Satelliten- & Luftbildaufnahmen

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

Quelle	Avala-Datentyp	Typische Annotation
Satellitenbilder	Bild	Polygone, Segmentierungsmasken, Klassifikation
Luftfotografie	Bild	Bounding Boxes, Polygone
Drohnenbilder	Bild, Video	Bounding Boxes, Polygone, Segmentierung
Orthophotos	Bild	Segmentierungsmasken, Klassifikation
Zeitreihen-Komposite	Bild	Klassifikation, 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:

Infrastruktur	Annotationstyp	Attribute
Straßen	Polylinien	Oberflächentyp, Zustand, Breite
Gebäude	Polygone	Dachtyp, Schadensstufe, Baustatus
Stromleitungen	Polylinien	Spannweitentyp, Mastpräsenz
Solarpanels	Polygone	Panelanzahl, Ausrichtung
Gewässer	Polygone	Typ (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

Strategie	Wann verwenden	Beispiel
Nach Region	Multi-Geographie-Projekte	`north-america`, `europe`, `southeast-asia`
Nach Aufnahmedatum	Zeitliche Analyse	`q1-2026`, `q2-2026`
Nach Auflösung	Gemischte Auflösungsquellen	`high-res-30cm`, `medium-res-10m`
Nach Aufgabe	Verschiedene Annotationsziele	`building-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

Funktion	Zweck	Mehr erfahren
Polygon-Annotation	Gebäudeumrisse, Infrastrukturgrenzen	Polygon-Werkzeug
Segmentierungsannotation	Pixelgenaue Bodenbedeckungsklassifikation	Segmentierungswerkzeug
Bounding-Box-Annotation	Fahrzeug- und Objekterkennung	Bounding-Box-Werkzeug
Polylinien-Annotation	Straßen, Stromleitungen und lineare Merkmale	Polylinien-Werkzeug
Klassifikation	Landtyp- und Zustandslabels auf Szenenebene	Klassifikationswerkzeug
AutoTag	Ähnlichkeitsbasierte Gruppierung für Szenenerkennung	AutoTag
Datensatzverwaltung	Bilder nach Region, Datum und Quelle organisieren	Datensätze verwalten
Slices	Trainings-/Validierungssplits und Regionsuntermengen erstellen	Slices API
Cloud-Speicher	S3 oder GCS für große Bildsammlungen verbinden	Cloud-Speicher
Qualitätskontrolle	Mehrstufiges Review für kartierungstaugliche Genauigkeit	Qualitätskontrolle

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

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.

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.

Mit Metadaten und Slices organisieren

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

Annotationsprojekt erstellen

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

Annotieren und prüfen

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

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.

Erste Schritte

Plattform

Anwendungsfälle

Datentypen

Häufige Aufgaben

Landnutzungsklassifikation

Gebäudeumriss-Extraktion

Fahrzeug- und Objektzählung

Infrastrukturüberwachung

Veränderungserkennung

Datensatzorganisation

Organisationsstrategien

Slices verwenden

Cloud-Speicher-Integration

Verwendete Avala-Funktionen

Beispiel-Pipeline

Erste Schritte

Nächste Schritte

Polygon-Werkzeug

Segmentierungswerkzeug

Cloud-Speicher

Best Practices

​Datentypen

​Häufige Aufgaben

​Landnutzungsklassifikation

​Gebäudeumriss-Extraktion

​Fahrzeug- und Objektzählung

​Infrastrukturüberwachung

​Veränderungserkennung

​Datensatzorganisation

​Organisationsstrategien

​Slices verwenden

​Cloud-Speicher-Integration

​Verwendete Avala-Funktionen

​Beispiel-Pipeline

​Erste Schritte

​Nächste Schritte

Polygon-Werkzeug

Segmentierungswerkzeug

Cloud-Speicher

Best Practices

Datentypen

Häufige Aufgaben

Landnutzungsklassifikation

Gebäudeumriss-Extraktion

Fahrzeug- und Objektzählung

Infrastrukturüberwachung

Veränderungserkennung

Datensatzorganisation

Organisationsstrategien

Slices verwenden

Cloud-Speicher-Integration

Verwendete Avala-Funktionen

Beispiel-Pipeline

Erste Schritte

Nächste Schritte