简介

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 的网络 mercator 瓷砖（赤道处约 610.8 米乘 610.8 米）。数据以 Shapefile 格式和 Apache Parquet 格式提供，几何图形以 EPSG:4326 中的已知文本 (WKT) 表示。下载速度、上传速度和延迟是通过 Android 和 iOS 版的 Ookla 应用程序 Speedtest 收集的，并对每个磁贴求取平均值。测量结果经过筛选，包含 GPS 质量的定位精度。

可用数据集年份：2019、2020、2021、2022 和 2023。在此查找 GitHub 项目和数据集：https://github.com/teamookla/ookla-open-data 您也可以从 AWS 开放数据注册中心下载数据集：https://registry.opendata.aws/speedtest-global-performance/

瓦片

每月在 Ookla 平台上进行的 Speedtests 数以亿计。为了创建一个易于管理的数据集，我们将原始数据聚合为磁贴。磁贴数据的大小定义为 "缩放级别"（或 "z"）的函数。在 z=0 时，数据块的大小就是整个世界的大小。在 z=1 时，磁贴在垂直和水平方向上被分成两半，形成覆盖全球的 4 个磁贴。随着缩放级别的增加，这种平铺分割会继续进行，导致平铺尺寸随着我们放大到给定区域而呈指数级缩小。根据这一定义，磁贴尺寸实际上是根据 Web 墨卡托投影法（EPSG:3857）计算的地球宽度/高度的一部分。因此，瓦片大小会因纬度不同而略有差异，但可以米为单位估算瓦片大小。

就这些图层而言，平铺使用的缩放级别为 16（z=16）。这相当于在赤道上的平铺面积约为 610.8 米 x 610.8 米（18 弧秒块）。每个平块的几何尺寸在平块字段中以 WGS 84（EPSG:4326）表示。

瓦片属性
每个瓦片包含以下相邻属性：

Quadkeys 可以作为瓦片的唯一标识符。这对于在空间上连接多个时期（季度）的数据、在不使用地理空间函数的情况下创建更粗略的空间聚合、空间索引、分区以及存储和导出瓦片几何图形都很有用。

补充信息

NBAC 是 FireMARS 系统自 1986 年以来每年编制的国家产品，该系统跟踪森林火灾，用于年度碳排放估算，并帮助识别可能受到火灾干扰的国家森林资源调查地块。更多信息请参见 FireMARS 网站 (http://www.nrcan.gc.ca/forests/fire/13159) 和碳核算-干扰监测网站 (http://www.nrcan.gc.ca/forests/climate-change/13109)。

在使用这些数据进行制图活动和分析、研究、评估或展示时，请使用以下引文注明来源：

加拿大林务局。国家燃烧区综合数据 (NBAC)。加拿大自然资源部，加拿大林业局，北部林业中心，艾伯塔省埃德蒙顿。https://cwfis.cfs.nrcan.gc.ca/。

像素产品的详细信息

像素产品由 5 个文件组成：

JD.tif：烧毁区域的首次探测日
CL.tif：烧毁区域检测的置信度
BA.tif：烧毁面积，与计算出的烧毁像素比例相对应。
OB.tif：观测次数，即该月观测到该像元的次数。
xml：产品的元数据

像素属性汇总

图层

两个图层作为单独的文件集分发：

performance_mobile_tiles - 包含从具有 GPS 定位质量和蜂窝连接类型（如 4G LTE、5G NR）的移动设备上进行测试的磁贴。
performance_fixed_tiles - 包含从具有 GPS 定位质量和非蜂窝连接类型（如 WiFi、以太网）的移动设备上进行的测试的磁贴。
时间周期和更新频率
图层根据一个季度（三个月）的数据生成，文件将按季度更新和添加。/year=2020/quarter=1/ 期间，即 2020 年第一季度，将包括 2020-01-01 日或之后、2020-04-01 之前生成的所有数据。

根据《通用数据保护条例》（GDPR）、《加利福尼亚州消费者隐私法》（CCPA）和《数据保护法》（LGPD）等适用于某些司法管辖区的法律，为满足数据主体访问请求（DSAR），会定期对数据进行重新分类。因此，在不同时间访问的数据可能会导致测试总数、瓦片数和由此产生的性能指标出现差异。

代码

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");

print('Fixed Performance Metrics',fixed_20200101.size())
print('Mobile Performance Metrics',mobile_20200101.size())
Map.addLayer(fixed_20200101,{'color':'blue'},'Fixed 2020-01-01')
Map.addLayer(mobile_20200101,{'color':'red'},'Mobile 2020-01-01')


var ss1 = ee.FeatureCollection("projects/sat-io/open-datasets/network/mobile_tiles/Year-month-01_performance_mobile_tiles")
var ss = ee.FeatureCollection("projects/sat-io/open-datasets/network/fixed_tiles/Year-month-01_performance_mobile_tiles")


var fixed = ee.ImageCollection("projects/sat-io/open-datasets/network/raster_tiles/performance_fixed_tiles");
var mobile = ee.ImageCollection("projects/sat-io/open-datasets/network/raster_tiles/performance_mobile_tiles");

不同季度的移动和固定磁砖的地球引擎文件是按格式排列的，因为季度是 3 个月的间隔，所以用 01、04、07、10 代替月变量，代表 3 个月的间隔。 

栅格数据集

作为处理这些数据集的一部分，我进一步将这些数据集转换为 32 位浮点栅格，这些数据集的分辨率为 610 米，avg_d_kbps、avg_u_kbps、avg_lat_ms、设备、测试等特征属性在这些图像中转换为波段。每个季度的开始和结束日期会被进一步添加到图像中，但从矢量到光栅的转换过程中不会保留四维信息。最终形成固定数据集和移动数据集的两个图像集。

数据引用

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.

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:fire-monitoring-analysis/CA-NATIONAL-BURNED-AREA-COMPOSITE

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

License¶

These datasets are made available under a Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)

Provided by: Ookla

Curated in GEE by: Samapriya Roy

Keywords: : analytics,broadband,cities,civic,infrastructure,internet,network traffic, telecommunications,tiles

Last updated: 2024-03-31

网址推荐

0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg