> ## 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.

# 卫星与航空影像

> 标注卫星、航空和无人机影像，用于遥感和测绘应用

遥感团队标注卫星、航空和无人机影像，用于土地利用分类、测绘、基础设施监控和环境分析。Avala 提供针对俯视影像优化的多边形、分割和分类工具，以及用于组织跨地理区域和时间段的大规模影像集合的数据集管理功能。

## 数据类型

| 来源     | Avala 数据类型 | 典型标注        |
| ------ | ---------- | ----------- |
| 卫星影像   | 图像         | 多边形、分割蒙版、分类 |
| 航空摄影   | 图像         | 边界框、多边形     |
| 无人机影像  | 图像、视频      | 边界框、多边形、分割  |
| 正射影像   | 图像         | 分割蒙版、分类     |
| 时间序列合成 | 图像         | 分类、变化检测标注   |

## 常见任务

### 土地利用分类

将卫星和航空影像分割为土地覆盖类别：城市、森林、水域、农田、荒地、湿地和其他地形类型。使用分割工具进行全图像像素级分类，或使用多边形标注进行区域级标注。

<Tip>
  对于土地利用分类，根据影像分辨率定义类别。高分辨率卫星（0.3-0.5 m/像素）支持细粒度类别如"住宅"与"商业"。较低分辨率（10-30 m/像素）更适合较粗类别如"城市"与"乡村"。
</Tip>

### 建筑物轮廓提取

为测绘、城市规划和变化检测追踪建筑物的多边形边界。多边形工具支持：

* 精确屋顶边界的顶点级编辑
* 直角建筑的边缘吸附
* 重复结构的复制和调整（例如排屋）

### 车辆和物体计数

使用边界框标注检测和计数俯视影像中的车辆、船舶、飞机和其他物体。对于密集场景（停车场、港口、机场），边界框提供快速标注且精度足够用于计数和检测模型。

### 基础设施监控

标注基础设施元素——道路、桥梁、电力线、太阳能板、管道——用于状况评估和变化检测。

| 基础设施 | 标注类型 | 属性              |
| ---- | ---- | --------------- |
| 道路   | 折线   | 路面类型、状况、宽度      |
| 建筑   | 多边形  | 屋顶类型、损坏程度、施工状态  |
| 电力线  | 折线   | 跨度类型、塔架存在       |
| 太阳能板 | 多边形  | 面板数量、方向         |
| 水体   | 多边形  | 类型（河流、湖泊、水库）、边界 |

### 变化检测

比较不同日期的影像以识别变化：新建筑、森林砍伐、洪水范围、作物生长。在同一数据集中组织时间影像对，并使用分类标签和多边形边界标注变化。

## 数据集组织

卫星和航空影像数据集往往很大——跨地理区域和时间段的数千到数百万张图像。有效的组织至关重要。

### 使用切片

[切片](/docs/api-reference/slices)创建虚拟子集而不复制图像：

* 创建包含 80% 图像的 `training` 切片和 20% 的 `validation` 切片
* 按地理区域创建切片用于区域特定模型评估
* 创建 `difficult-cases` 切片用于标注员经常出错的图像

### 云存储集成

对于大型卫星影像集合，使用[云存储集成](/docs/integrations/cloud-storage)直接连接您的 S3 或 GCS 存储桶。Avala 从您的存储桶读取图像而无需单独的上传步骤。

<Info>
  对于超过 10,000 张图像的卫星影像数据集，建议使用云存储。它避免了上传瓶颈，并让您的数据保留在您自己的存储中，使用您的加密和保留策略。
</Info>

## 示例管道

```
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
```

## 开始使用

<Steps>
  <Step title="准备影像">
    将图像转换为 JPEG 或 PNG 格式。对于地理参考数据，将坐标元数据保存在 sidecar 文件或 GIS 系统中——Avala 处理图像像素。
  </Step>

  <Step title="上传或连接存储">
    对于小数据集直接上传。对于大型集合，通过云存储集成连接您的 S3 或 GCS 存储桶。
  </Step>

  <Step title="使用元数据和切片组织">
    为项附加元数据（区域、日期、源卫星）。创建切片用于训练/验证分割和地理子集。
  </Step>

  <Step title="创建标注项目">
    定义标签分类体系（土地覆盖类别、建筑类型、基础设施类别）。选择适合任务的标注类型。
  </Step>

  <Step title="标注和审核">
    使用工作批次在团队中分发工作。使用多阶段审核满足测绘级精度要求。
  </Step>

  <Step title="导出和训练">
    导出标注并通过 API 或 SDK 集成到遥感训练管道中。
  </Step>
</Steps>

## 下一步

<CardGroup cols={2}>
  <Card title="多边形工具" icon="draw-polygon" href="/docs/annotation/guides/tools/polygon">
    建筑物轮廓和基础设施的精确边界追踪。
  </Card>

  <Card title="分割工具" icon="paintbrush" href="/docs/annotation/guides/tools/segmentation">
    土地覆盖和地形测绘的像素级分类。
  </Card>

  <Card title="云存储" icon="cloud" href="/docs/integrations/cloud-storage">
    连接您的 S3 或 GCS 存储桶用于大型影像集合。
  </Card>

  <Card title="最佳实践" icon="star" href="/docs/resources/best-practices">
    数据集组织、API 使用和标注工作流优化技巧。
  </Card>
</CardGroup>