Réseaux de rues : 2018 face à 2026
Migrer l’analyse spatiale des réseaux de rues d’OSMnx v0.8 (2018) vers OSMnx v2.0 (2026)
Résumé
Documentation des changements d’architecture d’API, des pipelines GeoPandas 1.0 et de la reproductibilité du workflow après huit ans d’écart.
01. Contexte
En rentrant de Bangkok en juillet 2026 avec un journal de terrain de 18 courses GrabCar et GrabBike, je savais que les temps de parcours empiriques ne racontaient que la moitié de l’histoire. Pour démontrer pourquoi une moto avançait près de trois fois plus vite qu’une voiture à travers Sukhumvit et Silom, il me fallait extraire le graphe réel des rues et en mesurer la topologie.
J’avais déjà l’outil exact en tête. En 2018, j’avais monté une série de notebooks Jupyter avec la bibliothèque OSMnx de Geoff Boeing (v0.8) pour comparer la morphologie urbaine de villes portuaires coloniales d’Asie à de grandes trames occidentales. J’avais généré des matrices () d’un kilomètre carré, des histogrammes polaires d’orientation des rues et des piétons sur quatre ensembles distincts :
- Mer de Java : Surabaya (Semolowaru, Gubeng Baru, Kenjeran, Citraland, Babatan), Semarang (Simpang Lima, Panggung Lor, Bandarharjo, Mugassari, Gabahan) et Makassar (Melayu, Malimongan Tua, Maccini Gusung, Sambung Jawa, Mannuruki).
- Mer de Chine méridionale : Hong Kong (Mid-Levels, Mong Kok, Kwai Chung, To Kwa Wan, South Island), Manille (Tondo, Sampaloc, Quiapo, Intramuros, Malate) et Saigon (districts 1, 3, 5, 7 et Thao Dien).
- Détroit de Malacca : Penang (George Town, Gurney Drive, Pulau Tikus, Farlim, Bayan Baru), Melaka (Jonker Street, Dutch Square, Malim Jaya, Taman Mahajaya, Melaka Sentral) et Singapour (Newton, Novena, Bukit Merah, Tiong Bahru, Little India).
- Références États-Unis et Europe : New York (Times Square, Upper East Side, East Village, Turtle Bay, Harlem) et Paris (Arc de Triomphe, Montmartre, Île de la Cité, Canal Saint-Martin, Saint-Germain-des-Prés).
Mon plan était simple : rouvrir les notebooks de 2018, remplacer les coordonnées de Surabaya et de Hong Kong par celles de Sukhumvit et de Rama IV, et relancer les cellules.
Chaque cellule a levé un DeprecationWarning, un TypeError ou un AttributeError.
Huit ans, c’est une éternité dans l’écosystème géospatial Python. Entre 2018 et 2026, OSMnx est passé de v0.8 à v2.0, GeoPandas a franchi le cap de la 1.0, Shapely 2.0 a réécrit son moteur géométrique en C, et les anciennes dépendances C (PyProj et Rtree) qui cassaient systématiquement les environnements Conda ont été entièrement refondues.
Avant de pouvoir tester le moindre soi de Bangkok pour le nœud 1.3, j’ai dû migrer mon propre code hérité. Pour l’instant, cette note porte le statut 01 // CONCEPT. C’est le registre technique de la migration : ce qui a cassé entre 2018 et 2026, pourquoi l’API a évolué dans le bon sens, et comment écrire aujourd’hui des pipelines spatiaux reproductibles.
02. Le registre de migration
1. Environnement et évolution des dépendances
En 2018, installer la pile géospatiale sur une machine locale tenait du rite de passage. Il fallait aligner GDAL, GEOS, PROJ, fiona et rtree dans un environnement conda-forge fragile avant même de pouvoir importer osmnx.
En 2026, la pile spatiale Python sous-jacente s’est simplifiée et a mûri :
| Couche | Pile 2018 (OSMnx v0.8) |
Pile 2026 (OSMnx v2.0+) |
Ce qui a vraiment changé |
|---|---|---|---|
| Moteur de graphe | osmnx 0.8.x + networkx 2.1 |
osmnx 2.0.x + networkx 3.4 |
Annotations de type strictes, passage obligatoire par des arguments nommés, suppression des surcouches superflues. |
| DataFrames vectoriels | geopandas 0.4.x (basé sur fiona) |
geopandas 1.0+ (basé sur pyogrio) |
pyogrio et les entrées-sorties basées sur Arrow ont remplacé fiona par défaut, divisant les temps de lecture/écriture par 5 à 10. |
| Opérations géométriques | shapely 1.6 + rtree |
shapely 2.0+ (GEOS vectorisé) |
L’indexation spatiale (STRtree) est désormais intégrée directement dans Shapely et GeoPandas. Les surcouches externes rtree ont disparu. |
| SCR et projections | pyproj hérité (+init=epsg:xxxx) |
pyproj 3.7+ (chaînes WKT2 / OGC) |
Les chaînes proj4 sous forme de dictionnaire ont été dépréciées à cause des ambiguïtés d’ordre des axes ; tout repose désormais sur des objets CRS modernes. |
2. Architecture de l’API et changements cassants
Regardez la cellule [21] de mon notebook Jupyter de 2018 pour Gubeng Baru, à Surabaya :
# 2018 (OSMnx v0.8) - DEPRECATED
place = 'surabaya - gubeng baru'
point = (-7.26533975, 112.752689192925)
fig, ax = ox.plot_figure_ground(point=point, filename=place, dpi=dpi)
Image('{}/{}.{}'.format(img_folder, place, extension), height=size, width=size)
En 2018, ox.plot_figure_ground() était une boîte noire bien pratique. On passait un tuple (lat, lon) directement à une fonction de tracé, et OSMnx interrogeait discrètement l’API Overpass en arrière-plan, construisait un graphe, appliquait une zone tampon aux largeurs de rue, générait une figure Matplotlib et enregistrait un PNG sur le disque.
