Как сделать снимок со спутника

Как создать
Содержание
  1. Спутниковые карты высокого разрешения: 10 лучших мобильных приложений и онлайн-сервисов
  2. Веб-сервисы
  3. Satmaps.ru
  4. Satellite-maps.ru
  5. Maps-online.ru
  6. Mapquest.com
  7. Бесплатные мобильные приложения для Android
  8. GPS Earth Satellite Map & Street View
  9. GPS Satellite & Live Navigation Route Map
  10. Россия живая карта Земли – спутниковый вид
  11. Спутниковая карта Земли и GPS-навигация
  12. MKS on Live: HD Earth live | Chromecast
  13. Как превратить спутниковые снимки в карты. Компьютерное зрение в Яндексе
  14. Инструменты
  15. Датасет
  16. Уточнение датасета
  17. «Растровый» подход
  18. «Геометрический» подход
  19. «Ручной» подход
  20. Нейронная сеть
  21. Разные территории — разные дома
  22. Варианты решения
  23. Семантическая сегментация
  24. Детектирование рёбер
  25. Детектирование вершин
  26. Mask R-CNN
  27. Векторизация
  28. Векторизация прямоугольниками
  29. Векторизация многоугольниками
  30. Улучшение векторизации
  31. Результат
  32. Спутниковые карты высокого разрешения онлайн 2020 в реальном времени
  33. Что нужно знать о спутниковых онлайн картах?
  34. Google Карты — вид из космоса в высоком разрешении
  35. Яндекс.Карты — лучшая карта России отличного разрешения
  36. Bing Maps – сервис спутниковых карт онлайн
  37. Maps.esri.com – карта спутников доступна в реальном времени
  38. Заключение

Спутниковые карты высокого разрешения: 10 лучших мобильных приложений и онлайн-сервисов

Согласитесь, здорово лежа на морском берегу, наблюдать за собственным двором с высоты птичьего полета. Или не выходя их дома изучать незнакомую местность, куда вам только предстоит поехать. Для этого нужно всего лишь… найти кого-то, кто согласится сделать для вас фотоснимки интересующих мест.

А можно поступить проще – воспользоваться спутниковой картой. Сегодня вашему вниманию – 10 лучших онлайн-сервисов и мобильных приложений для просмотра спутниковых карт высокого разрешения, а также интересных и необычных видов Земли из космоса.

Веб-сервисы

Bestmaps.ru – один из самых функциональных и удобных русскоязычных картографических сервисов. Здесь, помимо захватывающих видов со спутника, собрана масса крупномасштабных топографических карт и карт улиц (OSM) многих городов России и других стран.

Виды со спутника представлены следующими службами:

Спутниковые карты поддерживают разные режимы отображения – цветное, черно-белое, рельефное и т. д., в зависимости от возможностей служб, которые их предоставили.

Пользователь Bestmaps.ru может управлять масштабом, ставить на картах метки, добавлять локации в избранные и определять собственную геопозицию.

Satmaps.ru

Виды со спутника здесь представлены только службой Яндекс.Карты.

Чтобы переключить вид карты с обычного на спутниковый, нажмите в ее верхнем правом углу кнопку «Слои» и выберите «Спутник». Для изменения масштаба используйте колесико мыши.

Satellite-maps.ru

Satellite-maps.ru представляет собой сборник спутниковых и топографических карт высокого разрешения всех регионов России, Европы и стран мира (более 260). Мелкомасштабные карты государств и регионов (например, Крыма) и крупномасштабные – населенных пунктов здесь сгруппированы по отдельности, что упрощает навигацию по сайту. Кроме того, списки частозапрашиваемых объектов – больших городов и некоторых стран (в частности, это США, Беларусь, Украина, Узбекистан, Казахстан и др.) вынесены на главную.

На страничке каждой страны, крупного города и области приведены описания с упоминанием климатических особенностей, культурно-значимых объектов и прочей информации, которая может заинтересовать туристов.

