Большая подборка космических карт для тех, кому на Земле уже скучно На земных картах можно рассмотреть почти любой уголок планеты. С Марсом, Луной и другими небесными телами сложнее: их карты приходится собирать по кусочкам из данных космических аппаратов. Зато изучать их теперь можно прямо в браузере. Например, проследить маршруты Curiosity и Perseverance, приблизить поверхность Луны до отдельных валунов или перемотать время вперёд, чтобы увидеть будущее положение «Вояджера-2». Причём некоторые из этих сервисов используют те же научные данные, с которыми работают специалисты космических миссий. И это только часть подборки. Здесь есть и простые интерактивные модели для любопытных, и профессиональные атласы для работы с данными астрономических наблюдений.

А давайте немного поговорим про карты. Вот пара кейсов из жизни разработчиков карт. Пишет Kanat Zhussipov (Senior Software Engineer, Python):

🛰 Почему ваш навигатор не тормозит? Разбираем Contraction Hierarchies (CH) Представьте: вы строите маршрут из Нью-Йорка в Бостон. Между ними ~350 километров дорог, тысячи развязок, заправок и десятки тысяч жилых тупиков в штате Коннектикут. Если искать путь обычным алгоритмом Дейкстры, он будет «заглядывать» в каждый двор по пути, проверяя: «А вдруг через эту парковку в Стэмфорде доехать до Бостона быстрее?». Это занимает секунды. Google Maps или OSM выдают результат за миллисекунды. Секрет — в Contraction Hierarchies (CH). 🏙 Пример: NY ➔ Boston Вместо того чтобы работать с «плоской» картой, CH превращает её в строгую иерархию, где каждому перекрестку присвоен ранг важности. 1. Выезд из Нью-Йорка (Climbing the Ladder) Вы стартуете из Таймс-сквер. Алгоритм запускает поиск, но с железным правилом: идти только к узлам с более высоким рангом. С узкого переулка он сразу перескакивает на авеню, оттуда — на шоссе I-95. Как только вы оказались на I-95, алгоритм «забывает» про существование съездов в маленькие городки. Для него их ранг ниже, а значит, они «невидимы». 2. Магия Shortcuts (Прыжки через штаты) На этапе подготовки (Preprocessing) алгоритм уже «схлопнул» скучные участки дорог. Вместо сотен мелких узлов на трассе между городами, у нас есть один Shortcut (ярлык) с весом, равным общему времени в пути. Поиск из Нью-Йорка просто «летит» по этим ярлыкам, не тратя ресурсы на обсчет каждого километра. 3. Встреча в Бостоне (The V-Shape Search) Одновременно запускается поиск из Бостона навстречу. Он тоже идет только «вверх» по иерархии: От вашего отеля в Бэк-Бэй ➔ на городскую магистраль ➔ на то же шоссе I-95. Два поиска встречаются в «самой высокой» точке (на главной магистрали). Область поиска выглядит не как огромный круг, а как два узких луча, направленных друг на друга. 🚀 Почему это System Design Masterpiece? Скорость: Поиск сокращается с миллионов операций до нескольких сотен. Точность: В отличие от эвристик (типа A*), CH гарантирует математически кратчайший путь. Space-Time Tradeoff: Мы тратим немного памяти на хранение ярлыков (Shortcuts), чтобы получить колоссальный выигрыш в скорости ответа (Latency). Итог: Когда вы едете в Бостон, алгоритм видит мир как сеть скоростных хайвеев. А когда вы ищете дорогу в соседний двор — он работает на «нижних этажах» той же самой иерархии.

А вот еще был случай. Пишет Ivan Petrakov (Senior Staff Software Engineer, Ruby on Rails): Н

аш поиск по карте занимал 3 секунды на запрос. Пользователи зумили и двигали карту. Каждое движение запускало новый запрос к базе. 3 секунды каждый раз. Карта казалась сломанной. Мы снизили до 300мс. Улучшение на 900%. Вот как. Старый подход: мы хранили широту и долготу в двух отдельных колонках. Каждый поиск использовал ST_DWithin или bounding box запрос с PostGIS. Работало нормально на маленьких данных. С 2 миллионами точек стало слишком медленно. Решение: quadkeys. Quadkey - это одна строка, которая кодирует местоположение на сетке тайлов карты. Думайте о нем как о почтовом индексе, но для тайлов карты. Чем длиннее строка, тем точнее локация. Зум уровень 1: мир - это 4 тайла (quadkeys: 0, 1, 2, 3) Зум уровень 15: каждый тайл - примерно квартал Вот что мы изменили: 1. Добавили колонку quadkey к каждой геолоцированной записи. Мы предрассчитали quadkeys для каждого поддерживаемого зум-уровня (с 10 по 18). 2. Заменили PostGIS bounding box запросы на простой поиск по префиксу строки. Вместо: WHERE ST_DWithin(point, user_location, radius) Теперь: WHERE quadkey LIKE '0213012%' Поиск по префиксу строки на индексированной колонке работает очень быстро. 3. Добавили составные индексы: (zoom_level, quadkey). 4. Предагрегировали количество точек на quadkey для кластерных представлений. При отдалении показываем кластеры с количеством. Не нужно загружать отдельные точки. Результат: 3 секунды стали 300мс. Карта работает мгновенно. Пользователи могут зумить и двигать карту без ожидания.

