Eine Baumstatistik einfügen

5.5. Eine Baumstatistik einfügen#

Story

Amir Weber möchte nachvollziehen, inwieweit die Art der Bäume und ihrer Umgebung das freiwillige Engagement beim Gießen beeinflussen. Nachdem er bereits zeitliche Muster analysiert hat, richtet er seinen Blick nun auf räumliche Faktoren (Baumdichte) sowie baumartspezifische Merkmale.

Zweck dieser Übung

In dieser Übung wollen wir herausfinden, ob die Baumart und räumliche Faktoren (Baumdichte) einen Einfluss auf das Engagement beim Gießen haben. Wir üben:

Baumarten und deren Verteilung in Bezirken statistisch zu beschreiben,
relative Häufigkeiten und Top-Listen (z. B. meistgegossene Arten) zu interpretieren,
Baumdichte im Verhältnis zur Bezirksfläche quantitativ zu berechnen,

und einfache Hypothesen über das Engagement – etwa bevorzugte Gattungen oder Nachbarschaftseffekte – mit Daten zu prüfen.

Nachdem zuvor untersucht wurde, wie Pflanzjahr und Zeitverlauf das Gießverhalten beeinflussen, richtet sich der Blick nun auf räumliche und baumartspezifische Unterschiede innerhalb Berlins. Verschiedene Bezirke weisen sehr unterschiedliche Baumstrukturen auf: Manche besitzen eine hohe Dichte, andere sind von wenigen dominanten Gattungen geprägt (Nachweis dazu fehlt - woraus wird das zu diesem Zeitpunkt abgeleitet?).

Amir Weber will also überprüfen:

Ob bestimmte Baumgattungen häufiger gegossen werden als andere.
Ob die Baumdichte das Gießverhalten beeinflusst. Er vermutet, dass dicht bepflanzte Straßen oder Kieze mehr Interaktionen begünstigen – etwa nach dem Motto: „Wenn ich schon meinen Baum gieße, mache ich den daneben auch gleich mit.“

Die Funktion dieses Reiters besteht also darin, die Baumverteilung nach Bezirken sichtbar zu machen, die am häufigsten gegossenen Baumarten zu identifizieren und die Baumdichte im Verhältnis zur Bezirksfläche zu analysieren, um mögliche Muster im Engagement zu erkennen.

Damit dient der Reiter als Grundlage, um zu verstehen, welche strukturellen Faktoren im Stadtraum das Engagement der Gießenden möglicherweise begünstigen. Die Farben für die Bezirke und Baumarten unterscheiden sich von Plot zu Plot. Es wäre vielleicht besser, wenn diese über das ganze Dashboard hinweg einheitlich wären

Ein Screenshot, der zeigt Dashboard Karte — Fig. 5.5 Baumverteilung nach Bezirken und Baumgattungen. Die Abbildung zeigt die Verteilung der Bäume in den Berliner Bezirken, aufgeschlüsselt nach Baumgattungen. Die Anzahl der Bäume ist für jeden Bezirk als gestapeltes Balkendiagramm dargestellt, wobei die einzelnen Farbsegmente unterschiedliche Baumgattungen repräsentieren. Über einen Schieberegler kann die Anzahl der angezeigten, häufigsten Baumgattungen (Top-N) interaktiv angepasst werden, während weniger häufige Gattungen unter „Sonstige“ zusammengefasst sind. (Quelle: eigene Ausarbeitung)#

