--- jupytext: formats: md:myst text_representation: extension: .md format_name: myst kernelspec: display_name: Python 3 language: python name: python3 --- (zeitverlauf)= # Einen Zeitverlauf einfügen ```{admonition} Story :class: story Nachdem Amir Weber die Bezirke und Bewässerungsmengen verglichen hat, interessiert ihn nun, **welche Rolle das Alter der Bäume** spielt. Er fragt sich, ob bestimmte Jahrgänge besonders häufig gegossen werden, wie etwa jüngere Bäume, die nach wissenschaftlicher Empfehlung mehr Wasser benötigen, oder ältere Bäume, die empfindlicher auf Trockenstress reagieren. Um dieser Frage nachzugehen, betrachten Sie die gesamte gegossene Wassermenge pro Pflanzjahr und erhalten so einen Überblick darüber, welche Baumkohorten am stärksten vom Engagement der Bürger:innen profitieren. ``` ```{admonition} Zweck dieser Übung :class: lernziele Diese Übung zeigt: - wie Bewässerungsdaten nach Pflanzjahren aggregiert werden können; - welche Baumjahrgänge besonders viel oder wenig Wasser erhalten; - und wie zeitliche oder altersbezogene Faktoren Hinweise auf Pflegebedarf und Gießverhalten liefern. ``` Nachdem Sie die räumlichen Unterschiede der Bewässerung betrachtet haben, richten Sie Ihren Fokus nun auf **zeitliche und altersbezogene Faktoren des Engagements**. Denn das Bürgerengagement beim Gießen wird eventuell nicht nur durch den Bezirk geprägt, sondern vielleicht auch durch: - zeitliche Muster (z. B. verändert sich die Bewässerungsaktivität über die Jahre?), - Baumalter bzw. Pflanzjahr (wissenschaftlich ist belegt, dass besonders junge und teilweise auch sehr alte Bäume ein erhöhtes Wasservolumen benötigen), Um diese Aspekte besser zu verstehen, untersuchen Sie zwei zentrale Fragen: **1. Wie hat sich die Bewässerungsmenge über die Jahre entwickelt?** → Gibt es Trends, Spitzenjahre oder Rückgänge? **2. Werden bestimmte Baumjahrgänge (Pflanzjahre) häufiger gegossen als andere?** → Deutet das auf besondere Pflegebedarfe oder engagiertes Handeln hin? Die folgenden Visualisierungen zeigen deshalb sowohl **Trends im Jahresverlauf** als auch die **insgesamt gegossene Wassermenge pro Pflanzjahr**, um das Zusammenspiel zwischen Baumalter, Bedarf und Engagement sichtbar zu machen. Eine chronologische Trenddarstellung ermöglicht es, zeitliche Entwicklungen und Muster im Gießverhalten zu erkennen. Nutzer:innen können nachvollziehen, wie sich die Bewässerungsaktivität über die Jahre hinweg verändert. Solche Erkenntnisse helfen nicht nur bei der Einschätzung des aktuellen Bedarfs, sondern auch bei der Planung zukünftiger Gießaktionen. Darüber hinaus macht die Visualisierung Schwankungen sichtbar. Für die Community kann die Trendlinie zudem motivierend wirken: Ein Aufwärtstrend zeigt wachsendes Engagement, während ein Abfall zum Handeln aufrufen kann. Langfristig liefert die chronologische Darstellung wertvolle Daten für die Evaluation von Maßnahmen und hilft zu verstehen, wann und warum Menschen aktiv werden, was eine wichtige Grundlage für die Weiterentwicklung von Plattformen und gezielten Kommunikationsstrategien darstellt. ````{margin} ```{admonition} Dashboard erkunden :class: hinweis Das fertige Dashboard können Sie hier direkt im Browser erkunden, während Sie die folgenden Abschnitte durcharbeiten: Dashboard öffnen ``` ```` ```{figure} ../assets/Dashboard_Zeitverlauf.png --- name: Dashboard Zeitverlauf alt: Ein Screenshot, der die Zeitverlaufsseite des Dashboards zeigt width: 600px --- Zeitverlauf der Baumbewässerung (Quelle: eigene Ausarbeitung) ``` ## Benutzeroberfläche (UI) Zunächst fügen Sie einen weiteren Menüpunkt zur Navigation hinzu, um den Zeitverlauf-Tab zugänglich zu machen. ````{dropdown} Navigation in der Seitenleiste ```r dashboardSidebar( sidebarMenu( id = "sidebarMenu", menuItem("Startseite", tabName = "start", icon = icon("home")), menuItem("Karte", tabName = "map", icon = icon("map")), # NEU: Menüpunkt für die Zeitverlauf hinzufügen menuItem("Zeitverlauf", tabName = "stats", icon = icon("bar-chart")) ) ) ``` ```` ### Inhaltsbereich: Diagramm und Filtern Der Inhaltsbereich enthält das Liniendiagramm sowie Filteroptionen, mit denen Nutzer:innen die Darstellung anpassen können. ````{dropdown} Code ```r tabItem( tabName = "stats", fluidRow( box( title = tagList( "Trend der Bewässerung je Pflanzjahr", div( actionButton("info_btn_tdbjp", label = "", icon = icon("info-circle")), style = "position: absolute; right: 15px; top: 5px;" ) ), status = "primary", solidHeader = TRUE, width = 12, fluidRow( column( width = 6, sliderInput( "trend_year", "Pflanzjahre filtern:", min = 1800, max = max(df_merged$pflanzjahr, na.rm = TRUE), value = c(1800, max(df_merged$pflanzjahr, na.rm = TRUE)), step = 1, sep = "" ) ), column( width = 6, selectInput( "trend_bezirk_pj", "Bezirk auswählen:", choices = c("Alle Bezirke", sort(unique(df_merged$bezirk))), selected = "Alle Bezirke", multiple = TRUE ) ) ), plotlyOutput("trend_water", height = "500px") ) ) ) ``` ```` ````{admonition} Erklärung des Codes :class: hinweis, dropdown **Struktur des Inhaltsbereichs:** - `box(...)` gruppiert alle Elemente visuell - `title` enthält die Überschrift und einen Info-Button - `status = "primary"` bestimmt die Farbe - `width = 12` bedeutet volle Seitenbreite **Filterelemente:** - `sliderInput("trend_year", ...)` – ein Schieberegler zur Auswahl eines Pflanzjahr-Bereichs - Als Min-Wert ist das Jahr 1800 gewählt. Als Max-Wert wird das aktuellste Pflanzjahr aus dem Datensatz ermittelt - Nutzer:innen können gezielt nur junge Bäume, nur Altbestand oder ein bestimmtes Jahrzehnt untersuchen - `selectInput("trend_bezirk_pj", ...)` – ein Dropdown zur Bezirksauswahl - `multiple = TRUE` ermöglicht die Auswahl mehrerer Bezirke gleichzeitig - Standardwert ist "Alle Bezrike" **Visualisierung:** - `plotlyOutput("trend_water", ...)` – reserviert Platz für das interaktive Diagramm - Die tatsächliche Grafik wird im Server erzeugt - Plotly ermöglicht Zoomen, Tooltips und interaktive Achsen Diese Struktur gibt Nutzer:innen volle Kontrolle: Sie können sowohl den Zeitraum als auch die betrachteten Bezirke frei anpassen und so gezielt nach Mustern suchen. ```` ## Server ### Daten vorbereiten und filtern Zunächst müssen Sie die Rohdaten so vorbereiten, dass nur relevante Einträge berücksichtigt werden. In diesem Fall Bäume, die tatsächlich gegossen wurden und für die ein Pflanzjahr bekannt ist. ````{dropdown} Code ```r # Trend: Bewässerung nach Pflanzjahr output$trend_water <- renderPlotly({ req(input$sidebarMenu == "stats") filtered_data <- df_merged %>% filter(!is.na(bewaesserungsmenge_in_liter)) %>% filter(!is.na(pflanzjahr)) if (!"Alle Bezirke" %in% input$trend_bezirk_pj && length(input$trend_bezirk_pj) > 0) { filtered_data <- filtered_data %>% filter(bezirk %in% input$trend_bezirk_pj) } filtered_data <- filtered_data %>% filter(pflanzjahr >= input$trend_year[1] & pflanzjahr <= input$trend_year[2]) ``` ```` ````{admonition} Erklärung des Codes :class: hinweis, dropdown **Grundfilterung:** - `req(input$sidebarMenu == "stats")` – stellt sicher, dass der Plot nur berechnet wird, wenn der Tab "Zeitverlauf" aktiv ist. - `filter(!is.na(bewaesserungsmenge_in_liter))` – nur Bäume, die tatsächlich gegossen wurden - `filter(!is.na(pflanzjahr))` – nur Bäume mit bekanntem Pflanzjahr **Bezirksfilter:** - Wenn "Alle Bezirke" ausgewählt ist → keine Einschränkung - Wenn bestimmte Bezirke ausgewählt wurden → behalte nur diese **Pflanzjahr-Filter:** - `input$trend_year[1]` ist der untere Wert des Schiebereglers - `input$trend_year[2]` ist der obere Wert - So können Nutzer:innen gezielt z. B. nur Bäume aus den Jahren 1950–2020 betrachten Durch diese mehrstufige Filterung erhälen Sie einen sauberen Datensatz, der genau die Bäume enthält, die für die aktuelle Analyse relevant sind. ```` ### Bewässerungsmenge pro Pflanzjahr berechnen Jetzt aggregieren Sie die Daten: Für jedes Pflanzjahr wird die gesamte gegossene Wassermenge sowie die Anzahl der bewässerten Bäume berechnet. ````{dropdown} Code ```r plot_data <- filtered_data %>% group_by(pflanzjahr) %>% summarize( total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE), count_trees = n_distinct(gml_id) ) %>% ungroup() ``` ```` ````{admonition} Erklärung des Codes :class: hinweis, dropdown - `group_by(pflanzjahr)` gruppiert die Daten nach Pflanzjahr - `summarize(...)` berechnet für jede Gruppe: - `total_water` – die Summe aller gegossenen Liter - `count_trees` – die Anzahl unterschiedlicher Bäume (`n_distinct` zählt jeden Baum nur einmal) - `ungroup()` löst die Gruppierung wieder auf Eine Tabelle mit drei Spalten: Pflanzjahr, Gesamtwassermenge, Anzahl Bäume Diese Aggregation beantwortet die zentrale Frage: „Welche Baumjahrgänge wurden besonders intensiv bewässert?" ```` ### Liniendiagramm erstellen Mit den aggregierten Daten erstellen Sie nun ein Liniendiagramm, das den Trend über die Pflanzjahre zeigt. ````{dropdown} Code ```r plot <- ggplot(plot_data, aes(x = pflanzjahr, y = total_water)) + geom_line(color = "#2E86AB", size = 1) + geom_point( aes(text = paste0("Pflanzjahr: ", pflanzjahr, "
Gesamtwasser: ", format(total_water, big.mark = ".", decimal.mark = ","), " L", "
Anzahl Bäume: ", count_trees)), size = 2, color = "#2E86AB" ) + theme_minimal() + labs( x = "Pflanzjahr", y = "Gesamtbewässerung (Liter)" ) + theme(panel.grid.minor = element_blank()) ggplotly(plot, tooltip = "text") %>% layout(hovermode = "closest") }) ``` ```` ````{admonition} Erklärung des Codes :class: hinweis, dropdown **ggplot2-Grundstruktur:** - `aes(x = pflanzjahr, y = total_water)` definiert, was auf den Achsen dargestellt wird - `geom_line(...)` zeichnet die Verbindungslinie zwischen den Datenpunkten - `geom_point(...)` setzt Punkte auf jeden Datenpunkt - `aes(text = ...)` definiert, was beim Überfahren mit der Maus angezeigt wird: - Pflanzjahr - Gesamtwassermenge (formatiert mit Tausenderpunkten) - Anzahl der bewässerten Bäume - `theme_minimal()` sorgt für ein aufgeräumtes Design - `labs(...)