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.