4.5. Einfügen Bewässerungsanalyse

4.5.1. Die Benutzeroberfläche

In der ui definieren wir eine neue Tab-Seite namens “stats” mit zwei Diagrammfeldern:

tabItem(tabName = "analysis", 
        fluidRow(
          box(title = tagList("Bewässerung pro Bezirk (2020-2024)", div(actionButton("info_btn_hbpb", label = "", icon = icon("info-circle")), style = "position: absolute; right: 15px; top: 5px;")), 
              status = "primary", solidHeader = TRUE, width = 12,
              radioButtons("water_mode", "Anzeige wählen:", 
                           choices = c("Durchschnittliche Bewässerung" = "avg", 
                                       "Verhältnis Bewässerung / Anzahl Bäume" = "ratio"),
                           selected = "avg", inline = TRUE),
              conditionalPanel(
                condition = "input.water_mode == 'avg'",
                plotOutput("hist_bewaesserung_pro_bezirk")
              ),
              conditionalPanel(
                condition = "input.water_mode == 'ratio'",
                plotlyOutput("hist_bewaesserung_verhaeltnis")
              )
          )
        )
)

Erklärung der Elemente:

• tabItem: Dieser Abschnitt definiert einen einzelnen Tab (Reiter) in der Benutzeroberfläche der Anwendung. In diesem Fall geht es um die Bewässerung in den Jahren 2020 bis 2024.

• fluidRow: Eine Methode, die verwendet wird, um Elemente in einer flexiblen Zeilenstruktur anzuordnen.

• box: Eine Box, die Inhalte wie Diagramme und Steuerelemente umfasst. Hier wird der Titel der Box gesetzt (“Bewässerung pro Bezirk”), und es wird ein Info-Button hinzugefügt, der eine Erklärung zur Anzeige gibt.

• actionButton: Ein interaktives Element, das einen Button erzeugt. Der Button hat die ID "info_btn_hbpb" und wird später verwendet, um eine Erklärung zur Grafik anzuzeigen.

• radioButtons: Ein Auswahlfeld, das dem Benutzer erlaubt, zwischen der Anzeige der “durchschnittlichen Bewässerung” und dem “Verhältnis Bewässerung / Anzahl Bäume” zu wählen.

• conditionalPanel: Ein bedingtes Panel, das je nach Auswahl des Benutzers angezeigt wird. Wenn der Benutzer “Durchschnittliche Bewässerung” wählt, wird das Diagramm hist_bewaesserung_pro_bezirk angezeigt, und wenn “Verhältnis Bewässerung / Anzahl Bäume” gewählt wird, wird hist_bewaesserung_verhaeltnis angezeigt.

4.5.2. Berechnung der Bewässerung

Der erste Teil des Codes, der die durchschnittliche Bewässerung pro Bezirk darstellt, berechnet, wie viel Wasser insgesamt in jedem Bezirk verbraucht wurde.

output$hist_bewaesserung_pro_bezirk <- renderPlot({
  df_agg <- df_clean %>%
    group_by(bezirk) %>%
    summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
    ungroup()  
  
  df_agg <- df_agg %>%
    mutate(
      converted = purrr::map(total_water, convert_units),  # Umrechnung der Einheit
      value = sapply(converted, `[[`, "value"),  # Extrahiert den numerischen Wert
      unit = sapply(converted, `[[`, "unit")  # Extrahiert die Einheit
    )
  
  ggplot(df_agg, aes(x = bezirk, y = value, fill = bezirk)) +
    geom_bar(stat = "identity", color = "white", alpha = 0.7) +
    labs(
      title = "Bewässerung pro Bezirk",
      x = "Bezirke in Berlin",
      y = paste("Gesamte Bewässerungsmenge (", unique(df_agg$unit), ")", sep = "")
    ) +
    theme_light() +
    theme(legend.position = "bottom", axis.text.x = element_text(angle = 55, hjust = 1)) +
    scale_fill_discrete(name = "Bezirk")
})

Erklärung der Elemente:

• df_clean: Hier handelt es sich um einen bereinigten Datensatz, der alle relevanten Daten zu Bewässerung und Bezirken enthält.