Das obenstehende Diagramm ist ein Balkendiagramm, genauer gesagt ein gestapeltes Balkendiagramm, das mehrere Informationsebenen gleichzeitig vermittelt. Der zentrale Mehrwert dieser Darstellungsform liegt darin, sowohl die Gesamtanzahl der Bäume pro Bezirk als auch deren Zusammensetzung nach Gattungen in einer einzigen Visualisierung zu vereinen. Die Balkenlänge zeigt auf einen Blick, welche Bezirke den größten Baumbestand haben, während die farbigen Segmente innerhalb jedes Balkens die Artenvielfalt und deren relative Anteile offenlegen. Dies ermöglicht direkte Vergleiche zwischen Bezirken: Nutzer:innen können nicht nur erkennen, dass Bezirk A mehr Bäume hat als Bezirk B, sondern auch, ob beide eine ähnliche Gattungsverteilung aufweisen oder ob bestimmte Arten in einzelnen Bezirken dominieren. Die Anpassung über den Top-N-Schieberegler reduziert visuelle Komplexität und ermöglicht es, den Fokus je nach Fragestellung auf die häufigsten Gattungen zu legen oder eine detailliertere Aufschlüsselung zu betrachten. Somit verbindet das gestapelte Balkendiagramm quantitative Präzision mit visueller Übersichtlichkeit und macht komplexe, mehrdimensionale Daten intuitiv erfassbar. Balkendiagramme zählen zu den etabliertesten Darstellungswerkzeugen der Datenvisualisierung – ihre breite Anwendung in dieser Fallstudie spiegelt ihre Vielseitigkeit und Lesbarkeit wider.

Das obenstehende Diagramm ist ein Kreisdiagramm (auch Tortendiagramm genannt), das die prozentuale Zusammensetzung der Baumgattungen innerhalb eines Bezirks visualisiert. Der zentrale Mehrwert dieser Darstellungsform liegt in ihrer Fähigkeit, Anteile und Proportionen intuitiv erfassbar zu machen: Nutzer:innen erkennen auf einen Blick, welche Gattungen den Baumbestand dominieren und welche nur eine untergeordnete Rolle spielen. Die Kreisform vermittelt das Konzept des “Ganzen” unmittelbar – alle Segmente zusammen ergeben 100% des Baumbestands im gewählten Bezirk. Dies erleichtert das Verständnis relativer Größenverhältnisse, etwa wenn eine Gattung ein Viertel oder die Hälfte aller Bäume ausmacht. Die interaktive Bezirksauswahl ermöglicht zudem gezielte Vergleiche: Nutzer:innen können erkunden, ob bestimmte Gattungen in verschiedenen Stadtteilen unterschiedlich stark vertreten sind. Im Gegensatz zum Balkendiagramm, das absolute Zahlen und Mengenvergleiche betont, fokussiert das Kreisdiagramm auf die innere Struktur und Diversität des Baumbestands eines einzelnen Bezirks.

Was Sie beachten sollten

Nur weil Indikatoren nicht auftauchen, heißt es nicht, dass sie nicht wichtig sein können. Für das Verständnis der obigen Abbildung 4.8 ‘Top 10 gegossene Baumgattungen’ ist beispielsweise eine Information zur Häufigkeit von Baumarten (wie in Abb. 4.7 dargestellt) unabdingbar. Und für eine korrekte Analyse der Abbildung 4.9 ‘Baumdichte pro km²’ braucht es mindestens Hinweise zur Größe der Bezirke. Möglichicherweise wären auch Indikatoren wie Bevölkerungsdichte sinnvoll, um die angegebenen Werte zu kontextualisieren.

Vor allem hinsichtlich der Interpretation von Datenvisualisierungen sollten Sie also darauf achten, sich nicht von den Indikatoren, die visuell hervorgehoben oder überhaupt dargestellt werden, in die Irre führen zu lassen. Es kann weitere Merkmale geben, die zum Verständnis oder der Analyse der Daten notwendig sind.

5.5.1. Benutzeroberfläche (UI)#

Zunächst fügt Amir einen weiteren Menüpunkt zur Navigation hinzu, um den Baumstatistik-Tab zugänglich zu machen.

Inhaltsbereich: Diagramme und Filter#

Der Inhaltsbereich enthält die Diagramme sowie Filteroptionen, mit denen Nutzer:innen die Darstellung anpassen können.

