add computing from osm history

counting_osm_objects/.gitignore

@@ -0,0 +1,8 @@
+osm_data/*pbf
+osm_data/*geojson
+polygons/*.poly
+test_data/*
+test_temp/*
+test_results/*
+osm_config.txt
+__pycache__

counting_osm_objects/README.md

@@ -0,0 +1,151 @@
+# Counting OSM Objects
+
+Ce répertoire contient des scripts pour compter et analyser les objets OpenStreetMap dans différentes zones
+administratives françaises.
+
+Pour fonctionner vous aurez besoin du fichier historisé de la france, pour cela connectez vous à geofabrik avec votre
+compte osm (oui c'est relou).
+
+## Scripts disponibles
+
+activez le venv python et les dépendances
+
+```shell 
+python -m venv bin/venv activate
+source bin/venv/bin/activate
+pip install plotly pandas
+```
+
+```shell
+# extraire un historique pour une ville à partir de l'historique de france et du polygone de la ville
+# ici pour paris on peut utiliser l'historique de l'ile de france
+wget https://osm-commerces.cipherbliss.com/admin/export_csv
+
+py get_all_polys.py # ce qui utilise l'export csv des villes de osm mon commerce
+osmium extract -p polygons/commune_75056.poly -H osm_data/ile-de-france-internal.osh.pbf -s complete_ways -O -o commune_75056.osh.pbf
+```
+
+```shell
+# générer les historiques de la commune 76216 pour tous ses thèmes et tous ses graphes
+py loop_thematics_history_in_zone_to_counts.py --input osm_data/commune_76216.osh.pbf --output-dir test_results --temp-dir test_temp --max-dates 100 --poly polygons/commune_76216.poly
+```
+
+```shell
+# générer un graphe pour un thème dans une ville
+py generate_graph.py --insee 91111 test_results/commune_75056_building.csv
+Graphique sauvegardé: test_results/commune_75056_building_monthly_graph.png
+Graphique de complétion sauvegardé: test_results/commune_75056_building_monthly_graph_completion.png
+Graphiques générés avec succès!
+
+```
+
+### historize_zone.py
+
+Ce script principal permet de lancer l'analyse historique d'une ville dans OpenStreetMap. Il:
+
+1. Demande à l'utilisateur quelle ville il souhaite traiter
+2. Trouve le code INSEE de la ville demandée
+3. Vérifie si le polygone de la ville existe, sinon le récupère
+4. Traite les données historiques OSM pour cette ville en utilisant loop_thematics_history_in_zone_to_counts.py
+
+#### Utilisation
+
+```bash
+python historize_zone.py [--input fichier_historique.osh.pbf]
+```
+
+Si le fichier d'historique n'est pas spécifié, le script utilisera par défaut le fichier
+`osm_data/france-internal.osh.pbf`.
+
+#### Exemples
+
+Lancer l'analyse avec le fichier d'historique par défaut:
+
+```bash
+python historize_zone.py
+```
+
+Lancer l'analyse avec un fichier d'historique spécifique:
+
+```bash
+python historize_zone.py --input osm_data/ile-de-france-internal.osh.pbf
+```
+
+### loop_thematics_history_in_zone_to_counts.py
+
+Ce script compte les objets OSM par thématique sur une zone donnée à différentes dates. Il:
+
+1. Filtre les données historiques OSM à différentes dates (mensuelles sur les 10 dernières années)
+2. Compte les objets correspondant à chaque thématique à chaque date
+3. Calcule le pourcentage de complétion des attributs importants pour chaque thème
+4. Sauvegarde les résultats dans des fichiers CSV
+5. Génère des graphiques montrant l'évolution dans le temps
+
+#### Utilisation
+
+```bash
+python loop_thematics_history_in_zone_to_counts.py --input fichier.osh.pbf --poly polygons/commune_XXXXX.poly
+```
+
+Ce script est généralement appelé par historize_zone.py et ne nécessite pas d'être exécuté directement.
+
+### get_poly.py
+
+Ce script permet de récupérer le polygone d'une commune française à partir de son code INSEE. Il interroge l'API
+Overpass Turbo pour obtenir les limites administratives de la commune et sauvegarde le polygone dans un fichier au
+format .poly (compatible avec Osmosis).
+
+#### Utilisation
+
+```bash
+python get_poly.py [code_insee]
+```
+
+Si le code INSEE n'est pas fourni en argument, le script le demandera interactivement.
+
+#### Exemples
+
+Récupérer le polygone de la commune d'Étampes (code INSEE 91111) :
+
+```bash
+python get_poly.py 91111
+```
+
+Le polygone sera sauvegardé dans le fichier `polygons/commune_91111.poly`.
+
+#### Format de sortie
+
+Le fichier de sortie est au format .poly, qui est utilisé par Osmosis et d'autres outils OpenStreetMap. Il contient :
+
+- Le nom de la commune
+- Un numéro de section
+- Les coordonnées des points du polygone (longitude, latitude)
+- Des marqueurs "END" pour fermer le polygone et le fichier
+
+Exemple de contenu :
+
+```
+commune_91111
+1
+    2.1326337    48.6556426
+    2.1323684    48.6554398
+    ...
+    2.1326337    48.6556426
+END
+END
+```
+
+## Dépendances
+
+- Python 3.6+
+- Modules Python : argparse, urllib, json
+- Pour compare_osm_objects.sh : PostgreSQL, curl, jq
+
+## Installation
+
+Aucune installation spécifique n'est nécessaire pour ces scripts. Assurez-vous simplement que les dépendances sont
+installées.
+
+## Licence
+
+Ces scripts sont distribués sous la même licence que le projet Osmose-Backend.

counting_osm_objects/dashboard_zone.py

@@ -0,0 +1,2 @@
+# on crée une page web présentant un tableau de bord pour la zone donnée
+# le dashboard contient le nom de la ville et des graphiques pour l'évolution de chaque thématique

counting_osm_objects/generate_graph.py

@@ -0,0 +1,395 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script pour générer un graphique montrant l'évolution du nombre d'objets OSM
+à partir d'un fichier CSV
+"""
+
+import sys
+import os
+import pandas as pd
+import matplotlib.pyplot as plt
+import matplotlib.dates as mdates
+from datetime import datetime
+import argparse
+
+
+def parse_args():
+    """Parse command line arguments."""
+    parser = argparse.ArgumentParser(
+        description="Génère un graphique à partir des données CSV d'objets OSM."
+    )
+    parser.add_argument(
+        "csv_file", help="Chemin vers le fichier CSV contenant les données"
+    )
+    parser.add_argument(
+        "--output", "-o", help="Chemin de sortie pour le graphique (PNG)", default=None
+    )
+    parser.add_argument(
+        "--insee", "-i", help="Code INSEE de la commune à analyser", default=None
+    )
+    parser.add_argument(
+        "--period",
+        "-p",
+        help="Période à analyser (annual, monthly, daily)",
+        default="monthly",
+    )
+    return parser.parse_args()
+
+
+def load_data(csv_file, insee_code=None, period="monthly"):
+    """
+    Charge les données depuis le fichier CSV.
+
+    Args:
+        csv_file: Chemin vers le fichier CSV
+        insee_code: Code INSEE de la commune à filtrer (optionnel)
+        period: Période à analyser (annual, monthly, daily)
+
+    Returns:
+        DataFrame pandas contenant les données filtrées
+    """
+    # Charger le CSV avec gestion des erreurs pour les lignes mal formatées
+    try:
+        df = pd.read_csv(csv_file, error_bad_lines=False, warn_bad_lines=True)
+    except TypeError:  # Pour les versions plus récentes de pandas
+        df = pd.read_csv(csv_file, on_bad_lines="skip")
+
+    # Vérifier si le CSV a la structure attendue
+    if "date" in df.columns:
+        # Format de CSV avec colonne 'date' directement
+        try:
+            df["date"] = pd.to_datetime(df["date"])
+        except:
+            # Si la conversion échoue, essayer différents formats
+            try:
+                if df["date"].iloc[0].count("-") == 2:  # Format YYYY-MM-DD
+                    df["date"] = pd.to_datetime(df["date"], format="%Y-%m-%d")
+                elif df["date"].iloc[0].count("-") == 1:  # Format YYYY-MM
+                    df["date"] = pd.to_datetime(df["date"], format="%Y-%m")
+                else:
+                    df["date"] = pd.to_datetime(df["date"])
+            except:
+                print("Erreur: Impossible de convertir la colonne 'date'.")
+                sys.exit(1)
+    elif "periode" in df.columns:
+        # Ancien format avec colonne 'periode'
+        # Filtrer par période
+        df = df[df["periode"] == period]
+
+        # Filtrer par code INSEE si spécifié
+        if insee_code and "code_insee" in df.columns:
+            df = df[df["code_insee"] == insee_code]
+
+        # Convertir les dates en objets datetime
+        if period == "annual" and "annee" in df.columns:
+            df["date"] = pd.to_datetime(df["annee"].astype(str), format="%Y")
+        elif period == "monthly":
+            # Vérifier si la première colonne contient déjà un format de date mensuel (YYYY-MM)
+            first_col = df.columns[0]
+            first_val = str(df.iloc[0, 0]) if not df.empty else ""
+
+            if first_col == "annee_mois" or (len(first_val) >= 7 and "-" in first_val):
+                # Si la première colonne est 'annee_mois' ou contient une date au format YYYY-MM
+                df["date"] = pd.to_datetime(df.iloc[:, 0].astype(str), format="%Y-%m")
+            elif "annee" in df.columns:
+                # Sinon, utiliser la colonne 'annee' et ajouter un mois fictif (janvier)
+                df["date"] = pd.to_datetime(
+                    df["annee"].astype(str) + "-01", format="%Y-%m"
+                )
+        elif period == "daily":
+            # Vérifier si la première colonne contient déjà un format de date quotidien (YYYY-MM-DD)
+            first_col = df.columns[0]
+            first_val = str(df.iloc[0, 0]) if not df.empty else ""
+
+            if first_col == "jour" or (
+                len(first_val) >= 10 and first_val.count("-") == 2
+            ):
+                # Si la première colonne est 'jour' ou contient une date au format YYYY-MM-DD
+                df["date"] = pd.to_datetime(
+                    df.iloc[:, 0].astype(str), format="%Y-%m-%d"
+                )
+            elif "annee" in df.columns:
+                # Sinon, utiliser la colonne 'annee' et ajouter un jour fictif (1er janvier)
+                df["date"] = pd.to_datetime(
+                    df["annee"].astype(str) + "-01-01", format="%Y-%m-%d"
+                )
+    else:
+        # Si aucune colonne de date n'est trouvée, essayer d'utiliser la première colonne
+        try:
+            df["date"] = pd.to_datetime(df.iloc[:, 0])