Виды со спутников на сервисе Satellite-maps.ru представлены службой Google maps. Для переключения формата карты (топографическая – спутниковая) используйте кнопку в нижнем левом углу, а для масштабирования – колёсико мыши и клавишу Ctrl или кнопки «плюс» и «минус».

Maps-online.ru

На Maps-online.ru собраны карты высокого разрешения всех областей и краев РФ. Как и везде – спутниковые и топографические.

На главной странице сайта размещен список регионов нашей страны и графические миниатюры нескольких крупных городов – Волгограда, Екатеринбурга, Казани, Москвы, Нижнего Новгорода, Новосибирска, Санкт-Петербурга, Ростова-на-Дону, Тулы и Самары. Также здесь находится карта всей России.

На странице каждой конкретной области приведен кликабельный список ее районов и населенных пунктов. Щелчок по пунктам списка открывает крупномасштабные карты этих объектов. Разделы, посвященные отдельным областям и областным центрам, дополнены кратким описанием статистического характера.

Сервис Maps-online.ru использует картографические данные двух служб – Яндекс.Карты и Гугл мапс.

Mapquest.com

Англоязычный сервис Mapquest.com не слишком известен в нашей стране, зато очень популярен у жителей США и других стран западного полушария. Это не просто набор карт с нанесенными географическим объектами, а подробный справочник с широким дополнительным функционалом, куда входит:

По умолчанию Mapquest.com загружает территорию Соединенных Штатов, но при желании вы без труда переместитесь на область России. Улицы и крупные автотрассы нашей необъятной родины имеют подписи на русском языке.

Чтобы переключиться с обычного вида на спутниковый, нажмите кнопку «Satellite» с иконкой земного шара на панели, обведенной рамкой на скриншоте выше.

Бесплатные мобильные приложения для Android

GPS Earth Satellite Map & Street View

Англоязычное Андроид-приложение GPS Earth Satellite Map & Street View – не только спутниковая карта высокого разрешения в мобильном телефоне, но и карманный GPS-путеводитель с возможностью построения маршрутов. Возможно, как навигатор он уступает всенародно любимым Навителу и СитиГиду, но самые необходимые функции в нем есть. Среди них:

Кнопка переключения на спутниковый вид обведена рамкой на скриншоте.

GPS Earth Satellite Map & Street View, как и все его конкуренты из сегодняшнего обзора, использует спутниковые виды Google maps.

Приложение требует обязательного включения функции геолокации, поэтому существенно ускоряет разрядку смартфона.

GPS Satellite & Live Navigation Route Map

Программа GPS Satellite & Live Navigation Route Map больше понравится тем, кто не слишком хорошо понимает английский. Она многоязычная, и среди доступных языков есть русский. Перевод на наш исконный, к сожалению, точностью не блещет, но понять назначение кнопок и пунктов меню вполне позволяет.

Функциональные возможности GPS Satellite & Live Navigation Route Map несколько богаче, чем у предшественника. С помощью этого приложения вы сможете:

Пользователи высоко оценивают возможности GPS Satellite & Live Navigation Route Map, однако не всем нравится, что разработчики редко обновляют карты.

Россия живая карта Земли – спутниковый вид

Мобильное приложение « Россия живая карта Земли – спутниковый вид » будто специально создано для нас – жителей РФ. Однако американские разработчики почему-то не учли, что в России говорят по-русски. Впрочем, не будем сильно придираться, ведь пользоваться их творением несложно даже в англоязычном варианте.

Набор возможностей приложения довольно стандартный для своего класса. В него входят:

Приложение имеет небольшой размер и экономно потребляет ресурсы мобильного устройства. Однако оно тоже не лишено недостатков. Главный из них – избыток рекламы, которая в нужный момент перекрывает весь экран.