• group_by(bezirk): Diese Funktion gruppiert die Daten nach den verschiedenen Bezirken. Dies ermöglicht es, für jeden Bezirk die Gesamtbewässerungsmenge zu berechnen.

• summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)): Diese Zeile summiert die Bewässerungsmengen pro Bezirk und erstellt eine neue Variable total_water.

• mutate(): Hier wird die Funktion purrr::map() verwendet, um jede Bewässerungsmenge in die passende Einheit umzuwandeln (z.B. von Litern in Milliliter oder Kubikmeter).

• ggplot: Erzeugt ein Balkendiagramm, das die gesammelten Daten visualisiert. Es zeigt die Gesamtbewässerungsmenge pro Bezirk an.

4.5.3. Interaktive Auswahl und Trenddiagramme

Ein weiterer Abschnitt des Codes ermöglicht es den Benutzern, einen Zeitraum oder bestimmte Bezirke auszuwählen, um Trends in der Bewässerung zu sehen.

output$trend_water <- renderPlotly({
  plot <- df_clean %>%
    filter(input$trend_bezirk_pj == "Alle" | bezirk %in% input$trend_bezirk_pj) %>%
    filter(pflanzjahr >= input$trend_year[1] & pflanzjahr <= input$trend_year[2]) %>%
    group_by(pflanzjahr) %>%
    summarize(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
    ggplot(aes(x = pflanzjahr, y = total_water)) +
    geom_line(color = "blue") +
    geom_point(aes(text = paste("Summe:", total_water, "l")), size = 0.2, color = "blue") + 
    theme_minimal() +
    labs(title = "Trend der Bewässerung je nach Pflanzjahr", x = "Pflanzjahr", y = "Gesamtbewässerung (Liter)")
  
  ggplotly(plot, tooltip = "text") # Aktiviert den Hover-Effekt für "text"
})

Erklärung:

• filter(): Wählt nur Daten aus, die dem Benutzerfilter entsprechen. Hier kann der Benutzer zum Beispiel nach Bezirken oder nach bestimmten Jahren filtern.

• group_by(pflanzjahr): Gruppiert die Daten nach Pflanzjahr (Jahr der Baumsetzung), um die Gesamtbewässerung pro Jahr zu berechnen.

• ggplot: Stellt die Daten als Liniendiagramm dar, das den Trend der Bewässerung über die Jahre hinweg zeigt. Der Tooltip zeigt zusätzliche Informationen an, wenn der Benutzer über die Datenpunkte fährt.

Hier der gesamte Code zur Kontrolle

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("Baumstatistik", tabName = "stats", icon = icon("bar-chart")),
        menuItem("Bewässerungsanalyse", tabName = "analysis", icon = icon("chart-area"))
        )
  ),
  dashboardBody(
    tabItems(
        tabItem(tabName = "start",
                fluidRow(
                  valueBoxOutput("total_trees"),
                  valueBoxOutput("total_water"),
                  valueBoxOutput("avg_water")  
                ),
                fluidRow(
                    box(title = "Filter", status = "primary", solidHeader = TRUE, width = 12,
                    selectInput("bezirk", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE))
                )

        )
    ),
    tabItem(tabName = "map",
              fluidRow(
                box(title = "Filter", status = "primary", solidHeader = TRUE, width = 4,
                    selectInput("map_bezirk", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE),
                    
                    selectInput("map_year", "Jahr auswählen:", choices = c("2020-2024",unique(year(df_clean$timestamp))), selected = "2020-2024", multiple = TRUE),
                    
                    selectInput("map_saison", "Saison auswählen:", choices = c("Alle", "Winter", "Frühling", "Sommer", "Herbst"), selected = "Alle", multiple = TRUE),
                    
                    selectInput("map_baumgattung", "Baumgattung auswählen:", choices = c("Alle", unique(df$gattung_deutsch)), selected = "Alle", multiple = TRUE)
                )
              ),
              leafletOutput("map", height = "800px")
      ),

