代码编织梦想

全球固定宽带和移动(蜂窝)网络性能

全球固定宽带和移动(蜂窝)网络性能,分配给缩放级别 16 网络墨卡托图块(赤道处约 610.8 米 x 610.8 米)。数据以 Shapefile 格式和 Apache Parquet 格式提供,其几何形状以众所周知的文本 (WKT) 表示,投影在 EPSG:4326 中。下载速度、上传速度和延迟是通过适用于 Android 和 iOS 的 Ookla 应用程序的 Speedtest 收集的,并对每个图块进行平均。测量结果将被过滤为包含 GPS 质量定位精度的结果。前言 – 人工智能教程

数据集的可用年份:2019、2020、2021、2022和2023

引文
Speedtest® by Ookla® Global Fixed and Mobile Network Performance Maps.
Based on analysis by Ookla of Speedtest Intelligence® data for [DATA TIME PERIOD].
Provided by Ookla and accessed [DAY MONTH YEAR]. Ookla trademarks used under license
and reprinted with permission.

在此处查找 GitHub 项目和数据集: https: //github.com/teamookla/ookla-open-data您还可以从 AWS 开放数据注册表下载数据集: https: //registry.opendata.aws/speedtest-global-performance /

瓦片

Ookla平台每月进行数亿次速度测试。为了创建可管理的数据集,我们将原始数据聚合到图块中。数据图块的大小被定义为“缩放级别”(或“z”)的函数。当 z=0 时,一块图块的大小就是整个世界的大小。在 z=1 时,图块在垂直和水平方向上分成两半,形成覆盖地球的 4 个图块。随着缩放级别的增加,这种图块分割会持续下去,导致当我们放大给定区域时图块会呈指数级减小。根据这个定义,图块大小实际上是根据Web 墨卡托投影(EPSG:3857) 的地球宽度/高度的一部分。因此,图块大小根据纬度略有不同,但图块大小可以以米为单位进行估计。

出于这些图层的目的,使用缩放级别 16 (z=16) 进行平铺。这相当于赤道处大约 610.8 米 x 610.8 米的图块(18 角秒块)。每个瓷砖的几何形状在现场以WGS 84 (EPSG:4326)表示tile

平铺属性

每个图块包含以下相邻属性:

字段名称类型描述
平均d_kbps整数在磁贴中执行的所有测试的平均下载速度,以每秒千位表示。
平均ukbps整数在图块中执行的所有测试的平均上传速度,以每秒千位表示。
平均纬度毫秒数整数在图块中执行的所有测试的平均延迟(以毫秒为单位)
测试整数在图块中进行的测试数量。
设备整数在磁贴中贡献测试的唯一设备的数量。
四键文本代表图块的四键。
四键

四键可以充当图块的唯一标识符。这对于在空间上连接多个时期(季度)的数据、创建更粗略的空间聚合而不使用地理空间函数、空间索引、分区以及存储和导出切片几何形状的替代方案非常有用。

层数

两层作为单独的文件集分布:

  • performance_mobile_tiles- 包含从具有 GPS 质量位置和蜂窝连接类型(例如 4G LTE、5G NR)的移动设备进行的测试的图块。
  • performance_fixed_tiles- 包含从具有 GPS 质量位置和非蜂窝连接类型(例如 WiFi、以太网)的移动设备进行的测试的图块。
时间段和更新频率

图层是根据一个季度(三个月)的数据生成的,文件将每季度更新和添加一次。一个/year=2020/quarter=1/时期(即 2020 年第一季度)将包括 之前或之后生成的所有2020-01-01数据2020-04-01

数据会定期重新汇总,以遵守适用于某些司法管辖区的法律规定的数据主体访问请求 (DSAR),包括但不限于《通用数据保护条例》(GDPR)、《加州消费者隐私法》(CCPA) 和《Lei Geral》 de Proteção de Dados (LGPD)。因此,在不同时间访问的数据可能会导致测试总数、图块和生成的性能指标发生变化。

网络图块

地球引擎片段
var mobile_20210101 = ee.FeatureCollection("projects/sat-io/open-datasets/network/mobile_tiles/2022-01-01_performance_mobile_tiles");
var fixed_20210101 = ee.FeatureCollection("projects/sat-io/open-datasets/network/fixed_tiles/2022-01-01_performance_fixed_tiles");

示例代码:https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:global-utilities-assets-amenities/GLOBAL-FIXED-MOBILE-NETWORK-PERFORMANCE

不同季度的移动和固定图块的地球引擎文件按以下格式排列,因为季度是 3 个月间隔,将月份变量替换为 01,04,07,10(代表 3 个月间隔)