Читайте также:  Как сделать рукав для запекания

Спутниковая карта Земли и GPS-навигация

« Спутниковая карта Земли и GPS-навигация » отличается от конкурентов крайне незначительно – скорее дизайном, чем функциональностью. И это закономерно, ведь все они используют одну и ту же картографическую службу – Google. Помимо живой картинки со спутников, здесь есть:

Карты дорог и ландшафтов доступны в приложении без подключения к Интернету, но при условии, что они предварительно загружены на устройство. Однако эти карты не всегда передают текущее состояние местности, поскольку обновляются довольно редко. Иногда раз в полгода.

MKS on Live: HD Earth live | Chromecast

Приложение MKS on Live: HD Earth live | Chromecast радикально отличается от всего, что было рассмотрено выше. В качестве построителя маршрутов оно вам не пригодится. И рассчитать, сколько времени добираться до ближайшей кафешки, точно не сможет. Оно умеет другое – дарить возможность наблюдать за планетой с Международной космической станции real time. Его пользователи – люди, увлеченные космосом и астрономией.

Для отслеживания местоположения МКС программа использует карты Google. Спутник, местность и формат карты пользователь определяет сам.

Помимо поверхности матушки-земли с космических орбит, MKS on Live: HD Earth live показывает карту облаков всего мира, область текущего расположения космической станции и ее телеметрические данные: долготу, широту, высоту, скорость. Но это далеко не всё.

С помощью этого приложения можно увидеть много других интересных вещей. Например:

Благодаря подсказкам MKS on Live: HD Earth live вы сможете своими глазами посмотреть прохождение космической станции над местом вашего проживания (в ясную погоду это видно без телескопа). А также наблюдать, как выглядит из космоса территория интересующей вас местности.

Источник

Как превратить спутниковые снимки в карты. Компьютерное зрение в Яндексе

Один из главных источников данных для сервиса Яндекс.Карты — спутниковые снимки. Чтобы с картой было удобно работать, на снимках многоугольниками размечаются объекты: леса, водоёмы, улицы, дома и т. п. Обычно разметкой занимаются специалисты-картографы. Мы решили помочь им и научить компьютер добавлять многоугольники домов без участия людей.

За операции с изображениями отвечает область ИТ, которая называется компьютерным зрением. Последние несколько лет большую часть задач из этой области очень удачно решают, применяя нейронные сети. О нашем опыте применения нейронных сетей в картографировании мы и расскажем сегодня читателям Хабра.

Первым делом натренируем нейронную сетку, которая займётся семантической сегментацией, т. е. определит, относится ли каждая точка на спутниковом снимке к дому. Почему семантическая сегментация, а не просто детектирование объектов? Когда задача обнаружения будет решена, мы получим на выходе набор прямоугольников, причём специфических: две стороны вертикальные, две горизонтальные. А дома обычно повёрнуты относительно осей изображения, а у некоторых зданий ещё и сложная форма.

Задачу семантической сегментации сейчас решают различные сети (FCN, SegNet, UNet и т. п.). Надо только выбрать, какая из них лучше нам подходит.

Получив маску по спутниковому снимку, мы выделим достаточно большие скопления точек, принадлежащих домам, соберём их в связные области и представим границы областей в векторной форме в виде многоугольников.

Понятно, что маска не будет абсолютно точной, а значит, близко стоящие дома могут склеиться в одну связную область. Чтобы справиться с этой проблемой, мы решили дополнительно натренировать сеть. Она отыщет на изображении рёбра (границы домов) и разделит здания, которые склеились.

Итак, вырисовывалась такая схема:

Мы не стали полностью отбрасывать детектирующие сети и попробовали Mask R-CNN. Её плюс в сравнении с обычной сегментацией в том, что Mask R-CNN и обнаруживает объекты, и генерирует маску, поэтому не надо возиться с разделением общей маски на связные области. Ну а минус (как без него) в фиксированном разрешении маски каждого объекта, т. е. для больших домов со сложной границей эта граница заведомо получится упрощённой.