+        except:
+            print("Erreur: Impossible de trouver ou convertir une colonne de date.")
+            sys.exit(1)
+
+    # Filtrer par code INSEE si spécifié et si la colonne 'zone' contient des codes INSEE
+    if insee_code and "zone" in df.columns and not "code_insee" in df.columns:
+        # Vérifier si la zone contient le code INSEE
+        if any(
+            zone.endswith(insee_code) for zone in df["zone"] if isinstance(zone, str)
+        ):
+            df = df[df["zone"].str.endswith(insee_code)]
+
+    # Trier par date
+    df = df.sort_values("date")
+
+    return df
+
+
+def generate_graph(df, output_path=None):
+    """
+    Génère un graphique montrant l'évolution du nombre d'objets dans le temps.
+
+    Args:
+        df: DataFrame pandas contenant les données
+        output_path: Chemin de sortie pour le graphique (optionnel)
+    """
+    # Créer une figure avec une taille adaptée
+    plt.figure(figsize=(12, 8))
+
+    # Déterminer la colonne pour les types d'objets (type_objet ou theme)
+    type_column = "type_objet" if "type_objet" in df.columns else "theme"
+    label_objet = "objet"
+    # Obtenir la liste des types d'objets uniques
+    if type_column in df.columns:
+        object_types = df[type_column].unique()
+
+        # Créer un graphique pour chaque type d'objet
+        for obj_type in object_types:
+            # Filtrer les données pour ce type d'objet
+            obj_data = df[df[type_column] == obj_type]
+
+            # Filtrer les valeurs nulles
+            obj_data_filtered = obj_data[obj_data["nombre_total"].notna()]
+            
+            if not obj_data_filtered.empty:
+                # Tracer la ligne pour le nombre total d'objets (sans marqueurs, avec courbe lissée)
+                line, = plt.plot(
+                    obj_data_filtered["date"],
+                    obj_data_filtered["nombre_total"],
+                    linestyle="-",
+                    label=f"{obj_type}",
+                )
+                label_objet = obj_type
+                
+                # Ajouter un remplissage pastel sous la courbe
+                plt.fill_between(
+                    obj_data_filtered["date"],
+                    obj_data_filtered["nombre_total"],
+                    alpha=0.3,
+                    color=line.get_color()
+                )
+    else:
+        # Si aucune colonne de type n'est trouvée, tracer simplement le nombre total
+        # Filtrer les valeurs nulles
+        df_filtered = df[df["nombre_total"].notna()]
+        
+        if not df_filtered.empty:
+            # Tracer la ligne pour le nombre total d'objets (sans marqueurs, avec courbe lissée)
+            line, = plt.plot(
+                df_filtered["date"],
+                df_filtered["nombre_total"],
+                linestyle="-",
+                label="",
+            )
+            
+            # Ajouter un remplissage pastel sous la courbe
+            plt.fill_between(
+                df_filtered["date"],
+                df_filtered["nombre_total"],
+                alpha=0.3,
+                color=line.get_color()
+            )
+
+    # Configurer les axes et les légendes
+    plt.xlabel("Date")
+    plt.ylabel("Nombre d'objets")
+
+    plt.grid(True, linestyle="--", alpha=0.7)
+
+    # Formater l'axe des x pour afficher les dates correctement
+    plt.gca().xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m"))
+    plt.gca().xaxis.set_major_locator(mdates.MonthLocator(interval=6))
+    plt.gcf().autofmt_xdate()
+
+    # Ajouter une légende
+    plt.legend()
+
+    zone_label = ""
+    # Ajouter des informations sur la commune
+    if "code_insee" in df.columns and len(df["code_insee"].unique()) == 1:
+        insee_code = df["code_insee"].iloc[0]
+        plt.figtext(0.02, 0.02, f"Commune: {insee_code}", fontsize=10)
+        zone_label = insee_code
+    elif "zone" in df.columns and len(df["zone"].unique()) == 1:
+        zone = df["zone"].iloc[0]
+        plt.figtext(0.02, 0.02, f"Zone: {zone}", fontsize=10)
+        zone_label = zone
+
+    plt.title(f"{zone_label} : {label_objet} dans le temps")
+
+    # Ajouter la date de génération
+    now = datetime.now().strftime("%Y-%m-%d %H:%M")
+    plt.figtext(0.98, 0.02, f"Généré le: {now}", fontsize=8, ha="right")
+
+    # Ajuster la mise en page
+    plt.tight_layout()
+
+    # Sauvegarder ou afficher le graphique
+    if output_path:
+        plt.savefig(output_path, dpi=300, bbox_inches="tight")
+        print(f"Graphique sauvegardé: {output_path}")
+    else:
+        plt.show()
+
+
+def generate_completion_graph(df, output_path=None):
+    """
+    Génère un graphique montrant l'évolution du taux de complétion des attributs dans le temps.
+
+    Args:
+        df: DataFrame pandas contenant les données
+        output_path: Chemin de sortie pour le graphique (optionnel)
+    """
+    # Vérifier si la colonne de pourcentage de complétion existe
+    if "pourcentage_completion" not in df.columns:
+        print(
+            "Avertissement: La colonne 'pourcentage_completion' n'existe pas dans le CSV. Le graphique de complétion ne sera pas généré."
+        )
+        return
+
+    # Créer une figure avec une taille adaptée
+    plt.figure(figsize=(12, 8))
+
+    # Déterminer la colonne pour les types d'objets (type_objet ou theme)
+    type_column = "type_objet" if "type_objet" in df.columns else "theme"
+
+    # Obtenir la liste des types d'objets uniques
+    if type_column in df.columns:
+        object_types = df[type_column].unique()
+
+        # Créer un graphique pour chaque type d'objet
+        for obj_type in object_types:
+            # Filtrer les données pour ce type d'objet
+            obj_data = df[df[type_column] == obj_type]
+
+            # Filtrer les valeurs nulles
+            obj_data_filtered = obj_data[obj_data["pourcentage_completion"].notna()]
+            
+            if not obj_data_filtered.empty:
+                # Tracer la ligne pour le taux de complétion (sans marqueurs, avec courbe lissée)
+                line, = plt.plot(
+                    obj_data_filtered["date"],
+                    obj_data_filtered["pourcentage_completion"],
+                    linestyle="-",
+                    label=f"{obj_type} - Complétion (%)",
+                )
+                
+                # Ajouter un remplissage pastel sous la courbe
+                plt.fill_between(
+                    obj_data_filtered["date"],
+                    obj_data_filtered["pourcentage_completion"],
+                    alpha=0.3,
+                    color=line.get_color()
+                )
+    else:
+        # Si aucune colonne de type n'est trouvée, tracer simplement le taux de complétion global
+        # Filtrer les valeurs nulles
+        df_filtered = df[df["pourcentage_completion"].notna()]
+        
+        if not df_filtered.empty:
+            # Tracer la ligne pour le taux de complétion (sans marqueurs, avec courbe lissée)
+            line, = plt.plot(
+                df_filtered["date"],
+                df_filtered["pourcentage_completion"],
+                linestyle="-",
+                label="Complétion (%)",
+            )
+            
+            # Ajouter un remplissage pastel sous la courbe
+            plt.fill_between(
+                df_filtered["date"],
+                df_filtered["pourcentage_completion"],
+                alpha=0.3,
+                color=line.get_color()
+            )
+
+    # Configurer les axes et les légendes
+    plt.xlabel("Date")
+    plt.ylabel("Complétion (%)")
+    plt.title("Évolution du taux de complétion dans le temps")
+    plt.grid(True, linestyle="--", alpha=0.7)
+
+    # Définir les limites de l'axe y entre 0 et 100%
+    plt.ylim(0, 100)
+
+    # Formater l'axe des x pour afficher les dates correctement
+    plt.gca().xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m"))
+    plt.gca().xaxis.set_major_locator(mdates.MonthLocator(interval=6))
+    plt.gcf().autofmt_xdate()
+
+    # Ajouter une légende
+    plt.legend()
+
+    # Ajouter des informations sur la commune
+    if "code_insee" in df.columns and len(df["code_insee"].unique()) == 1:
+        insee_code = df["code_insee"].iloc[0]
+        plt.figtext(0.02, 0.02, f"Commune: {insee_code}", fontsize=10)
+    elif "zone" in df.columns and len(df["zone"].unique()) == 1:
+        zone = df["zone"].iloc[0]
+        plt.figtext(0.02, 0.02, f"Zone: {zone}", fontsize=10)
+
+    # Ajouter la date de génération
+    now = datetime.now().strftime("%Y-%m-%d %H:%M")
+    plt.figtext(0.98, 0.02, f"Généré le: {now}", fontsize=8, ha="right")
+
+    # Ajuster la mise en page
+    plt.tight_layout()
+
+    # Sauvegarder ou afficher le graphique
+    if output_path:
+        # Modifier le nom du fichier pour indiquer qu'il s'agit du taux de complétion
+        base, ext = os.path.splitext(output_path)
+        completion_path = f"{base}_completion{ext}"
+        plt.savefig(completion_path, dpi=300, bbox_inches="tight")
+        print(f"Graphique de complétion sauvegardé: {completion_path}")
+    else:
+        plt.show()
+
+
+def main():
+    """Fonction principale."""
+    # Analyser les arguments de la ligne de commande
+    args = parse_args()
+
+    # Vérifier que le fichier CSV existe
+    if not os.path.isfile(args.csv_file):
+        print(f"Erreur: Le fichier {args.csv_file} n'existe pas.")
+        sys.exit(1)
+
+    # Charger les données
+    df = load_data(args.csv_file, args.insee, args.period)
+
+    # Vérifier qu'il y a des données
+    if df.empty:
+        print(f"Aucune donnée trouvée pour la période {args.period}.")
+        sys.exit(1)
+
+    # Déterminer le chemin de sortie si non spécifié
+    if not args.output:
+        # Utiliser le même nom que le fichier CSV mais avec l'extension .png
+        base_name = os.path.splitext(args.csv_file)[0]
+        output_path = f"{base_name}_{args.period}_graph.png"
+    else:
+        output_path = args.output
+
+    # Générer les graphiques
+    generate_graph(df, output_path)
+    generate_completion_graph(df, output_path)
+
+    print("Graphiques générés avec succès!")
+
+
+if __name__ == "__main__":
+    main()

