1. OSMnx
A. OSMnx : calcul des isochrones
OSMnx est un package Python qui vous permet de télécharger des données géospatiales à partir d'Open Street Map et de modéliser, projeter, visualiser et analyser des réseaux routiers réels et toute autre géométrie géospatiale. Vous pouvez télécharger et modéliser des réseaux urbains praticables à pied, en voiture ou à vélo, puis les analyser et les visualiser facilement.
Il est possible de calculer et d’afficher des isochrones représentant l’accès à pied à partir d’un point et à partir d’une vitesse moyenne de déplacement piéton. Je reprends ici les coordonnées d'un point situé en Inde à Bengaluru, j’indique quatre paliers de temps déplacement, soit 5, 10, 15 et 20 minutes. Il est possible de modifier la vitesse de déplacement et configurer les paliers de temps de déplacements dont nous souhaitons visualiser l'accessibilité isochrone.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
B. OSMnx : télécharger et visualiser des réseaux urbains praticables à pied, en voiture ou à vélo
lI est possible de télécharger et de visualiser le réseau piéton, cyclable ou praticable en voiture en indiquant le nom de la ville ou les cordonnées d'un point et un périmètre autour de ce point. Il est également possible de télécharger l'ensemble de ces réseaux en une seule fois en indiquant dans la typologie du réseau tout les réseaux : network_type="all"
en indiquant le nom de la commune et le pays. Dans ce notebook, nous verrons les exemples des villes de Constantine en Algérie, de Grenoble en France et de Manhattan aux États-Unis.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
C. OSMnx : télécharger et visualiser des bâtiments et des réseaux urbains
Avec le package “OSMnx”, il est possible de télécharger le réseau - ici réseau piétonnier - et les bâtiments de n’importe quelle ville au monde avec les données d’OpenStreetMap. Il suffit de préciser les coordonnées d’un point et un rayon autour de ce point. Je présente ici le cas d’un point géolocalisé à Dharavi, un bidonville situé au cœur de l’agglomération de Bombay en Inde.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
D. OSMnx : obtenir l'itinéraire le plus court entre deux points d'un réseau urbain
Il est possible de télécharger le réseau - ici réseau piétonnier - d'indiquer deux points et de calculer et visualiser le chemin le plus court entre ces deux points.
Pour visualiser le notebook, merci de cliquer sur les liens suivants :
E. OSMnx : orientation des réseaux urbains
Il est possible de calculer et de visualiser l’ordre spatial urbain, c'est-à-dire l'orientation des réseaux de rues d'une ou plusieurs villes.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
F. OSMnx : analyse topologique d'une réseau piéton (identification des cul de sac)
Dans le cadre de l'étude des caractéristiques topologiques d'un réseau piéton, l'identification des impasses "cul de sac" , leur localisation dans l'espace ainsi que leur proportion est intéressante. Il est possible d'obtenir ce type de données avec le package OSMnx. Ici je développe le cas de la métropole de Grenoble (48 communes).
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
G. OSMnx : statistiques topologiques d'un réseau urbain
Dans le cadre de l'étude des caractéristiques d'un réseau urbain (piéton, cycliste ou praticable en voiture), le calcul des statistiques topologiques est particulièrement intéressant. Dans ce notebook, nous verrons l'exemple des statistiques topologiques de "base" et "étendues" de la ville de Troyes en France.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
2. Momepy
A. Momepy : calcul des isochrones
Momepy est une bibliothèque Python permettant l’analyse quantitative de la forme urbaine - morphométrie urbaine. Elle est construite sur GeoPandas, PySAL et le réseau Open Street Map. Dans le présent notebook je développe l'exemple d'une partie de la commune de Troyes en France.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
B. Momepy : évaluation de la centralité multiple “Multiple Centrality Assessment” (MCA)
La centralité multiple “Multiple Centrality Assessment” (MCA) est une approche d’analyse du réseau routier développée par Porta et Latora (2006). Son objectif principal est de comprendre la structure des réseaux de rues de nos villes du point de vue de l’importance et de la position de chaque rue/intersection au sein de l’ensemble du réseau exprimée par diverses indices de centralité. “Momepy” permet d’effectuer tous les types d’analyses de centralité basées sur MCA, telles qu’elles ont été développées au fil des ans. Pour le contexte théorique, veuillez-vous référer aux travaux de Porta et al : http://docs.momepy.org/en/stable/references.html