` beschriftet die Achsen **Interaktivität durch Plotly:** - `ggplotly(...)` wandelt das statische ggplot in ein interaktives Plotly-Diagramm um - `tooltip = "text"` zeigt die zuvor definierten Tooltips beim Hover an - `layout(hovermode = "closest")` sorgt dafür, dass immer der nächstgelegene Datenpunkt angezeigt wird Durch diese Kombination aus ggplot2 und Plotly entsteht ein Diagramm, in dem Nutzer:innen hineinzoomen, Achsen verschieben und präzise Werte ablesen können. ```` ### Reaktion auf den Klick des Info-Buttons Der Info-Button im Diagramm-Titel öffnet ein erläuterndes Pop-up-Fenster, das Nutzer:innen kontextbezogene Hintergrundinformationen zur Grafik liefert. ````{dropdown} Code ```r observeEvent(input$info_btn_tdbjp, { showModal(modalDialog( title = "Information: Trend der Bewässerung je Pflanzjahr", HTML("

Diese Grafik zeigt die Gesamtbewässerungsmenge nach Pflanzjahr der Bäume.

Hintergrund: Junge und sehr alte Bäume benötigen typischerweise mehr Wasser als Bäume mittleren Alters.

Verwendung:

Ergebnis: Die Daten zeigen keine wesentlichen Auffälligkeiten. Das Pflanzjahr scheint kein entscheidender Faktor für das Bewässerungsengagement zu sein.

"), easyClose = TRUE, footer = modalButton("Schließen") )) }) ``` ```` ````{admonition} Erklärung des Codes :class: hinweis, dropdown - `observeEvent(input$info_btn_tdbjp, {...})` – reagiert auf das Klicken des Info-Buttons - `showModal(modalDialog(...))` – öffnet ein Pop-up-Fenster über der Anwendung - `HTML("...")` – ermöglicht HTML-formatierten Text im Dialog - `easyClose = TRUE` – das Fenster kann durch Klick außerhalb geschlossen werden - `modalButton("Schließen")` – fügt einen Schließen-Button hinzu ```` ## Reflexion Der dargestellte Trend der Bewässerungsmenge je Pflanzjahr zeigt zwar über den gesamten Zeitraum betrachtet einen **grundsätzlich steigenden Verlauf**, allerdings lässt sich **kein klar lineares oder systematisches Muster** erkennen. Stattdessen wirkt der Verlauf stark **heterogen**, mit ausgeprägten Spitzen und Einbrüchen in einzelnen Jahrgängen. Diese Ausschläge könnten dafür sprechen, dass **strukturelle Eigenschaften der Bäume** (z.B. wie Alter, Größe und Wasserbedarf) eine wesentlich größere Rolle spielen als der zeitliche Trend selbst. Insbesondere wird sichtbar, dass **jüngere Bäume**, also jene mit einem **neueren Pflanzjahr**, deutlich häufiger und intensiver gegossen werden. Das deckt sich mit den fachlichen Erwartungen: - Jungbäume haben ein **unterentwickeltes Wurzelsystem**, - sind schlechter in der Lage, **tiefere Bodenfeuchte zu erschließen**, - und benötigen daher laut gärtnerischer Empfehlungen (vgl. z. B. Giess-den-Kiez) **mehr Bewässerung**, besonders in den ersten Jahren nach der Pflanzung. Die beobachteten starken Peaks deuten daher möglicherweise **weniger auf eine generelle Zunahme des Engagements im Zeitverlauf hin**, sondern vielmehr auf eine Konzentration des Engagements auf besonders pflegeintensive Bäume. ### Einordnung der Unsicherheiten Mehrere Faktoren schränken die Interpretierbarkeit des Trends ein: - Die **Anzahl der Bäume je Pflanzjahr** ist nicht konstant; einzelne Jahrgänge sind stark unter- oder überrepräsentiert. - Das Bewässerungsverhalten hängt zusätzlich vom **lokalen