      tabItem(tabName = "stats",
              fluidRow(
                box(title = tagList("Baumverteilung der gegossenen Bäume nach Bezirk", 
                                   div(actionButton("info_btn", label = "", icon = icon("info-circle")),  # Info-Button 
                                       style = "position: absolute; right: 15px; top: 5px;")),
                  status = "primary", solidHeader = TRUE, width = 12,
                    plotlyOutput("tree_distribution")
                ),
                box(title = tagList("Häufigste gegossene Baumarten", 
                                    div(actionButton("info_btn_hb", label = "", icon = icon("info-circle")),  # Info-Button 
                                        style = "position: absolute; right: 15px; top: 5px;")),
                    status = "primary", solidHeader = TRUE, width = 12, height = "auto", 
                    selectInput("pie_bezirk", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE),
                    plotlyOutput("tree_pie_chart"),
                    fill = TRUE
                )
              )
      ),

            tabItem(tabName = "analysis",
              fluidRow(
                box(title = tagList("Bewässerung pro Bezirk (2020-2024)", 
                                    div(actionButton("info_btn_hbpb", label = "", icon = icon("info-circle")),  # Info-Button
                                        style = "position: absolute; right: 15px; top: 5px;")),
                    status = "primary", solidHeader = TRUE, width = 12,
                    radioButtons("water_mode", "Anzeige wählen:", 
                                 choices = c("Durchschnittliche Bewässerung" = "avg", 
                                             "Verhältnis Bewässerung / Anzahl Bäume" = "ratio"),
                                 selected = "avg", inline = TRUE),
                    
                    conditionalPanel(
                      condition = "input.water_mode == 'avg'",
                      plotOutput("hist_bewaesserung_pro_bezirk")
                    ),
                    
                    conditionalPanel(
                      condition = "input.water_mode == 'ratio'",
                      plotlyOutput("hist_bewaesserung_verhaeltnis")
                    )
                ),
                # box(title = "Verhältnis von Bäumen zu durchschnittlicher Bewässerung pro Bezirk", status = "primary", solidHeader = TRUE, width = 6,
                #     plotOutput("bar_water_vh")
                # )
              ),
              fluidRow(
                box(title = tagList("Trend der Bewässerung je Pflanzjahr", 
                                    div(actionButton("info_btn_tdbjp", label = "", icon = icon("info-circle")),  # Info-Button
                                        style = "position: absolute; right: 15px; top: 5px;")),
                    status = "primary", solidHeader = TRUE, width = 12,
                    sliderInput("trend_year", "Jahre filtern:", 
                                min = 1900, 
                                max = max(df$pflanzjahr, na.rm = TRUE), 
                                value = c(min(df$pflanzjahr, na.rm = TRUE), max(df$pflanzjahr, na.rm = TRUE)), 
                                step = 1),
                    
                    selectInput("trend_bezirk_pj", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE),
                    
                    plotlyOutput("trend_water")
                )
              ), 
              fluidRow(
                box(title = tagList("Trend der Bewässerung", 
                                    div(actionButton("info_btn_tdb", label = "", icon = icon("info-circle")),  # Info-Button
                                        style = "position: absolute; right: 15px; top: 5px;")),
                  status = "primary", solidHeader = TRUE, width = 12, 
                    radioButtons("trend_mode", "Anzeige wählen:", 
                                 choices = c("Monatsweise (pro Jahr)" = "month", "Jahresweise (2020-2024)" = "year"),
                                 selected = "month", inline = TRUE),
                    
                    conditionalPanel(
                      condition = "input.trend_mode == 'month'",
                      selectInput("trend_year_ts", "Jahr auswählen:", 
                                  choices = unique(year(df_clean$timestamp)), 
                                  selected = max(year(df_clean$timestamp)))
                    ),
                    selectInput("trend_bezirk", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE),
                    
                    selectInput("trend_baumgattung", "Baumgattung auswählen:", choices = c("Alle", unique(df$gattung_deutsch)), selected = "Alle", multiple = TRUE),
                    
                    plotlyOutput("trend_water_ts")
                )
              ),
              fluidRow(
                box(title = "Ranking",status = "primary", solidHeader = TRUE, width = 12,
                    selectInput("bar_bezirk", "Bezirk auswählen:", choices = c("Alle", unique(df$bezirk)), selected = "Alle", multiple = TRUE),
          
                    box(title = tagList("Top 10 Straßen mit höchster Bewässerung (2020-2024)", 
                                        div(actionButton("info_btn_top", label = "", icon = icon("info-circle")),  # Info-Button 
                                            style = "position: absolute; right: 15px; top: 5px;")),
                        status = "primary", solidHeader = TRUE, width = 6,
                        radioButtons("water_mode_Top", "Anzeige wählen:", 
                                     choices = c("Durchschnittliche Bewässerung" = "avg", 
                                                 "Verhältnis Bewässerung / Anzahl Bäume" = "ratio"),
                                     selected = "avg", inline = TRUE),
                        