counting_osm_objects/get_all_polys.py

@@ -0,0 +1,167 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script pour récupérer les polygones de toutes les communes françaises listées dans un fichier CSV.
+
+Ce script:
+1. Ouvre le fichier osm-commerces-villes-export.csv
+2. Extrait les codes INSEE (colonne 'zone')
+3. Pour chaque code INSEE, vérifie si le polygone existe déjà
+4. Si non, utilise get_poly.py pour récupérer le polygone
+
+Usage:
+    python get_all_polys.py
+"""
+
+import os
+import sys
+import csv
+from get_poly import query_overpass_api, extract_polygon, save_polygon_to_file
+
+# Chemin vers le fichier CSV contenant les codes INSEE
+CSV_FILE = os.path.join(
+    os.path.dirname(os.path.abspath(__file__)), "osm-commerces-villes-export.csv"
+)
+
+# Chemin vers le dossier où sont stockés les polygones
+POLYGONS_DIR = os.path.join(os.path.dirname(os.path.abspath(__file__)), "polygons")
+
+
+def ensure_polygons_dir_exists():
+    """
+    Vérifie que le dossier 'polygons' existe, sinon le crée.
+    """
+    os.makedirs(POLYGONS_DIR, exist_ok=True)
+    print(f"Dossier de polygones: {POLYGONS_DIR}")
+
+
+def polygon_exists(insee_code):
+    """
+    Vérifie si le polygone pour le code INSEE donné existe déjà.
+
+    Args:
+        insee_code (str): Le code INSEE de la commune
+
+    Returns:
+        bool: True si le polygone existe, False sinon
+    """
+    polygon_file = os.path.join(POLYGONS_DIR, f"commune_{insee_code}.poly")
+    return os.path.isfile(polygon_file)
+
+
+def get_polygon(insee_code):
+    """
+    Récupère le polygone pour le code INSEE donné.
+
+    Args:
+        insee_code (str): Le code INSEE de la commune
+
+    Returns:
+        str: Le chemin du fichier polygone créé, ou None en cas d'erreur
+    """
+    try:
+        print(f"Récupération du polygone pour la commune {insee_code}...")
+
+        # Interroger l'API Overpass
+        data = query_overpass_api(insee_code)
+
+        # Extraire le polygone
+        polygon = extract_polygon(data)
+
+        # Sauvegarder le polygone dans un fichier
+        output_file = save_polygon_to_file(polygon, insee_code)
+
+        print(f"Polygone pour la commune {insee_code} sauvegardé dans {output_file}")
+        return output_file
+    except Exception as e:
+        print(f"Erreur lors de la récupération du polygone pour {insee_code}: {e}")
+        return None
+
+
+def read_insee_codes_from_csv():
+    """
+    Lit le fichier CSV et extrait les codes INSEE (colonne 'zone').
+
+    Returns:
+        list: Liste des codes INSEE
+    """
+    insee_codes = []
+
+    try:
+        print(f"Lecture du fichier CSV: {CSV_FILE}")
+
+        if not os.path.isfile(CSV_FILE):
+            print(f"Erreur: Le fichier {CSV_FILE} n'existe pas.")
+            return insee_codes
+
+        with open(CSV_FILE, "r", encoding="utf-8") as csvfile:
+            reader = csv.DictReader(csvfile)
+
+            for row in reader:
+                if "zone" in row and row["zone"]:
+                    insee_codes.append(row["zone"])
+
+        print(f"Nombre de codes INSEE trouvés: {len(insee_codes)}")
+        return insee_codes
+    except Exception as e:
+        print(f"Erreur lors de la lecture du fichier CSV: {e}")
+        return insee_codes
+
+
+def main():
+    """
+    Fonction principale du script.
+    """
+    try:
+        # S'assurer que le dossier des polygones existe
+        ensure_polygons_dir_exists()
+
+        # Lire les codes INSEE depuis le fichier CSV
+        insee_codes = read_insee_codes_from_csv()
+
+        if not insee_codes:
+            print("Aucun code INSEE trouvé dans le fichier CSV.")
+            return 1
+
+        # Compteurs pour les statistiques
+        total = len(insee_codes)
+        existing = 0
+        created = 0
+        failed = 0
+
+        # Pour chaque code INSEE, récupérer le polygone s'il n'existe pas déjà
+        for i, insee_code in enumerate(insee_codes, 1):
+            print(f"\nTraitement de la commune {i}/{total}: {insee_code}")
+
+            if polygon_exists(insee_code):
+                print(f"Le polygone pour la commune {insee_code} existe déjà.")
+                existing += 1
+                continue
+
+            # Récupérer le polygone
+            result = get_polygon(insee_code)
+
+            if result:
+                created += 1
+            else:
+                failed += 1
+
+        # Afficher les statistiques
+        print("\nRésumé:")
+        print(f"Total des communes traitées: {total}")
+        print(f"Polygones déjà existants: {existing}")
+        print(f"Polygones créés avec succès: {created}")
+        print(f"Échecs: {failed}")
+
+        return 0  # Succès
+    except KeyboardInterrupt:
+        print("\nOpération annulée par l'utilisateur.")
+        return 1  # Erreur
+    except Exception as e:
+        print(f"Erreur inattendue: {e}")
+        return 1  # Erreur
+
+
+if __name__ == "__main__":
+    sys.exit(main())

