Télécharger les emprises de bâtiments sur le périmètre de votre choix
Comparez quatre jeux de bâti ouverts, puis téléchargez-en un.
0,00 km² / 25 km²
Emprise
Sources
Télécharger
Plugin QGIS
AI Segmentation pour QGIS
Des bâtiments absents ou périmés dans ces jeux de données ? Détectez-les vous-même sur n'importe quelle image aérienne, dans QGIS.
AI Edit
AI AgentEn savoir plus
Fonctionnement, formats et limites.
À propos de cet outil
Dessinez une emprise, consultez les quatre jeux de données ouverts sur le bâti qu’elle couvre, puis téléchargez les polygones au format GeoJSON pour QGIS ou ArcGIS. Aucun compte ni e-mail requis. La licence et l’attribution sont incluses dans le fichier.
Sources consultées: 4 jeux de données ouverts · GeoJSON, Shapefile, KML, CSV · Sans compte ni e-mail · Dernière vérification des données
Six téléchargements réels
Chaque image ci-dessous correspond à une réponse de cet outil, dessinée directement à partir du fichier qu'il vous remet. Rien n'est redessiné ni retouché. Téléchargé le
2064 bâtiments, OpenStreetMap Des bâtiments denses qui partagent leurs murs. Une emprise par bâtiment, pour que les cours intérieures derrière eux apparaissent. 
1246 bâtiments, OpenStreetMap Des entrepôts portuaires à côté de maisons mitoyennes. Deux tailles de bâtiments très différentes dans un même téléchargement. 
3782 bâtiments, OpenStreetMap 3 782 bâtiments dans un kilomètre carré, et OpenStreetMap les recense tous. 
2542 bâtiments, Microsoft Détection automatique dans une banlieue désertique. Chaque maison sur la trame, tracée à partir d'images plutôt que relevée sur le terrain. 
2381 bâtiments, Microsoft Les rues en cul-de-sac et les locaux en bande le long de la route principale. C'est ici que Microsoft couvre les zones peu couvertes par OpenStreetMap. 
1219 bâtiments, Microsoft Des bâtiments bas et denses autour de parcelles plus grandes. Ici, les deux sources donnent des résultats à moins de deux cents bâtiments d'écart.
Les quatre jeux de données et l'usage de chacun
Les quatre autorisent un usage commercial et demandent quelque chose en retour. Overture, OpenStreetMap et Google sous ODbL exigent que votre base dérivée soit partagée selon les mêmes conditions. Google sous CC BY 4.0 et Microsoft sous CDLA Permissive 2.0 exigent seulement une attribution. Ils ne décrivent pas toujours le même terrain, et c'est là que se trouve l'information utile.
| Jeu de données | Couverture | Date des données | Licence | Aspect des polygones |
|---|---|---|---|---|
| Overture Maps buildings | Mondial. Il contient ce que les trois autres contiennent, fusionné et dédupliqué par Overture, c'est donc le plus complet des quatre et le plus rapide à interroger : l'emprise est découpée côté serveur depuis un index, et non filtrée depuis un fichier publié. | Publication du 19 août 2026 | ODbL 1.0 | Fusionné depuis OpenStreetMap, Microsoft, Google et Esri, puis dédupliqué par Overture. Un polygone par bâtiment, avec une hauteur et un nombre d'étages lorsqu'un jeu de données source en comportait un, et le nom de cette source sur chaque polygone. |
| OpenStreetMap | Mondiale, aussi complète que la communauté locale de cartographie l’a rendue. Dense dans la plupart des villes européennes et nord-américaines, faible dans les zones que personne n’a encore cartographiées. | En direct. C'est l'état actuel de la carte. | ODbL 1.0 | Issu de la numérisation collaborative. Une rangée de maisons mitoyennes forme souvent un seul polygone. Nombreux attributs : adresse, niveaux, nom, forme du toit. |
| Microsoft Global ML Building Footprints | Mondiale. Un modèle a traité de l’imagerie satellite et aérienne. Il détecte donc des bâtiments qu’aucun géomètre n’a visités et ne manque aucun bâtiment délibérément. Il s’arrête aussi là où s’arrête l’imagerie. | Publication du 3 février 2026 | CDLA Permissive 2.0 | Détecté par un modèle. Un polygone par bâtiment, avec un score de confiance et une estimation de la hauteur lorsque l'imagerie le permet. |
| Google Open Buildings v3 | Afrique, Asie du Sud, Asie du Sud-Est, Amérique latine et Caraïbes uniquement. Ni l’Europe, ni l’Amérique du Nord, ni l’Australie. Dans cette emprise, c’est la plus dense des trois. | Imagerie jusqu’en mai 2023 | CC BY 4.0 or ODbL 1.0 | Détecté par un modèle. Le bâti est découpé en nombreux petits polygones, avec un score de confiance et une surface en mètres carrés. |
Exemple détaillé : 1 km² du centre de Paris
Mesuré le 2026-08-14 pour l'emprise 2.345400,48.852100,2.359000,48.861100, autour de l'Île de la Cité. Les chiffres ci-dessous sont ceux renvoyés par cet outil, pas une estimation. l’Île de la Cité et le Quartier latin, Paris, 1.0 km².