Kontext** (Bezirk, Freiwilligenaktivität) ab, der im Aggregat verschleiert wird. - Stark schwankende Jahrgangswerte könnten auch auf **Einzelbäume mit extrem vielen Gießungen** zurückzuführen sein. ````{admonition} Gesamter Code für diesen Schritt :class: solution, dropdown ```r # UI-Definition ui <- dashboardPage( dashboardHeader(title = "Gieß den Kiez Dashboard"), dashboardSidebar( sidebarMenu( id = "sidebarMenu", # Code aus den vorherigen Schritten Startseite, Karte und Bewässerungsanalyse menuItem("Startseite", tabName = "start", icon = icon("home")), menuItem("Karte", tabName = "map", icon = icon("map")), menuItem("Bewässerungsanalyse", tabName = "analysis", icon = icon("chart-area")), # NEU: Navigation für den Zeitverlauf menuItem("Zeitverlauf", tabName = "stats", icon = icon("bar-chart")) ) ), dashboardBody( tabItems( # ... Code aus Startseite, Karte & Bewässerungsanalyse (tabItem für "start", "map" & "analysis") ... # NEU: Inhaltsbereich für den Zeitverlauf tabItem( tabName = "stats", fluidRow( box( title = tagList( "Trend der Bewässerung je Pflanzjahr", div( actionButton("info_btn_tdbjp", label = "", icon = icon("info-circle")), style = "position: absolute; right: 15px; top: 5px;" ) ), status = "primary", solidHeader = TRUE, width = 12, fluidRow( column( width = 6, sliderInput( "trend_year", "Pflanzjahre filtern:", min = 1800, max = max(df_merged$pflanzjahr, na.rm = TRUE), value = c(1800, max(df_merged$pflanzjahr, na.rm = TRUE)), step = 1, sep = "" ) ), column( width = 6, selectInput( "trend_bezirk_pj", "Bezirk auswählen:", choices = c("Alle Bezirke", sort(unique(df_merged$bezirk))), selected = "Alle Bezirke", multiple = TRUE ) ) ), plotlyOutput("trend_water", height = "500px") ) ) ) ) ) ) # Server-Logik server <- function(input, output, session) { # ... Code aus Startseite, Karte & Bewässerungsanalyse (Hilfsfunktionen, filteredData, Leaflet, hist_bewaesserung etc.) ... # NEU: Trend: Bewässerung nach Pflanzjahr output$trend_water <- renderPlotly({ req(input$sidebarMenu == "stats") filtered_data <- df_merged %>% filter(!is.na(bewaesserungsmenge_in_liter)) %>% filter(!is.na(pflanzjahr)) if (!"Alle Bezirke" %in% input$trend_bezirk_pj && length(input$trend_bezirk_pj) > 0) { filtered_data <- filtered_data %>% filter(bezirk %in% input$trend_bezirk_pj) } filtered_data <- filtered_data %>% filter(pflanzjahr >= input$trend_year[1] & pflanzjahr <= input$trend_year[2]) plot_data <- filtered_data %>% group_by(pflanzjahr) %>% summarize( total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE), count_trees = n_distinct(gml_id) ) %>% ungroup() plot <- ggplot(plot_data, aes(x = pflanzjahr, y = total_water)) + geom_line(color = "#2E86AB", size = 1) + geom_point( aes(text = paste0("Pflanzjahr: ", pflanzjahr, "
Gesamtwasser: ", format(total_water, big.mark = ".", decimal.mark = ","), " L", "
Anzahl Bäume: ", count_trees)), size = 2, color = "#2E86AB" ) + theme_minimal() + labs( x = "Pflanzjahr", y = "Gesamtbewässerung (Liter)" ) + theme(panel.grid.minor = element_blank()) ggplotly(plot, tooltip = "text") %>% layout(hovermode = "closest") }) # NEU: Info button observer observeEvent(input$info_btn_tdbjp, { showModal(modalDialog( title = "Information: Trend der Bewässerung je Pflanzjahr", HTML("

Diese Grafik zeigt die Gesamtbewässerungsmenge nach Pflanzjahr der Bäume.