Dans ce notebook l’exemple de la commune d’Evreux est développé à travers la mesure des différentes centralités et les représentations cartographiques associées à l’aide de “momepy”.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
3. Pandana
A. Pandana : calcul des métriques d’accessibilité aux aménités
Dans ce notebook je présente les principales fonctionnalités de la bibliothèque “Pandana”, un package Python d’analyse de réseau qui utilise des hiérarchies de contraction pour calculer des métriques d’accessibilité de déplacement ultra-rapides et des chemins les plus courts.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
4. Pyrosm
A. Pyrosm : télécharger, visualiser et analyser les données OSM de grandes régions
Pyrosm facilite l'extraction de divers ensembles de données à partir de vidages *.pbf d'OpenStreetMap, y compris par exemple les réseaux routiers, les bâtiments, les points d'intérêt (POI), l'utilisation du sol, les éléments naturels, les limites administrative, etc. Des requêtes entièrement personnalisées sont prises en charge, ce qui permet d'analyser tout type de données d'OSM, même avec des filtres plus spécifiques. Il fournit une interface utilisateurplus ou moins similaire à celle d'OSMnx.
Ainsi, la principale différence entre "Pyrosm" et "OSMnx" est que "OSMnx" lit les données à l'aide d'une API OverPass, tandis que "Pyrosm" lit les données à partir de vidages de données OSM locaux téléchargés à partir des fournisseurs de données *.pbf (Geofabrik, BBBike). Cela permet d'analyser plus rapidement les données OSM et de faciliter l'extraction de données couvrant de grandes régions.
Dans le présent noebook, l'exemple de la grande région de Berlin est développé.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
5. Prettymaps
A. Prettymaps : dessiner des cartes parsonnalisée à partir d'Open Street Map
Prettymaps est un package Python pour dessiner des cartes parsonnalisée à partir d’OpenStreetMap créées à l’aide des bibliothèques osmnx, matplotlib, shapely et vsketch. Ici je développe l'exemple de la Puerta del Sol à Madrid en Espagne.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
6. Folium
A. Folium : représentations cartographiques interactives
Folium s'appuie sur les forces de traitement des données de l'écosystème Python et sur les forces de cartographie de la bibliothèque leaflet.js. Manipulez vos données en Python, puis visualisez-les sur une carte Leaflet interactive via folium
Dans ce natebook je vais développer les scripts permettant d'importer des données (à partir de la Base Permanente des Equipements de France de l'année 2020), de faire des filtes et ensuite des jointures permettant d'associer deux jeux de données, d'afficher le résultat sous forme d'une carte de dépliants interactive des boulangeries répertoriées dans la BPE de 2020 et enfin des statistiques descriptives permettant de savoir les secteurs géographiques où se concentrent le plus de boulangeries dans le territoire de la Région Normandie.
Pour visualiser le notebook, merci de cliquer sur le lien suivant :
7. Cartes choroplèthes avec mapclassify et geopandas
« mapclassify » est un package Python qui permet avec des packages de visualisation de gérer le rendu réel des cartes choroplèthes définies sur ses classificateurs. Dans ce notebook, nous explorons l’exemple des "scores de multi-exposition environnementale" de la région Île-de-France (indicateurs rapportés aux intercommunalités). Le notebook comprend également un exemple qui combine mapclassify avec ipywidgets pour permettre l’exploration interactive.
Pour visualiser le notebook, merci de cliquer ici
8. Visualisation cartographique et répartition des observations avec Pysal et Legendgrams
« Legendgrams » est distribué par PySAL, une bibliothèque multiplateforme open source de fonctions d'analyse spatiale écrite en Python. Il est destiné à soutenir le développement d’applications de haut niveau pour l’analyse spatiale. Nous l'utilisons dans l'exemple consultable ci-après pour la visualisation de la répartition des observations par couleur sur une carte donnée.
