1.OSMnx
A. OSMnx: calculation of isochrones
OSMnxis a Python package that lets you download geospatial data from Open Street Map and model, project, visualize, and analyze real road networks and other geospatial geometry. You can download and model urban networks suitable for walking, driving or cycling, then analyze and visualize them easily.
It is possible to calculate and display isochrones representing access on foot from a point and from an average speed of pedestrian movement. I take here the coordinates of a point located in India in Bengaluru, I indicate four levels of travel time, ie 5, 10, 15 and 20 minutes. It is possible to modify the speed of movement and configure the levels of travel time for which we wish to visualize the isochronous accessibility.
To view the notebook, please click on the following link:
B. OSMnx: download and visualize urban networks accessible on foot, by car or by bike
It is possible to download and view the pedestrian, cycle or car network by indicating the name of the city or the coordinates of a point and a perimeter around this point. It is also possible to download all of these networks at once by indicating all the networks in the network typology: network_type="all"
indicating the name of the municipality and the country. In this notebook, we will see the examples of the cities of Constantine in Algeria, Grenoble in France and Manhattan in the United States.
To view the notebook, please click on the following link:
C. OSMnx: download and visualize buildings and urban networks
With the “OSMnx” package, it is possible to download the network - here the pedestrian network - and the buildings of any city in the world with OpenStreetMap data. All you have to do is specify the coordinates of a point and a radius around this point. I present here the case of a geolocated point in Dharavi, a slum located in the heart of the Bombay conurbation in India.
To view the notebook, please click on the following link:
D. OSMnx: get the shortest route between two points in an urban network
It is possible to download the network - here pedestrian network - to indicate two points and to calculate and visualize the shortest path between these two points.
To view the notebook, please click on the following links:
E. OSMnx: orientation of urban networks
It is possible to calculate and visualize the urban spatial order, that is to say the orientation of the street networks of one or more cities.
To view the notebook, please click on the following link:
F. OSMnx: topological analysis of a pedestrian network (identification of dead ends)
As part of the study of the topological characteristics of a pedestrian network, the identification of "dead ends", their location in space and their proportion is interesting. It is possible to obtain this type of data with the OSMnx package. Here I develop the case of the metropolis of Grenoble (48 municipalities).
To view the notebook, please click on the following link:
G. OSMnx: topological statistics of an urban network
Within the framework of the study of the characteristics of an urban network (pedestrian, cyclist or passable by car), the calculation of topological statistics is particularly interesting. In this notebook, we will see the example of "basic" and "extended" topological statistics of the city of Troyes in France.
To view the notebook, please click on the following link:
2. Momepy
A. Momepy: calculation of isochrones
Mompyis a Python library allowing the quantitative analysis of urban form - urban morphometry. It is built on GeoPandas, PySAL and the Open Street Map network. In this notebook I develop the example of a part of the municipality of Troyes in France.
To view the notebook, please click on the following link:
B. Momepy: multiple centrality assessment (MCA)
Multiple Centrality Assessment (MCA) is a road network analysis approach developed by Porta and Latora (2006). Its main objective is to understand the structure of the street networks of our cities from the point of view of the importance and the position of each street/intersection within the whole network expressed by various indices of centrality. “Momepy” allows performing all types of MCA-based centrality analyzes as they have been developed over the years. For the theoretical background, please refer to the work of Porta et al:http://docs.momepy.org/en/stable/references.html
In this notebook the example of the municipality of Evreux is developed through the measurement of the different centralities and the associated cartographic representations using “momepy”.
To view the notebook, please click on the following link:
3. Pandana
A. Pandana: calculation of accessibility metrics to amenities
In this notebook I present the main features of the library “Pandana”, a network analysis Python package that uses contraction hierarchies to calculate ultra-fast travel reachability metrics and shortest paths.
To view the notebook, please click on the following link:
4. Pyrosm
A. Pyrosm: download, visualize and analyze OSM data from large regions
pyrosmfacilitates the extraction of various datasets from OpenStreetMap *.pbf dumps, including for example road networks, buildings, points of interest (POI), land use, natural features, administrative boundaries, etc. Fully customized queries are supported, allowing any type of OSM data to be analyzed, even with more specific filters. It provides a user interface more or less similar to that of OSMnx.
So, the main difference between "Pyrosm" and "OSMnx" is that "OSMnx" reads data using an OverPass API, while "Pyrosm" reads data from local OSM data dumps downloaded from *.pbf data providers (Geofabrik, BBBike). This allows faster analysis of OSM data and facilitates the extraction of data covering large regions.
In this noebook, the example of the greater Berlin region is developed.
To view the notebook, please click on the following link:
5. Prettymaps
A. Prettymaps: draw personalized maps from Open Street Map
Prettymapsis a Python package for drawing custom maps from OpenStreetMap created using osmnx, matplotlib, shapely and vsketch libraries. Here I develop the example of the Puerta del Sol in Madrid in Spain.
To view the notebook, please click on the following link:
6. Folium
A. Folium: interactive cartographic representations
foliumbuilds on the data processing strengths of the Python ecosystem and the mapping strengths of the leaflet.js library. Manipulate your data in Python, then visualize it on an interactive Leaflet map via folium
In this natebook I will develop the scripts allowing to import data (from the Permanent Base of French Equipment for the year 2020), to make filters and then joins allowing to associate two sets of data, to display the result in the form of an interactive leaflet map of the bakeries listed in the BPE of 2020 and finally descriptive statistics allowing to know the geographical sectors where the most bakeries are concentrated in the territory of the Normandy Region.
To view the notebook, please click on the following link:
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