Hintergrund: Junge und sehr alte Bäume benötigen typischerweise mehr Wasser als Bäume mittleren Alters.

Verwendung:

Ergebnis: Die Daten zeigen keine wesentlichen Auffälligkeiten - das Pflanzjahr scheint kein entscheidender Faktor für das Bewässerungsengagement zu sein.

"), easyClose = TRUE, footer = modalButton("Schließen") )) }) } shinyApp(ui = ui, server = server) ``` ```` ### Übung Bei der gewählten Form der Darstellung handelt es sich um ein klassisches **Liniendiagramm (Line Graph)**. Laut dem The Data Visualization Catalogue eignen sich Liniendiagramme gut, um quantitative Werte über ein kontinuierliches Intervall oder einen bestimmten Zeitraum darzustellen. Sie werden am häufigsten eingesetzt, um **Trends aufzuzeigen** und zu analysieren, wie sich Daten über die Zeit verändert haben. Die visuelle Stärke dieser Darstellung liegt in ihrer einfachen Lesbarkeit: * Ein Aufwärtstrend (steigende Linie) zeigt intuitiv eine Zunahme der Werte (in unserem Fall: mehr gegossene Liter für bestimmte Pflanzjahre). * Ein Abwärtstrend (fallende Linie) signalisiert eine Abnahme. * Der gesamte Verlauf der Linie über das Diagramm hinweg erzeugt Muster, die verborgene Trends innerhalb eines Datensatzes sichtbar machen. Unser Diagramm nutzt auf der y-Achse den quantitativen Wert (die aggregierte Wassermenge in Litern) und auf der x-Achse eine chronologische Abfolge (die Pflanzjahre), was exakt den Best Practices für Liniendiagramme entspricht. Das Liniendiagramm ist jedoch nicht die einzige Möglichkeit, Daten über einen bestimmten Zeitraum hinweg darzustellen. Es gibt viele weitere Visualisierungsmethoden, die speziell darauf ausgelegt sind, Veränderungen im Zeitverlauf zu kommunizieren. Nutzen Sie den The Data Visualization Catalogue (Filter: "Search by Function" > "Over Time"), um alternative Darstellungsformen zu recherchieren. Beispiele für solche Alternativen sind: * **Area Graph** (Flächendiagramm) * **Bar Chart** (Säulendiagramm) * **Candlestick Chart** (Kerzendiagramm) * ... und viele mehr. Überlegen Sie sich, welche dieser Alternativen sich ebenfalls für die Darstellung unserer Bewässerungsdaten eignen könnten und wo deren Vor- und Nachteile gegenüber dem klassischen Liniendiagramm liegen. ```{code-cell} ipython3 :tags: [remove-input] import sys sys.path.append("../quadriga") from assessment import create_answer_box create_answer_box('linegraph-alternativen-1') ``` ### Überleitung zum nächsten Analyse-Schritt Die bisherige Betrachtung nach Pflanzjahren legt nahe, dass das Engagement nicht nur zeitlich, sondern vor allem **strukturell** geprägt ist, und das insbesondere durch Unterschiede im Alter der Bäume und damit verbundenem Wasserbedarf. Um diese Muster besser zu verstehen, ist es sinnvoll, das Bewässerungsverhalten im Kontext der **räumlichen und biologischen Baumstruktur** zu betrachten.