| Jeu de données | Bâtiments | Emprise totale | Résultat |
|---|---|---|---|
| OpenStreetMap | 1 391 | 454 132 m² | Réponse en direct depuis Overpass en environ six secondes. 326 m2 par polygone. |
| Microsoft Global ML Building Footprints | 213 | 568 930 m² | Un fichier de 91 MB, quadkey 120220011, lu intégralement et filtré sur l’emprise. 2,671 m2 par polygone. |
| Google Open Buildings v3 | 0 | 0 m² | Aucune couverture. Google Open Buildings v3 ne publie pas de données pour l’Europe. |
Relisez ces deux lignes. OpenStreetMap renvoie 6.5 fois plus de polygones que Microsoft, et Microsoft couvre 25% de terrain en plus. Les deux affirmations sont vraies. Dans le centre de Paris, le modèle regroupe un îlot entier en une seule forme de 2 671 m² en moyenne, tandis que les personnes ont dessiné chaque bâtiment, de 326 m² en moyenne. Le nombre de polygones indique donc comment les données ont été découpées, et non quelle surface de la ville elles couvrent. C'est pourquoi cette page ne classe jamais une source selon son nombre de polygones et affiche, à côté de chacune, la surface totale des emprises.
Comment l'outil lit chaque jeu de données
OpenStreetMap : une requête en direct
L'emprise est envoyée à Overpass, le service de requêtes d'OpenStreetMap, qui renvoie chaque way et chaque relation multipolygon portant le tag building. Il n'y a pas de millésime : vous obtenez la carte telle qu'elle se présente au moment où vous cliquez sur le bouton. Les relations sont recomposées en polygones corrects, si bien qu'un bâtiment avec une cour conserve son trou au lieu d'arriver sous forme de lignes séparées.
Microsoft : un fichier par tuile
Microsoft publie le monde dans 30,344 fichiers compressés en gzip, un par tuile Web Mercator de niveau zoom-9, pour un total de 117 GB. Un fichier ne contient aucun index, donc le seul moyen d'obtenir une petite emprise est de lire toute la tuile et de supprimer le reste. La tuile médiane est assez petite pour cela dans une requête web. Ce n'est pas le cas d'une ville dense : le centre de Paris tient dans un seul fichier de 91 MB. Lorsque la tuile est trop volumineuse, cette page indique le fichier exact au lieu d'attendre indéfiniment.
Google : des fichiers à l'échelle des continents
Google Open Buildings v3 contient 1.85 billion bâtiments répartis dans 312 fichiers, pour un total de 178 GB, répartis par cellule S2. La taille médiane est de 164 MB et la plus grande de 8.4 GB. Presque aucune emprise ne peut être extraite dans une requête web, donc pour Google cette page sert surtout de repère : elle vous indique lequel des 312 fichiers couvre votre emprise et quelle est sa taille. C'est malgré tout la réponse que cherchent la plupart des utilisateurs.