                        conditionalPanel(
                          condition = "input.water_mode_Top == 'avg'",
                          plotOutput("hist_Top_10_best")
                        ),
                        
                        conditionalPanel(
                          condition = "input.water_mode_Top == 'ratio'",
                          plotOutput("hist_Top_10_best_verhaeltnis_baum")
                        )
                    ),
                    box(title = tagList("Bottom 10 Straßen mit geringster Bewässerung (2020-2024)", 
                                        div(actionButton("info_btn_bottom", label = "", icon = icon("info-circle")),  # Info-Button 
                                            style = "position: absolute; right: 15px; top: 5px;")),
                        
                        status = "primary", solidHeader = TRUE, width = 6,
                        radioButtons("water_mode_Bottom", "Anzeige wählen:", 
                                     choices = c("Durchschnittliche Bewässerung" = "avg", 
                                                 "Verhältnis Bewässerung / Anzahl Bäume" = "ratio"),
                                     selected = "avg", inline = TRUE),
                        conditionalPanel(
                          condition = "input.water_mode_Bottom == 'avg'",
                          plotOutput("hist_Top_10_worst")   
                        ),
                        
                        conditionalPanel(
                          condition = "input.water_mode_Bottom == 'ratio'",
                          plotOutput("hist_Top_10_worst_verhaeltnis_baum")
                        )
                    )
                )
              )
      )
  )

# Server-Logik
server <- function(input, output, session) {

    convert_units <- function(liters) {
        if (liters >= 1e6) {
        return(list(value = round(liters / 1e6, 2), unit = "ML"))
        } else if (liters >= 1e3) {
        return(list(value = round(liters / 1e3, 2), unit = "m³"))
        } else {
        return(list(value = round(liters, 2), unit = "L"))
        }
    }
  
  # Funktion zum Umrechnen von Vektoren
  convert_unit_vector <- function(liters_vector) {
    sapply(liters_vector, function(liters) {
      conversion_result <- convert_units(liters)
      return(list(value = conversion_result$value, unit = conversion_result$unit))
    })
  }
  
  full_unit <- function(unit) {
    if(length(unit) == 1) { 
      switch(unit,
             "ML" = "Mega Liter", 
             "L" = "Liter", 
             "m³" = "Kubikmeter",  
             "kL" = "Kilo Liter",
             unit)  # Default 
    } else {
      return("Unknown unit")  
    }
  }
  
  filteredData <- reactive({
    df_clean %>%
      filter(
        (input$bezirk == "Alle" | bezirk %in% input$bezirk)
      )
  })

   output$total_trees <- renderValueBox({
    valueBox(
      formatC(nrow(filteredData()), big.mark="."),
      "Gesamtzahl der gegossenen Bäume",
      icon = icon("tree"),
      color = "green"
    )
  })


    output$total_water <- renderValueBox({
        # Umrechnung des Werts und Ermittlung der Einheit
        conversion_result <- convert_units(sum(filteredData()$bewaesserungsmenge_in_liter, na.rm = TRUE))
        
        # Der umgerechnete Wert und die Einheit
        converted_value <- conversion_result$value
        unit <- conversion_result$unit
        
        valueBox(
            paste(format(converted_value, big.mark = "."), unit),
            paste("Gesamtbewässerung (", full_unit(unit), ")", sep=""), 
            icon = icon("tint"),
            color = "blue"
        )
    }) 

    output$avg_water <- renderValueBox({
        valueBox(
            formatC(mean(filteredData()$bewaesserungsmenge_in_liter, na.rm = TRUE), digits = 2, big.mark="."),
            "Durchschnittliche Bewässerung pro gegossenen Baum (Liter)",
            icon = icon("chart-line"),
            color = "aqua"
        )
    })