Инструменты

Затем следовало определиться с инструментами. Здесь всё было достаточно очевидно: для задач компьютерного зрения лучше всего подходит OpenCV. Выбор нейронных сетей несколько шире. Мы остановились на Tensorflow. Её плюсы:

Датасет

Успех в работе с нейронной сетью процентов на восемьдесят состоит из хорошего датасета. А значит, для начала нам следовало собрать такой датасет. В Яндексе имеется огромное количество спутниковых снимков с уже размеченными объектами. Кажется, всё просто: достаточно выгрузить эти данные и собрать в датасет. Однако есть один нюанс.

Уточнение датасета

Когда человек ищет дома на спутниковом снимке, то первым делом он замечает крыши. Но высота домов различается, спутник может снять одну и ту же местность с разных углов — и если мы поместим на векторную карту многоугольник, соответствующий крыше, то нет гарантий, что при обновлении снимка крыша не уедет. А вот фундамент врыт в землю и, с какого угла его ни снимай, всё время остаётся на одном месте. Именно поэтому дома на векторной Яндекс.Карте размечены «по фундаментам». Это правильно, но для задачи сегментирования снимков лучше научить сеть искать крыши: надежда, что сетка натренируется распознавать фундаменты, очень невелика. Поэтому в датасете всё должно быть размечено по крышам. Значит, чтобы создать хороший датасет, нам надо научиться сдвигать векторную разметку домиков от фундаментов к крышам.

Мы пробовали и не сдвигать, но качество получалось очень не очень, и это понятно: углы съёмки спутника разные, высоты домов разные, в итоге на фотографиях фундамент смещался в разные стороны и на разное расстояние от крыши. Сеть теряется от такого разнообразия и в лучшем случае тренируется на что-то среднее, в худшем — на что-то непонятное. Причём сеть для семантической сегментации выдаёт результат, похожий на что-то приемлемое, но при поиске рёбер качество падает драматически.

«Растровый» подход

Раз уж мы залезли в область компьютерного зрения, то первым делом опробовали подход, релевантный этому самому компьютерному зрению. Cначала векторная карта растеризуется (многоугольники домиков отрисовываются белыми линиями на чёрном фоне), фильтр Собеля выделяет рёбра на спутниковом снимке. А затем находится смещение двух изображений относительно друг друга, которое максимизирует корреляцию между ними. Рёбра после фильтра Собеля довольно шумные, поэтому, если применять данный подход к одному зданию, не всегда получается приемлемый результат. Однако метод хорошо работает на территориях со зданиями одинаковой высоты: если искать смещение сразу по большому участку изображения, результат будет более стабильный.

Читайте также:  Как сделать голос пинки пай

«Геометрический» подход

Если территория застроена не однотипными, а разнообразными домами, предыдущий метод не подойдёт. К счастью, иногда мы знаем высоту зданий на векторной карте Яндекса и положение спутника во время съёмки. Таким образом, мы можем воспользоваться школьными знаниями геометрии и сосчитать, куда и на какое расстояние сдвинется крыша относительно фундамента. Этот способ позволил улучшить датасет на территориях с высотными зданиями.

«Ручной» подход

Самый трудоёмкий способ: засучить рукава, расчехлить мышку, уставиться в монитор и вручную сдвинуть векторную разметку домиков от фундаментов к крышам. Методика приносит просто потрясающий по качеству результат, но применять её в больших количествах не рекомендуется: разработчики, занятые такими задачами, быстро впадают в апатию и теряют интерес к жизни.

Нейронная сеть

В итоге мы получили достаточно спутниковых снимков, хорошо размеченных по крышам. А значит, появился шанс натренировать нейронную сеть (пока, правда, не для сегментации, а для улучшения разметки других спутниковых снимков). И мы это сделали.

Входными данными свёрточной нейронной сети были спутниковый снимок и смещённая растеризованная разметка. На выходе мы получали двухмерный вектор: смещения по вертикали и горизонтали.

С помощью нейронной сети мы нашли необходимое смещение, что позволило добиться хороших результатов на зданиях, у которых не указана высота. В итоге мы значительно сократили исправление разметки вручную.