La couverture est vérifiée, pas devinée
Google publie les limites de chaque cellule mise à disposition, et cette page en conserve une copie. Ainsi, lorsque la réponse est « Google ne contient rien ici », elle provient de l'index de Google lui-même, et non d'une table de correspondance saisie par quelqu'un. Google ne couvre pas l'Europe, l'Amérique du Nord ni l'Australie.
Licences et attribution
Chaque fichier créé par cette page contient sa licence et sa chaîne d'attribution dans le GeoJSON, si bien que l'obligation reste attachée au fichier même s'il est renommé ou transmis. Lisez la licence avant de publier quoi que ce soit dérivé de données ODbL : elle impose le partage à l'identique, contrairement aux deux autres.
Overture Maps buildings
ODbL 1.0 · Lire la licence
Conservez cette ligne avec les données
© Overture Maps Foundation, © OpenStreetMap contributors, Microsoft, Google, Esri
OpenStreetMap
ODbL 1.0 · Lire la licence
Conservez cette ligne avec les données
© OpenStreetMap contributors, ODbL 1.0
Microsoft Global ML Building Footprints
CDLA Permissive 2.0 · Lire la licence
Conservez cette ligne avec les données
Microsoft Global ML Building Footprints, CDLA Permissive 2.0
Google Open Buildings v3
CC BY 4.0 or ODbL 1.0 · Lire la licence
Conservez cette ligne avec les données
© Google Open Buildings v3, CC BY 4.0 or ODbL 1.0
Ce que cet outil ne fait pas
- Les emprises sont limitées à 25 km². Au-delà, Overpass expire et le fichier devient trop volumineux pour être affiché dans un navigateur.
- Les polygones ne sont jamais coupés. Un bâtiment qui touche votre emprise arrive en entier. Le fichier peut donc dépasser les limites que vous avez tracées. Cela compte surtout avec Microsoft, dont les polygones peuvent chacun couvrir un pâté de maisons entier dans une ville dense.
- L'export Shapefile tronque chaque nom de champ à 10 caractères, la limite du format : les tags OpenStreetMap longs sortent raccourcis. Gardez GeoJSON si vous avez besoin des noms d'attributs complets.
- Un seul jeu de données par fichier. Fusionner deux sources oblige à décider quel doublon conserver. Cette décision vous revient, pas à nous.
- Une emprise qui traverse l'antiméridien est refusée au lieu d'être découpée silencieusement.
Guides qui utilisent ces données
Emprise au sol d’un bâtiment : définition et calculLe building footprint est l’emprise au sol d’un bâtiment, mesurée à l’extérieur des murs. Éléments inclus, calcul et différence avec la surface de plancher.
Détecter les emprises de bâtiments dans QGIS : 3 méthodesPour détecter les emprises de bâtiments dans QGIS, le plus rapide est un plugin de détection par IA. Comparé aux données ouvertes et à la saisie manuelle.
Convertir un raster en vecteur dans QGIS : 5 méthodesPour un raster classifié, utilisez Raster > Conversion > Polygonize. Les cinq méthodes, la correction des effets d’escalier et le cas d’une photographie.
AI Segmentation : segmenter des images avec l’IA dans QGISAI Segmentation détecte les objets d’une image dans QGIS : dessinez une zone, nommez l’objet, récupérez des polygones. Révision en trois étapes, mode Semi-Auto.
Segment Anything (SAM) dans QGIS : comparatif de 7 pluginsSegment Anything (SAM) détoure un objet à partir d’un clic ou d’un mot. 7 plugins QGIS comparés : prix, carte NVIDIA requise ou non, installation pas à pas.
Segmentation sémantique vs instances sur images aériennesLa segmentation sémantique attribue une classe à chaque pixel : bâtiment ou non. La segmentation d'instances dessine chaque bâtiment comme un objet distinct.
Pour aller plus loin sur les trois méthodes de vectorisation des polygones de bâtiments et l'étape de filtrage qui détermine si la couche est exploitable : Comment détecter les emprises de bâtiments dans QGIS