* ee.FeatureCollection("projects/sat-io/open-datasets/network/mobile_tiles/Year-month-01_performance_mobile_tiles")
* ee.FeatureCollection("projects/sat-io/open-datasets/network/fixed_tiles/Year-month-01_performance_mobile_tiles")
栅格数据集

作为处理该数据集的一部分,我进一步将这些数据集转换为 32 位浮点栅格,这些栅格以 610m 分辨率生成,并且 avg_d_kbps、avg_u_kbps、avg_lat_ms、devices、tests 等要素属性在这些图像的波段中转换。每个季度的开始和结束日期都会进一步添加到图像中,但矢量到光栅转换过程中不会保留四边形信息。结果是固定和移动数据集的两个图像集合。

网络栅格

地球引擎片段
var fixed = ee.ImageCollection("projects/sat-io/open-datasets/network/raster_tiles/performance_fixed_tiles"),
    vis_fixed = {"opacity":1,"bands":["avg_d_kbps"],"min":1007.8523559570312,"max":125438.453125,"palette":["b40a01","ff3608","ffc46c","fff8a7","cbff87","52ff58","3bff89","35ffda","1f4fff"]},
    mobile = ee.ImageCollection("projects/sat-io/open-datasets/network/raster_tiles/performance_mobile_tiles"),
    vis_mobile = {"opacity":1,"bands":["avg_d_kbps"],"min":829.6676025390625,"max":102469.4453125,"palette":["b40a01","ff3608","ffc46c","fff8a7","cbff87","52ff58","3bff89","35ffda","1f4fff"]};
var fixed_image = fixed.first()
var mobile_image = mobile.first()

Map.centerObject(fixed_image,2)

Map.addLayer(
    fixed_image,vis_fixed,
    'Average Fixed Download Speed in kbps');

Map.addLayer(mobile_image,vis_mobile,'Average Mobile Download Speed in kbps')


var Stranger_Things
 = 
[
  {
    "featureType": "all",
    "elementType": "all",
    "stylers": [
      {
        "invert_lightness": true
      },
      {
        "saturation": "-9"
      },
      {
        "lightness": "0"
      },
      {
        "visibility": "simplified"
      }
    ]
  },
  {
    "featureType": "landscape.man_made",
    "elementType": "all",
    "stylers": [
      {
        "weight": "1.00"
      }
    ]
  },
  {
    "featureType": "road.highway",
    "elementType": "all",
    "stylers": [
      {
        "weight": "0.49"
      }
    ]
  },
  {
    "featureType": "road.highway",
    "elementType": "labels",
    "stylers": [
      {
        "visibility": "on"
      },
      {
        "weight": "0.01"
      },
      {
        "lightness": "-7"
      },
      {
        "saturation": "-35"
      }
    ]
  },
  {
    "featureType": "road.highway",
    "elementType": "labels.text",
    "stylers": [
      {
        "visibility": "on"
      }
    ]
  },
  {
    "featureType": "road.highway",
    "elementType": "labels.text.stroke",
    "stylers": [
      {
        "visibility": "off"
      }
    ]
  },
  {
    "featureType": "road.highway",
    "elementType": "labels.icon",
    "stylers": [
      {
        "visibility": "on"
      }
    ]
  }
]
Map.setOptions('Stranger_Things', {Stranger_Things: Stranger_Things})

示例代码:https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:global-utilities-assets-amenities/GLOBAL-FIXED-MOBILE-NETWORK-PERF-光栅

执照

这些数据集根据 Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 提供

提供者:奥克拉

GEE 策展人:Samapriya Roy

关键词::分析、宽带、城市、市政、基础设施、互联网、网络流量、电信、瓦片

最后更新:2023-09-18

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_31988139/article/details/134131154

Google Earth Engine(GEE)最全632个数据集在哪里找?文章末含名称!-爱代码爱编程

在GEE当中找数据集其实很多人都会取GEE的数据中心取搜索https://developers.google.com/earth-engine/datasets, 其实很多时候我们由更为便捷的方式,除了直接在编程界面的搜索栏中输入外, 还有第三种方式,一眼就可以看到所有的数据集,太多了直接看图   GEE中最全的数据集名称都在这里,共6

google earth engine(gee)——全球电厂数据库2016年-爱代码爱编程

 全球电厂数据库 发布版本: 1.3, 发布日期: 2021-06-02¶ 全球电厂数据库是一个开源的开放性数据集,包括在世界各地运行的电网规模(1兆瓦及以上)发电设施。前言 – 床长人工智能教程 该数据库目前包含167个国家的近35000个电厂,占世界发电量的72%。条目仅在设施层面,一般定义为单一的输电网络连接点。目前还没有发电单元层面的信息。 创

