Overpass Turbo 使用教程
1. 项目介绍
Overpass Turbo 是一个基于 Web 的数据挖掘工具,专为 OpenStreetMap(OSM)设计,使用 Overpass API 进行数据查询和分析。它提供了一个用户友好的界面,使得用户可以轻松地编写和运行复杂的 OSM 数据查询,并进行可视化分析。
主要功能
- 查询编辑器:提供一个交互式的查询编辑器,支持 Overpass QL(Overpass Query Language)。
- 地图可视化:实时在地图上显示查询结果,支持多种地图样式。
- 数据导出:支持将查询结果导出为 GeoJSON、KML 等格式。
- 模板库:内置多种常用查询模板,方便用户快速开始。
2. 项目快速启动
安装与运行
-
克隆项目:
git clone https://github.com/tyrasd/overpass-turbo.git cd overpass-turbo -
安装依赖:
yarn install -
启动开发服务器:
yarn run start启动后,访问
http://localhost:5173即可使用 Overpass Turbo。 -
构建生产版本:
yarn run build构建完成后,生成的文件位于
/dist目录下。
基本使用
-
打开 Overpass Turbo: 访问
http://localhost:5173或直接使用在线版本https://overpass-turbo.eu/。 -
编写查询: 在左侧的查询编辑器中输入 Overpass QL 查询语句,例如:
[out:json]; node["amenity"="restaurant"](around:1000,51.5074,-0.1278); out; -
运行查询: 点击“运行”按钮,查询结果将显示在地图上。
-
导出数据: 点击“导出”按钮,选择导出格式(如 GeoJSON、KML 等),保存查询结果。
3. 应用案例和最佳实践
案例1:查找特定区域内的餐厅
假设你需要查找伦敦市中心(坐标:51.5074, -0.1278)1公里范围内的所有餐厅。
[out:json];
node["amenity"="restaurant"](around:1000,51.5074,-0.1278);
out;
案例2:分析道路网络
分析某个城市的道路网络,查找所有高速公路和主要道路。
[out:json];
way["highway"~"motorway|trunk|primary|secondary"]({{bbox}});
out geom;
最佳实践
- 使用模板:Overpass Turbo 提供了多种常用查询模板,可以大大简化查询编写过程。
- 优化查询:尽量缩小查询范围,减少数据量,提高查询速度。
- 数据导出:根据需求选择合适的导出格式,方便后续分析和处理。
4. 典型生态项目
1. OpenStreetMap
OpenStreetMap 是一个全球性的开源地图项目,Overpass Turbo 是其重要的数据查询工具之一。通过 Overpass Turbo,用户可以方便地获取和分析 OSM 数据。
2. Overpass API
Overpass API 是 OpenStreetMap 的一个子集 API,专门用于查询 OSM 数据。Overpass Turbo 基于 Overpass API 构建,提供了更友好的用户界面和更丰富的功能。
3. OSMnx
OSMnx 是一个 Python 库,用于从 OpenStreetMap 下载、建模、分析和可视化街道网络。结合 Overpass Turbo,可以更高效地获取和处理 OSM 数据。
4. QGIS
QGIS 是一个开源的地理信息系统(GIS)软件,支持导入和分析各种地理数据格式。通过 Overpass Turbo 导出的数据可以直接导入 QGIS 进行进一步分析和可视化。
通过以上模块的介绍和实践,相信你已经对 Overpass Turbo 有了全面的了解,并能够快速上手使用。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust011
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00