> ## 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. # Спутниковые и аэрофотоснимки > Аннотация спутниковых, аэрофотоснимков и снимков с дронов для дистанционного зондирования и картографии Команды дистанционного зондирования аннотируют спутниковые, аэрофотоснимки и снимки с дронов для классификации землепользования, картографии, мониторинга инфраструктуры и экологического анализа. Avala предоставляет инструменты полигонов, сегментации и классификации, оптимизированные для съёмки с высоты, а также функции управления наборами данных для организации крупномасштабных коллекций изображений по географии и временным периодам. ## Типы данных | Источник | Тип данных Avala | Типичная аннотация | | ------------------ | ---------------- | ---------------------------------------------- | | Спутниковые снимки | Image | Полигоны, маски сегментации, классификация | | Аэрофотосъёмка | Image | Ограничивающие рамки, полигоны | | Снимки с дронов | Image, Video | Ограничивающие рамки, полигоны, сегментация | | Ортофото | Image | Маски сегментации, классификация | | Временные ряды | Image | Классификация, аннотации обнаружения изменений | ## Типичные задачи ### Классификация землепользования Сегментируйте спутниковые и аэрофотоснимки по категориям земного покрова: городская территория, лес, вода, сельское хозяйство, пустошь, водно-болотные угодья и другие типы местности. Используйте инструмент сегментации для попиксельной классификации по всему изображению или полигональную аннотацию для разметки на уровне регионов. **Пример таксономии меток:** ```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" } ] } ``` Для классификации землепользования определяйте категории на основе разрешения ваших снимков. Спутниковые снимки высокого разрешения (0,3-0,5 м/пиксель) поддерживают детальные категории вроде «жилая застройка» и «коммерческая застройка». Более низкое разрешение (10-30 м/пиксель) лучше работает с более широкими категориями вроде «городская территория» и «сельская местность». ### Извлечение контуров зданий Обводите полигонами границы зданий для картографии, городского планирования и обнаружения изменений. Инструмент полигонов поддерживает: * Редактирование на уровне вершин для точных границ крыш * Привязку к краям для прямоугольных зданий * Копирование и корректировку для повторяющихся структур (например, рядовые дома) Наборы данных контуров зданий используются для оценки населения, картографии при ликвидации последствий катастроф и мониторинга строительства. ### Подсчёт транспортных средств и объектов Обнаруживайте и подсчитывайте транспортные средства, суда, самолёты и другие объекты на снимках с высоты с помощью ограничивающих рамок. Для плотных сцен (парковки, порты, аэропорты) ограничивающие рамки обеспечивают быструю аннотацию с достаточной точностью для моделей подсчёта и обнаружения. ### Мониторинг инфраструктуры Аннотируйте элементы инфраструктуры — дороги, мосты, линии электропередач, солнечные панели, трубопроводы — для оценки состояния и обнаружения изменений. | Инфраструктура | Тип аннотации | Атрибуты | | ---------------- | ------------- | ---------------------------------------------------- | | Дороги | Полилинии | Тип покрытия, состояние, ширина | | Здания | Полигоны | Тип крыши, уровень повреждения, статус строительства | | ЛЭП | Полилинии | Тип пролёта, наличие опоры | | Солнечные панели | Полигоны | Количество панелей, ориентация | | Водоёмы | Полигоны | Тип (река, озеро, водохранилище), границы | ### Обнаружение изменений Сравнивайте снимки разных дат для выявления изменений: новое строительство, вырубка леса, площадь затопления, рост культур. Организуйте временные пары изображений в одном наборе данных и аннотируйте изменения метками классификации и полигональными границами. Используйте поля метаданных для тегирования изображений датой съёмки и местоположением: ``` metadata.collection_date = "2026-01-15" metadata.region = "san-francisco-bay" metadata.satellite = "worldview-3" ``` Затем фильтруйте с помощью [языка запросов](/docs/annotation/reference/query-language) для поиска конкретных временных окон: ``` metadata.region = "san-francisco-bay" AND metadata.collection_date = "2026-01-15" ``` ## Организация наборов данных Наборы данных спутниковых и аэрофотоснимков, как правило, велики — тысячи и миллионы изображений по географическим регионам и временным периодам. Эффективная организация критически важна. ### Стратегии организации | Стратегия | Когда использовать | Пример | | ------------------ | --------------------------------- | ------------------------------------------------------- | | **По региону** | Проекты с несколькими географиями | `north-america`, `europe`, `southeast-asia` | | **По дате съёмки** | Временной анализ | `q1-2026`, `q2-2026` | | **По разрешению** | Источники с разным разрешением | `high-res-30cm`, `medium-res-10m` | | **По задаче** | Разные цели аннотации | `building-footprints`, `land-cover`, `vehicle-counting` | ### Использование срезов [Срезы](/docs/api-reference/slices) создают виртуальные подмножества без дублирования изображений: * Создайте срез `training` с 80% изображений и срез `validation` с 20% * Создайте срезы по географическим регионам для региональной оценки модели * Создайте срез `difficult-cases` для изображений, которые аннотаторы часто размечают неправильно ### Интеграция с облачным хранилищем Для больших коллекций спутниковых снимков используйте [интеграцию с облачным хранилищем](/docs/integrations/cloud-storage) для прямого подключения вашего S3 или GCS бакета. Avala читает изображения из вашего бакета без отдельного этапа загрузки. Облачное хранилище рекомендуется для наборов спутниковых снимков объёмом более 10 000 изображений. Это избавляет от узкого места загрузки и сохраняет данные в вашем хранилище с вашими политиками шифрования и хранения. ## Пример пайплайна ``` 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 ``` ## Начало работы Конвертируйте изображения в формат JPEG или PNG. Для геопривязанных данных сохраняйте координатные метаданные в сопроводительных файлах или вашей ГИС-системе — Avala работает с пикселями изображений. Для небольших наборов данных загружайте напрямую. Для больших коллекций подключите S3 или GCS бакет через интеграцию с облачным хранилищем. Прикрепите метаданные (регион, дата, спутник-источник) к элементам. Создайте срезы для разделения на обучающую/валидационную выборки и географические подмножества. Определите таксономию меток (классы земного покрова, типы зданий, категории инфраструктуры). Выберите тип аннотации, подходящий для вашей задачи. Распределите работу по команде с помощью рабочих пакетов. Используйте многоэтапное рецензирование для требований картографической точности. Экспортируйте аннотации и интегрируйте с вашим пайплайном обучения дистанционного зондирования через API или SDK. ## Следующие шаги Прецизионная обводка границ для контуров зданий и инфраструктуры. Попиксельная классификация для земного покрова и картирования местности. Подключите S3 или GCS бакет для больших коллекций снимков. Советы по организации наборов данных, использованию API и оптимизации рабочих процессов аннотации.