Oppdatering av turstier

Abstract

Det siste tiåret har det vært en økning i bruken av forbrukerteknologi for å samle inn geografiske data. Denne studien vil bruke frivillig innsamlet geografisk informasjon samlet med GNSS for å gjøre kartleggingen av turstier mer effektiv. Den høyeste prioriteten vil være fullstendigheten av turstinettet, mens et høyt nøyaktighetsnivå vil prioriteres i mindre grad.

For å undersøke dette problemet vil to metoder bli utviklet. Begge metodene kartlegger turstier ved å midle GNSS-data. Den første metoden er en manuell prosess som bruker hendelsesintensitet til å finne den mest sannsynlige posisjonen til turstien. Den andre metoden er en enkel automatisert prosess for å midle GNSS-data, men den tar ikke i bruk hendelsesintensitet.

Vi finner at den første metoden er en effektiv metode for å skape et turstinettverk, og metoden kan gjøre mye GNSS-data av usikker kvalitet til brukbare data. Problemet med denne metoden er at den ikke er automatisert.

Den andre metoden er også en effektiv metode for å skape et turstinettverk, og metoden er automatisert. Metoden har svakheter, den kan ikke ta hensyn til hendelsesintensitet.

Mens begge metodene effektivt kan skape et turstinettverk fra GNSS-data, vil det fremdeles være nødvendig med en manuell gjennomgang at turstinettverket for å bekrefte at kvaliteten blir tilstrekkelig.

Turstiene er tilgjengelige her: https://ntnu-gis.maps.arcgis.com/apps/instant/interactivelegend/index.html?appid=2c4f08d3b39c4cbdbdf83a3c6a7415f2

For the past decade there has been an increase in the utilization of consumer technology to gather geographical data. This study will use volunteered geographical information gathered with GNSS to make mapping of hiking trails more efficient. The highest priority will be the completeness of the hiking trail network, while a high level of accuracy will be less prioritised.

To examine this problem, two methods will be developed. Both methods will infer a hiking trail by averaging GNSS data. The first method is a manual process that uses density estimation to find the most likely position of the hiking trail. The second method is a simple automated process for averaging GNSS data, without density estimation.

We find that the first method is an efficient method to create a hiking trail network, and the method can turn a lot of GNSS data of uncertain quality into useable data. The issue with this method is that it is not automated. The second method is also an efficient method to create a hiking trail network, and the method is automated. The method has weaknesses, it cannot take the density of the data into account.

While both methods will efficiently create a hiking trail network from GNSS data, it is still necessary for a manual review of the datasets to confirm that the quality is satisfactory.

The hiking trails are available here: https://ntnu-gis.maps.arcgis.com/apps/instant/interactivelegend/index.html?appid=2c4f08d3b39c4cbdbdf83a3c6a7415f2