1.纽约机场ori

• 地理位置：约4.7128°N, -74.6°W
• 分类：城市机场，无人机停机区较多
• 适合场景：地理位置数据训练，城市机场识别

2. 奥斯卡机场ori

   • 地理位置：约4.7216°N, -74.4128°W
   • 分类：机场停机区，无人机停机区较多
   • 适合场景：机场停机区识别，地理位置数据训练

3. 旧金山机场ori

   • 地理位置：约4.6891°N, -122.378°W
   • 分类：机场停机区，无人机停机区较多
   • 适合场景：机场停机区识别，地理位置数据训练

4. 柏林机场ori

   • 地理位置：约52.5172°N, 13.4228°E
   • 分类：城市机场，紧急出口存在
   • 适合场景：紧急出口识别，城市机场识别

5. 多伦多机场ori

   • 地理位置：约43.854°N, -79.148°W
   • 分类：城市机场，无人机停机区较多
   • 适合场景：无人机停机区识别，城市机场识别

6. 杭州机场ori

   • 地理位置：约31.4667°N, 116.4167°E
   • 分类：城市机场，无人机停机区较多
   • 适合场景：无人机停机区识别，城市机场识别

7. 拉萨机场ori

   • 地理位置：约27.7778°N, 77.8167°E
   • 分类：机场停机区，无人机停机区较多
   • 适合场景：机场停机区识别，地理位置数据训练

8. 纽约机场ori JFK

   • 地理位置：约4.7128°N, -73.8458°W
   • 分类：城市机场，无人机停机区较多
   • 适合场景：地理位置数据训练，城市机场识别

9. 旧金山机场ori JFK

   • 地理位置：约4.6891°N, -122.378°W
   • 分类：机场停机区，无人机停机区较多
   • 适合场景：机场停机区识别，地理位置数据训练

这些机场提供丰富且实际的地理位置数据,适合用于训练和验证PyTorch模型，它们的分类特征可以帮助模型更好地理解机场的类型和潜在的停机情况。