Erklärung des Codes

Struktur des Inhaltsbereichs:

box(...) gruppiert alle Elemente visuell
- title enthält die jeweilige Überschrift und einen Info-Button
- status = "primary" bestimmt das farblich einheitliche Design mit solidHeader = TRUE
- width = 12 bedeutet volle Seitenbreite in der Rasterstruktur des Dashboards.

Filterelemente:

sliderInput("top_n_species", ...) – Ein Schieberegler zur dynamischen Anpassung der Anzahl gezeigter Baumgattungen. So lassen sich die Balkendiagramme übersichtlich halten.
selectInput(...) – Dropdown-Menüs (pie_bezirk, engagement_bezirk), mit denen Nutzer:innen gezielt nach spezifischen Bezirken filtern können.

Visualisierung:

plotOutput(...) (z. B. "tree_distribution_stacked", "tree_species_pie") reserviert Platz für das grafische Element.
- Die tatsächliche Grafik wird später im Server über die renderPlot()-Funktion erzeugt.
- height = "500px" sorgt für ein einheitliches Anzeigefenster aller Diagramme.

Diese Struktur ermöglicht den Nutzer:innen interaktive Ansichten und ein klares Interface zur Datenerkundung.

5.5.2. Server#

Gestapeltes Balkendiagramm: Baumverteilung nach Bezirken#

Das erste Diagramm soll zeigen, wie viele Bäume in jedem Bezirk stehen und welche Gattungen dort dominieren. Um die Visualisierung übersichtlich zu halten, konzentriert sich Amir auf die häufigsten Baumgattungen – alle anderen werden unter “Sonstige” zusammengefasst.

Erklärung des Codes

Top-Gattungen ermitteln:

filter(!is.na(gattung_deutsch)) – entfernt Bäume ohne Gattungsangabe
count(gattung_deutsch, sort = TRUE) – zählt jede Gattung und sortiert absteigend
head(input$top_n_species) – wählt die Top-N häufigsten Gattungen (über UI-Slider steuerbar)
pull(gattung_deutsch) – extrahiert die Gattungsnamen als Vektor

Diese Gattungsliste wird später verwendet, um alle anderen Gattungen als “Sonstige” zu kennzeichnen.

Daten aggregieren und gruppieren#

Jetzt werden die Daten so aufbereitet, dass für jeden Bezirk gezählt wird, wie viele Bäume jeder Gattungsgruppe dort stehen.

Erklärung des Codes

Datenaufbereitung:

filter(!is.na(bezirk)) – entfernt Bäume ohne Bezirkszuordnung
mutate(gattung_grouped = ...) – gruppiert Gattungen:
- Wenn die Gattung zu den Top-N gehört → behalte den Namen
- Ansonsten → kennzeichne als “Sonstige”
group_by(bezirk, gattung_grouped) – gruppiert nach Bezirk und Gattungsgruppe
summarise(count = n()) – zählt Bäume pro Gruppe
mutate(percentage = ...) – berechnet den prozentualen Anteil jeder Gattung innerhalb des Bezirks

Gestapeltes Balkendiagramm erstellen#

Mit den aggregierten Daten erstellt Amir nun das gestapelte Balkendiagramm, das die Baumverteilung nach Bezirken visualisiert.

Erklärung des Codes

Gestapeltes Balkendiagramm:

factor(df_agg$gattung_grouped, levels = ...) – definiert die Reihenfolge der Gattungen (Top-Gattungen zuerst, dann “Sonstige”)
reorder(bezirk, count, sum) – sortiert Bezirke nach Gesamtanzahl der Bäume
geom_bar(stat = "identity", position = "stack") – erstellt gestapelte Balken
fill = gattung_grouped – färbt die Segmente nach Gattungsgruppe
scale_fill_brewer(palette = "Set3") – verwendet eine farblich abgestimmte Palette

Was zeigt der Plot?

Welche Gattungen in welchem Bezirk dominieren
Wie groß der Anteil der “Sonstigen” ist
Wie sich Bezirke in ihrer Baumstruktur unterscheiden

Kreisdiagramm: Gattungsverteilung#

Das Kreisdiagramm soll die prozentuale Zusammensetzung der Baumgattungen zeigen – entweder für ganz Berlin oder für einen ausgewählten Bezirk. Diese Darstellung macht auf einen Blick deutlich, welche Gattungen dominieren.

Erklärung des Codes

Bezirksfilter:

Wenn ein bestimmter Bezirk ausgewählt wurde, werden nur dessen Bäume betrachtet
Ansonsten zeigt das Diagramm die Verteilung für ganz Berlin

Datenaufbereitung:

count(gattung_deutsch, sort = TRUE) – zählt jede Gattung
row_number() <= 10 – markiert die Top-10-Gattungen, alle anderen werden zu “Sonstige”
group_by(gattung_grouped) – fasst gleiche Gruppen zusammen
mutate(percentage = ...) – berechnet prozentuale Anteile

Kreisdiagramm erstellen:

coord_polar("y", start = 0) – wandelt ein Balkendiagramm in ein Kreisdiagramm um
geom_text(...) – fügt Prozentangaben hinzu (nur bei Segmenten > 3%)
theme_void() – entfernt Achsen und Gitter für eine klare Darstellung

Das Kreisdiagramm zeigt intuitiv, welche Gattungen den Baumbestand dominieren – ideal für schnelle Vergleiche zwischen Bezirken.

Baumdichte pro Fläche berechnen#

Um Bezirke fair vergleichen zu können, berechnet Amir die Baumdichte – also wie viele Bäume pro Quadratkilometer stehen. Ein großer Bezirk kann viele Bäume haben, aber trotzdem eine niedrige Dichte aufweisen.

Erklärung des Codes

Flächendaten hinzufügen:

Eine kleine Lookup-Tabelle (bezirk_flaeche) enthält die Fläche jedes Bezirks in km²
left_join(bezirk_flaeche, by = "bezirk") – verknüpft diese Flächenangaben mit den Baumdaten

Dichte berechnen:

group_by(bezirk) – gruppiert nach Bezirk
summarise(total_trees = n_distinct(gml_id)) – zählt eindeutige Bäume pro Bezirk
mutate(density = total_trees / flaeche_km2) – berechnet Bäume pro km²
arrange(desc(density)) – sortiert absteigend nach Dichte

Balkendiagramm:

reorder(bezirk, -density) – sortiert Bezirke nach Dichte
Das Diagramm zeigt, welche Bezirke besonders dicht bepflanzt sind (z. B. urbane Zentren) und welche eher locker (z. B. Randbezirke mit viel Grünfläche)

Diese Normalisierung ermöglicht faire Vergleiche: Ein kleiner, urbaner Bezirk kann trotz weniger Bäume eine höhere Dichte haben als ein großer, ländlicher Bezirk.

Top 10 gegossene Baumgattungen#

Diese Visualisierung zeigt, welche Baumgattungen am häufigsten gegossen wurden. Das hilft zu verstehen, ob bestimmte Gattungen mehr Aufmerksamkeit erhalten – möglicherweise weil sie häufiger vorkommen oder als besonders pflegebedürftig wahrgenommen werden.

Erklärung des Codes

Nur gegossene Bäume berücksichtigen:

filter(!is.na(bewaesserungsmenge_in_liter)) – behalte nur Bäume, die tatsächlich bewässert wurden
Optional: Filterung nach Bezirk, falls ausgewählt

Top-10-Gattungen ermitteln:

group_by(gattung_deutsch) – gruppiert nach Gattung
summarise(count = n(), total_water = sum(...)) – berechnet zwei Kennzahlen:
- count – wie viele Bäume dieser Gattung gegossen wurden
- total_water – wie viel Wasser insgesamt auf diese Gattung gegossen wurde
arrange(desc(count)) – sortiert absteigend nach Häufigkeit
head(10) – wählt die Top 10 aus

Horizontales Balkendiagramm:

coord_flip() – dreht das Diagramm um 90°, sodass Gattungsnamen gut lesbar sind
reorder(gattung_deutsch, count) – sortiert Gattungen nach Anzahl gegossener Bäume

Diese Visualisierung macht sichtbar, welche Gattungen die meiste Aufmerksamkeit erhalten – allerdings korreliert dies stark mit der Verbreitung der jeweiligen Gattung im Stadtbild.

