> ## 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.

# 衛星・航空画像

> リモートセンシングおよびマッピングアプリケーション向けの衛星、航空、ドローン画像のアノテーション

リモートセンシングチームは、土地利用分類、マッピング、インフラ監視、環境分析のために衛星、航空、ドローン画像をアノテーションします。Avala は、オーバーヘッド画像に最適化されたポリゴン、セグメンテーション、分類ツールと、地域や期間にわたる大規模画像コレクションを整理するためのデータセット管理機能を提供します。

## データタイプ

| ソース     | Avala データタイプ | 典型的なアノテーション                |
| ------- | ------------ | -------------------------- |
| 衛星画像    | 画像           | ポリゴン、セグメンテーションマスク、分類       |
| 航空写真    | 画像           | バウンディングボックス、ポリゴン           |
| ドローン画像  | 画像、動画        | バウンディングボックス、ポリゴン、セグメンテーション |
| オルソフォト  | 画像           | セグメンテーションマスク、分類            |
| 時系列合成画像 | 画像           | 分類、変化検出アノテーション             |

## 一般的なタスク

### 土地利用分類

衛星・航空画像を土地被覆カテゴリにセグメンテーション：市街地、森林、水域、農地、荒地、湿地、その他の地形タイプ。画像全体のピクセルレベル分類にはセグメンテーションツールを、領域レベルのラベリングにはポリゴンアノテーションを使用します。

**ラベルタクソノミーの例：**

```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" }
  ]
}
```

<Tip>
  土地利用分類では、画像の解像度に基づいてカテゴリを定義してください。高解像度衛星（0.3-0.5 m/ピクセル）では「residential」vs「commercial」のような詳細カテゴリをサポートします。低解像度（10-30 m/ピクセル）では「urban」vs「rural」のような広いカテゴリの方がうまく機能します。
</Tip>

### 建物フットプリント抽出

マッピング、都市計画、変化検出のために建物周囲のポリゴン境界をトレースします。

### 車両・オブジェクトカウント

バウンディングボックスアノテーションを使用して、オーバーヘッド画像内の車両、船舶、航空機、その他のオブジェクトを検出しカウントします。

### インフラ監視

道路、橋、電力線、ソーラーパネル、パイプラインなどのインフラ要素を、状態評価と変化検出のためにアノテーションします。

### 変化検出

異なる日付の画像を比較して変化を特定します：新規建設、森林破壊、洪水範囲、作物成長。

## データセットの整理

衛星・航空画像データセットは大規模になりがちです — 地域と期間にわたる数千から数百万の画像。効果的な整理が重要です。

### スライスの使用

[スライス](/docs/api-reference/slices)により画像を複製せずに仮想サブセットを作成できます：

* 画像の 80% で `training` スライス、20% で `validation` スライスを作成
* 地域固有のモデル評価のために地理的リージョンごとのスライスを作成
* アノテーターが頻繁に誤るケースの `difficult-cases` スライスを作成

### クラウドストレージインテグレーション

大規模衛星画像コレクションには、[クラウドストレージインテグレーション](/docs/integrations/cloud-storage)を使用して S3 または GCS バケットを直接接続してください。Avala は別途アップロードステップを必要とせずにバケットから画像を読み取ります。

<Info>
  クラウドストレージは 10,000 画像を超える衛星画像データセットに推奨されます。アップロードのボトルネックを回避し、お客様のストレージにお客様の暗号化と保持ポリシーでデータを保持できます。
</Info>

## パイプラインの例

```
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
```

## はじめましょう

<Steps>
  <Step title="画像の準備">
    画像を JPEG または PNG フォーマットに変換します。地理参照データの場合、座標メタデータはサイドカーファイルまたは GIS システムに保持してください — Avala は画像ピクセルを処理します。
  </Step>

  <Step title="アップロードまたはストレージの接続">
    小規模データセットの場合は直接アップロード。大規模コレクションの場合はクラウドストレージインテグレーションで S3 または GCS バケットを接続します。
  </Step>

  <Step title="メタデータとスライスで整理">
    アイテムにメタデータ（地域、日付、ソース衛星）を付加します。トレーニング/バリデーション分割と地理的サブセット用にスライスを作成します。
  </Step>

  <Step title="アノテーションプロジェクトの作成">
    ラベルタクソノミー（土地被覆クラス、建物タイプ、インフラカテゴリ）を定義します。タスクに合ったアノテーションタイプを選択します。
  </Step>

  <Step title="アノテーションとレビュー">
    ワークバッチでチーム全体に作業を配分します。マッピンググレードの精度要件にはマルチステージレビューを使用します。
  </Step>

  <Step title="エクスポートとトレーニング">
    アノテーションをエクスポートし、API または SDK 経由でリモートセンシングトレーニングパイプラインに統合します。
  </Step>
</Steps>

## 次のステップ

<CardGroup cols={2}>
  <Card title="ポリゴンツール" icon="draw-polygon" href="/docs/annotation/guides/tools/polygon">
    建物フットプリントとインフラのための精密な境界トレーシング。
  </Card>

  <Card title="セグメンテーションツール" icon="paintbrush" href="/docs/annotation/guides/tools/segmentation">
    土地被覆と地形マッピングのためのピクセルレベル分類。
  </Card>

  <Card title="クラウドストレージ" icon="cloud" href="/docs/integrations/cloud-storage">
    大規模画像コレクション用に S3 または GCS バケットを接続。
  </Card>

  <Card title="ベストプラクティス" icon="star" href="/docs/resources/best-practices">
    データセット整理、API 使用、アノテーションワークフロー最適化のヒント。
  </Card>
</CardGroup>