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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00