucket speichern
  -> Über Cloud-Speicher-Integration mit Avala verbinden
  -> Datensatz erstellen, Metadaten anhängen (Region, Datum, Satellit)
  -> Slices für Trainings-/Validierungssplits erstellen
  -> Annotationsprojekt erstellen (Segmentierung für Bodenbedeckung, Polygone für Gebäude)
  -> Annotatoren labeln Bilder mit Review-Stufen
  -> Export in COCO- oder GeoJSON-kompatiblem Format
  -> Fernerkundungsmodell trainieren
  -> Modellvorhersagen für nächste Runde des Auto-Labelings verwenden

​
Erste Schritte

1

Bilder vorbereiten

Konvertieren Sie Bilder in JPEG- oder PNG-Format. Für georeferenzierte Daten behalten Sie die Koordinatenmetadaten in Begleitdateien oder Ihrem GIS-System — Avala verarbeitet die Bildpixel.
2

Hochladen oder Speicher verbinden

Für kleine Datensätze laden Sie direkt hoch. Für große Sammlungen verbinden Sie Ihren S3- oder GCS-Bucket über die Cloud-Speicher-Integration.
3

Mit Metadaten und Slices organisieren

Hängen Sie Metadaten (Region, Datum, Quellsatellit) an Elemente an. Erstellen Sie Slices für Trainings-/Validierungssplits und geographische Teilmengen.
4

Annotationsprojekt erstellen

Definieren Sie Ihre Label-Taxonomie (Bodenbedeckungsklassen, Gebäudetypen, Infrastrukturkategorien). Wählen Sie den Annotationstyp, der zu Ihrer Aufgabe passt.
5

Annotieren und prüfen

Verteilen Sie Arbeit mit Work Batches auf Ihr Team. Verwenden Sie mehrstufiges Review für kartierungstaugliche Genauigkeitsanforderungen.
6

Exportieren und trainieren

Exportieren Sie Annotationen und integrieren Sie über die API oder das SDK in Ihre Fernerkundungs-Trainingspipeline.

​
Nächste Schritte

Polygon-Werkzeug

Präzise Grenznachzeichnung für Gebäudeumrisse und Infrastruktur.

Segmentierungswerkzeug

Pixelgenaue Klassifikation für Bodenbedeckung und Geländekartierung.

Cloud-Speicher

Ihren S3- oder GCS-Bucket für große Bildsammlungen verbinden.

Best Practices

Datensatzorganisation, API-Nutzung und Tipps zur Annotations-Workflow-Optimierung.