Kritische Diskussion#

Die Analyse zeigt deutlich, dass der Berliner Baumbestand stark von wenigen Gattungen dominiert wird. Linden machen berlinweit rund 55,6 % aller Straßenbäume aus, was bedeutet, dass viele Muster der Verteilung zwangsläufig von dieser einen Gattung geprägt werden. Die Betrachtung der Gattungen ist daher zwar interessant, besitzt jedoch nur begrenzte Aussagekraft, da sie strukturelle Eigenheiten der Berliner Bepflanzung widerspiegelt und weniger das Verhalten der Bürgerinnen und Bürger.

Beim Vergleich der Bezirke treten klare Unterschiede in der räumlichen Verteilung zutage. Friedrichshain-Kreuzberg und Mitte weisen die höchsten Baumdichten pro km² auf, was typisch für kompakte, urbane Bezirke mit vielen Straßenbäumen ist. Gleichzeitig besitzen Mitte, Pankow und Charlottenburg-Wilmersdorf die größten absoluten Baumzahlen, was vor allem auf großflächige Areale mit Mischbeständen und Gehölzflächen zurückzuführen ist.

Setzt man diese Befunde in Bezug zu den Engagement-Daten, deutet sich ein Muster an: Bezirke mit hoher Baumdichte zeigen tendenziell auch mehr Bürgerengagement. Dies ist plausibel, da in dichter bebauten Gebieten mehr Menschen auf engem Raum auf Bäume treffen und häufiger die Möglichkeit haben, einzelne Straßenbäume zu gießen.

Die Baumgattungen selbst liefern hingegen keinen starken Erklärungswert für das Engagement. Es zeigt sich zwar, welche Gattungen besonders häufig gegossen werden, doch dies korreliert in erster Linie damit, wie verbreitet die jeweilige Gattung im Stadtbild ist. Dass Linden oft gegossen werden, liegt also vor allem daran, dass sie fast überall stehen – nicht daran, dass sie besonders pflegebedürftig oder beliebter wären.

Kernbotschaft Die Verteilung des Engagements folgt eher der Dichte und Sichtbarkeit von Bäumen in den Bezirken als der Art der Bäume. Baumgattungen erklären wenig – räumliche Faktoren jedoch deuten auf einiges hin.

Gesamter Code für diesen Schritt

# UI-Definition
ui <- dashboardPage(
  dashboardHeader(title = "Gieß den Kiez Dashboard"),
  dashboardSidebar(
    sidebarMenu(
      menuItem("Startseite", tabName = "start", icon = icon("home")),
      menuItem("Karte", tabName = "map", icon = icon("map")),
      menuItem("Zeitverlauf", tabName = "stats", icon = icon("bar-chart")),
      # NEU: Navigation für die Baumstatistik
      menuItem("Baumstatistik", tabName = "engagement", icon = icon("hands-helping"))
    )
  ),
  dashboardBody(
    tabItems(
      # ... tabItem für "start", "map" & "stats" ...
      