    # Karte 
    # Bewässerungsfrequenz berechnen
    bewässerungs_frequenz <- df_clean %>%
        group_by(id) %>%
        filter(n() > 1) %>% # Nur Bäume mit mehreren Bewässerungen behalten
        arrange(id, timestamp) %>%
        mutate(differenz = as.numeric(difftime(timestamp, lag(timestamp), units = "days"))) %>%
        summarise(durchschnitts_intervall = mean(differenz, na.rm = TRUE)) %>%
        ungroup()
    
    # Die berechneten Daten mit den ursprünglichen Baumdaten zusammenführen
    df_clean <- df_clean %>%
        left_join(bewässerungs_frequenz, by = "id")
    
    # Falls ein Baum nur einmal bewässert wurde, setzen wir das Intervall auf NA oder einen hohen Wert
    df_clean$durchschnitts_intervall[is.na(df_clean$durchschnitts_intervall)] <- Inf


    mapFilteredData <- reactive({
    
    # Standardmäßig Jahre 2020-2024 setzen
    selected_years <- if (is.null(input$map_year) || input$map_year == "2020-2024") {
      2020:2024  
    } else {
      input$map_year
    }
    
    # Jahreszeiten basierend auf Monaten bestimmen
    df_clean %>%
      mutate(timestamp = ymd_hms(timestamp),
             year = year(timestamp),
             month = month(timestamp),
             saison = case_when(
               month %in% c(12, 1, 2) ~ "Winter",
               month %in% c(3, 4, 5)  ~ "Frühling",
               month %in% c(6, 7, 8)  ~ "Sommer",
               month %in% c(9, 10, 11) ~ "Herbst"
             )) %>%
      filter(
        (input$map_bezirk == "Alle" | bezirk %in% input$map_bezirk) &
          (year %in% selected_years) &
          (input$map_saison == "Alle" | saison %in% input$map_saison) &
          (input$map_baumgattung == "Alle" | gattung_deutsch %in% input$map_baumgattung)
      ) %>%
      group_by(id, lat, lng, gattung_deutsch, pflanzjahr) %>% 
      summarise(
        bewaesserungsmenge_in_liter = sum(bewaesserungsmenge_in_liter, na.rm = TRUE),
        durchschnitts_intervall = mean(durchschnitts_intervall, na.rm = TRUE)
      ) %>%
      ungroup()
  })

  # Interaktive Karte (openStreetMap) mit Leaflet rendern
  output$map <- renderLeaflet({
    leaflet(mapFilteredData()) %>%
      addTiles() %>% # OpenStreetMap-Hintergrundkarte hinzufügen
      addCircleMarkers(
        ~lng, ~lat, 
        color = ~color_palette(pmin(ifelse(is.na(bewaesserungsmenge_in_liter), 0, bewaesserungsmenge_in_liter), 600)),
        popup = ~paste("Baumart:", gattung_deutsch, 
                       "<br>Pflanzjahr:", pflanzjahr, 
                       "<br>Bewässerung:", bewaesserungsmenge_in_liter, "Liter",
                       "<br>Ø Bewässerungsintervall:", 
                       ifelse(is.infinite(durchschnitts_intervall), "Keine Daten", 
                              paste(round(durchschnitts_intervall, 1), "Tage"))
        )
      ) %>%
      addLegend(
        position = "bottomright",
        pal = color_palette,
        values = c(0, 600),
        title = "Bewässerungsmenge (Liter)",
        opacity = 1
      )
  })