Мне сегодня даже сосед прислал новость про визит добрых дронов в датацентр Яндекса "Сасово". Но гораздо больше положительных эмоций у меня вызвала оперативность усилий команды Яндекс.Карт, которые быстренько заблюрили местонахождение датацентров на сервисе. Я даже немного развлекся разглядыванием Калуги и Владимира на картах Яндекса и Google параллельно. Но по-настоящему весело стало, когда в пару кликов на сервисе Yandex.Cloud нашелся сертификат ISO, выданный компании, с точным перечнем всех площадок, как-то ДЦ во Владимире, Сасово, Калуге, Мытищах и даже Казахстане. Это не перечень датацентров всего Яндекса, их намного больше, но это именно отдельные большие датацентры, а не технологические площадки, которых только в Москве больше десятка. Конспираторы, массаракш 😊.

Бежала вчера по городу и кричала в нейронки, потому что мне надо было срочно найти ближайший магаз сувениров, работающий еще полчаса. Кое-как справились. Но как вообще разные нейронки справляются с такого рода задачами? Это ж надо уметь работать с картой и локальным контекстом. Провела эксперимент с четырьмя нейронками: Chatgpt, Клод, Гигачат и Алиса AI. Везде - бесплатный тариф, незалогиненный акк (ток клод логиниться заставил). Промт один и тот же:

Покажи на карте один круглосуточный шиномонтаж с рейтингом от 4,5 около метро "Сокол". Нужны кнопки "Построить маршрут" и "Позвонить"; ничего не пересказывай.

Результаты: ChatGPT - нашел вариант, соответствующий всем критериям. Клод - тоже нашел вариант, но почему-то выбрал тот, у которого 1 оценка. Впрочем, сам об этом и написал. Гигачат - в отличие от двух предыдущих, не справился с задачей аж по двум пунктам. И Гпт и Клод дали выездные шиномонтажки (ну окэй), которые были отмечены на гугл картах в районе метро Сокол. А этот сам решил, что выездные не покатят + сам обрезал радиус поиска до 500 метров. Но самый фейл - вместо работы с реальной картой, он зачем-то нарисовал рисунок 🌚 со слопом вместо названий, лол. Алиса AI - нашла вариант под указанные критерии. короче, как-то вот так нейронки справляются сейчас с такими задачами. Надеюсь, в будущем и конкретный товар не выше конкретной цены в конкретном районе будут находить за секунды.

Студенческие запросы для ИИ-чата в Картах, которые помогут освоиться в новом городе, — как найти компьютерный клуб между универом и общагой или кафе между вами и друзьями Главный лайфхак: если указать две точки, нейросеть предложит места не просто рядом с одним адресом, а вдоль линии между ними. Что можно спросить: — «Ближайший сервис рядом с универом, где за день поменяют разбитый экран телефона»; — «Раменные между "Курской" и "Таганской", чтобы встретиться с друзьями из других вузов»; — «Несколько мест между "Парком культуры" и "Октябрьской", где можно отметить посвят»; Старшекурсники больше не единственный источник знаний😂😂😂

Ищем фильмы прямо на своей улице — появилась карта, которая показывает, где на самом деле снимали кино🍿 Movie Scene Map собрала 15,845 реальных мест съёмок в 166 странах. Вбиваешь название фильма и получаешь все точки на карте. Или наоборот: находишь знакомую улицу и смотришь, какие фильмы там снимали. Например, в Москве можно найти реальные съёмки «Красной жары» со Шварценеггером или «Полицейской академии 7». Из советского и российского кино тоже есть что поискать: например, «Солярис», «Андрей Рублёв» и «Вокзал для двоих». Самое крутое: можно выбрать идеальный киношный маршрут для отпуска. И наделать хайповых фоток. Залипаем — здесь. 🤙🤙

Google Maps еще в субботу начал показывать пользователям в США название «Lake America» вместо озера Онтарио — компания выполнила указ Дональда Трампа о переименовании, подписанный в четверг на фоне торговой войны с Канадой. Пользователи в Канаде продолжат видеть «Lake Ontario», а остальной мир — оба названия (правда, я вижу только Lake Ontario). Премьер Онтарио Даг Форд ответил на указ билбордом на канадском берегу: «Озеро Онтарио. Сейчас и навсегда». Google ссылается на давнюю практику: карты следуют американской базе географических названий GNIS. Но эта база подчинена исполнительной власти США, и в результате «нейтральное техническое правило» превращает Google в автоматический ретранслятор любых политических переименований — достаточно изменить запись в реестре, и компании даже не нужно принимать собственное решение. Это, конечно, лукавство — кто-то должен был принять решение о раздельном показе разных названий для одного объекта. Имея возможность из опыта сравнить, могу сказать, что Google в трамповской Америке 2026-го — это и близко не Яндекс в россии 2014-го. Интересно, впрочем, как don't be evil или "мы работаем на Льва Толстого" в итоге приходит к универсальной формуле "Мы просто хотим писать код, у нас ручки". https://apnews.com/article/lake-trump-ontario-america-7c5c9776d72cb8e8d782e05ec6e7332b