Modelling street elevation from crowdsensed GNSS cycling records

Abstract

Der Anstieg des Geländes spielt bei Langstreckenrennen von professionellen Radsportlern eine zentrale Rolle. Aber auch bei der Tourenplanung im Freizeit- und Amateursport ist dieser Aspekt relevant, besonders für Mountainbiker.Daher greifen gängige Smartphone-Anwendungen für Radfahrer auf Höhenmodelle zurück, um die zu erwartende Steigung bereits bei der Routenplanung abzuschätzen zu können. Viele der Anwendungen streben eine weltweite Abdeckung an. Daher werden dazu meist globale Modelle wie SRTM (Shuttle Radiometry Topography Mission) verwendet.Im Vergleich zu nationalen digitalen Höhenmodellen, die mit Hilfe von Airborne Laser Scanning (ALS) erstellt wurden, haben solche globalen Modelle den Nachteil einer groben Auflösung und einer begrenzten Genauigkeit, was eine korrekte Schätzung der zu erwarteten Höhenmeter erschwert.Heutzutage zeichnen viele Radfahrer ihre Aktivitäten mit Hilfe von globalen Satellitennavigationssystemen (GNSS) mit Smartphones oder Fitnesscomputern auf, welche die aufgezeichneten Daten zum Zweck der Trainingsdokumentation speichern.In dieser Arbeit wird die Nutzung solcher mobiler GNSS-Daten für die Modellierung digitaler Straßenhöhen vorgeschlagen, um die Planung von Radtouren zu verbessern.Da die Genauigkeit mobiler GNSS in Bezug auf Lage und Höhe variiert, ist es wichtig, diese Daten kritisch zu prüfen, um statistische Sicherheit und Integrität zu gewährleisten.Als Eingabedaten wurden über 23000 von Nutzern aufgezeichnete Trajektorien verwendet, die aus über 40 Millionen GNSS Punktmessungen bestehen, die im Zeitraum von drei Jahren zwischen 2019 und 2021 aufgezeichnet wurden.Diese Arbeit stellt verschiedene Methoden vor, um die Homogenität und Qualität dieser Daten zu verbessern, wobei die Beseitigung grober Fehler und die Korrektur systematischer Fehler im Mittelpunkt steht. Die entwickelten Methoden aggregieren die Daten zu einem rasterbasierten Straßenhöhenmodell, welches in sich eine globale Anwendbarkeit und eine statistische Robustheit gegenüber Ausreißern vereint.Auch wenn sich das berechnete Modell in seiner Ausdehnung auf das Gebiet der Stadt Wien beschränkt, wurden die Methoden im Hinblick auf eine globale Anwendbarkeit entwickelt.Da sich die von Nutzern generierten Daten zu einem Großteil auf Straßen und Radwegen befinden, sie aber zusätzlich eine inhomogene Verteilung über das Gebiet der Studie hinweg aufweisen, hängt die statistische Sicherheit des resultierenden Modells stark von der räumlichen Verteilung und Qualität der Daten ab.Ein Vergleich mit Referenzdaten in Bezug auf Lage und Höhe und hat gezeigt, dass unser Modell die Straßen mit einer signifikant besseren Genauigkeit als SRTM repräsentieren kann.Unser Modell zeigt gegenüber SRTM Verbesserungen in der mittleren Höhenabweichung um 22% (von 1,09m auf -0,15m), bezugnehmend auf ein ALS Höhenmodell. Die Standardabweichung verbessert sich diesbezüglich sogar um 36% (von 5,84m auf 2,11m). Da die aufgezeichneten Daten von Radfahrern stammen, konzentriert sich das entwickelte Modell hauptsächlich auf Straßen und Radwege und kann daher etwa 25-30% aller Straßen im untersuchten Gebiet abdecken. Obwohl unser Modell in erster Linie für die Verbesserung der Routenplanung in einer mobilen Fahrradanwendung entwickelt wurde, könnte es auch in ortsbezogenen Diensten oder Stadtplanungsanwendungen großen Nutzen bringen.

While the terrain inclination plays a major role in long-distance races for professional cyclists, this aspect is also important for leisure cyclists when planning a tour.Common smartphone applications for cyclists use elevation models to provide an estimate for the expected gradients during route-planning. In this regard, global models such as SRTM (Shuttle Radiometry Topography Mission) are used, since many of the applications aim for worldwide coverage.Compared to a digital elevation model (DEM) created by Airborne Laser Scanning (ALS), usually for areas with much smaller extent, such global models have much coarser resolution and limited accuracy, which in turn lead to problems to correctly estimate the accumulated gradient.Nowadays, many cyclists record their activities using global navigation satellite systems (GNSS) with their smart devices or fitness computers, which store the recorded data for the purpose of training documentation.This work proposes the utilisation of such crowdsensed mobile GNSS data for the modelling of digital street elevation to improve the planning of cycle routes. Since the accuracy of mobile GNSS varies in planimetry and elevation, it is important to critically inspect this data to ensure statistical certainty and integrity.Over 23000 crowdsensed GNSS trajectories, consisting of over 40 million point measurements, recorded in the span of 3 years between 2019 and 2021, were used as input data.We propose various methods to increase the homogeneity and quality of those crowdsensed data, focusing on the elimination of gross errors and the correction of systematic ones. The data were aggregated into a raster-based street elevation model, which combines both the potential for global availability and statistical robustness against outlier.Even if the computed model is limited in extent to a local study area within the city of Vienna, the methods were developed with global applicability in mind.Since the crowdsensed data shows in general a inhomogenous distribution across the study area, naturally focusing on streets and cycle paths, the certainty of the resulting model can only be guaranteed in equal measure.A comparison with reference data in terms of elevation and planimetry showed that our model is able to deliver significantly better road elevation than is possible when sampled from SRTM.With respect to the elevation reference, our model improves average elevation deviation by 22% (from 1.09m to -0.15m) and standard deviation by 36% (from 5.84m to 2.11m). Since the recorded data originate from cyclists, the model mainly focus on cycle paths and therefore covers about 25-30% of the reference road data in the whole study area, derived by OSM (Open Street Maps) street segments.While our model was primarily developed for the improvement of route planning in a mobile cycling application, it might be valuable for location-based services (LBS) or urban planning applications in general.