      # NEU: Inhaltsbereich für die Baumstatistik
      tabItem(
        tabName = "engagement",
        fluidRow(
          box(
            title = tagList(
              "Baumverteilung nach Bezirken (mit Baumgattungen)",
              div(
                actionButton("info_btn_bvnb", label = "", icon = icon("info-circle")),
                style = "position: absolute; right: 15px; top: 5px;"
              )
            ),
            status = "primary",
            solidHeader = TRUE,
            width = 12,
            sliderInput(
              "top_n_species",
              "Top N Baumgattungen anzeigen:",
              min = 3,
              max = 15,
              value = 8,
              step = 1
            ),
            plotOutput("tree_distribution_stacked", height = "500px")
          )
        ),
        fluidRow(
          box(
            title = tagList(
              "Verteilung der Baumgattungen",
              div(
                actionButton("info_btn_vdb", label = "", icon = icon("info-circle")),
                style = "position: absolute; right: 15px; top: 5px;"
              )
            ),
            status = "primary",
            solidHeader = TRUE,
            width = 12,
            selectInput(
              "pie_bezirk",
              "Bezirk auswählen:",
              choices = c("Alle", sort(unique(df_merged$bezirk))),
              selected = "Alle"
            ),
            plotOutput("tree_species_pie", height = "500px")
          ),         
          box(
            title = tagList(
              "Baumdichte pro km²",
              div(
                actionButton("info_btn_bdpf", label = "", icon = icon("info-circle")),
                style = "position: absolute; right: 15px; top: 5px;"
              )
            ),
            status = "primary",
            solidHeader = TRUE,
            width = 12,
            plotOutput("tree_density_area", height = "500px")
          )
        ),       
        fluidRow(
          box(
            title = tagList(
              "Top 10 gegossene Baumgattungen",
              div(
                actionButton("info_btn_hgb", label = "", icon = icon("info-circle")),
                style = "position: absolute; right: 15px; top: 5px;"
              )
            ),
            status = "primary",
            solidHeader = TRUE,
            width = 12,
            selectInput(
              "engagement_bezirk",
              "Bezirk auswählen:",
              choices = c("Alle", sort(unique(df_merged$bezirk))),
              selected = "Alle"
            ),
            plotOutput("top_watered_species", height = "500px")
          )
        )
      )
    )
  )
)

# Server-Logik
server <- function(input, output, session) {
  
  # ... Code aus der Startseite, Karte und Zeitverlauf ...
  
  # 1. Stacked Bar Chart - Baumverteilung mit Gattungen
  output$tree_distribution_stacked <- renderPlot({
    top_genera <- df_merged %>%
      filter(!is.na(gattung_deutsch)) %>%   
      count(gattung_deutsch, sort = TRUE) %>%
      head(input$top_n_species) %>%
      pull(gattung_deutsch)
      
    df_agg <- df_merged %>%
      filter(!is.na(bezirk)) %>%  
      mutate(gattung_grouped = ifelse(gattung_deutsch %in% top_genera, gattung_deutsch, "Sonstige")) %>%
      group_by(bezirk, gattung_grouped) %>%
      summarise(count = n(), .groups = "drop") %>%
      group_by(bezirk) %>%
      mutate(percentage = count / sum(count) * 100) %>%
      ungroup()
      
    df_agg$gattung_grouped <- factor(df_agg$gattung_grouped, 
                                     levels = c(top_genera, "Sonstige"))
    
    ggplot(df_agg, aes(x = reorder(bezirk, count, sum), y = count, fill = gattung_grouped)) +
      geom_bar(stat = "identity", position = "stack", color = "white", size = 0.3) +
      labs(
        title = NULL,
        x = "Bezirk",
        y = "Anzahl Bäume",
        fill = "Baumgattung"
      ) +
      theme_light() +
      theme(
        axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
        legend.position = "right",
        panel.grid.major.x = element_blank()
      ) +
      scale_fill_brewer(palette = "Set3")
  })

  observeEvent(input$info_btn_bvnb, {
    showModal(modalDialog(
      title = "Information: Baumverteilung nach Bezirken",
      HTML("
      <p>Diese Grafik zeigt die <strong>Gesamtanzahl und Zusammensetzung der Bäume</strong> in jedem Berliner Bezirk nach Gattung.</p>
      <ul>
        <li>Jeder Balken zeigt die Gesamtzahl der Bäume im Bezirk</li>
        <li>Nutzen Sie den Slider, um mehr oder weniger Gattungen anzuzeigen</li>
      </ul>
    "),
      easyClose = TRUE,
      footer = modalButton("Schließen")
    ))
  })