counting_osm_objects/get_poly.py

@@ -0,0 +1,287 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script pour récupérer le polygone d'une commune française à partir de son code INSEE.
+
+Ce script:
+1. Demande un code INSEE
+2. Interroge l'API Overpass Turbo pour obtenir les limites administratives
+3. Extrait le polygone de la commune
+4. Sauvegarde le polygone dans un fichier
+
+Usage:
+    python get_poly.py [code_insee]
+
+Si le code INSEE n'est pas fourni en argument, le script le demandera interactivement.
+"""
+
+import sys
+import os
+import json
+import urllib.parse
+import urllib.request
+import argparse
+
+
+def get_insee_code():
+    """
+    Récupère le code INSEE soit depuis les arguments de ligne de commande,
+    soit en demandant à l'utilisateur.
+
+    Returns:
+        str: Le code INSEE de la commune
+    """
+    parser = argparse.ArgumentParser(
+        description="Récupère le polygone d'une commune à partir de son code INSEE"
+    )
+    parser.add_argument("insee", nargs="?", help="Code INSEE de la commune")
+    args = parser.parse_args()
+
+    if args.insee:
+        return args.insee
+
+    # Si le code INSEE n'est pas fourni en argument, le demander
+    return input("Entrez le code INSEE de la commune: ")
+
+
+def query_overpass_api(insee_code):
+    """
+    Interroge l'API Overpass pour obtenir les limites administratives d'une commune.
+
+    Args:
+        insee_code (str): Le code INSEE de la commune
+
+    Returns:
+        dict: Les données GeoJSON de la commune
+    """
+    print(f"Récupération des limites administratives pour la commune {insee_code}...")
+
+    # Construire la requête Overpass QL pour obtenir la relation administrative
+    query = f"""
+    [out:json][timeout:60];
+    (
+      relation["boundary"="administrative"]["admin_level"="8"]["ref:INSEE"="{insee_code}"];
+      way(r);
+      node(w);
+    );
+    out geom;
+    """
+
+    # Encoder la requête pour l'URL
+    encoded_query = urllib.parse.quote(query)
+
+    # Construire l'URL de l'API Overpass
+    url = f"https://overpass-api.de/api/interpreter?data={encoded_query}"
+
+    try:
+        # Envoyer la requête à l'API
+        print("Envoi de la requête à Overpass API...")
+        with urllib.request.urlopen(url) as response:
+            data = json.loads(response.read().decode("utf-8"))
+
+        # Afficher des informations sur la réponse (version réduite pour production)
+        print(
+            f"Réponse reçue de l'API Overpass. Nombre d'éléments: {len(data.get('elements', []))}"
+        )
+
+        return data
+    except Exception as e:
+        print(f"Erreur lors de la requête à l'API Overpass: {e}")
+        raise RuntimeError(f"Erreur lors de la requête à l'API Overpass: {e}")
+
+
+def extract_polygon(data):
+    """
+    Extrait le polygone des données GeoJSON.
+
+    Args:
+        data (dict): Les données GeoJSON de la commune
+
+    Returns:
+        list: Liste des coordonnées du polygone
+    """
+    print("Extraction du polygone des données...")
+
+    # Vérifier si des éléments ont été trouvés
+    if not data.get("elements"):
+        print("Aucune limite administrative trouvée pour ce code INSEE.")
+        raise ValueError("Aucune limite administrative trouvée pour ce code INSEE.")
+
+    try:
+        # Collecter tous les nœuds (points) avec leurs coordonnées
+        nodes = {}
+        for element in data["elements"]:
+            if element["type"] == "node":
+                nodes[element["id"]] = (element["lon"], element["lat"])
+
+        # Trouver les ways qui forment le contour de la commune
+        ways = []
+        for element in data["elements"]:
+            if element["type"] == "way":
+                ways.append(element)
+
+        # Si aucun way n'est trouvé, essayer d'extraire directement les coordonnées des nœuds
+        if not ways and nodes:
+            print("Aucun way trouvé. Utilisation directe des nœuds...")
+            polygon = list(nodes.values())
+            return polygon
+
+        # Trouver la relation administrative
+        relation = None
+        for element in data["elements"]:
+            if (
+                element["type"] == "relation"
+                and element.get("tags", {}).get("boundary") == "administrative"
+            ):
+                relation = element
+                break
+
+        if not relation:
+            print("Aucune relation administrative trouvée.")
+            # Si nous avons des ways, nous pouvons essayer de les utiliser directement
+            if ways:
+                print("Tentative d'utilisation directe des ways...")
+                # Prendre le premier way comme contour
+                way = ways[0]
+                polygon = []
+                for node_id in way.get("nodes", []):
+                    if node_id in nodes:
+                        polygon.append(nodes[node_id])
+                return polygon
+            raise ValueError(
+                "Impossible de trouver une relation administrative ou des ways"
+            )
+
+        # Extraire les ways qui forment le contour extérieur de la relation
+        outer_ways = []
+        for member in relation.get("members", []):
+            if member.get("role") == "outer" and member.get("type") == "way":
+                # Trouver le way correspondant
+                for way in ways:
+                    if way["id"] == member["ref"]:
+                        outer_ways.append(way)
+                        break
+
+        # Si aucun way extérieur n'est trouvé, utiliser tous les ways
+        if not outer_ways:
+            print("Aucun way extérieur trouvé. Utilisation de tous les ways...")
+            outer_ways = ways
+
+        # Construire le polygone à partir des ways extérieurs
+        polygon = []
+        for way in outer_ways:
+            for node_id in way.get("nodes", []):
+                if node_id in nodes:
+                    polygon.append(nodes[node_id])
+
+        if not polygon:
+            raise ValueError("Impossible d'extraire le polygone de la relation")
+
+        print(f"Polygone extrait avec {len(polygon)} points.")
+        return polygon
+    except Exception as e:
+        print(f"Erreur lors de l'extraction du polygone: {e}")
+        raise RuntimeError(f"Erreur lors de l'extraction du polygone: {e}")
+
+
+def save_polygon_to_file(polygon, insee_code):
+    """
+    Sauvegarde le polygone dans un fichier.
+
+    Args:
+        polygon (list): Liste des coordonnées du polygone
+        insee_code (str): Le code INSEE de la commune
+
+    Returns:
+        str: Le chemin du fichier créé
+
+    Raises:
+        ValueError: Si le polygone est vide ou invalide
+        IOError: Si une erreur survient lors de l'écriture du fichier
+    """
+    if not polygon:
+        raise ValueError("Le polygone est vide")
+
+    try:
+        # Créer le répertoire de sortie s'il n'existe pas
+        output_dir = os.path.join(
+            os.path.dirname(os.path.abspath(__file__)), "polygons"
+        )
+        os.makedirs(output_dir, exist_ok=True)
+
+        # Définir le nom du fichier de sortie
+        output_file = os.path.join(output_dir, f"commune_{insee_code}.poly")
+
+        print(f"Sauvegarde du polygone dans le fichier {output_file}...")
+
+        # Écrire le polygone dans le fichier au format .poly (format utilisé par Osmosis)
+        with open(output_file, "w") as f:
+            f.write(f"commune_{insee_code}\n")
+            f.write("1\n")  # Numéro de section
+
+            # Écrire les coordonnées
+            for i, (lon, lat) in enumerate(polygon):
+                f.write(f"    {lon:.7f}    {lat:.7f}\n")
+
+            # Fermer le polygone en répétant le premier point
+            if len(polygon) > 1 and polygon[0] != polygon[-1]:
+                lon, lat = polygon[0]
+                f.write(f"    {lon:.7f}    {lat:.7f}\n")
+
+            f.write("END\n")
+            f.write("END\n")
+
+        print(f"Polygone sauvegardé avec succès dans {output_file}")
+        return output_file
+    except IOError as e:
+        print(f"Erreur lors de l'écriture du fichier: {e}")
+        raise  # Re-raise the IOError
+    except Exception as e:
+        print(f"Erreur inattendue lors de la sauvegarde du polygone: {e}")
+        raise RuntimeError(f"Erreur inattendue lors de la sauvegarde du polygone: {e}")
+
+
+def main():
+    """
+    Fonction principale du script.
+    """
+    try:
+        # Récupérer le code INSEE
+        insee_code = get_insee_code()
+
+        # Vérifier que le code INSEE est valide (format numérique ou alphanumérique pour les DOM-TOM)
+        if not insee_code:
+            raise ValueError("Le code INSEE ne peut pas être vide")
+
+        if not insee_code.isalnum() or len(insee_code) not in [5, 3]:
+            raise ValueError(
+                "Code INSEE invalide. Il doit être composé de 5 chiffres (ou 3 pour certains territoires)."
+            )
+
+        # Interroger l'API Overpass
+        data = query_overpass_api(insee_code)
+
+        # Extraire le polygone
+        polygon = extract_polygon(data)
+
+        # Sauvegarder le polygone dans un fichier
+        output_file = save_polygon_to_file(polygon, insee_code)
+
+        print(
+            f"Terminé. Le polygone de la commune {insee_code} a été sauvegardé dans {output_file}"
+        )
+        return 0  # Succès
+    except ValueError as e:
+        print(f"Erreur de validation: {e}")
+        return 1  # Erreur
+    except KeyboardInterrupt:
+        print("\nOpération annulée par l'utilisateur.")
+        return 1  # Erreur
+    except Exception as e:
+        print(f"Erreur inattendue: {e}")
+        return 1  # Erreur
+
+
+if __name__ == "__main__":
+    sys.exit(main())

counting_osm_objects/historize_zone.py

@@ -0,0 +1,301 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script principal pour lancer l'analyse historique d'une ville.
+
+Ce script:
+1. Demande à l'utilisateur quelle ville il souhaite traiter
+2. Trouve le code INSEE de la ville demandée
+3. Vérifie si le polygone de la ville existe, sinon le récupère
+4. Traite les données historiques OSM pour cette ville
+
+Usage:
+    python historize_zone.py [--input fichier_historique.osh.pbf]
+"""
+
+import os
+import sys
+import csv
+import argparse
+import subprocess
+from pathlib import Path
+
+# Chemin vers le répertoire du script
+SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
+
+# Chemin vers le fichier CSV contenant les données des villes
+CITIES_CSV = os.path.join(SCRIPT_DIR, "osm-commerces-villes-export.csv")
+
+# Chemin vers le répertoire des polygones
+POLYGONS_DIR = os.path.join(SCRIPT_DIR, "polygons")
+
+# Chemin par défaut pour le fichier d'historique OSM France
+DEFAULT_HISTORY_FILE = os.path.join(SCRIPT_DIR, "osm_data", "france-internal.osh.pbf")
+
+
+def run_command(command):
+    """Exécute une commande shell et retourne la sortie"""
+    print(f"Exécution: {command}")
+    try:
+        result = subprocess.run(
+            command,
+            shell=True,
+            check=True,
+            stdout=subprocess.PIPE,
+            stderr=subprocess.PIPE,
+            universal_newlines=True,
+        )
+        return result.stdout
+    except subprocess.CalledProcessError as e:
+        print(f"Erreur lors de l'exécution de la commande: {e}")
+        print(f"Sortie de la commande: {e.stdout}")
+        print(f"Erreur de la commande: {e.stderr}")
+        return None
+
+
+def load_cities():
+    """
+    Charge les données des villes depuis le fichier CSV.
+
+    Returns:
+        dict: Dictionnaire des villes avec le nom comme clé et les données comme valeur
+    """
+    cities = {}
+    try:
+        with open(CITIES_CSV, "r", encoding="utf-8") as f:
+            reader = csv.DictReader(f)
+            for row in reader:
+                if row.get("name") and row.get("zone"):
+                    cities[row["name"].lower()] = row
+    except Exception as e:
+        print(f"Erreur lors du chargement du fichier CSV des villes: {e}")
+        sys.exit(1)
+
+    return cities
+
+
+def find_city(city_name, cities):
+    """
+    Recherche une ville par son nom dans le dictionnaire des villes.
+
+    Args:
+        city_name (str): Nom de la ville à rechercher
+        cities (dict): Dictionnaire des villes
+
+    Returns:
+        dict: Données de la ville si trouvée, None sinon
+    """
+    # Recherche exacte
+    if city_name.lower() in cities:
+        return cities[city_name.lower()]
+
+    # Recherche partielle
+    matches = []
+    for name, data in cities.items():
+        if city_name.lower() in name:
+            matches.append(data)
+
+    if not matches:
+        return None
+
+    # Si plusieurs correspondances, demander à l'utilisateur de choisir
+    if len(matches) > 1:
+        print(f"Plusieurs villes correspondent à '{city_name}':")
+        for i, city in enumerate(matches):
+            print(f"{i+1}. {city['name']} (INSEE: {city['zone']})")
+
+        choice = input("Entrez le numéro de la ville souhaitée (ou 'q' pour quitter): ")
+        if choice.lower() == "q":
+            sys.exit(0)
+
+        try:
+            index = int(choice) - 1
+            if 0 <= index < len(matches):
+                return matches[index]
+            else:
+                print("Choix invalide.")
+                return None
+        except ValueError:
+            print("Veuillez entrer un numéro valide.")
+            return None
+
+    return matches[0]
+
+
+def check_polygon_exists(insee_code):
+    """
+    Vérifie si le polygone d'une commune existe déjà.
+
+    Args:
+        insee_code (str): Code INSEE de la commune
+
+    Returns:
+        str: Chemin vers le fichier polygone s'il existe, None sinon
+    """
+    poly_file = os.path.join(POLYGONS_DIR, f"commune_{insee_code}.poly")
+    if os.path.isfile(poly_file):
+        return poly_file
+    return None
+
+
+def get_polygon(insee_code):
+    """
+    Récupère le polygone d'une commune à partir de son code INSEE.
+
+    Args:
+        insee_code (str): Code INSEE de la commune
+
+    Returns:
+        str: Chemin vers le fichier polygone créé, None en cas d'erreur
+    """
+    get_poly_script = os.path.join(SCRIPT_DIR, "get_poly.py")
+    command = f"python3 {get_poly_script} {insee_code}"
+
+    output = run_command(command)
+    if output:
+        # Vérifier si le polygone a été créé
+        poly_file = check_polygon_exists(insee_code)
+        if poly_file:
+            return poly_file
+
+    return None
+
+
+def process_city_history(input_file, poly_file, cleanup=False, benchmark=False):
+    """
+    Traite l'historique OSM pour une ville.
+
+    Args:
+        input_file (str): Chemin vers le fichier d'historique OSM
+        poly_file (str): Chemin vers le fichier polygone de la ville
+        cleanup (bool): Si True, nettoie les fichiers temporaires après traitement
+        benchmark (bool): Si True, affiche des informations de performance détaillées
+
+    Returns:
+        bool: True si le traitement a réussi, False sinon
+    """
+    loop_script = os.path.join(
+        SCRIPT_DIR, "loop_thematics_history_in_zone_to_counts.py"
+    )
+    output_dir = os.path.join(SCRIPT_DIR, "test_results")
+    temp_dir = os.path.join(SCRIPT_DIR, "test_temp")
+
+    # Créer les répertoires de sortie si nécessaires
+    os.makedirs(output_dir, exist_ok=True)
+    os.makedirs(temp_dir, exist_ok=True)
+
+    # Construire la commande avec les options supplémentaires
+    command = f"python3 {loop_script} --input {input_file} --poly {poly_file} --output-dir {output_dir} --temp-dir {temp_dir}"
+
+    # Ajouter les options de nettoyage et de benchmark si activées
+    if cleanup:
+        command += " --cleanup"
+    if benchmark:
+        command += " --benchmark"
+
+    print(f"Exécution de la commande: {command}")
+    output = run_command(command)
+    if output is not None:
+        return True
+    return False
+
+
+def main():
+    """Fonction principale"""
+    parser = argparse.ArgumentParser(
+        description="Analyse historique d'une ville dans OpenStreetMap."
+    )
+    parser.add_argument(
+        "--input",
+        "-i",
+        default=DEFAULT_HISTORY_FILE,
+        help=f"Fichier d'historique OSM (.osh.pbf). Par défaut: {DEFAULT_HISTORY_FILE}",
+    )
+    parser.add_argument(
+        "--cleanup",
+        "-c",
+        action="store_true",
+        help="Nettoyer les fichiers temporaires après traitement",
+    )
+    parser.add_argument(
+        "--benchmark",
+        "-b",
+        action="store_true",
+        help="Afficher des informations de performance détaillées",
+    )
+    parser.add_argument(
+        "--city",
+        "-v",
+        help="Nom de la ville à traiter (si non spécifié, demande interactive)",
+    )
+
+    args = parser.parse_args()
+
+    # Vérifier que le fichier d'historique existe
+    if not os.path.isfile(args.input):
+        print(f"Erreur: Le fichier d'historique {args.input} n'existe pas.")
+        print(
+            f"Veuillez spécifier un fichier d'historique valide avec l'option --input."
+        )
+        sys.exit(1)
+
+    # Charger les données des villes
+    cities = load_cities()
+    if not cities:
+        print("Aucune ville n'a été trouvée dans le fichier CSV.")
+        sys.exit(1)
+
+    print(f"Données chargées pour {len(cities)} villes.")
+
+    # Obtenir le nom de la ville à traiter
+    city_name = args.city
+    if not city_name:
+        # Mode interactif si aucune ville n'est spécifiée
+        city_name = input("Quelle ville souhaitez-vous traiter ? ")
+
+    # Rechercher la ville
+    city = find_city(city_name, cities)
+    if not city:
+        print(f"Aucune ville correspondant à '{city_name}' n'a été trouvée.")
+        sys.exit(1)
+
+    insee_code = city["zone"]
+    print(f"Ville trouvée: {city['name']} (INSEE: {insee_code})")
+
+    # Vérifier si le polygone existe
+    poly_file = check_polygon_exists(insee_code)
+    if poly_file:
+        print(f"Le polygone pour {city['name']} existe déjà: {poly_file}")
+    else:
+        print(f"Le polygone pour {city['name']} n'existe pas. Récupération en cours...")
+        poly_file = get_polygon(insee_code)
+        if not poly_file:
+            print(f"Erreur: Impossible de récupérer le polygone pour {city['name']}.")
+            sys.exit(1)
+        print(f"Polygone récupéré avec succès: {poly_file}")
+
+    # Afficher les options activées
+    if args.benchmark:
+        print("\n=== Options ===")
+        print(
+            f"Nettoyage des fichiers temporaires: {'Activé' if args.cleanup else 'Désactivé'}"
+        )
+        print(f"Benchmark: Activé")
+        print("===============\n")
+
+    # Traiter l'historique pour cette ville
+    print(f"Traitement de l'historique OSM pour {city['name']}...")
+    success = process_city_history(args.input, poly_file, args.cleanup, args.benchmark)
+
+    if success:
+        print(f"Traitement terminé avec succès pour {city['name']}.")
+    else:
+        print(f"Erreur lors du traitement de l'historique pour {city['name']}.")
+        sys.exit(1)
+
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())