Разные территории — разные дома

На Яндекс.Картах есть множество интересных территорий и государств. Но даже в России дома крайне разнообразны, что сказывается на том, как они выглядят на спутниковых снимках. Значит, надо отразить разнообразие в датасете. Причём изначально мы не очень понимали, как правильно справляться со всем этим великолепием. Собирать огромный датасет и потом тренировать на нём одну сеть? Делать свой датасет для каждого (условного) типа застройки и обучать отдельную сеть? Тренировать некую базовую сеть и потом дотренировывать её под конкретный тип застройки?

Опытным путём мы выяснили, что:

Варианты решения

Семантическая сегментация

Семантическая сегментация — достаточно хорошо исследованная задача. После появления статьи Fully Convolutional Networks она в основном решается при помощи нейронных сетей. Остаётся только выбрать сеть (мы рассматривали FCN, SegNet и UNet), подумать, нужны ли нам дополнительные ухищрения типа CRF на выходе, и определиться, как и с какой функцией ошибки будет проходить обучение.

В итоге остановились на U-Net-подобной архитектуре с обобщенной функцией Intersection Over Union в качестве функции ошибки. Для тренировки нарезали спутниковые снимки и соответствующую им разметку (естественно, растеризованную) на квадраты и собрали в датасеты. Получилось вполне миленько, а иногда так и просто отлично.

На территориях с одиночными зданиями семантической сегментации оказалось достаточно для перехода к следующему этапу — векторизации. Там, где застройка плотная, дома иногда склеивались в связную область. Потребовалось разделить их.

Детектирование рёбер

Чтобы справиться с этой задачей, можно найти рёбра на изображении. Для детектирования рёбер мы решили тоже обучить сеть (алгоритмы поиска рёбер, не использующие нейронные сети, явно уходят в прошлое). Тренировали сеть типа HED, которая описана в работе Holistically-Nested Edge Detection. В оригинальной статье сеть обучалась на наборе данных BSDS-500, в котором на изображениях размечены все рёбра. Обученная сеть находит все явно выраженные рёбра: границы домов, дорог, озёр и т. д. Этого уже хватало, чтобы разделить близко стоящие здания. Но мы решили пойти дальше и использовать для обучения тот же датасет, что и для семантической сегментации, только при растеризации не закрашивать многоугольники зданий целиком, а отрисовывать лишь их границы.

Результат оказался настолько ошеломляюще прекрасен, что мы решили векторизовать здания непосредственно по рёбрам, полученным от сети. И это вполне получилось.

Детектирование вершин

Поскольку сеть типа HED дала отличный результат на рёбрах, мы решили натренировать её же для обнаружения вершин. Фактически у нас получилась сеть с общими весами на свёрточных слоях. У неё было два выхода одновременно: для рёбер и для вершин. В итоге мы сделали ещё один вариант векторизации зданий, и в некоторых случаях он показывал вполне вменяемые результаты.

Mask R-CNN

Mask R-CNN — это относительно новое расширение сетей типа Faster R-CNN. Mask R-CNN ищет объекты и выделяет для каждого из них маску. В результате для домов мы получим не только ограничивающие прямоугольники, но и уточнённую структуру. Этот подход выгодно отличается от простого детектирования (мы не знаем, как здание расположено внутри прямоугольника) и от обычной сегментации (несколько домов могут склеиться в один, и непонятно, как их разделять). С Mask R-CNN уже не надо думать о дополнительных ухищрениях: достаточно векторизовать границу маски для каждого объекта и сразу получить результат. Есть и минус: размер маски для объекта всегда фиксированный, т. е. для больших зданий точность разметки пикселей будет низкой. Результат работы Mask R-CNN выглядит так:

Мы попробовали Mask R-CNN последним и убедились, что для некоторых типов застройки этот подход выигрывает у других.

