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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0186
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08