> ## Documentation Index > Fetch the complete documentation index at: https://avala.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Satelliten- & Luftbildaufnahmen > Satelliten-, Luftbild- und Drohnenaufnahmen für Fernerkundung und Kartierungsanwendungen annotieren 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:** ```json theme={null} { "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](/docs/annotation/reference/query-language), 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](/docs/api-reference/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](/docs/integrations/cloud-storage), 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](/docs/annotation/guides/tools/polygon) | | Segmentierungsannotation | Pixelgenaue Bodenbedeckungsklassifikation | [Segmentierungswerkzeug](/docs/annotation/guides/tools/segmentation) | | Bounding-Box-Annotation | Fahrzeug- und Objekterkennung | [Bounding-Box-Werkzeug](/docs/annotation/guides/tools/bounding-box) | | Polylinien-Annotation | Straßen, Stromleitungen und lineare Merkmale | [Polylinien-Werkzeug](/docs/annotation/guides/tools/polyline) | | Klassifikation | Landtyp- und Zustandslabels auf Szenenebene | [Klassifikationswerkzeug](/docs/annotation/guides/tools/classification) | | AutoTag | Ähnlichkeitsbasierte Gruppierung für Szenenerkennung | [AutoTag](/docs/annotation/reference/autotag) | | Datensatzverwaltung | Bilder nach Region, Datum und Quelle organisieren | [Datensätze verwalten](/docs/annotation/guides/managing-datasets) | | Slices | Trainings-/Validierungssplits und Regionsuntermengen erstellen | [Slices API](/docs/api-reference/slices) | | Cloud-Speicher | S3 oder GCS für große Bildsammlungen verbinden | [Cloud-Speicher](/docs/integrations/cloud-storage) | | Qualitätskontrolle | Mehrstufiges Review für kartierungstaugliche Genauigkeit | [Qualitätskontrolle](/docs/annotation/guides/quality-control) | ## 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 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. Für kleine Datensätze laden Sie direkt hoch. Für große Sammlungen verbinden Sie Ihren S3- oder GCS-Bucket über die Cloud-Speicher-Integration. Hängen Sie Metadaten (Region, Datum, Quellsatellit) an Elemente an. Erstellen Sie Slices für Trainings-/Validierungssplits und geographische Teilmengen. Definieren Sie Ihre Label-Taxonomie (Bodenbedeckungsklassen, Gebäudetypen, Infrastrukturkategorien). Wählen Sie den Annotationstyp, der zu Ihrer Aufgabe passt. Verteilen Sie Arbeit mit Work Batches auf Ihr Team. Verwenden Sie mehrstufiges Review für kartierungstaugliche Genauigkeitsanforderungen. Exportieren Sie Annotationen und integrieren Sie über die API oder das SDK in Ihre Fernerkundungs-Trainingspipeline. ## Nächste Schritte Präzise Grenznachzeichnung für Gebäudeumrisse und Infrastruktur. Pixelgenaue Klassifikation für Bodenbedeckung und Geländekartierung. Ihren S3- oder GCS-Bucket für große Bildsammlungen verbinden. Datensatzorganisation, API-Nutzung und Tipps zur Annotations-Workflow-Optimierung.