  # Baumstatistik

  output$tree_distribution <- renderPlotly({
    plot <- df_clean %>%
      group_by(bezirk) %>%
      summarise(tree_count = n_distinct(id)) %>% 
      ggplot(aes(x = reorder(bezirk, tree_count), y = tree_count, fill = bezirk)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(title = "Baumverteilung nach Bezirk", x = "Bezirk", y = "Anzahl Bäume") + 
      scale_fill_discrete(name = "Bezirk") +
      theme_minimal() +
      theme(legend.position = "none")
    
    ggplotly(plot, tooltip = "y")
  })

  output$tree_pie_chart <- renderPlotly({
    tree_data <- df_clean %>%
      filter((input$pie_bezirk == "Alle" | bezirk %in% input$pie_bezirk)) %>%
      filter(!str_detect(gattung_deutsch, "^[0-9]+$")) %>%  # Entfernt Einträge mit Zahlen
      distinct(id, gattung_deutsch) %>%  # Stellt sicher, dass jede ID nur einmal gezählt wird
      count(gattung_deutsch, sort = TRUE) %>%
      top_n(10)
    
    if (nrow(tree_data) == 0) {
      return(plotly_empty())
    }
    
    fig <- plot_ly(
      tree_data,
      labels = ~gattung_deutsch,
      values = ~n,
      type = 'pie',
      textinfo = 'label+percent',  # Zeigt Name + Prozentsatz an
      hoverinfo = 'label+value+percent',  # Zeigt auch absolute Werte beim Hover an
      marker = list(colors = RColorBrewer::brewer.pal(10, "Set3"))  # Schöne Farbpalette
    ) 
    
    fig <- fig %>% layout(
      title = list(
        text = paste("Top 10 häufigste Baumarten im Bezirk:", paste(input$pie_bezirk, collapse=", ")),
        font = list(size = 16, color = "#333", family = "Arial")
      ),
      showlegend = TRUE
    )
    
    fig
  })









  # Bewässerungsanalyse

   output$hist_bewaesserung_pro_bezirk <- renderPlot({
    df_agg <- df_clean %>%
      group_by(bezirk) %>%
      summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
      ungroup() 
    
    
    df_agg <- df_agg %>%
      mutate(
        converted = purrr::map(total_water, convert_units), 
        value = sapply(converted, `[[`, "value"),  
        unit = sapply(converted, `[[`, "unit")  
      )
    
    ggplot(df_agg, aes(x = bezirk, y = value, fill = bezirk)) +
      geom_bar(stat = "identity", color = "white", alpha = 0.7) +
      labs(
        title = "Bewässerung pro Bezirk",
        x = "Bezirke in Berlin",
        y = paste("Gesamte Bewässerungsmenge (", unique(df_agg$unit), ")", sep = "")
      ) +
      theme_light() +
      theme(legend.position = "bottom",
            axis.text.x = element_text(angle = 55, hjust = 1)) +
      scale_fill_discrete(name = "Bezirk")
  })

output$hist_bewaesserung_verhaeltnis <- renderPlotly({
    plot <- df_clean %>%
      group_by(bezirk) %>%
      summarise(
        total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE),
        tree_count = n_distinct(id)  # Anzahl eindeutiger Bäume pro Bezirk
      ) %>%
      mutate(water_sum_trees = total_water / tree_count) %>%  # Verhältnis berechnen
      ggplot(aes(x = reorder(bezirk, water_sum_trees), y = water_sum_trees, fill = bezirk)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(
        title = "Verhältnis Bewässerung / Anzahl Bäume nach Bezirk", 
        x = "Bezirk", 
        y = "Bewässerung pro Baum (Liter)"
      ) +
      theme_minimal() +
      theme(legend.position = "none")
    
    ggplotly(plot, tooltip = "y")  # Hover-Tooltip für `water_per_tree`
  })

  output$trend_water <- renderPlotly({
    plot <- df_clean %>%
      filter(input$trend_bezirk_pj == "Alle" | bezirk %in% input$trend_bezirk_pj) %>%
      filter(pflanzjahr >= input$trend_year[1] & pflanzjahr <= input$trend_year[2]) %>%
      group_by(pflanzjahr) %>%
      summarize(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
      ggplot(aes(x = pflanzjahr, y = total_water)) +
      geom_line(color = "blue") +
      geom_point(aes(text = paste("Summe:", total_water, "l")),size = 0.2, color = "blue") + 
      theme_minimal() +
      labs(title = "Trend der Bewässerung je nach Pflanzjahr", x = "Pflanzjahr", y = "Gesamtbewässerung (Liter)")
    
    ggplotly(plot, tooltip = "text") # Aktiviert den Hover-Effekt für "text"
  })