Dans OSMnx v2.0, ce même appel lève un TypeError franc (argument requis G manquant) : point= ne télécharge plus de réseau à l’intérieur de la fonction de tracé. Quant aux fonctions retirées de l’espace de noms principal, comme ox.get_nearest_node(), elles lèvent un AttributeError.
Voici comment mes trois workflows principaux de 2018 se traduisent dans l’API v2.0 de 2026 :
Workflow A : plans plein-vide d’un kilomètre carré
En v2.0, l’acquisition des données et la visualisation sont strictement découplées. De plus, le paramètre point de plot_figure_ground a été supprimé au profit d’un graphe G préalablement téléchargé, et distance a été renommé dist dans toute la bibliothèque (avec passage obligatoire en argument nommé).
# 2026 (OSMnx v2.0)
import osmnx as ox
place = "surabaya - gubeng baru"
point = (-7.26533975, 112.752689192925) # (lat, lon)
# 1. Explicitly fetch the graph first (dist in meters, keyword-only)
G = ox.graph_from_point(point, dist=500, network_type="all", retain_all=True)
# 2. Pass the graph object to the figure-ground renderer
fig, ax = ox.plot_figure_ground(
G,
dist=500,
filepath=f"{img_folder}/{place}.png",
dpi=300,
save=True,
show=False,
close=True,
)
Un changement volontaire par rapport à la boîte noire de 2018 : l’ancien plot_figure_ground(point=…) utilisait par défaut network_type='drive_service'. Ici, je récupère le graphe avec network_type="all" pour que les ruelles et les passages piétons apparaissent dans le plan .
Pourquoi est-ce préférable ? Quand j’ai généré les tuiles urbaines en 2018 (55 échantillons de quartiers répartis dans les quatre ensembles ci-dessus), le moindre ajustement visuel, comme l’épaisseur de trait ou la résolution DPI, forçait le script à réinterroger l’ de bout en bout. Découpler graph_from_point de plot_figure_ground me permet de sérialiser le graphe brut une seule fois dans un fichier .graphml, puis d’itérer localement sur le style visuel en quelques millisecondes.
Workflow B : orientation du réseau de rues (diagrammes en rose polaire)
Pour l’étude de 2018, j’avais tracé à la fois des histogrammes en barres classiques et des roses polaires sur 360 degrés des gisements d’arêtes (par exemple la trame cardinale de Semolowaru à Surabaya face aux axes radiaux de l’Arc de Triomphe à Paris).
En v0.8, les gisements étaient calculés via ox.add_edge_bearings(G), puis je construisais la rose polaire sur mesure dans Matplotlib (OSMnx n’a intégré plot_orientation qu’en v1.1, en 2021). En v2.0, les fonctions de gisement sont regroupées dans ox.bearing, le tracé dans ox.plot, et les gisements doivent impérativement être calculés sur un graphe non projeté (en degrés lat/lon). On ne projette en UTM qu’ensuite, si l’on a besoin de longueurs ou de densités métriques.
# 2018 (OSMnx v0.8) - DEPRECATED
G = ox.graph_from_point(point, distance=1000, network_type='drive')
G = ox.add_edge_bearings(G)
# polar rose was custom Matplotlib on edge "bearing" attributes
# 2026 (OSMnx v2.0)
G = ox.graph_from_point(point, dist=1000, network_type="drive")
# Convert directed MultiDiGraph to undirected MultiGraph so bidirectional
# streets aren't double-counted in opposite 180-degree bins
Gu = ox.convert.to_undirected(G)
Gu = ox.bearing.add_edge_bearings(Gu)
fig, ax = ox.plot.plot_orientation(
Gu,
num_bins=36,
title="Semolowaru Street Network Edge Bearings",
)
Remarquez l’étape explicite ox.convert.to_undirected(G). En v2.0, on peut calculer des gisements sur un MultiDiGraph orienté (un gisement par arête orientée), mais pour analyser l’orientation physique de la voirie, on cherche en général un MultiGraph non orienté : cela évite qu’une rue à double sens ne pèse double face à une rue à sens unique (comptée une fois à 90° et une fois à 270°), ce qui fausserait l’entropie et l’ordre d’orientation.