counting_osm_objects/loop_thematics_history_in_zone_to_counts.py

@@ -0,0 +1,945 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script pour compter les objets OSM par thématique sur une zone donnée à différentes dates.
+
+Ce script utilise osmium pour:
+1. Filtrer les données historiques OSM à différentes dates (mensuelles sur les 10 dernières années)
+2. Compter les objets correspondant à chaque thématique à chaque date
+3. Calculer le pourcentage de complétion des attributs importants pour chaque thème
+4. Sauvegarder les résultats dans des fichiers CSV
+5. Générer des graphiques montrant l'évolution dans le temps
+
+Exemple d'utilisation:
+    python3 loop_thematics_history_in_zone_to_counts.py --input france.osh.pbf --poly polygons/commune_91111.poly
+"""
+
+import os
+import sys
+import subprocess
+import csv
+import json
+import argparse
+import multiprocessing
+from datetime import datetime, timedelta
+from pathlib import Path
+from functools import lru_cache
+import time
+
+# Définition des thématiques et leurs tags correspondants (repris de split_history_to_thematics.py)
+THEMES = {
+    "borne-de-recharge": {
+        "tag_filter": "amenity=charging_station",
+        "important_tags": ["operator", "capacity"],
+    },
+    "borne-incendie": {
+        "tag_filter": "emergency=fire_hydrant",
+        "important_tags": ["ref", "colour"],
+    },
+    "arbres": {
+        "tag_filter": "natural=tree",
+        "important_tags": ["species", "leaf_type"],
+    },
+    "defibrillator": {
+        "tag_filter": "emergency=defibrillator",
+        "important_tags": ["operator", "access"],
+    },
+    "toilets": {
+        "tag_filter": "amenity=toilets",
+        "important_tags": ["access", "wheelchair"],
+    },
+    "bus_stop": {
+        "tag_filter": "highway=bus_stop",
+        "important_tags": ["name", "shelter"],
+    },
+    "camera": {
+        "tag_filter": "man_made=surveillance",
+        "important_tags": ["operator", "surveillance"],
+    },
+    "recycling": {
+        "tag_filter": "amenity=recycling",
+        "important_tags": ["recycling_type", "operator"],
+    },
+    "substation": {
+        "tag_filter": "power=substation",
+        "important_tags": ["operator", "voltage"],
+    },
+    "laboratory": {
+        "tag_filter": "healthcare=laboratory",
+        "important_tags": ["name", "operator"],
+    },
+    "school": {"tag_filter": "amenity=school", "important_tags": ["name", "operator"]},
+    "police": {"tag_filter": "amenity=police", "important_tags": ["name", "operator"]},
+    "healthcare": {
+        "tag_filter": "healthcare or amenity=doctors or amenity=pharmacy or amenity=hospital or amenity=clinic or amenity=social_facility",
+        "important_tags": ["name", "healthcare"],
+    },
+    "bicycle_parking": {
+        "tag_filter": "amenity=bicycle_parking",
+        "important_tags": ["capacity", "covered"],
+    },
+    "advertising_board": {
+        "tag_filter": "advertising=board and message=political",
+        "important_tags": ["operator", "content"],
+    },
+    "building": {
+        "tag_filter": "building",
+        "important_tags": ["building", "addr:housenumber"],
+    },
+    "email": {
+        "tag_filter": "email or contact:email",
+        "important_tags": ["email", "contact:email"],
+    },
+    "bench": {
+        "tag_filter": "amenity=bench",
+        #         "important_tags": ["backrest", "material"]
+    },
+    "waste_basket": {
+        "tag_filter": "amenity=waste_basket",
+        #         "important_tags": ["operator", "capacity"]
+    },
+    "street_lamp": {
+        "tag_filter": "highway=street_lamp",
+        #         "important_tags": ["light:method", "operator"]
+    },
+    "drinking_water": {
+        "tag_filter": "amenity=drinking_water",
+        #         "important_tags": ["drinking_water", "bottle"]
+    },
+    "power_pole": {
+        "tag_filter": "power=pole",
+        #         "important_tags": ["ref", "operator"]
+    },
+    "manhole": {
+        "tag_filter": "man_made=manhole",
+        #         "important_tags": ["man_made", "substance"]
+    },
+    "little_free_library": {
+        "tag_filter": "amenity=public_bookcase",
+        #         "important_tags": ["amenity", "capacity"]
+    },
+    "playground": {
+        "tag_filter": "leisure=playground",
+        #         "important_tags": ["name", "surface"]
+    },
+    "siret": {
+        "tag_filter": "ref:FR:SIRET",
+        #         "important_tags": ["name", "surface"]
+    },
+    "restaurants": {
+        "tag_filter": "amenity=restaurant",
+        "important_tags": ["opening_hours", "contact:street", "contact:housenumber", "website", "contact:phone"]
+    },
+    "rnb": {
+        "tag_filter": "ref:FR:RNB",
+        #         "important_tags": ["name", "surface"]
+    },
+}
+
+
+def run_command(command):
+    """Exécute une commande shell et retourne la sortie"""
+    print(f"Exécution: {command}")
+    try:
+        result = subprocess.run(
+            command,
+            shell=True,
+            check=True,
+            stdout=subprocess.PIPE,
+            stderr=subprocess.PIPE,
+            universal_newlines=True,
+        )
+        return result.stdout
+    except subprocess.CalledProcessError as e:
+        print(f"Erreur lors de l'exécution de la commande: {e}")
+        print(f"Sortie de la commande: {e.stdout}")
+        print(f"Erreur de la commande: {e.stderr}")
+        return None
+
+
+@lru_cache(maxsize=128)
+def run_command_cached(command):
+    """Version mise en cache de run_command pour éviter les appels redondants"""
+    return run_command(command)
+
+
+def count_objects_at_date(
+    input_file, date_str, tag_filter, output_dir=None, insee_code=None
+):
+    """
+    Compte les objets correspondant à un filtre de tag à une date spécifique.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        date_str: Date au format ISO (YYYY-MM-DDThh:mm:ssZ)
+        tag_filter: Filtre de tag (ex: "amenity=charging_station")
+        output_dir: Répertoire de sortie pour les fichiers temporaires
+        insee_code: Code INSEE de la commune (optionnel)
+
+    Returns:
+        Nombre d'objets correspondant au filtre à la date spécifiée
+    """
+    # Créer un répertoire temporaire si nécessaire
+    if output_dir:
+        os.makedirs(output_dir, exist_ok=True)
+        insee_suffix = f"_insee_{insee_code}" if insee_code else ""
+        temp_file = os.path.join(
+            output_dir, f"temp_{date_str.replace(':', '_')}__{insee_suffix}.osm.pbf"
+        )
+
+        # Vérifier si le fichier temporaire existe déjà
+        if not os.path.exists(temp_file):
+            time_filter_cmd = f"osmium time-filter {input_file} {date_str} -O -o {temp_file} -f osm.pbf"
+            run_command(time_filter_cmd)
+
+        tags_count_cmd = f"osmium tags-count {temp_file} -F osm.pbf {tag_filter}"
+    else:
+        # Utiliser des pipes comme dans l'exemple
+        tags_count_cmd = f"osmium time-filter {input_file} {date_str} -O -o - -f osm.pbf | osmium tags-count - -F osm.pbf {tag_filter}"
+
+    # Exécuter la commande et récupérer le résultat (utiliser la version mise en cache)
+    output = run_command_cached(tags_count_cmd)
+
+    # Analyser la sortie pour obtenir le nombre d'objets
+    if output:
+        # La sortie d'osmium tags-count est au format "count "key" "value"" ou "count "key""
+        # Par exemple: "42 "amenity" "charging_station"" ou "42 "operator""
+        parts = output.strip().split()
+        if len(parts) >= 1:
+            try:
+                return int(parts[0])
+            except ValueError:
+                print(f"Impossible de convertir '{parts[0]}' en entier")
+                return None
+
+    return None
+
+
+def export_to_geojson(
+    input_file, date_str, main_tag_filter, output_dir, insee_code=None
+):
+    """
+    Exporte les données OSM filtrées à une date spécifique vers un fichier GeoJSON.
+    Si le fichier GeoJSON ou les fichiers temporaires existent déjà, l'export est ignoré.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        date_str: Date au format ISO (YYYY-MM-DDThh:mm:ssZ)
+        main_tag_filter: Filtre de tag principal (ex: "amenity=charging_station")
+        output_dir: Répertoire pour les fichiers temporaires
+        insee_code: Code INSEE de la commune (optionnel)
+
+    Returns:
+        Chemin vers le fichier GeoJSON créé
+    """
+    os.makedirs(output_dir, exist_ok=True)
+
+    # Ajouter le code INSEE au nom du fichier si disponible
+    insee_suffix = f"_insee_{insee_code}" if insee_code else ""
+
+    # Définir le chemin du fichier GeoJSON de sortie
+    geojson_file = os.path.join(
+        output_dir, f"export_{date_str.replace(':', '_')}__{insee_suffix}.geojson"
+    )
+
+    # Vérifier si le fichier GeoJSON existe déjà
+    if os.path.exists(geojson_file):
+        return geojson_file
+
+    # Définir les chemins des fichiers temporaires
+    temp_file = os.path.join(
+        output_dir, f"temp_{date_str.replace(':', '_')}__{insee_suffix}.osm.pbf"
+    )
+    filtered_file = os.path.join(
+        output_dir,
+        f"filtered_{date_str.replace(':', '_')}__{main_tag_filter.replace('=', '_').replace(' ', '_')}__{insee_suffix}.osm.pbf",
+    )
+
+    # Vérifier si le fichier temporaire filtré par date existe déjà
+    if not os.path.exists(temp_file):
+        # Créer un fichier temporaire pour les données filtrées par date
+        time_filter_cmd = (
+            f"osmium time-filter {input_file} {date_str} -O -o {temp_file} -f osm.pbf"
+        )
+        run_command_cached(time_filter_cmd)
+
+    # Vérifier si le fichier filtré par tag existe déjà
+    if not os.path.exists(filtered_file):
+        # Filtrer les objets qui ont le tag principal
+        filter_cmd = f"osmium tags-filter {temp_file} {main_tag_filter} -f osm.pbf -O -o {filtered_file}"
+        run_command_cached(filter_cmd)
+
+    # Exporter vers GeoJSON
+    export_cmd = f"osmium export {filtered_file} -O -o {geojson_file} -f geojson --geometry-types point,linestring,polygon"
+    run_command_cached(export_cmd)
+
+    return geojson_file
+
+
+def count_features_with_tags_in_geojson(geojson_file, attribute_tags):
+    """
+    Compte les features dans un fichier GeoJSON qui ont des attributs spécifiques.
+
+    Args:
+        geojson_file: Chemin vers le fichier GeoJSON
+        attribute_tags: Liste d'attributs à vérifier (ex: ["operator", "capacity"])
+
+    Returns:
+        Dictionnaire avec le nombre de features ayant chaque attribut spécifié
+    """
+    try:
+        with open(geojson_file, "r") as f:
+            geojson_data = json.load(f)
+
+        # Initialiser les compteurs pour chaque attribut
+        counts = {tag: 0 for tag in attribute_tags}
+
+        # Compter en une seule passe
+        for feature in geojson_data.get("features", []):
+            properties = feature.get("properties", {})
+            for tag in attribute_tags:
+                if tag in properties and properties[tag]:
+                    counts[tag] += 1
+
+        return counts
+    except Exception as e:
+        print(
+            f"Erreur lors du comptage des features avec les attributs {attribute_tags}: {e}"
+        )
+        return {tag: None for tag in attribute_tags}
+
+
+def count_objects_with_tags(
+    input_file,
+    date_str,
+    main_tag_filter,
+    attribute_tags,
+    output_dir=None,
+    insee_code=None,
+):
+    """
+    Compte les objets qui ont à la fois le tag principal et des attributs spécifiques.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        date_str: Date au format ISO (YYYY-MM-DDThh:mm:ssZ)
+        main_tag_filter: Filtre de tag principal (ex: "amenity=charging_station")
+        attribute_tags: Liste d'attributs à vérifier (ex: ["operator", "capacity"])
+        output_dir: Répertoire pour les fichiers temporaires
+        insee_code: Code INSEE de la commune (optionnel)
+
+    Returns:
+        Dictionnaire avec le nombre d'objets ayant chaque attribut spécifié
+    """
+    # Utiliser l'export GeoJSON si un répertoire de sortie est spécifié
+    if output_dir:
+        # Exporter vers GeoJSON (la fonction export_to_geojson vérifie déjà si le fichier GeoJSON existe)
+        geojson_file = export_to_geojson(
+            input_file, date_str, main_tag_filter, output_dir, insee_code
+        )
+
+        # Compter les features avec les attributs spécifiques en une seule passe
+        return count_features_with_tags_in_geojson(geojson_file, attribute_tags)
+    else:
+        # Méthode alternative si pas de répertoire temporaire
+        counts = {}
+        for tag in attribute_tags:
+            combined_filter = f"{main_tag_filter} and {tag}"
+            counts[tag] = count_objects_at_date(
+                input_file, date_str, combined_filter, output_dir, insee_code
+            )
+        return counts
+
+
+def count_objects_with_tag(
+    input_file,
+    date_str,
+    main_tag_filter,
+    attribute_tag,
+    output_dir=None,
+    insee_code=None,
+):
+    """
+    Compte les objets qui ont à la fois le tag principal et un attribut spécifique.
+    Version compatible avec l'ancienne API pour la rétrocompatibilité.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        date_str: Date au format ISO (YYYY-MM-DDThh:mm:ssZ)
+        main_tag_filter: Filtre de tag principal (ex: "amenity=charging_station")
+        attribute_tag: Attribut à vérifier (ex: "operator")
+        output_dir: Répertoire pour les fichiers temporaires
+        insee_code: Code INSEE de la commune (optionnel)
+
+    Returns:
+        Nombre d'objets ayant à la fois le tag principal et l'attribut spécifié
+    """
+    result = count_objects_with_tags(
+        input_file, date_str, main_tag_filter, [attribute_tag], output_dir, insee_code
+    )
+    return result.get(attribute_tag, None)
+
+
+def generate_time_slices(max_dates=None):
+    """
+    Génère une liste de dates avec différentes fréquences selon l'ancienneté:
+    - 30 derniers jours: quotidien
+    - 12 derniers mois: mensuel
+    - Jusqu'à 2004: annuel
+
+    Args:
+        max_dates: Nombre maximum de dates à générer (pour les tests)
+
+    Returns:
+        Liste de dates au format ISO (YYYY-MM-DDThh:mm:ssZ)
+    """
+    dates = []
+    now = datetime.now()
+
+    # 1. Dates quotidiennes pour les 30 derniers jours
+    current_date = now.replace(hour=0, minute=0, second=0, microsecond=0)
+    for _ in range(30):
+        date_str = current_date.strftime("%Y-%m-%dT00:00:00Z")
+        dates.append(date_str)
+        current_date -= timedelta(days=1)
+
+    # 2. Dates mensuelles pour les 12 derniers mois (en excluant le mois courant déjà couvert)
+    current_date = datetime(now.year, now.month, 1) - timedelta(
+        days=1
+    )  # Dernier jour du mois précédent
+    current_date = datetime(
+        current_date.year, current_date.month, 1
+    )  # Premier jour du mois précédent
+
+    for _ in range(
+        60
+    ):  # 11 mois supplémentaires (12 mois au total avec le mois courant)
+        date_str = current_date.strftime("%Y-%m-%dT00:00:00Z")
+        if date_str not in dates:  # Éviter les doublons
+            dates.append(date_str)
+
+        # Passer au mois précédent
+        if current_date.month == 1:
+            current_date = datetime(current_date.year - 1, 12, 1)
+        else:
+            current_date = datetime(current_date.year, current_date.month - 1, 1)
+
+    # 3. Dates annuelles de l'année précédente jusqu'à 2004
+    start_year = min(
+        now.year - 1, 2023
+    )  # Commencer à l'année précédente (ou 2023 si nous sommes en 2024)
+    for year in range(start_year, 2003, -1):
+        date_str = f"{year}-01-01T00:00:00Z"
+        if date_str not in dates:  # Éviter les doublons
+            dates.append(date_str)
+
+    # Limiter le nombre de dates si spécifié
+    if max_dates is not None and max_dates > 0:
+        dates = dates[:max_dates]
+
+    # Trier les dates par ordre chronologique
+    dates.sort()
+
+    return dates
+
+
+def extract_zone_data(input_file, poly_file, output_dir):
+    """
+    Extrait les données pour une zone spécifique à partir d'un fichier d'historique OSM.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        poly_file: Fichier de polygone (.poly) définissant la zone
+        output_dir: Répertoire de sortie
+
+    Returns:
+        Chemin vers le fichier extrait
+    """
+    os.makedirs(output_dir, exist_ok=True)
+
+    # Obtenir le nom de la zone à partir du nom du fichier poly
+    zone_name = Path(poly_file).stem
+
+    # Créer le fichier de sortie
+    output_file = os.path.join(output_dir, f"{zone_name}.osh.pbf")
+
+    # Exécuter la commande osmium extract seulement si le fichier n'existe pas déjà
+    if os.path.exists(output_file):
+        print(f"Le fichier {output_file} existe déjà, utilisation du fichier existant.")
+    else:
+        print(f"Extraction des données pour la zone {zone_name}...")
+        command = f"osmium extract -p {poly_file} -H {input_file} -O -o {output_file}"
+        run_command(command)
+
+    return output_file
+
+
+def process_theme(
+    theme_name,
+    theme_info,
+    zone_file,
+    zone_name,
+    dates,
+    output_dir,
+    temp_dir,
+    insee_code=None,
+):
+    """
+    Traite une thématique spécifique pour une zone donnée.
+
+    Args:
+        theme_name: Nom de la thématique
+        theme_info: Informations sur la thématique (tag_filter, important_tags)
+        zone_file: Fichier de la zone à traiter
+        zone_name: Nom de la zone
+        dates: Liste des dates à traiter
+        output_dir: Répertoire pour les fichiers de sortie
+        temp_dir: Répertoire pour les fichiers temporaires
+        insee_code: Code INSEE de la commune (optionnel)
+
+    Returns:
+        Chemin vers le fichier CSV généré
+    """
+    start_time = time.time()
+    print(f"Traitement de la thématique '{theme_name}' pour la zone '{zone_name}'...")