Векторизация

Векторизация прямоугольниками

При всём современном архитектурном разнообразии дома на спутниковых снимках до сих пор чаще всего выглядят как прямоугольники. Более того, для массы территорий не нужна разметка сложными многоугольниками. Но всё же хочется, чтобы дома на карте были размечены. (Ну, например, садоводческое товарищество: домов там обычно много, вручную размечать — не настолько актуально, но обозначить прямоугольниками на карте очень неплохо.) Поэтому первый подход к векторизации был крайне простой.

Векторизация многоугольниками

Если качество сегментации достаточно хорошее, можно более точно воссоздать контур дома. У большинства зданий сложной формы углы в основном прямые, поэтому мы решили свести задачу к задаче построения многоугольника с ортогональными сторонами. Решая её, мы хотим добиться сразу двух целей: найти наиболее простой многоугольник и как можно точнее повторить форму зданий. Эти цели конфликтуют между собой, поэтому приходится вводить дополнительные условия: ограничивать минимальную длину стен, максимальное отклонение от растровой области и т. д.

Алгоритм, который первым пришёл нам в голову, был основан на построении проекции точек на прямые:

Данный алгоритм крайне прост и быстро приносит результат, но всё же контур здания иногда получается довольно зашумленным. Пытаясь справиться с этой проблемой, мы наткнулись на довольно интересный вариант решения задачи, который использует квадратную сетку в пространстве для приближения многоугольника. Если описывать кратко, то алгоритм состоит из трёх действий:

Читайте также:  Как сделать выкройку для конуса

Так как необходимый угол поворота сетки заранее неизвестен, приходится перебирать несколько значений, что плохо сказывается на производительности. Однако алгоритм позволяет добиться более визуально красивых результатов.

Улучшение векторизации

Пока мы фактически работали с каждым домом отдельно. Когда первый этап пройден, можно поработать уже с картиной в целом и улучшить результат. Для этого был добавлен алгоритм постобработки набора многоугольников. Мы воспользовались следующими эвристиками:

Результат

В результате мы получили инструмент, способный распознавать здания различных типов застройки. Он помогает картографам в их нелёгкой работе: значительно ускоряет поиск пропущенных домов и заполнение новых, ещё не обработанных территорий. На данный момент с помощью этого инструмента в Народную карту добавлено уже более 800 тысяч новых объектов.

Ниже вы увидите несколько примеров распознавания.

Источник

Спутниковые карты высокого разрешения онлайн 2020 в реальном времени

Многих пользователей интересуют спутниковые карты онлайн, дающие возможность с высоты птичьего полёта насладиться видом любимых мест нашей планеты. В сети существует достаточно количество таких сервисов, при этом всё их многообразие не должно вводить в заблуждение – большинство таких сайтов используют классический API от «Google Maps». Тем не менее, существует также ряд ресурсов, использующих свой собственный инструментарий для создания спутниковых карт высокого качества. В данном материале я расскажу о лучших спутниковых картах высокого разрешения доступных онлайн в 2017-2020 году, а также поясню, как ими пользоваться.

Что нужно знать о спутниковых онлайн картах?

При создании спутниковых карт земной поверхности обычно используются как снимки из космических спутников, так и фото со специальных летательных аппаратов, позволяющих проводить фотосъёмку на высоте птичьего полёта (250-500 метров).

Созданные таким образом спутниковые карты высочайшего качества разрешения регулярно обновляются, и обычно снимки с них имеют возраст не более 2-3 лет.

Большинство сетевых сервисов не имеют возможностей для создания своих собственных спутниковых карт. Обычно в них используется карты с других, более мощных, сервисов (обычно это Гугл Мапс). При этом внизу (или вверху) экрана вы сможете найти упоминание об авторских правах какой-либо компании на демонстрацию данных карт.

Использование фото со спутников позволяет получать детализированные карты высокого качества

Просмотр спутниковых карт реального времени ныне не доступен для обычного пользователя, так как подобный инструментарий используется преимущественно в военных целях. Пользователям доступны карты, фотографии для которых сделаны на протяжении последних месяцев (а то и лет). Стоит понимать, что какие-либо военные объекты могут быть намеренно заретушированы с целью их скрытия от заинтересованных лиц.