  # 2. Pie Chart - Gattungsverteilung
  output$tree_species_pie <- renderPlot({
    filtered_data <- df_merged
    if (input$pie_bezirk != "Alle") {
      filtered_data <- filtered_data %>%
        filter(bezirk == input$pie_bezirk)
    }
    
    df_agg <- filtered_data %>%
      filter(!is.na(gattung_deutsch)) %>%  
      count(gattung_deutsch, sort = TRUE) %>%
      mutate(
        gattung_grouped = ifelse(row_number() <= 10, gattung_deutsch, "Sonstige")
      ) %>%
      group_by(gattung_grouped) %>%
      summarise(count = sum(n), .groups = "drop") %>%
      arrange(desc(count)) %>%
      mutate(
        percentage = count / sum(count) * 100,
        label = paste0(gattung_grouped, "\n", round(percentage, 1), "%")
      )
    
    ggplot(df_agg, aes(x = "", y = count, fill = gattung_grouped)) +
      geom_bar(stat = "identity", width = 1, color = "white", size = 0.5) +
      coord_polar("y", start = 0) +
      labs(
        title = NULL,
        fill = "Baumgattung"
      ) +
      theme_void() +
      theme(
        legend.position = "right",
        legend.text = element_text(size = 9)
      ) +
      scale_fill_brewer(palette = "Set3") +
      geom_text(aes(label = ifelse(percentage > 3, paste0(round(percentage, 1), "%"), "")),
                position = position_stack(vjust = 0.5),
                color = "black")
  })

  observeEvent(input$info_btn_vdb, {
    showModal(modalDialog(
      title = "Information: Verteilung der Baumgattungen",
      HTML("
      <p>Diese Grafik zeigt die <strong>prozentuale Verteilung der Baumgattungen</strong>.</p>
      <ul>
        <li>Zeigt die Top 10 häufigsten Baumgattungen (z.B. LINDE, AHORN, EICHE)</li>
        <li>Hilft zu verstehen, welche Gattungen in Berlin dominieren</li>
      </ul>
    "),
      easyClose = TRUE,
      footer = modalButton("Schließen")
    ))
  })

  # 3. Baumdichte pro Bezirksfläche
  output$tree_density_area <- renderPlot({
    bezirk_flaeche <- data.frame(
      bezirk = c("Charlottenburg-Wilmersdorf", "Friedrichshain-Kreuzberg", "Lichtenberg",
                 "Marzahn-Hellersdorf", "Mitte", "Neukölln", "Pankow",
                 "Reinickendorf", "Spandau", "Steglitz-Zehlendorf",
                 "Tempelhof-Schöneberg", "Treptow-Köpenick"),
      flaeche_km2 = c(64.72, 20.16, 52.29, 61.74, 39.47, 44.93, 103.07,
                      89.46, 91.91, 102.50, 53.09, 168.42)
    )
    
    df_agg <- df_merged %>%
      filter(!is.na(bezirk)) %>%  
      group_by(bezirk) %>%
      summarise(total_trees = n_distinct(gml_id)) %>%
      ungroup() %>%
      left_join(bezirk_flaeche, by = "bezirk") %>%
      mutate(density = total_trees / flaeche_km2) %>%
      arrange(desc(density))
    
    ggplot(df_agg, aes(x = reorder(bezirk, -density), y = density, fill = bezirk)) +
      geom_bar(stat = "identity", color = "white", alpha = 0.7) +
      labs(
        title = NULL,
        x = "Bezirk",
        y = "Bäume pro km²"
      ) +
      theme_light() +
      theme(
        legend.position = "none",
        axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
        panel.grid.major.x = element_blank()
      ) +
      scale_fill_discrete()
  })
  