+
+    # Préparer le fichier CSV de sortie
+    csv_file = os.path.join(output_dir, f"{zone_name}_{theme_name}.csv")
+
+    # Entêtes du CSV - colonnes de base
+    headers = ["date", "zone", "theme", "nombre_total"]
+
+    # Ajouter une colonne pour chaque tag important
+    # Vérifier si la clé 'important_tags' existe, sinon utiliser une liste vide
+    important_tags = theme_info.get("important_tags", [])
+    for attr in important_tags:
+        headers.append(f"nombre_avec_{attr}")
+
+    # Ajouter la colonne de pourcentage de complétion
+    headers.append("pourcentage_completion")
+
+    # Vérifier si le fichier CSV existe déjà et lire les données existantes
+    existing_dates = set()
+    existing_rows = []
+    existing_data = {}  # Dictionnaire pour stocker les données existantes par date
+    file_exists = os.path.exists(csv_file)
+    
+    if file_exists:
+        try:
+            with open(csv_file, "r", newline="") as f:
+                reader = csv.reader(f)
+                existing_headers = next(reader)  # Lire les entêtes
+                
+                # Vérifier que les entêtes correspondent
+                if existing_headers == headers:
+                    for row in reader:
+                        if len(row) >= 1:  # S'assurer que la ligne a au moins une date
+                            date = row[0]  # La date est dans la première colonne
+                            existing_dates.add(date)
+                            existing_rows.append(row)
+                            
+                            # Stocker les données existantes dans un dictionnaire pour un accès facile
+                            existing_data[date] = row
+                else:
+                    print(f"Les entêtes du fichier existant ne correspondent pas, création d'un nouveau fichier.")
+                    file_exists = False
+        except Exception as e:
+            print(f"Erreur lors de la lecture du fichier CSV existant: {e}")
+            file_exists = False
+
+    # Filtrer les dates qui n'ont pas encore été traitées
+    dates_to_process = [date_str for date_str in dates if date_str.split("T")[0] not in existing_dates]
+    
+    # Mode d'ouverture du fichier (écriture ou ajout)
+    mode = "a" if file_exists else "w"
+    
+    with open(csv_file, mode, newline="") as f:
+        writer = csv.writer(f)
+        
+        # Écrire les entêtes si c'est un nouveau fichier
+        if not file_exists:
+            writer.writerow(headers)
+        
+        # Traiter chaque date qui n'a pas encore été traitée
+        for date_str in dates_to_process:
+            tag_filter = theme_info["tag_filter"]
+            
+            # Compter le nombre total d'objets
+            total_count = count_objects_at_date(
+                zone_file, date_str, tag_filter, temp_dir, insee_code
+            )
+
+            # Compter les objets avec chaque attribut important en une seule passe
+            # Vérifier si la clé 'important_tags' existe et n'est pas vide
+            important_tags = theme_info.get("important_tags", [])
+            if important_tags:
+                attr_counts_dict = count_objects_with_tags(
+                    zone_file,
+                    date_str,
+                    tag_filter,
+                    important_tags,
+                    temp_dir,
+                    insee_code,
+                )
+                attr_counts = [
+                    (attr, attr_counts_dict.get(attr, 0)) for attr in important_tags
+                ]
+            else:
+                attr_counts = []
+
+            # Formater la date pour le CSV (YYYY-MM-DD)
+            csv_date = date_str.split("T")[0]
+            
+            # Vérifier si le total_count est 0 et s'il était > 0 dans le passé
+            recalculate = False
+            if total_count == 0:
+                # Parcourir les données existantes pour voir si une valeur était > 0 dans le passé
+                was_greater_than_zero = False
+                for existing_date in sorted(existing_data.keys()):
+                    if existing_date >= csv_date:
+                        break  # Ne pas regarder les dates futures
+                    
+                    existing_row = existing_data[existing_date]
+                    if len(existing_row) >= 4:  # S'assurer que la ligne a une valeur de nombre_total
+                        try:
+                            existing_total = existing_row[3]
+                            if existing_total and existing_total != "" and int(existing_total) > 0:
+                                was_greater_than_zero = True
+                                break
+                        except (ValueError, TypeError):
+                            # Ignorer les valeurs qui ne peuvent pas être converties en entier
+                            pass
+                
+                if was_greater_than_zero:
+                    # Si une valeur était > 0 dans le passé et est maintenant 0, remplacer par une valeur vide
+                    total_count = ""
+                    print(f"Valeur passée de > 0 à 0 pour {theme_name} à la date {csv_date}, remplacée par une valeur vide.")
+                    
+                    # Relancer le calcul osmium
+                    recalculate = True
+            
+            # Vérifier également pour chaque attribut important
+            for i, (attr, count) in enumerate(attr_counts):
+                if count == 0:
+                    # Parcourir les données existantes pour voir si une valeur était > 0 dans le passé
+                    was_greater_than_zero = False
+                    for existing_date in sorted(existing_data.keys()):
+                        if existing_date >= csv_date:
+                            break  # Ne pas regarder les dates futures
+                        
+                        existing_row = existing_data[existing_date]
+                        if len(existing_row) >= 4 + i + 1:  # S'assurer que la ligne a une valeur pour cet attribut
+                            try:
+                                existing_attr_count = existing_row[4 + i]
+                                if existing_attr_count and existing_attr_count != "" and int(existing_attr_count) > 0:
+                                    was_greater_than_zero = True
+                                    break
+                            except (ValueError, TypeError):
+                                # Ignorer les valeurs qui ne peuvent pas être converties en entier
+                                pass
+                    
+                    if was_greater_than_zero:
+                        # Si une valeur était > 0 dans le passé et est maintenant 0, remplacer par une valeur vide
+                        attr_counts[i] = (attr, "")
+                        print(f"Valeur de {attr} passée de > 0 à 0 pour {theme_name} à la date {csv_date}, remplacée par une valeur vide.")
+                        
+                        # Relancer le calcul osmium
+                        recalculate = True
+            
+            # Si on doit recalculer, relancer le calcul osmium
+            if recalculate:
+                print(f"Relancement du calcul osmium pour {theme_name} à la date {csv_date}...")
+                # Supprimer les fichiers temporaires pour forcer un recalcul
+                temp_file_pattern = os.path.join(temp_dir, f"temp_{date_str.replace(':', '_')}__*")
+                run_command(f"rm -f {temp_file_pattern}")
+                
+                # Recalculer le nombre total d'objets
+                if total_count == "":
+                    total_count = count_objects_at_date(
+                        zone_file, date_str, tag_filter, temp_dir, insee_code
+                    )
+                
+                # Recalculer les objets avec chaque attribut important
+                if important_tags:
+                    attr_counts_dict = count_objects_with_tags(
+                        zone_file,
+                        date_str,
+                        tag_filter,
+                        important_tags,
+                        temp_dir,
+                        insee_code,
+                    )
+                    attr_counts = [
+                        (attr, attr_counts_dict.get(attr, 0)) for attr in important_tags
+                    ]
+
+            # Calculer le pourcentage de complétion
+            if total_count is not None and total_count != "" and total_count > 0 and len(attr_counts) > 0:
+                # Filtrer les comptages None ou vides avant de calculer la moyenne
+                valid_counts = [(attr, count) for attr, count in attr_counts if count is not None and count != ""]
+                if valid_counts:
+                    # Moyenne des pourcentages de présence de chaque attribut important
+                    completion_pct = sum(
+                        count / total_count * 100 for _, count in valid_counts
+                    ) / len(valid_counts)
+                else:
+                    completion_pct = 0
+            else:
+                completion_pct = 0
+
+            # Préparer la ligne CSV avec les colonnes de base
+            # Si le comptage total a échoué (None), ajouter une chaîne vide au lieu de 0
+            row = [csv_date, zone_name, theme_name, "" if total_count is None else total_count]
+
+            # Ajouter les compteurs pour chaque attribut important
+            for attr, count in attr_counts:
+                # Si le comptage a échoué (None), ajouter une chaîne vide au lieu de 0
+                row.append("" if count is None else count)
+
+            # Ajouter le pourcentage de complétion
+            row.append(round(completion_pct, 2))
+
+            # Écrire la ligne dans le CSV
+            writer.writerow(row)
+            
+        # Si aucune nouvelle date n'a été traitée, afficher un message
+        if not dates_to_process:
+            print(f"Toutes les dates pour la thématique '{theme_name}' sont déjà traitées dans le fichier CSV existant.")
+
+    print(f"Résultats sauvegardés dans {csv_file}")
+
+    # Générer un graphique pour cette thématique
+    generate_graph(csv_file, zone_name, theme_name)
+
+    end_time = time.time()
+    print(f"Thématique '{theme_name}' traitée en {end_time - start_time:.2f} secondes")
+
+    return csv_file
+
+
+def cleanup_temp_files(temp_dir, keep_zone_files=True):
+    """
+    Nettoie les fichiers temporaires dans le répertoire spécifié.
+
+    Args:
+        temp_dir: Répertoire contenant les fichiers temporaires
+        keep_zone_files: Si True, conserve les fichiers de zone extraits (.osh.pbf)
+    """
+    print(f"Nettoyage des fichiers temporaires dans {temp_dir}...")
+    count = 0
+
+    for file in os.listdir(temp_dir):
+        file_path = os.path.join(temp_dir, file)
+
+        # Conserver les fichiers de zone extraits si demandé
+        if (
+            keep_zone_files
+            and file.endswith(".osh.pbf")
+            and not file.startswith("temp_")
+            and not file.startswith("filtered_")
+        ):
+            continue
+
+        # Supprimer les fichiers temporaires
+        if (
+            file.startswith("temp_")
+            or file.startswith("filtered_")
+            or file.startswith("export_")
+        ):
+            try:
+                os.remove(file_path)
+                count += 1
+            except Exception as e:
+                print(f"Erreur lors de la suppression du fichier {file_path}: {e}")
+
+    print(f"{count} fichiers temporaires supprimés.")
+
+
+def process_zone(
+    input_file, poly_file, output_dir, temp_dir, max_dates=None, cleanup=False
+):
+    """
+    Traite une zone spécifique pour toutes les thématiques en parallèle.
+
+    Args:
+        input_file: Fichier d'historique OSM (.osh.pbf)
+        poly_file: Fichier de polygone (.poly) définissant la zone
+        output_dir: Répertoire pour les fichiers de sortie
+        temp_dir: Répertoire pour les fichiers temporaires
+        max_dates: Nombre maximum de dates à traiter (pour les tests)
+        cleanup: Si True, nettoie les fichiers temporaires après traitement
+    """
+    start_time = time.time()
+
+    # Créer les répertoires nécessaires
+    os.makedirs(output_dir, exist_ok=True)
+    os.makedirs(temp_dir, exist_ok=True)
+
+    # Obtenir le nom de la zone à partir du nom du fichier poly
+    zone_name = Path(poly_file).stem
+
+    # Extraire le code INSEE à partir du nom du fichier poly (format: commune_XXXXX.poly)
+    insee_code = None
+    if zone_name.startswith("commune_"):
+        insee_code = zone_name.replace("commune_", "")
+
+    # Extraire les données pour la zone
+    zone_file = extract_zone_data(input_file, poly_file, temp_dir)
+
+    # Générer les dates avec différentes fréquences selon l'ancienneté
+    dates = generate_time_slices(max_dates)  # Limité par max_dates si spécifié
+
+    print(f"Traitement de {len(THEMES)} thématiques pour la zone '{zone_name}'...")
+
+    # Déterminer le nombre de processus à utiliser (nombre de cœurs disponibles - 1, minimum 1)
+    num_processes = max(1, multiprocessing.cpu_count() - 1)
+    print(f"Utilisation de {num_processes} processus pour le traitement parallèle")
+
+    # Créer un pool de processus
+    with multiprocessing.Pool(processes=num_processes) as pool:
+        # Préparer les arguments pour chaque thématique
+        theme_args = [
+            (
+                theme_name,
+                theme_info,
+                zone_file,
+                zone_name,
+                dates,
+                output_dir,
+                temp_dir,
+                insee_code,
+            )
+            for theme_name, theme_info in THEMES.items()
+        ]
+
+        # Exécuter le traitement des thématiques en parallèle
+        pool.starmap(process_theme, theme_args)
+
+    # Nettoyer les fichiers temporaires si demandé
+    if cleanup:
+        cleanup_temp_files(temp_dir, keep_zone_files=True)
+
+    end_time = time.time()
+    total_time = end_time - start_time
+    print(f"Traitement de la zone '{zone_name}' terminé en {total_time:.2f} secondes")
+
+    return total_time
+
+
+def generate_graph(csv_file, zone_name, theme_name):
+    """
+    Génère un graphique à partir des données CSV.
+
+    Args:
+        csv_file: Fichier CSV contenant les données
+        zone_name: Nom de la zone
+        theme_name: Nom de la thématique
+    """
+    # Vérifier si le script generate_graph.py existe
+    if os.path.exists(os.path.join(os.path.dirname(__file__), "generate_graph.py")):
+        # Construire le chemin de sortie pour le graphique
+        output_path = os.path.splitext(csv_file)[0] + "_graph.png"
+
+        # Exécuter le script pour générer le graphique
+        command = f"python3 {os.path.join(os.path.dirname(__file__), 'generate_graph.py')} {csv_file} --output {output_path}"
+        run_command(command)
+        print(f"Graphique généré: {output_path}")
+    else:
+        print(
+            "Le script generate_graph.py n'a pas été trouvé. Aucun graphique n'a été généré."
+        )
+
+
+def main():
+    """Fonction principale"""
+    parser = argparse.ArgumentParser(
+        description="Compte les objets OSM par thématique sur une zone donnée à différentes dates."
+    )
+    parser.add_argument(
+        "--input", "-i", required=True, help="Fichier d'historique OSM (.osh.pbf)"
+    )
+    parser.add_argument(
+        "--poly",
+        "-p",
+        required=True,
+        help="Fichier de polygone (.poly) définissant la zone",
+    )
+    parser.add_argument(
+        "--output-dir",
+        "-o",
+        default="resultats",
+        help="Répertoire pour les fichiers de sortie",
+    )
+    parser.add_argument(
+        "--temp-dir",
+        "-t",
+        default="temp",
+        help="Répertoire pour les fichiers temporaires",
+    )
+    parser.add_argument(
+        "--max-dates",
+        "-m",
+        type=int,
+        default=None,
+        help="Nombre maximum de dates à traiter (pour les tests, par défaut: toutes les dates)",
+    )
+    parser.add_argument(
+        "--cleanup",
+        "-c",
+        action="store_true",
+        help="Nettoyer les fichiers temporaires après traitement",
+    )
+    parser.add_argument(
+        "--benchmark",
+        "-b",
+        action="store_true",
+        help="Afficher des informations de performance détaillées",
+    )
+
+    args = parser.parse_args()
+
+    # Vérifier que les fichiers d'entrée existent
+    if not os.path.isfile(args.input):
+        print(f"Erreur: Le fichier d'entrée {args.input} n'existe pas.")
+        sys.exit(1)
+
+    if not os.path.isfile(args.poly):
+        print(f"Erreur: Le fichier de polygone {args.poly} n'existe pas.")
+        sys.exit(1)
+
+    # Afficher des informations sur la configuration
+    if args.benchmark:
+        print("\n=== Configuration ===")
+        print(f"Nombre de processeurs: {multiprocessing.cpu_count()}")
+        print(f"Nombre de thématiques: {len(THEMES)}")
+        print(
+            f"Nettoyage des fichiers temporaires: {'Activé' if args.cleanup else 'Désactivé'}"
+        )
+        print("=====================\n")
+
+    # Mesurer le temps d'exécution
+    start_time = time.time()
+
+    # Traiter la zone
+    total_time = process_zone(
+        args.input,
+        args.poly,
+        args.output_dir,
+        args.temp_dir,
+        args.max_dates,
+        args.cleanup,
+    )
+
+    # Afficher des informations de performance
+    if args.benchmark:
+        print("\n=== Performance ===")
+        print(f"Temps total d'exécution: {total_time:.2f} secondes")
+        print(f"Temps moyen par thématique: {total_time / len(THEMES):.2f} secondes")
+        print("===================\n")
+
+    print("Traitement terminé.")
+
+
+if __name__ == "__main__":
+    main()