 # Top 10 und Bottom 10 Straßen auswählen
  top_streets <- reactive({
      barFilteredData() %>%
      group_by(strname) %>%
      summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
      arrange(desc(total_water)) %>%
      head(10)  # Top 10 auswählen
  })
  
  bottom_streets <- reactive({
      barFilteredData()%>%
      group_by(strname) %>%
      summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
      arrange(desc(total_water)) %>%
      tail(10)  
  })
  
  
  output$hist_Top_10_best <- renderPlot({
    df_top <- top_streets()
    ggplot(df_top, aes(x = reorder(strname, total_water), y = total_water, fill = strname)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(title = "Top 10 Straßen mit höchster Bewässerung", x = "Straße", y = "Gesamte Bewässerung (Liter)") +
      scale_fill_discrete(name = "Straßennamen") +  # Ändert den Titel der Legende
      theme_minimal()
  })
  
  output$hist_Top_10_worst <- renderPlot({
    df_bottom <- bottom_streets() 
    ggplot(df_bottom, aes(x = reorder(strname, total_water), y = total_water, fill = strname)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(title = "Bottom 10 Straßen mit geringster Bewässerung", x = "Straße", y = "Gesamte Bewässerung (Liter)") +
      scale_fill_discrete(name = "Straßennamen") +  # Ändert den Titel der Legende
      theme_minimal() 
  })
  
  streetWaterRatio <- reactive({
      barFilteredData() %>%
      group_by(strname) %>%
      summarise(
        total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE),
        tree_count = n_distinct(id),
        water_per_tree = total_water / tree_count
      ) %>%
      arrange(desc(water_per_tree))
  })
  
  output$hist_Top_10_best_verhaeltnis_baum <- renderPlot({
    ggplot(streetWaterRatio() %>% head(10), aes(x = reorder(strname, water_per_tree), y = water_per_tree, fill = strname)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(title = "Top 10 Straßen nach Bewässerung pro Baum", x = "Straße", y = "Liter pro Baum") +
      scale_fill_discrete(name = "Straßennamen") +
      theme_minimal()
  })
  
  output$hist_Top_10_worst_verhaeltnis_baum <- renderPlot({
    ggplot(streetWaterRatio() %>% tail(10), aes(x = reorder(strname, water_per_tree), y = water_per_tree, fill = strname)) +
      geom_bar(stat = "identity") +
      coord_flip() +
      labs(title = "Bottom 10 Straßen nach Bewässerung pro Baum", x = "Straße", y = "Liter pro Baum") +
      scale_fill_discrete(name = "Straßennamen") +
      theme_minimal()
  })
  
  filtered_trend_data <- reactive({
    df_agg <- df_clean %>%
      mutate(timestamp = ymd_hms(timestamp),
             year = year(timestamp),
             month = month(timestamp, label = TRUE)) %>%
      filter(
        (input$trend_mode == "month" & year == input$trend_year_ts) | 
          (input$trend_mode == "year" & year >= 2020 & year <= 2024),
        (input$trend_bezirk == "Alle" | bezirk %in% input$trend_bezirk),
        (input$trend_baumgattung == "Alle" | gattung_deutsch %in% input$trend_baumgattung)
      ) %>%
      group_by(!!sym(input$trend_mode)) %>%  # Dynamische Gruppierung
      summarise(total_water = sum(bewaesserungsmenge_in_liter, na.rm = TRUE)) %>%
      arrange(!!sym(input$trend_mode))  # Dynamische Sortierung
    
      # Einheit umrechnen
      conversion_result <- convert_units(max(df_agg$total_water, na.rm = TRUE))
      df_agg <- df_agg %>%
        mutate(
          converted_value = total_water / (ifelse(conversion_result$unit == "ML", 1e6, 
                                                  ifelse(conversion_result$unit == "m³", 1e3, 1))),
          unit = conversion_result$unit
        )
      
      return(df_agg)
  })
  
  output$trend_water_ts <- renderPlotly({
    df_plot <- filtered_trend_data()
    
    plot <- ggplot(df_plot, 
                   aes(x = get(names(df_plot)[1]), y = converted_value, group = 1)) +
      geom_line(color = "blue") + 
      geom_point(aes(text = paste("Summe:", converted_value, df_plot$unit)), size = 0.2, color = "blue") +
      labs(
        title = ifelse(input$trend_mode == "month", 
                       paste("Bewässerungstrend für das Jahr", input$trend_year_ts), 
                       "Bewässerungstrend (2020 - 2024)"),
        x = ifelse(input$trend_mode == "month", "Monat", "Jahr"),
        y = paste("Gesamtbewässerung (", unique(df_plot$unit), ")", sep = "")
      ) +
      theme_minimal()
    
    ggplotly(plot, tooltip = "text")
  })