  # Info button
  observeEvent(input$info_btn_bdpf, {
    showModal(modalDialog(
      title = "Information: Baumdichte pro km²",
      HTML("
      <p>Diese Grafik zeigt die <strong>Baumdichte</strong> in jedem Bezirk normalisiert auf die Fläche.</p>
      <ul>
        <li>Berechnung: Anzahl Bäume / Bezirksfläche in km²</li>
        <li>Ermöglicht fairen Vergleich zwischen großen und kleinen Bezirken</li>
        <li>Hohe Dichte = urbaner, mehr Straßenbäume</li>
        <li>Niedrige Dichte = ländlicher, mehr Wald/Parkflächen</li>
      </ul>
    "),
      easyClose = TRUE,
      footer = modalButton("Schließen")
    ))
  })

  # 4. Top 10 gegossene Baumgattungen
  output$top_watered_species <- renderPlot({
    filtered_data <- df_merged %>%
      filter(!is.na(bewaesserungsmenge_in_liter)) 
    
    if (input$engagement_bezirk != "Alle") {
      filtered_data <- filtered_data %>%
        filter(bezirk == input$engagement_bezirk)
    }
    
    df_agg <- filtered_data %>%
      filter(!is.na(gattung_deutsch)) %>%   
      group_by(gattung_deutsch) %>%
      summarise(
        count = n(),
        total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)
      ) %>%
      ungroup() %>%
      arrange(desc(count)) %>%
      head(10)
    
    ggplot(df_agg, aes(x = reorder(gattung_deutsch, count), y = count, fill = gattung_deutsch)) +
      geom_bar(stat = "identity", color = "white", alpha = 0.7) +
      coord_flip() +
      labs(
        title = NULL,
        x = "Baumgattung",
        y = "Anzahl gegossener Bäume"
      ) +
      theme_light() +
      theme(
        legend.position = "none",
        panel.grid.major.y = element_blank()
      ) +
      scale_fill_discrete()
  })

  observeEvent(input$info_btn_hgb, {
    showModal(modalDialog(
      title = "Information: Top 10 gegossene Baumgattungen",
      HTML("
      <p>Diese Grafik zeigt die <strong>am häufigsten gegossenen Baumgattungen</strong>.</p>
      <ul>
        <li>Nur Bäume, die tatsächlich bewässert wurden</li>
        <li>Zeigt, welche Gattungen am meisten Unterstützung erhalten</li>
        <li>Kann auf einzelne Bezirke gefiltert werden</li>
        <li>Hilft zu verstehen, welche Gattungen besondere Aufmerksamkeit bekommen</li>
      </ul>
    "),
      easyClose = TRUE,
      footer = modalButton("Schließen")
    ))
  })
}

shinyApp(ui = ui, server = server)

Überleitung zum nächsten Analyse-Schritt#

Da wir nun gesehen haben, dass die Baumdichte und räumliche Gegebenheiten relevanter für das Engagement sein könnten als rein baumbiologische Aspekte (wie die Gattung), sollten wir uns im nächsten Schritt noch konkreter ansehen, welche Rolle urbane Infrastruktur spielt. Eine naheliegende Hypothese: Bäume, die näher an Wasserpumpen stehen, werden häufiger gegossen. Darum dreht sich das nächste Kapitel.

Eine Baumstatistik einfügen

Contents

5.5. Eine Baumstatistik einfügen#

5.5.1. Benutzeroberfläche (UI)#

Inhaltsbereich: Diagramme und Filter#

5.5.2. Server#

Gestapeltes Balkendiagramm: Baumverteilung nach Bezirken#

Daten aggregieren und gruppieren#

Gestapeltes Balkendiagramm erstellen#

Kreisdiagramm: Gattungsverteilung#

Baumdichte pro Fläche berechnen#

Top 10 gegossene Baumgattungen#

Kritische Diskussion#

Überleitung zum nächsten Analyse-Schritt#