Pour visualiser le notebook, merci de cliquer ici
9. "Leafmap" visualiser l’évolution de l’occupation du sol (cas des États-Unis)
Le package “leafmap” permet de visualiser des fonds de cartes interactives d’une grande diversité. Par ailleurs, et afin de rendre compte de la croissance de la tâche urbaine dans certaines villes américaines, nous utilisons dans ce notebook les données de L’US Geological Survey (USGS), qui en partenariat avec plusieurs agences fédérales, a développé et publié six produits de la National Land Cover Database (NLCD) au cours des deux dernières décennies. Respectivement, nous affichons l’évolution de l’occupation du sol de quelques régions métropolitaines parmi celles ayant connues les plus fortes croissances démographiques, industrielle/économique en comparant l’occupation du sol des années 2001, 2006, 2011, 2016 de :
1). Phoenix, Arizona - Phoenix a été l’une des villes les plus dynamiques en termes de croissance de la population et d’urbanisation au cours des deux dernières décennies ;
2). Houston, Texas - Houston est la quatrième ville la plus peuplée des États-Unis et a connu une expansion importante, notamment dans les secteurs de l’énergie et des technologies ;
3). Austin, Texas - La capitale du Texas est devenue un pôle majeur pour les industries technologiques, attirant une population croissante ;
4). Dallas-Fort Worth, Texas - Région métropolitaine, souvent appelée DFW, a enregistré une croissance substantielle grâce à son économie diversifiée et à un coût de la vie relativement bas ;
5). Seattle, Washington - Le boom technologique de la région de Seattle, avec des entreprises comme Microsoft et Amazon, a conduit à une urbanisation rapide ;
6). Enfin, Charlotte, Caroline du Nord - Cette ville a connu une urbanisation rapide en raison de son économie dynamique et de son attrait en tant que centre financier.
Pour visualiser le notebook, merci de cliquer ici
10. "OSMnx", "seaborn", "geopandas" visualiser le potentiel piétonnier et l'accessibilité piétonne aux services
10.1. La densité des intersections comme indicateur du potentiel piétonnier
La densité des intersections nous indique à quel point un réseau routier est dense et connecté. Ces indicateurs sont directement liés au degré de praticabilité d’un lieu.
Une zone dotée d’un réseau dense comporte moins de points inaccessibles et une connectivité élevée offre des possibilités d’itinéraires plus diversifiées et plus efficaces.
La littérature scientifique le confirme : une corrélation positive entre la densité des intersections et la marche comme moyen de transport a été constamment démontrée (voir par exemple Ewing & Cervero 2010).
10.2. Accessibilité piétonne aux services de santé
L’analyse initiale se basait sur l’hypothèse qu’un tissu urbain dense favorise la marche.
Bien que la structure physique du réseau routier joue un rôle indéniable, l’espace urbain ne se limite pas aux intersections. En vue d’obtenir une perspective différente du potentiel piétonnier en milieu urbain, une approche plus qualitative a été adoptée.
Méthodologie
En exploitant les données OSM, l’accessibilité piétonne aux services de santé, en particulier aux médecins, cliniques et hôpitaux, sera représentée dans le cas de Wrocław
en Pologne.
L’analyse de l’accessibilité piétonne aux services de santé permet d’affiner la compréhension du potentiel piétonnier d’un espace urbain. En s’éloignant d’une approche uniquement basée sur la densité du tissu urbain, cette méthode qualitative prend en compte la distribution des points d’intérêt pertinents pour les piétons, en l’occurrence les services de santé.
L’étude se concentre sur un cas précis et d’autres indicateurs pourraient être explorés pour compléter l’analyse. Une analyse comparative avec d’autres villes permettrait de généraliser les résultats et d’identifier des tendances plus générales.
Références :
- Boeing, G. (2017). OSMnx: New Methods for Acquiring, Constructing, Analyzing,
and Visualizing Complex Street Networks. Computers, Environment and Urban
Systems 65, 126-139. https://doi.org/10.1016/j.compenvurbsys.2017.05.004
Boeing’s excellent and openly available Advanced Urban Analytics course was also a
major inspiration, especially to the routing analysis portion of this post.
Documentation sur les packages Python utilisés :
OSMnx : https://osmnx.readthedocs.io/en/stable/index.html
Pandana : https://udst.github.io/pandana/
GeoPandas : https://geopandas.org/en/stable/
seaborn : https://seaborn.pydata.org/
Matplotlib : https://matplotlib.org/
Pour visualiser le notebook, merci de cliquer ici