Перейдём к описанию сервисов, позволяющих нам насладиться возможностями спутниковых карт.

Google Карты — вид из космоса в высоком разрешении

Сервис «Google Maps» (Карты Гугл) – наиболее популярный в мире картографический сервис, представляющий спутниковые снимки высокой детализации в 2020. В сервис интегрированы карта дорог и бизнес справочник, позволяя не только создать оптимальный транспортный маршрут, но и найти нужное нам заведение (отель, ресторан, кинотеатр и так далее). Для многих регионов также доступен просмотр географических точек с угла 45° с четырёх сторон света.

Для задействования спутниковой карты в реальном времени на весь экран необходимо перейти на указанный ресурс, и нажать слева внизу на окошко с названием «Спутник».

Кроме спутникового отображения, на ресурсе доступно отображение пробок в крупных городах и рельефа местности (доступ к данному функционалу достигается путём нажатия на кнопку меню слева сверху). Также вы можете перейти в уникальный режим просмотра улиц, нажав на кнопку с изображением человечка справа снизу, и просмотреть фотографии нужного вам места, нажав на «Показать фотографии».

Яндекс.Карты — лучшая карта России отличного разрешения

Отечественный сервис «Яндекс.Карты» хорош, прежде всего, уровнем детализации применительно к территории России. Уступая «Гугл Мапс» в уровне покрытия всего мира, «Яндекс» превосходит «Карты Гугл» когда дело касается непосредственно Российской Федерации. По заявлениям разработчиков, данные по России обновляются компанией раз в две недели в 2020 году, что является довольно хорошим результатом на фоне конкурентов.

На данный момент пользователь может выбрать одну из трёх форм отображения (слоёв) карты – схематический, спутниковый, и гибридный (спутниковый с надписями). Кроме спутникового просмотра, сервис Yandex.Карты позволяет просматривать панорамы улиц и фото, измерять расстояние от одного объекта до другого (кнопка «Линейка»), прокладывать оптимальные маршруты к нужной точке. Функционал сервиса может заблаговременно информировать водителей о возникших пробках и ДТП (служба «Яндекс.Пробки»).

Bing Maps – сервис спутниковых карт онлайн

Среди картографических онлайн сервисов достойного качества нельзя пройти стороной мимо сервиса «Bing Maps» («Карты Бинг»), являющего детищем компании «Майкрософт». Как и другие описанные мной ресурсы, данный сайт предоставляет довольно качественные фото поверхности, созданные с помощью спутниковой и аэрофотосъёмки.

Сервис «Bing Maps» — один из наиболее популярных картографических сервисов в США

Функционал сервиса схож с уже описанными выше аналогами:

Maps.esri.com – карта спутников доступна в реальном времени

Сервис «maps.esri.com» наряду со спутниковым отображением Земли демонстрирует местонахождение большинства околоземных спутников, занятых решением тех или иных задач. В панели справа вы можете включить или отключить отображение различных категорий спутников (например, «communication» – спутники связи, «navigation» – навигационные спутники, «weather» – погодные и так далее).

При этом с помощью кнопки поиска вы сможете определить онлайн местонахождение конкретного спутника, а кликнув на какой-либо спутник на карте вы получить краткую информацию о нём (страна, размер, дата запуска и так далее).

Сервис maps.esri.com покажет большинство имеющихся спутников на земной орбите

Заключение

Для отображения спутниковых карт высокого разрешения в режиме онлайн стоит воспользоваться одним из перечисленных мной сетевых решений. Наибольшую популярность в общемировом масштабе имеет сервис «Карты Гугл», потому рекомендую использовать данный ресурс для работы со спутниковыми картами онлайн. Если же вас интересует просмотр геолокаций на территории РФ, то лучше использовать инструментарий «Яндекс.Карты». Частота их обновлений в отношений нашей страны превосходит аналогичную частоту от «Гугл Мапс».

Источник

Оцените статью
Полезные советы и лайфхаки для жизни