counting_osm_objects/osm-commerces-villes-export.csv

@@ -0,0 +1,193 @@
+zone,name,lat,lon,population,budgetAnnuel,completionPercent,placesCount,avecHoraires,avecAdresse,avecSite,avecAccessibilite,avecNote,siren,codeEpci,codesPostaux
+91111,Briis-sous-Forges,48.6246916,2.1243349,3375,4708125.00,30,67,12,8,9,7,3,219101110,249100074,91640
+79034,Bessines,46.3020750,-0.5167969,1882,2676204.00,58,56,36,26,34,4,1,217900349,200041317,79000
+76216,Déville-lès-Rouen,49.4695338,1.0495889,10690,18386800.00,20,110,16,3,11,1,1,217602168,200023414,76250
+91249,Forges-les-Bains,48.6290401,2.0996273,4138,6310450.00,33,31,7,5,2,5,0,219102498,249100074,91470
+59140,Caullery,50.0817000,3.3737000,464,824528.00,,,,,,,,,,
+08122,Chooz,50.0924000,4.7996000,792,1375704.00,,,,,,,,,,
+12084,Creissels,44.0621000,3.0572000,1564,2493016.00,,,,,,,,,,
+59183,Dunkerque,51.0183000,2.3431000,87013,153229893.00,,,,,,,,,,
+86116,Jazeneuil,46.4749000,0.0735000,797,1212237.00,,,,,,,,,,
+75113,,48.8303000,2.3656000,177735,239764515.00,,,,,,,,,,
+06088,Nice,43.7032000,7.2528000,353701,557079075.00,,,,,,,,,,
+38185,Grenoble,45.1842000,5.7155000,156389,231299331.00,,,,,,,,,,
+75117,,48.8874000,2.3050000,161206,231975434.00,,,,,,,,,,
+75116,,48.8572000,2.2630000,159733,287199934.00,,,,,,,,,,
+35236,Redon,47.6557000,-2.0787000,9336,15030960.00,,,,,,,,,,
+35238,Rennes,48.1159000,-1.6884000,227830,408727020.00,,,,,,,,,,
+78646,Versailles,48.8039000,2.1191000,83918,142912354.00,,,,,,,,,,
+12230,Saint-Jean-Delnous,44.0391000,2.4912000,382,665062.00,,,,,,,,,,
+76193,"La Crique",49.6929000,1.2051000,367,651425.00,,,,,,,,,,
+49007,Angers,47.4819000,-0.5629000,157555,207815045.00,,,,,,,,,,
+79003,Aiffres,46.2831000,-0.4147000,5423,9631248.00,,,,,,,,,,
+29151,Morlaix,48.5971000,-3.8215000,15220,22129880.00,,,,,,,,,,
+38544,Vienne,45.5221000,4.8803000,31555,55252805.00,,,,,,,,,,
+42100,"La Gimond",45.5551000,4.4144000,278,428676.00,,,,,,,,,,
+76008,Ancourt,49.9110000,1.1835000,627,850839.00,,,,,,,,,,
+76618,Petit-Caux,49.9612000,1.2343000,9626,15334218.00,,,,,,,,,,
+13202,Marseille,43.3225000,5.3497000,24153,40842723.00,,,,,,,,,,
+46102,Figeac,44.6067000,2.0231000,9757,17025965.00,,,,,,,,,,
+75107,,48.8548000,2.3115000,48196,70992708.00,,,,,,,,,,
+7812,"Les Clayes-sous-Bois",,,,,,,,,,,,,,
+76192,Criel-sur-Mer,50.0221000,1.3215000,2592,3659904.00,,,,,,,,,,
+94080,Vincennes,48.8471000,2.4383000,48368,64232704.00,,,,,,,,,,
+13055,Marseille,43.2803000,5.3806000,877215,1184240250.00,,,,,,,,,,
+93055,Pantin,48.9006000,2.4085000,60954,90272874.00,,,,,,,,,,
+69385,,45.7560000,4.8012000,48277,83277825.00,,,,,,,,,,
+75109,,48.8771000,2.3379000,58419,79625097.00,,,,,,,,,,
+44184,Saint-Nazaire,47.2768000,-2.2392000,73111,104694952.00,,,,,,,,,,
+13208,,43.2150000,5.3256000,83414,120866886.00,,,,,,,,,,
+59271,Grande-Synthe,51.0157000,2.2938000,20347,34284695.00,,,,,,,,,,
+77379,Provins,48.5629000,3.2845000,11824,20183568.00,,,,,,,,,,
+75108,,48.8732000,2.3111000,35418,51710280.00,,,,,,,,,,
+77122,Combs-la-Ville,48.6602000,2.5765000,22712,29661872.00,,,,,,,,,,
+79298,Saint-Symphorien,46.2688000,-0.4842000,1986,2909490.00,,,,,,,,,,
+51454,Reims,49.2535000,4.0551000,178478,310908676.00,,,,,,,,,,
+64102,Bayonne,43.4844000,-1.4611000,53312,82740224.00,,,,,,,,,,
+55153,Dieppe-sous-Douaumont,49.2217000,5.5201000,193,302817.00,,,,,,,,,,
+39300,Lons-le-Saunier,46.6758000,5.5574000,16942,25379116.00,,,,,,,,,,
+85288,Talmont-Saint-Hilaire,46.4775000,-1.6299000,8327,10908370.00,,,,,,,,,,
+13203,,43.3113000,5.3806000,55653,81642951.00,,,,,,,,,,
+69387,,45.7321000,4.8393000,87491,134998613.00,,,,,,,,,,
+64024,Anglet,43.4893000,-1.5193000,42288,73665696.00,,,,,,,,,,
+69265,Ville-sur-Jarnioux,45.9693000,4.5942000,820,1209500.00,,,,,,,,,,
+75112,,48.8342000,2.4173000,139788,228273804.00,,,,,,,,,,
+69388,,45.7342000,4.8695000,84956,119703004.00,,,,,,,,,,
+74010,Annecy,45.9024000,6.1264000,131272,235764512.00,,,,,,,,,,
+74100,Desingy,46.0022000,5.8870000,759,1032240.00,,,,,,,,,,
+75114,,48.8297000,2.3230000,137581,190412104.00,,,,,,,,,,
+75118,,48.8919000,2.3487000,185825,275578475.00,,,,,,,,,,
+85191,"La Roche-sur-Yon",46.6659000,-1.4162000,54699,80899821.00,,,,,,,,,,
+85194,"Les Sables-d'Olonne",46.5264000,-1.7611000,48740,85002560.00,,,,,,,,,,
+12220,Sainte-Eulalie-de-Cernon,43.9605000,3.1550000,321,558540.00,,,,,,,,,,
+14341,Ifs,49.1444000,-0.3385000,11868,16377840.00,,,,,,,,,,
+35288,Saint-Malo,48.6465000,-2.0066000,47255,81562130.00,,,,,,,,,,
+86194,Poitiers,46.5846000,0.3715000,89472,130718592.00,,,,,,,,,,
+91338,Limours,48.6463000,2.0823000,6408,8676432.00,,,,,,,,,,
+91640,,,,,,,,,,,,,,,
+79191,Niort,46.3274000,-0.4613000,60074,92934478.00,,,,,,,,,,
+06004,Antibes,43.5823000,7.1048000,76612,134147612.00,,,,,,,,,,
+13207,,43.2796000,5.3274000,34866,53031186.00,,,,,,,,,,
+91657,Vigneux-sur-Seine,48.7021000,2.4274000,31233,41477424.00,,,,,,,,,,
+73124,Gilly-sur-Isère,45.6549000,6.3487000,3109,4651064.00,,,,,,,,,,
+92040,Issy-les-Moulineaux,48.8240000,2.2628000,67695,108108915.00,,,,,,,,,,
+93051,Noisy-le-Grand,48.8327000,2.5560000,71632,104654352.00,,,,,,,,,,
+14675,Soliers,49.1315000,-0.2898000,2190,2923650.00,,,,,,,,,,
+76655,Saint-Valery-en-Caux,49.8582000,0.7094000,3884,5985244.00,,,,,,,,,,
+34172,Montpellier,43.6100000,3.8742000,307101,508866357.00,,,,,,,,,,
+76351,"Le Havre",49.4958000,0.1312000,166462,260346568.00,,,,,,,,,,
+76665,Sauchay,49.9179000,1.2073000,448,618240.00,,,,,,,,,,
+13204,,43.3063000,5.4002000,49744,75312416.00,,,,,,,,,,
+75104,Paris,48.8541000,2.3569000,28039,44161425.00,,,,,,,,,,
+45234,Orléans,47.8734000,1.9122000,116344,178355352.00,,,,,,,,,,
+13100,Saint-Rémy-de-Provence,43.7815000,4.8455000,9547,16334917.00,,,,,,,,,,
+27275,Gaillon,49.1602000,1.3405000,6785,11995880.00,,,,,,,,,,
+44047,Couëron,47.2391000,-1.7472000,23541,31521399.00,,,,,,,,,,
+16070,Chabanais,45.8656000,0.7076000,1564,2744820.00,,,,,,,,,,
+12029,Bor-et-Bar,44.1971000,2.0822000,198,304128.00,,,,,,,,,,
+59155,Coudekerque-Branche,51.0183000,2.3986000,20833,36707746.00,,,,,,,,,,
+16106,Confolens,46.0245000,0.6639000,2726,3595594.00,,,,,,,,,,
+75020,,,,,,,,,,,,,,,
+76217,Dieppe,49.9199000,1.0838000,28599,48446706.00,,,,,,,,,,
+95128,,,,,,,,,,,,,,,
+44000,,,,,,,,,,,,,,,
+79000,,,,,,,,,,,,,,,
+27562,Saint-Marcel,49.0927000,1.4395000,4474,6259126.00,,,,,,,,,,
+87011,Bellac,46.1013000,1.0325000,3569,5117946.00,,,,,,,,,,
+94016,Cachan,48.7914000,2.3318000,30526,50642634.00,,,,,,,,,,
+50237,"La Haye-Pesnel",48.8134000,-1.3732000,1261,2220621.00,,,,,,,,,,
+91174,Corbeil-Essonnes,48.5973000,2.4646000,53712,72081504.00,,,,,,,,,,
+11012,Argeliers,43.3090000,2.9137000,2128,3562272.00,,,,,,,,,,
+94041,Ivry-sur-Seine,48.8125000,2.3872000,64526,85432424.00,,,,,,,,,,
+95127,Cergy,49.0373000,2.0455000,69578,108263368.00,,,,,,,,,,
+69001,Affoux,45.8448000,4.4116000,397,648698.00,,,,,,,,,,
+44190,Saint-Sébastien-sur-Loire,47.2065000,-1.5023000,28373,39920811.00,,,,,,,,,,
+69123,Lyon,45.7580000,4.8351000,520774,755643074.00,,,,,,,,,,
+07336,Vernon,44.5074000,4.2251000,223,371295.00,,,,,,,,,,
+91201,Draveil,48.6777000,2.4249000,29824,51506048.00,,,,,,,,,,
+29174,Plonéour-Lanvern,47.9066000,-4.2678000,6403,9931053.00,,,,,,,,,,
+75017,,,,,,,,,,,,,,,
+17197,Jonzac,45.4413000,-0.4237000,3576,5188776.00,,,,,,,,,,
+85195,,,,,,,,,,,,,,,
+44162,Saint-Herblain,47.2246000,-1.6306000,50561,88481750.00,,,,,,,,,,
+00000,"toutes les villes",,,,,,,,,,,,,,
+57463,Metz,49.1048000,6.1962000,121695,192643185.00,,,,,,,,,,
+57466,Metzing,49.1008000,6.9605000,693,945945.00,,,,,,,,,,
+37000,,,,,,,,,,,,,,,
+91312,Igny,48.7375000,2.2229000,10571,14831113.00,,,,,,,,,,
+25462,Pontarlier,46.9167000,6.3796000,17928,23449824.00,,,,,,,,,,
+33063,Bordeaux,44.8624000,-0.5848000,265328,467773264.00,,,,,,,,,,
+16015,Angoulême,45.6458000,0.1450000,41423,66069685.00,,,,,,,,,,
+02196,Clacy-et-Thierret,49.5546000,3.5651000,294,458934.00,,,,,,,,,,
+24037,Bergerac,44.8519000,0.4883000,26852,47850264.00,,,,,,,,,,
+78686,Viroflay,48.8017000,2.1725000,16943,27091857.00,,,,,,,,,,
+83137,Toulon,43.1364000,5.9334000,180834,319172010.00,,,,,,,,,,
+44026,Carquefou,47.2968000,-1.4687000,20535,28707930.00,,,,,,,,,,
+87154,Saint-Junien,45.8965000,0.8853000,11382,19406310.00,,,,,,,,,,
+79081,Chauray,46.3537000,-0.3862000,7173,12387771.00,,,,,,,,,,
+73008,Aix-les-Bains,45.6943000,5.9035000,32175,53539200.00,,,,,,,,,,
+86195,Port-de-Piles,46.9989000,0.5956000,548,744184.00,,,,,,,,,,
+91470,,,,,,,,,,,,,,,
+34008,"Les Aires",43.5687000,3.0676000,613,1081332.00,,,,,,,,,,
+44270,,,,,,,,,,,,,,,
+25056,Besançon,47.2602000,6.0123000,120057,158355183.00,,,,,,,,,,
+75019,,,,,,,,,,,,,,,
+78712,,,,,,,,,,,,,,,
+11262,Narbonne,43.1493000,3.0337000,56692,79482184.00,,,,,,,,,,
+60602,Saint-Valery,49.7251000,1.7303000,54,90450.00,,,,,,,,,,
+91421,Montgeron,48.6952000,2.4638000,23890,40851900.00,,,,,,,,,,
+82112,Moissac,44.1219000,1.1002000,13652,24027520.00,,,,,,,,,,
+92033,Garches,48.8469000,2.1861000,17705,25442085.00,,,,,,,,,,
+38053,Bourgoin-Jallieu,45.6025000,5.2747000,29816,41593320.00,,,,,,,,,,
+34335,Villemagne-l'Argentière,43.6189000,3.1208000,420,586320.00,,,,,,,,,,
+13213,,43.3528000,5.4301000,93425,144528475.00,,,,,,,,,,
+44020,Bouguenais,47.1710000,-1.6181000,20590,34282350.00,,,,,,,,,,
+36044,Châteauroux,46.8023000,1.6903000,43079,70864955.00,,,,,,,,,,
+11164,Ginestas,43.2779000,2.8830000,1579,2837463.00,,,,,,,,,,
+60009,Allonne,49.3952000,2.1157000,1737,2883420.00,,,,,,,,,,
+41151,"Montrichard Val de Cher",47.3594000,1.1998000,3641,5559807.00,,,,,,,,,,
+27554,"La Chapelle-Longueville",49.1085000,1.4115000,3283,4796463.00,,,,,,,,,,
+34189,Olonzac,43.2816000,2.7431000,1683,2511036.00,,,,,,,,,,
+34028,Bédarieux,43.6113000,3.1637000,5820,9550620.00,,,,,,,,,,
+74112,"Épagny Metz-Tessy",45.9430000,6.0934000,8642,13956830.00,,,,,,,,,,
+75102,,48.8677000,2.3411000,20433,35103894.00,,,,,,,,,,
+60057,Beauvais,49.4425000,2.0877000,55906,84082624.00,,,,,,,,,,
+59350,Lille,50.6311000,3.0468000,238695,403871940.00,,,,,,,,,,
+91477,Igny,48.7155000,2.2293000,36067,46923167.00,,,,,,,,,,
+12145,Millau,44.0982000,3.1176000,21859,34865105.00,,,,,,,,,,
+12115,L'Hospitalet-du-Larzac,43.9755000,3.2074000,344,569320.00,,,,,,,,,,
+79004,,,,,,,,,,,,,,,
+75014,,,,,,,,,,,,,,,
+75018,,,,,,,,,,,,,,,
+55154,Dieue-sur-Meuse,49.0790000,5.4293000,1452,2099592.00,,,,,,,,,,
+79192,,,,,,,,,,,,,,,
+06018,Biot,43.6273000,7.0821000,10196,15192040.00,,,,,,,,,,
+25393,Montécheroux,47.3469000,6.7965000,557,839399.00,,,,,,,,,,
+14554,"Le Castelet",49.0870000,-0.2811000,1829,3076378.00,,,,,,,,,,
+69384,,45.7805000,4.8260000,35232,49782816.00,,,,,,,,,,
+78672,Villennes-sur-Seine,48.9372000,1.9975000,5792,9359872.00,,,,,,,,,,
+78123,Carrières-sous-Poissy,48.9469000,2.0264000,19951,35752192.00,,,,,,,,,,
+77000,,,,,,,,,,,,,,,
+31056,Beauzelle,43.6680000,1.3753000,8184,11670384.00,,,,,,,,,,
+38553,Villefontaine,45.6161000,5.1549000,19018,25579210.00,,,,,,,,,,
+47001,Agen,44.2010000,0.6302000,32193,48965553.00,,,,,,,,,,
+54700,,,,,,,,,,,,,,,
+70279,Gray,47.4310000,5.6153000,5455,9071665.00,,,,,,,,,,
+74000,,,,,,,,,,,,,,,
+91339,Linas,48.6261000,2.2525000,7310,12412380.00,,,,,,,,,,
+17306,Royan,45.6343000,-1.0127000,19322,33311128.00,,,,,,,,,,
+17300,"La Rochelle",46.1620000,-1.1765000,79961,118182358.00,,,,,,,,,,
+59000,,,,,,,,,,,,,,,
+77284,Meaux,48.9573000,2.9035000,56659,84025297.00,,,,,,,,,,
+76414,Martin-Église,49.9105000,1.1279000,1595,2177175.00,,,,,,,,,,
+54528,Toul,48.6794000,5.8980000,15570,21626730.00,,,,,,,,,,
+63124,Cournon-d'Auvergne,45.7420000,3.1885000,20020,30930900.00,,,,,,,,,,
+87085,Limoges,45.8567000,1.2260000,129754,203194764.00,,,,,,,,,,
+78000,,,,,,,,,,,,,,,
+13205,,43.2925000,5.4006000,45020,61632380.00,,,,,,,,,,
+31584,Villemur-sur-Tarn,43.8582000,1.4947000,6235,9813890.00,,,,,,,,,,
+91228,Évry-Courcouronnes,48.6287000,2.4313000,66700,90245100.00,,,,,,,,,,
+41018,Blois,47.5813000,1.3049000,47092,79350020.00,,,,,,,,,,
+66136,Perpignan,42.6990000,2.9045000,120996,193593600.00,,,,,,,,,,
+11041,Bize-Minervois,43.3364000,2.8719000,1292,1758412.00,,,,,,,,,,
+75016,,,,,,,,,,,,,,,

counting_osm_objects/osm_data/empty.osm

@@ -0,0 +1,3 @@
+<?xml version='1.0' encoding='UTF-8'?>
+<osm version="0.6" generator="empty">
+</osm>