# Anzahl der Bäume, Gesamtbewässerung und durchschnittliche Bewässerung pro Bezirk berechnen
  baum_bewaesserung_daten <- df_clean %>%
    group_by(bezirk) %>%
    summarise(
      baum_anzahl = n(),
      gesamt_bewaesserung = sum(bewaesserungsmenge_in_liter, na.rm = TRUE),
      durchschnittliche_bewaesserung = mean(bewaesserungsmenge_in_liter, na.rm = TRUE)
    ) %>%
    mutate(baum_anzahl_pro_durchschnitt = durchschnittliche_bewaesserung / baum_anzahl ) %>%
    arrange(desc(baum_anzahl_pro_durchschnitt))
  
  # Daten umwandeln für gruppiertes Balkendiagramm
  baum_bewaesserung_long <- baum_bewaesserung_daten %>%
    pivot_longer(cols = c(baum_anzahl_pro_durchschnitt), 
                 names_to = "Kategorie", 
                 values_to = "Wert")

 # Bewässerung pro Bezirk (2020-2024)
  observeEvent(input$info_btn_hbpb, {
    if (input$water_mode == "avg") {
      showModal(modalDialog(
        title = "Erklärung: Durchschnittliche Bewässerung pro Bezirk",
        p("Dieses Diagramm zeigt, wie viel Wasser im Durchschnitt in jedem Bezirk über den Zeitraum 2020-2024 verbraucht wurde."),
        easyClose = TRUE,
        footer = NULL
      ))
    } else if (input$water_mode == "ratio") {
      showModal(modalDialog(
        title = "Erklärung: Verhältnis Bewässerung zu Baumanzahl",
        p("Dieses Diagramm stellt die Gesamtmenge an Wasser pro Bezirk ins Verhältnis zur Anzahl der gegossenen Bäume."),
        easyClose = TRUE,
        footer = NULL
      ))
    }
  })
  
  
  # Ranking Top 
  observeEvent(input$info_btn_top, {
    if (input$water_mode_Top == "avg") {
      showModal(modalDialog(
        title = "Erklärung: Top 10 Straßen mit höchster Bewässerung",
        p("Dieses Diagramm zeigt die zehn Straßen mit der höchsten Gesamtbewässerung im Zeitraum 2020-2024."),
        easyClose = TRUE,
        footer = NULL
      ))
    } else if (input$water_mode_Top == "ratio") {
      showModal(modalDialog(
        title = "Erklärung: Top 10 Straßen mit höchster Bewässerung (Verhältnis)",
        p("Hier wird die gesamte Bewässerungsmenge pro Straße ins Verhältnis zur Anzahl der gegossenen Bäume gesetzt."),
        easyClose = TRUE,
        footer = NULL
      ))
    }
  })
  
  
  # Ranking Bottom 
  observeEvent(input$info_btn_bottom, {
    if (input$water_mode_Bottom == "avg") {
      showModal(modalDialog(
        title = "Erklärung: Bottom 10 Straßen mit geringster Bewässerung",
        p("Dieses Diagramm zeigt die zehn Straßen mit der geringsten Gesamtbewässerung im Zeitraum 2020-2024."),
        easyClose = TRUE,
        footer = NULL
      ))
    } else if (input$water_mode_Bottom == "ratio") {
      showModal(modalDialog(
        title = "Erklärung: Bottom 10 Straßen mit geringster Bewässerung (Verhältnis)",
        p("Hier wird die gesamte Bewässerungsmenge pro Straße ins Verhältnis zur Anzahl der gegossenen Bäume gesetzt."),
        easyClose = TRUE,
        footer = NULL
      ))
    }
  })              
}