OSM et sources en ligne

Télécharger des données OSM, hydrographiques, DEM et World Bank.

Cartograpy embarque plusieurs clients orientés téléchargement de données, tous dans cartograpy.data. Chacun nécessite une connexion réseau au premier appel : voir Sources de données et dépendances pour le détail par source.

OpenStreetMap (OSM)

from cartograpy.data import OSM

osm = OSM()

# Par nom de lieu
ecoles = osm.get_data("Abidjan, Côte d'Ivoire", tags={"amenity": "school"})

# Par bounding box
routes = osm.get_data((-4.1, 5.2, -3.9, 5.4), tags={"highway": True}, data_type="lines")

# Par emprise d'un GeoDataFrame existant
poi = osm.get_data(commune_gdf, tags={"shop": True}, data_type="points")
  • data_type (str, défaut all) : "points", "polygons", "lines" ou "all" : filtre le résultat par type de géométrie après récupération.

Découvrir les tags OSM disponibles

osm.list_tags()                       # toutes les catégories (building, highway, amenity...)
osm.list_tags("amenity")              # tags d'une catégorie précise
osm.search_tags("hospital")           # recherche par mot-clé dans tous les tags
osm.get_common_tag()["restaurants"]   # combinaisons courantes prêtes à l'emploi
# {"amenity": "restaurant"}
Astuce

get_common_tag() couvre une vingtaine de requêtes usuelles (écoles, hôpitaux, pharmacies, routes principales, rivières, gares…) : pratique pour éviter de chercher le bon tag OSM à chaque fois.

Hydrographie (Hydro)

from cartograpy.data import Hydro

hydro = Hydro()
rivieres = hydro.download(region="af")   # codes : af, as, au, eu, na, sa
print(hydro.describe_variables())        # explication des colonnes HydroRIVERS

Télécharge et extrait les données HydroRIVERS pour une région continentale, met en cache localement le zip extrait pour ne pas re-télécharger à chaque appel.

Altitude : modèle numérique de terrain (DEM)

from cartograpy.data import DEM

dem = DEM()
mnt = dem.download(bbox=(-8.6, 4.3, -2.5, 10.7))   # (west, south, east, north)

Télécharge les tuiles SRTM (~30m) couvrant l’emprise depuis un miroir AWS, les mosaïque et les découpe à l’emprise demandée : pas de clé API nécessaire. Lève DEMDownloadError en cas d’échec de téléchargement ou de traitement.

Indicateurs World Bank (WorldBank)

from cartograpy.data import WorldBank

wb = WorldBank()
wb.get_sources()                                    # sources de données disponibles
wb.get_indicators(source=2, query="population")     # indicateurs correspondants
wb.get_countries(query="Africa")                    # pays disponibles
wb.get_data(["SP.POP.TOTL"], country=["CIV", "SEN"])  # DataFrame résultat

Météo & climat NASA POWER (Climate)

from cartograpy.data import Climate

clim = Climate()  # API NASA POWER, sans clé, réponses mises en cache

# Série journalière en un point
gdf_pt = clim.get_point(
    -3.99, 5.35, "2023-01-01", "2023-12-31",       # lon, lat, début, fin
    parameters=["T2M", "T2M_MIN", "T2M_MAX", "PRECTOTCORR"],
    community="ag", temporal="daily",
)                                                   # GeoDataFrame indexé par date (géométrie constante)

# Grille de points sur une emprise, en mensuel
gdf = clim.get_region(
    (-6, 4, -2, 8), 2020, 2022,                     # bbox [xmin,ymin,xmax,ymax], années
    parameters=["T2M", "PRECTOTCORR"], temporal="monthly",
)                                                   # GeoDataFrame long : parameter, date, value, geometry

parameters=None utilise Climate.DEFAULT_PARAMETERS. temporal ∈ "daily", "hourly", "monthly", "climatology" ; community ∈ "ag", "sb", "re". Codes de paramètres : https://power.larc.nasa.gov/parameters/.

Google Earth Engine (Gee)

from cartograpy.data import Gee

gee = Gee()  # nécessite ee + geemap installés, et une authentification GEE préalable

col = gee.get_sentinel2(bbox=(-8.6, 4.3, -2.5, 10.7), start_date="2024-01-01", end_date="2024-03-01")
ndvi = gee.compute_ndvi(gee.collection(col).median())
gee.zonal_stats(ndvi, regions_gdf)
Avertissement

Gee nécessite l’extra gee (pip install cartograpy[gee], qui installe earthengine-api et geemap) et une authentification (ee.Authenticate() puis ee.Initialize()) avant d’utiliser cette classe. Voir Sources de données et dépendances.

Catalogues STAC (STAC)

from cartograpy.data import STAC

stac = STAC("planetary-computer")   # signe automatiquement les hrefs des assets

images = stac.search(
    collection="sentinel-2-l2a",
    bbox=(-4.05, 5.28, -3.95, 5.38),
    start="2025-01-01", end="2025-12-31",
    cloud_cover=10,
)

best = images.best()                # élément avec la couverture nuageuse la plus faible
best.assets()                       # bandes disponibles (DataFrame)

rt = best.load(["red", "nir"])      # -> RasterTools, bandes empilées
ndvi = rt.ndvi()                    # réutilise RasterTools.ndvi() directement

load() lit les bandes directement depuis leur href via rasterio : jamais de téléchargement complet de la scène, même pour une image Sentinel-2 de plusieurs centaines de Mo. bands accepte des clés d’asset exactes ("B04") ou des noms communs de l’extension STAC eo ("red", "nir").

Avertissement

STAC nécessite l’extra stac (pip install cartograpy[stac], qui installe pystac-client et planetary-computer) : ImportError explicite dès l’instanciation s’ils sont absents.

Géocodage (Geocoder)

from cartograpy.data import Geocoder

geocoder = Geocoder()

gdf, non_trouves = geocoder.geocode("Tour Eiffel, Paris")
gdf, non_trouves = geocoder.geocode(["Abidjan", "Dakar", "Bamako"])

adresses, _ = geocoder.reverse_geocode((48.8566, 2.3522))

candidats = geocoder.search("Boulangerie", limit=5, country_codes="fr")

bbox = geocoder.bbox("Abidjan, Côte d'Ivoire")

Renvoie un GeoDataFrame (colonnes query, address, latitude, longitude, geometry…) et la liste de ce qui n’a pas été trouvé, plutôt que de lever une erreur : pratique pour géocoder un lot d’adresses en continuant malgré les échecs individuels.

Note

Un délai (delay=1.0 par défaut) est appliqué entre chaque requête pour respecter les limites d’usage de Nominatim. Augmentez delay si vous géocodez de gros volumes.

Aller plus loin