counting_osm_objects/osm_data/style.lua

@@ -0,0 +1,110 @@
+local tables = {}
+
+-- Table pour les bornes incendie
+tables.fire_hydrants = osm2pgsql.define_node_table('fire_hydrants', {
+    { column = 'id_column', type = 'id_type' },
+    { column = 'geom', type = 'point', projection = 4326 },
+    { column = 'tags', type = 'hstore' },
+    { column = 'ref', type = 'text' },
+    { column = 'color', type = 'text' },
+    { column = 'insee', type = 'text' },
+})
+
+-- Table pour les arbres
+tables.trees = osm2pgsql.define_node_table('trees', {
+    { column = 'id_column', type = 'id_type' },
+    { column = 'geom', type = 'point', projection = 4326 },
+    { column = 'tags', type = 'hstore' },
+    { column = 'species', type = 'text' },
+    { column = 'height', type = 'text' },
+    { column = 'insee', type = 'text' },
+})
+
+-- Table pour les bornes de recharge (nodes)
+tables.charging_stations = osm2pgsql.define_node_table('charging_stations', {
+    { column = 'id_column', type = 'id_type' },
+    { column = 'geom', type = 'point', projection = 4326 },
+    { column = 'tags', type = 'hstore' },
+    { column = 'operator', type = 'text' },
+    { column = 'capacity', type = 'text' },
+    { column = 'insee', type = 'text' },
+})
+
+-- Table pour les bornes de recharge (ways)
+tables.charging_stations_ways = osm2pgsql.define_way_table('charging_stations_ways', {
+    { column = 'id_column', type = 'id_type' },
+    { column = 'geom', type = 'linestring', projection = 4326 },
+    { column = 'tags', type = 'hstore' },
+    { column = 'operator', type = 'text' },
+    { column = 'capacity', type = 'text' },
+    { column = 'insee', type = 'text' },
+})
+
+-- Function to determine the INSEE code from multiple possible sources
+function get_insee_code(tags)
+    -- Try to get INSEE code from different tags
+    if tags['ref:INSEE'] then
+        return tags['ref:INSEE']
+    elseif tags['addr:postcode'] then
+        -- French postal codes often start with the department code
+        -- For example, 91150 is in department 91, which can help identify the INSEE code
+        return tags['addr:postcode'] and string.sub(tags['addr:postcode'], 1, 2) .. "111"
+    elseif tags['addr:city'] and tags['addr:city'] == 'Étampes' then
+        -- If the city is Étampes, use the INSEE code 91111
+        return "91111"
+    else
+        -- Default to 91111 (Étampes) for this specific use case
+        -- In a production environment, you would use a spatial query to determine the INSEE code
+        return "91111"
+    end
+end
+
+function osm2pgsql.process_node(object)
+    -- Check for fire hydrants with different tagging schemes
+    if object.tags.emergency == 'fire_hydrant' or object.tags.amenity == 'fire_hydrant' then
+        tables.fire_hydrants:insert({
+            tags = object.tags,
+            ref = object.tags.ref,
+            color = object.tags.color,
+            insee = get_insee_code(object.tags)
+        })
+    end
+
+    -- Check for trees
+    if object.tags.natural == 'tree' then
+        tables.trees:insert({
+            tags = object.tags,
+            species = object.tags.species,
+            height = object.tags.height,
+            insee = get_insee_code(object.tags)
+        })
+    end
+
+    -- Check for charging stations
+    if object.tags.amenity == 'charging_station' then
+        tables.charging_stations:insert({
+            tags = object.tags,
+            operator = object.tags.operator,
+            capacity = object.tags.capacity,
+            insee = get_insee_code(object.tags)
+        })
+    end
+end
+
+function osm2pgsql.process_way(object)
+    -- Check for charging stations that might be mapped as ways
+    if object.tags.amenity == 'charging_station' then
+        tables.charging_stations_ways:insert({
+            tags = object.tags,
+            operator = object.tags.operator,
+            capacity = object.tags.capacity,
+            insee = get_insee_code(object.tags)
+        })
+    end
+end
+
+function osm2pgsql.process_relation(object)
+    return
+end
+
+

counting_osm_objects/plotly_city.py

@@ -0,0 +1,309 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+Script pour générer un graphique interactif avec plotly montrant l'évolution du nombre d'objets OSM
+à partir d'un fichier CSV thématique d'une ville (code INSEE 91111 par défaut).
+
+Ce script utilise la bibliothèque plotly pour créer des graphiques interactifs à partir des données
+contenues dans des fichiers CSV thématiques. Par défaut, il utilise le code INSEE 91111.
+Le titre du graphique inclut le tag principal (thème) et le nom de la ville.
+
+Utilisation:
+    python plotly_city.py chemin/vers/fichier.csv [options]
+
+Options:
+    --output, -o : Chemin de sortie pour le graphique HTML (optionnel)
+    --insee, -i  : Code INSEE de la commune à analyser (par défaut: 91111)
+    --city_name, -c : Nom de la ville (si non spécifié, sera généré à partir du code INSEE)
+
+Exemple:
+    python plotly_city.py test_results/commune_91111_borne-de-recharge.csv
+
+Dépendances requises:
+    - pandas
+    - plotly
+
+Installation des dépendances:
+    pip install pandas plotly
+"""
+
+import sys
+import os
+import pandas as pd
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+import argparse
+from datetime import datetime
+
+
+def parse_args():
+    """Parse command line arguments."""
+    parser = argparse.ArgumentParser(
+        description="Génère un graphique interactif avec plotly à partir des données CSV d'objets OSM."
+    )
+    parser.add_argument(
+        "csv_file", help="Chemin vers le fichier CSV contenant les données"
+    )
+    parser.add_argument(
+        "--output", "-o", help="Chemin de sortie pour le graphique (HTML)", default=None
+    )
+    parser.add_argument(
+        "--insee", "-i", help="Code INSEE de la commune à analyser", default="91111"
+    )
+    parser.add_argument(
+        "--city_name",
+        "-c",
+        help="Nom de la ville (si non spécifié, sera extrait du CSV)",
+        default=None,
+    )
+    return parser.parse_args()
+
+
+def get_city_name(insee_code):
+    """
+    Récupère le nom de la ville à partir du code INSEE.
+    Cette fonction pourrait être améliorée pour utiliser une API ou une base de données.
+
+    Args:
+        insee_code: Code INSEE de la commune
+
+    Returns:
+        Nom de la ville ou le code INSEE si le nom n'est pas trouvé
+    """
+    # Pour l'instant, on retourne simplement le code INSEE
+    # Dans une version future, on pourrait implémenter une recherche dans une base de données
+    return f"Commune {insee_code}"
+
+
+def load_data(csv_file, insee_code="91111"):
+    """
+    Charge les données depuis le fichier CSV.
+
+    Args:
+        csv_file: Chemin vers le fichier CSV
+        insee_code: Code INSEE de la commune à filtrer
+
+    Returns:
+        DataFrame pandas contenant les données filtrées
+    """
+    # Charger le CSV avec gestion des erreurs pour les lignes mal formatées
+    try:
+        df = pd.read_csv(csv_file, on_bad_lines="skip")
+    except TypeError:  # Pour les versions plus anciennes de pandas
+        df = pd.read_csv(csv_file, error_bad_lines=False, warn_bad_lines=True)
+
+    # Vérifier si le CSV a la structure attendue
+    if "date" in df.columns:
+        # Format de CSV avec colonne 'date' directement
+        df["date"] = pd.to_datetime(df["date"])
+    else:
+        # Si aucune colonne de date n'est trouvée, essayer d'utiliser la première colonne
+        try:
+            df["date"] = pd.to_datetime(df.iloc[:, 0])
+        except:
+            print("Erreur: Impossible de trouver ou convertir une colonne de date.")
+            sys.exit(1)
+
+    # Filtrer par code INSEE si la colonne 'zone' contient des codes INSEE
+    if "zone" in df.columns:
+        # Vérifier si la zone contient le code INSEE
+        if any(
+            zone.endswith(insee_code) for zone in df["zone"] if isinstance(zone, str)
+        ):
+            df = df[df["zone"].str.endswith(insee_code)]
+
+    # Trier par date
+    df = df.sort_values("date")
+
+    return df
+
+
+def generate_plotly_graph(
+    df, city_name=None, output_path=None, insee_code="91111", csv_file=None
+):
+    """
+    Génère un graphique interactif avec plotly montrant l'évolution du nombre d'objets dans le temps.
+
+    Args:
+        df: DataFrame pandas contenant les données
+        city_name: Nom de la ville (optionnel)
+        output_path: Chemin de sortie pour le graphique (optionnel)
+        insee_code: Code INSEE de la commune
+        csv_file: Chemin vers le fichier CSV source (pour générer un nom de fichier de sortie par défaut)
+    """
+    # Si le nom de la ville n'est pas fourni, essayer de le récupérer
+    if not city_name:
+        city_name = get_city_name(insee_code)
+
+    # Déterminer la colonne pour les types d'objets (theme)
+    theme_column = "theme"
+
+    # Créer une figure avec deux sous-graphiques (nombre total et taux de complétion)
+    fig = make_subplots(
+        rows=2,
+        cols=1,
+        subplot_titles=("Nombre d'objets OSM", "Taux de complétion des attributs (%)"),
+        vertical_spacing=0.15,
+    )
+
+    # Obtenir la liste des thèmes uniques
+    if theme_column in df.columns:
+        themes = df[theme_column].unique()
+
+        # Créer un graphique pour chaque thème
+        for theme in themes:
+            # Filtrer les données pour ce thème
+            theme_data = df[df[theme_column] == theme]
+
+            # Tracer la ligne pour le nombre total d'objets
+            fig.add_trace(
+                go.Scatter(
+                    x=theme_data["date"],
+                    y=theme_data["nombre_total"],
+                    mode="lines+markers",
+                    name=f"{theme} - Total",
+                    hovertemplate="%{x}<br>Nombre: %{y}<extra></extra>",
+                ),
+                row=1,
+                col=1,
+            )
+
+            # Tracer la ligne pour le taux de complétion si disponible
+            if "pourcentage_completion" in theme_data.columns:
+                fig.add_trace(
+                    go.Scatter(
+                        x=theme_data["date"],
+                        y=theme_data["pourcentage_completion"],
+                        mode="lines+markers",
+                        name=f"{theme} - Complétion (%)",
+                        hovertemplate="%{x}<br>Complétion: %{y}%<extra></extra>",
+                    ),
+                    row=2,
+                    col=1,
+                )
+    else:
+        # Si aucune colonne de thème n'est trouvée, tracer simplement le nombre total
+        fig.add_trace(
+            go.Scatter(
+                x=df["date"],
+                y=df["nombre_total"],
+                mode="lines+markers",
+                name="Total",
+                hovertemplate="%{x}<br>Nombre: %{y}<extra></extra>",
+            ),
+            row=1,
+            col=1,
+        )
+
+        # Tracer la ligne pour le taux de complétion si disponible
+        if "pourcentage_completion" in df.columns:
+            fig.add_trace(
+                go.Scatter(
+                    x=df["date"],
+                    y=df["pourcentage_completion"],
+                    mode="lines+markers",
+                    name="Complétion (%)",
+                    hovertemplate="%{x}<br>Complétion: %{y}%<extra></extra>",
+                ),
+                row=2,
+                col=1,
+            )
+
+    # Configurer les axes et les légendes
+    fig.update_xaxes(title_text="Date", row=1, col=1)
+    fig.update_xaxes(title_text="Date", row=2, col=1)
+    fig.update_yaxes(title_text="Nombre d'objets", row=1, col=1)
+    fig.update_yaxes(title_text="Taux de complétion (%)", range=[0, 100], row=2, col=1)
+
+    # Obtenir le thème principal (premier thème trouvé)
+    main_tag = (
+        themes[0] if theme_column in df.columns and len(themes) > 0 else "Objets OSM"
+    )
+
+    # Mettre à jour le titre du graphique avec le tag principal et le nom de la ville
+    fig.update_layout(
+        title=f"{main_tag} - {city_name}",
+        hovermode="x unified",
+        legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1),
+        height=800,
+        width=1000,
+        margin=dict(t=100, b=50, l=50, r=50),
+    )
+
+    # Ajouter des annotations pour les informations supplémentaires
+    fig.add_annotation(
+        text=f"Code INSEE: {insee_code}",
+        xref="paper",
+        yref="paper",
+        x=0.01,
+        y=-0.15,
+        showarrow=False,
+        font=dict(size=10),
+    )
+
+    # Ajouter la date de génération
+    now = datetime.now().strftime("%Y-%m-%d %H:%M")
+    fig.add_annotation(
+        text=f"Généré le: {now}",
+        xref="paper",
+        yref="paper",
+        x=0.99,
+        y=-0.15,
+        showarrow=False,
+        font=dict(size=8),
+        align="right",
+    )
+
+    # Sauvegarder ou afficher le graphique
+    if output_path:
+        fig.write_html(output_path)
+        print(f"Graphique interactif sauvegardé: {output_path}")
+    elif csv_file:
+        # Déterminer un chemin de sortie par défaut basé sur le fichier CSV
+        base_name = os.path.splitext(csv_file)[0]
+        default_output = f"{base_name}_plotly.html"
+        fig.write_html(default_output)
+        print(f"Graphique interactif sauvegardé: {default_output}")
+    else:
+        # Si aucun chemin de sortie n'est spécifié et aucun fichier CSV n'est fourni,
+        # utiliser un nom par défaut basé sur le code INSEE et le thème
+        default_output = f"commune_{insee_code}_{main_tag}_plotly.html"
+        fig.write_html(default_output)
+        print(f"Graphique interactif sauvegardé: {default_output}")
+
+
+def main():
+    """Fonction principale."""
+    # Analyser les arguments de la ligne de commande
+    args = parse_args()
+
+    # Vérifier que le fichier CSV existe
+    if not os.path.isfile(args.csv_file):
+        print(f"Erreur: Le fichier {args.csv_file} n'existe pas.")
+        sys.exit(1)
+
+    # Charger les données
+    df = load_data(args.csv_file, args.insee)
+
+    # Vérifier qu'il y a des données
+    if df.empty:
+        print(f"Aucune donnée trouvée pour le code INSEE {args.insee}.")
+        sys.exit(1)
+
+    # Déterminer le chemin de sortie si non spécifié
+    if not args.output:
+        # Utiliser le même nom que le fichier CSV mais avec l'extension .html
+        base_name = os.path.splitext(args.csv_file)[0]
+        output_path = f"{base_name}_plotly.html"
+    else:
+        output_path = args.output
+
+    # Générer le graphique
+    generate_plotly_graph(df, args.city_name, output_path, args.insee, args.csv_file)
+
+    print("Graphique interactif généré avec succès!")
+
+
+if __name__ == "__main__":
+    main()