新能源数据集(光伏发电)-爱代码爱编程

  今天为大家带来的是中国台湾城市栅格气象与风光发电量数据集,数据覆盖度高(台湾全岛22个县市),数据完整度高(最近2年半),数据丰富度高(25+ 气象要素和67+ 风光电站)。基于该数据集,不仅可以针对单个对象的时序数据分析与预测研究,也可以对多个对象进行联合分析预测,还可以进行新能源站点—>县市—>地区的层级关系分析与分层预测探索,可以称

google earth engine(gee)——全球森林碳通量(2001-爱代码爱编程

全球森林碳通量(2001-2021) 森林碳净通量是指2001年至2021年期间森林与大气之间的碳净交换量,计算方法是模型期间森林排放的碳与森林移除(或封存)的碳之间的平衡(兆克CO2排放量/公顷)。净碳通量的计算方法是将每个建模像素的年平均总清除量减去年平均总排放量;负值是指2001年至2021年期间森林为净碳汇,正值是指森林为净碳源。根据Hansen

google earth engine(gee)——全球海上风力发电机组数据集_海上风电数据集-爱代码爱编程

全球海上风力发电机组数据集 该数据集包括两个内容,包括验证数据集,只有位置数据集已经被摄入,验证数据集可以下载。位置数据集包括从2015年到2019年的哨兵一号合成孔径雷达(SAR)时间序列图像中得出的全球海上风力涡轮机(OWT)的地理编码信息。它确定了6,924个风力涡轮机,包括10多个国家。数据以10米的空间分辨率提供,为规划、监测和管理海洋空间提供了

google earth engine (gee):提取era5气象数据至点/面要素集,导出为shp/csv_gee下载处理era5数据-爱代码爱编程

** Google Earth Engine (GEE):提取ERA5气象数据至点/面要素集,导出为SHP/CSV ** ERA5气象再分析数据 ERA5 是第五代 ECMWF 全球气候大气再分析。 再分析将模型数据

google earth engine(gee)——全球风图集数据集_gee谷歌地球引擎数据资源-爱代码爱编程

全球风图集数据集 全球风能地图集是一个免费的、基于网络的应用程序,旨在帮助决策者、规划者和投资者确定世界上几乎任何地方的风能发电高风区,然后进行初步计算。全球风能地图集便于在线查询,并提供基于最新输入数据和建模方法的可免费下载的数据集。用户还可以下载全球、国家和第一行政单位(州/省/其他)层面的高分辨率风资源潜力图,供地理信息系统工具使用。你可以在这里阅读

google earth engine(gee)——全球太阳能地图集,该地图集提供了地球上几乎任何地点的长期平均年度(每月选定参数)太阳能、空气温度、光伏发电潜力数据和地图产品_全球太阳能图集-爱代码爱编程

全球太阳能数据集 全球太阳能地图集的当前版本是2021年7月发布的2.6版。全球太阳能地图集2.0版是对最初在2016年发布的1.0版在线平台的增强,通过使用下载部分的GIS数据层和地图,提供对太阳能项目和场地进行初步评估所需的数据。本技术报告总结了GSA 2.0版本的交付情况,并将2.0版本与之前的1.0版本在方法、数据层和Solargis光伏发电模拟方

google earth engine(gee)——全球光伏发电目录(2016-爱代码爱编程

全球光伏发电目录(2016-2018) 自2009年以来,光伏(PV)太阳能发电能力每年增长41%。作者指出,缓解气候变化和帮助普及能源的能源系统预测显示,到2040年,光伏太阳能发电能力将增加近10倍。作者进一步找到并核实了68,661个设施,在以前可获得的资产层面的数据上,增加了432%(设施数量)。在手工标记的测试集的帮助下,我们估计2018年底全球

静态路由协议的配置-爱代码爱编程

实验题目 静态路由协议的配置 实验目的 熟悉路由器工作原理和机制;巩固静态路由理论;设计简单网络结构;规划 IP 地址、子网掩码和网关。 实验任务 设计网络拓扑结构;正确规划 IP 地址、子网掩码和网关;掌握静态路由配置指令;掌握如何分析路由表。 实验设备 1.所用设备: PC 机 2.消耗性器材:无 实验环境 本实验为设计型实验,每组

web端播放rtsp视频流(摄像头监控视频)教程-爱代码爱编程

文章目录 前言一、ffmpeg是什么?二、ffmpeg安装1.下载2.安装 三、node搭建websocket服务四、web客户端播放视频 前言 像海康大华一些摄像头或者直播源 为rtsp

网络的设置-爱代码爱编程

一、网络设置 1.1查看linux基础的网络设置 网关 route  -n ip地址ifconfigDNS服务器cat   /etc/resolv.conf主机名hostname路由 route   -n 网络连接状态ss    或者   netstat域名解析nslookup     host 例题:除了ping,什么命令可以测试DNS服务器来解析