> ## 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.
# Imágenes satelitales y aéreas
> Anote imágenes satelitales, aéreas y de drones para aplicaciones de teledetección y mapeo
Los equipos de teledetección anotan imágenes satelitales, aéreas y de drones para clasificación de uso del suelo, mapeo, monitoreo de infraestructura y análisis ambiental. Avala proporciona herramientas de polígono, segmentación y clasificación optimizadas para imágenes aéreas, junto con características de gestión de datasets para organizar colecciones de imágenes a gran escala a través de geografías y períodos de tiempo.
## Tipos de datos
| Fuente | Tipo de dato en Avala | Anotación típica |
| ---------------------------------- | --------------------- | -------------------------------------------------- |
| Imágenes satelitales | Image | Polígonos, máscaras de segmentación, clasificación |
| Fotografía aérea | Image | Bounding boxes, polígonos |
| Imágenes de drones | Image, Video | Bounding boxes, polígonos, segmentación |
| Ortofotos | Image | Máscaras de segmentación, clasificación |
| Composiciones de series temporales | Image | Clasificación, anotaciones de detección de cambios |
## Tareas comunes
### Clasificación de uso del suelo
Segmente imágenes satelitales y aéreas en categorías de cobertura del suelo: urbano, bosque, agua, agricultura, suelo baldío, humedal y otros tipos de terreno. Use la herramienta de segmentación para clasificación a nivel de píxel en toda la imagen, o anotación de polígonos para etiquetado a nivel de región.
**Ejemplo de taxonomía de etiquetas:**
```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" }
]
}
```
Para clasificación de uso del suelo, defina sus categorías según la resolución de sus imágenes. Las imágenes satelitales de alta resolución (0,3-0,5 m/píxel) soportan categorías detalladas como "residencial" vs. "comercial". Las de menor resolución (10-30 m/píxel) funcionan mejor con categorías más amplias como "urbano" vs. "rural".
### Extracción de huellas de edificios
Trace límites de polígonos alrededor de edificios para mapeo, planificación urbana y detección de cambios. La herramienta de polígono soporta:
* Edición a nivel de vértice para límites precisos de techos
* Ajuste a bordes para edificios rectilíneos
* Copiar y ajustar para estructuras repetitivas (ej., casas adosadas)
Los datasets de huellas de edificios se usan en estimación de población, mapeo de respuesta a desastres y monitoreo de construcción.
### Conteo de vehículos y objetos
Detecte y cuente vehículos, barcos, aeronaves y otros objetos en imágenes aéreas usando anotaciones de bounding box. Para escenas densas (estacionamientos, puertos, aeropuertos), los bounding boxes proporcionan anotación rápida con precisión suficiente para modelos de conteo y detección.
### Monitoreo de infraestructura
Anote elementos de infraestructura -- carreteras, puentes, líneas eléctricas, paneles solares, tuberías -- para evaluación de condiciones y detección de cambios. Los enfoques comunes incluyen:
| Infraestructura | Tipo de anotación | Atributos |
| ----------------- | ----------------- | ---------------------------------------------------- |
| Carreteras | Polilíneas | Tipo de superficie, condición, ancho |
| Edificios | Polígonos | Tipo de techo, nivel de daño, estado de construcción |
| Líneas eléctricas | Polilíneas | Tipo de tramo, presencia de torre |
| Paneles solares | Polígonos | Conteo de paneles, orientación |
| Cuerpos de agua | Polígonos | Tipo (río, lago, embalse), límites |
### Detección de cambios
Compare imágenes de diferentes fechas para identificar cambios: nueva construcción, deforestación, extensión de inundaciones, crecimiento de cultivos. Organice pares de imágenes temporales en el mismo dataset y anote cambios con etiquetas de clasificación y límites de polígonos.
Use campos de metadatos para etiquetar imágenes con fecha de recolección y ubicación:
```
metadata.collection_date = "2026-01-15"
metadata.region = "san-francisco-bay"
metadata.satellite = "worldview-3"
```
Luego filtre con el [lenguaje de consulta](/docs/annotation/reference/query-language) para encontrar ventanas temporales específicas:
```
metadata.region = "san-francisco-bay" AND metadata.collection_date = "2026-01-15"
```
## Organización de datasets
Los datasets de imágenes satelitales y aéreas tienden a ser grandes -- miles a millones de imágenes a través de geografías y períodos de tiempo. La organización efectiva es crítica.