Workflow C : isochrones piétons et conversions de graphe vers GeoDataFrame
Le troisième volet de mon étude de 2018 cartographiait des de marche à 5, 10, 15, 20 et 25 minutes selon trois représentations : nœuds discrets du réseau, anneaux d’enveloppe convexe et polygones du réseau de rues avec zone tampon.
C’est là que la combinaison d’OSMnx v2.0, de NetworkX 3.4 et de Shapely 2.0 prend tout son sens. Cinq signatures d’API majeures ont changé dans ce pipeline :
| Opération | 2018 (v0.8) |
2026 (v2.0) |
|---|---|---|
| Recherche du nœud le plus proche | ox.get_nearest_node(G, (lat, lon)) |
ox.distance.nearest_nodes(G, X=lon, Y=lat) (Notez l’inversion X=lon, Y=lat !) |
| Projection du graphe | ox.project_graph(G) |
ox.projection.project_graph(G) |
| Graphe vers GeoDataFrame | ox.graph_to_gdfs(G) |
ox.convert.graph_to_gdfs(G) |
| Plus court chemin / routage | nx.shortest_path(...) |
ox.routing.shortest_path(...) ou nx.ego_graph(...) |
| Union de polygones | gdf.unary_union |
gdf.union_all() (dépréciation de unary_union dans 1.0) |
Cette inversion de l’ordre des coordonnées dans ox.distance.nearest_nodes(G, X=lon, Y=lat) est le piège numéro un lors de la migration d’anciens notebooks. En 2018, get_nearest_node prenait un tuple (lat, lon). En 2026, nearest_nodes attend des coordonnées cartésiennes planes (X, Y), c’est-à-dire (longitude, latitude) si le graphe n’est pas projeté, ou (abscisse, ordonnée) s’il est déjà projeté en UTM.
3. Reproductibilité et dérive des données OpenStreetMap
Même après avoir corrigé chaque écart d’API, l’exécution du script de 2026 sur les coordonnées exactes (-7.26533975, 112.752689192925) à Gubeng Baru ne renvoie pas exactement le graphe que j’avais tracé en 2018.
Pourquoi ? Parce qu’ est une base de données vivante. En huit ans, les contributeurs locaux à Surabaya, Manille et Bangkok ont tracé des milliers de ruelles, de voies de desserte et de raccourcis piétons qui n’étaient pas cartographiés à l’époque.
Dans OSMnx v2.0, on peut maîtriser cette dérive temporelle grâce à ox.settings.overpass_settings. Par exemple :
ox.settings.overpass_settings = (
'[out:json][timeout:{timeout}][date:"2018-06-01T00:00:00Z"]{maxsize}'
)
Ce filtre [date:…] demande à une archive historique (attic), ce qui me permet de vérifier mes anciennes sorties par rapport à l’état de la carte en 2018, puis d’extraire un instantané de 2026 pour observer comment la ville physique et son double numérique ont tous deux évolué.
03. Synthèse
Réécrire du code vieux de huit ans ressemble beaucoup à l’ouverture d’une ancienne définition Rhino/Grasshopper après quatre mises à jour majeures du logiciel : la moitié des composants s’affichent en rouge, et les clusters bien pratiques sur lesquels on s’appuyait ont été éclatés en primitives de plus bas niveau.
Au début, perdre une fonction tout-en-un d’une ligne comme ox.plot_figure_ground(point=point) donne une impression de friction. Une fois le pipeline reconstruit, on comprend que cette friction est voulue. OSMnx v2.0 oblige à être explicite sur les systèmes de coordonnées de référence, l’orientation du graphe et la frontière entre la topologie du réseau et le rendu visuel.
Maintenant que le pipeline Python de 2026 est testé et calé, je n’ai plus à m’en remettre aux seules comparaisons visuelles de . J’ai un workflow GeoPandas 1.0 et OSMnx v2.0 propre et rapide, prêt à être braqué droit sur le centre de Bangkok.
Prochaines étapes
Cette migration technique ouvre la voie aux nœuds d’analyse spatiale du Cluster 01 :
Vers le concept (01) - Nœuds de recherche parallèles
- Les réseaux de rues de Bangkok (
nœud 1.3) : faire tourner ce pipelineOSMnx v2.0mis à jour sur les emprises de Sukhumvit, Silom et Song Wat issues de mon journal de terrain, afin de mesurer la densité d’ (streets_per_node_proportions), la et l’entropie d’orientation face aux références des villes portuaires asiatiques de 2018. - Les motos dans l’infrastructure de Bangkok (
nœud 1.4) : superposer mes 18 traces GPS et les stations de au graphe de ruesOSMnxpour modéliser comment le routage à deux roues modifie l’accessibilité du réseau.
Vers le construit (03)
- L’API des rues (
nœud 1.5) : synthétiser les données empiriques de trajets et la topologie du graphe dans un essai de synthèse sur les protocoles informels de routage à haut débit au sein d’une infrastructure urbaine héritée.
Pour aller plus loin
Journal des versions
- 06 nov. 2026 - Publication (
v1.0) documentant la migration des scripts de 2018 (, orientation polaire et ) d’OSMnx v0.8versOSMnx v2.0etGeoPandas 1.0.