### Estrategias de organización
| Estrategia | Cuándo usar | Ejemplo |
| ---------------------------- | --------------------------------- | ------------------------------------------------------- |
| **Por región** | Proyectos multi-geografía | `north-america`, `europe`, `southeast-asia` |
| **Por fecha de recolección** | Análisis temporal | `q1-2026`, `q2-2026` |
| **Por resolución** | Fuentes de resolución mixta | `high-res-30cm`, `medium-res-10m` |
| **Por tarea** | Diferentes objetivos de anotación | `building-footprints`, `land-cover`, `vehicle-counting` |
### Uso de slices
Los [slices](/docs/api-reference/slices) crean subconjuntos virtuales sin duplicar imágenes:
* Cree un slice `training` con el 80% de las imágenes y un slice `validation` con el 20%
* Cree slices por región geográfica para evaluación de modelos específica por región
* Cree un slice `difficult-cases` para imágenes que los anotadores frecuentemente etiquetan incorrectamente
### Integración de almacenamiento en la nube
Para grandes colecciones de imágenes satelitales, use la [integración de almacenamiento en la nube](/docs/integrations/cloud-storage) para conectar su bucket S3 o GCS directamente. Avala lee imágenes de su bucket sin requerir un paso de subida separado.
Se recomienda almacenamiento en la nube para datasets de imágenes satelitales de más de 10.000 imágenes. Evita el cuello de botella de la subida y mantiene sus datos en su propio almacenamiento con sus políticas de cifrado y retención.
## Características de Avala utilizadas
| Característica | Propósito | Más información |
| --------------------------- | ------------------------------------------------------------------ | -------------------------------------------------------------------- |
| Anotación de polígonos | Huellas de edificios, límites de infraestructura | [Herramienta polígono](/docs/annotation/guides/tools/polygon) |
| Anotación de segmentación | Clasificación de cobertura del suelo a nivel de píxel | [Herramienta segmentación](/docs/annotation/guides/tools/segmentation) |
| Anotación de bounding boxes | Detección de vehículos y objetos | [Herramienta bounding box](/docs/annotation/guides/tools/bounding-box) |
| Anotación de polilíneas | Carreteras, líneas eléctricas y características lineales | [Herramienta polilínea](/docs/annotation/guides/tools/polyline) |
| Clasificación | Etiquetas de tipo de suelo y condición a nivel de escena | [Herramienta clasificación](/docs/annotation/guides/tools/classification) |
| AutoTag | Agrupación basada en similitud para descubrimiento de escenas | [AutoTag](/docs/annotation/reference/autotag) |
| Gestión de datasets | Organice imágenes por región, fecha y fuente | [Gestión de datasets](/docs/annotation/guides/managing-datasets) |
| Slices | Cree divisiones entrenamiento/validación y subconjuntos por región | [API de slices](/docs/api-reference/slices) |
| Almacenamiento en la nube | Conecte S3 o GCS para grandes colecciones de imágenes | [Almacenamiento en la nube](/docs/integrations/cloud-storage) |
| Control de calidad | Revisión multi-etapa para precisión de grado cartográfico | [Control de calidad](/docs/annotation/guides/quality-control) |
## Pipeline de ejemplo
```
Satellite / aerial imagery collection
-> Store in S3 or GCS bucket
-> Connect to Avala via cloud storage integration
-> Create dataset, attach metadata (region, date, satellite)
-> Create slices for training/validation splits
-> Create annotation project (segmentation for land cover, polygons for buildings)
-> Annotators label imagery with review stages
-> Export in COCO or GeoJSON-compatible format
-> Train remote sensing model
-> Use model predictions for next round of auto-labeling
```
## Primeros pasos
Convierta imágenes a formato JPEG o PNG. Para datos georreferenciados, mantenga los metadatos de coordenadas en archivos complementarios o su sistema GIS -- Avala maneja los píxeles de la imagen.
Para datasets pequeños, suba directamente. Para grandes colecciones, conecte su bucket S3 o GCS a través de la integración de almacenamiento en la nube.
Adjunte metadatos (región, fecha, satélite fuente) a los elementos. Cree slices para divisiones entrenamiento/validación y subconjuntos geográficos.
Defina su taxonomía de etiquetas (clases de cobertura del suelo, tipos de edificios, categorías de infraestructura). Elija el tipo de anotación que se ajuste a su tarea.
Distribuya trabajo a través de su equipo con lotes de trabajo. Use revisión multi-etapa para requisitos de precisión de grado cartográfico.
Exporte anotaciones e integre con su pipeline de entrenamiento de teledetección a través de la API o SDK.
## Próximos pasos
Trazado de límites de precisión para huellas de edificios e infraestructura.
Clasificación a nivel de píxel para cobertura del suelo y mapeo de terreno.
Conecte su bucket S3 o GCS para grandes colecciones de imágenes.
Consejos de organización de datasets, uso de API y optimización de flujos de anotación.