Einfügen Infrastruktur

4.6. Einfügen Infrastruktur#

4.6.1. Ziel der Übung#

In diesem Abschnitt entwickeln wir eine interaktive Webanwendung, die das Bürgerengagement im Zusammenhang mit der Nutzung von öffentlichen Pumpen und dem Gießverhalten sichtbar macht.

Das Ziel ist ein Dashboard, das zeigt:

  • Ob ein Zusammenhang zwischen der Pumpendichte (Anzahl Pumpen pro Fläche) und dem Gießverhalten der Bürger:innen besteht,

  • Und das es ermöglicht, die Daten flexibel zu filtern, z. B. nach bestimmten Zeiträumen (z. B. Jahr).

So bekommen die Nutzer:innen einen transparenten Überblick über das Engagement in ihrer Stadt bzw. ihrem Bezirk.

4.6.2. Grober Aufbau der Anwendung#

Das Dashboard wird in zwei Hauptteile gegliedert:

  1. Benutzeroberfläche (UI – User Interface): Definiert, welche Elemente die Nutzer:innen sehen und wie sie interagieren können.

  2. Serverlogik (Server): Kümmert sich um die Datenverarbeitung, Berechnung und das dynamische Erzeugen der Visualisierungen.

4.6.3. Datenbasis zusammenstellen#

Damit unser Dashboard funktioniert, benötigen wir gut aufbereitete Daten.

Datenquelle Pumpen mit Bezirkszuordnung#

  • Wir laden Geodaten zu den Bezirksgrenzen und den Standorten der Pumpen.

  • Wichtig: Beide Datensätze müssen im gleichen Koordinatensystem (CRS) vorliegen (z. B. WGS84 / EPSG 4326), damit wir räumlich korrekt arbeiten können.

# Bezirksgrenzen einlesen
bezirksgrenzen <- st_read("data/bezirksgrenzen.geojson")

# Pumpen-Daten ins gleiche CRS transformieren
pumpen <- st_transform(pumpen, crs = 4326)
bezirksgrenzen <- st_transform(bezirksgrenzen, crs = 4326)

Räumlicher Join: Jede Pumpe bekommt den Namen ihres Bezirks#

Durch einen räumlichen Join weisen wir jeder Pumpe den Bezirk zu, in dem sie liegt.

pumpen_mit_bezirk <- st_join(pumpen, bezirksgrenzen[, c("Gemeinde_name")], left = TRUE)

# Spalte umbenennen für bessere Lesbarkeit
pumpen_mit_bezirk <- pumpen_mit_bezirk %>%
  rename(bezirk = Gemeinde_name)

# Ergebnisse als GeoJSON speichern (optional)
st_write(pumpen_mit_bezirk, "data/pumpen_mit_bezirk.geojson", driver = "GeoJSON", delete_dsn = TRUE)

Erklärung:

  • st_join() verknüpft zwei Geodatensätze – hier wird jede Pumpe mit dem Bezirk verbunden, in dem sie sich befindet.

  • left = TRUE bedeutet: alle Pumpen bleiben erhalten, auch wenn keine passende Bezirkseintragung gefunden wird.

Gießverhalten-Daten bereinigen und verknüpfen#

  • Gießdaten enthalten häufig Koordinaten als Text mit Kommas. Diese müssen in numerische Werte umgewandelt werden.

  • Fehlende Werte werden entfernt.

  • Die Entfernung jedes Gießpunkts zur nächsten Pumpe wird berechnet, um später zu analysieren, wie die Nähe zu Pumpen das Gießverhalten beeinflusst.

library(data.table)
library(sf)
library(dplyr)
library(stringr)
library(tidyr)

  pumpen_mit_bezirk <- st_read("data/pumpen_mit_bezirk_minimal.geojson")
 df_merged_sum <- read.csv("data/df_merged_sum.csv", sep = ";", stringsAsFactors = FALSE, fileEncoding = "UTF-8")
 
  
    df_merged_sum <- df_merged_sum %>%
      mutate(
        lat = as.numeric(str_replace(lat, ",", ".")),
        lng = as.numeric(str_replace(lng, ",", "."))
      )
  
    df_merged_sum <- df_merged_sum %>% drop_na(lat, lng)
 
 
  
    # Entfernen CRS-Unterschiede
    pumpen_sf <- st_transform(pumpen_mit_bezirk, crs = 4326)
    df_merged_sum_sf <- st_as_sf(df_merged_sum, coords = c("lng", "lat"), crs = 4326)
  
  
    # Berechnung der Entfernung zur nächsten Pumpe
    dist_matrix <- st_distance(df_merged_sum_sf, pumpen_sf)
    min_dist <- apply(dist_matrix, 1, min)
  
   df_merged_sum$distanz_zur_pumpe_m <- as.numeric(min_dist)
   
   
   write.csv2(df_merged_sum, "data/df_merged_sum_mit_distanzen.csv", row.names = FALSE, fileEncoding = "UTF-8")

Erklärung:

  • mutate() verändert oder erstellt Spalten.

  • str_replace() ersetzt Zeichen – hier das Komma durch einen Punkt, damit wir korrekt mit Zahlen rechnen können.

  • st_distance() berechnet Distanzen zwischen allen Punkten.

  • apply(..., min) nimmt jeweils den kleinsten Abstand (zur nächsten Pumpe).

Pumpen im 100 m Umkreis zählen#

Um den Einfluss der Pumpendichte auf das Gießverhalten genauer zu untersuchen, ermitteln wir, wie viele Pumpen sich in einem Umkreis von 100 Metern um jeden Gießpunkt befinden.

df_merged_sum_mit_distanzen <- read.csv("data/df_merged_sum_mit_distanzen.csv", sep = ";", stringsAsFactors = FALSE, fileEncoding = "UTF-8")
  
  df_merged_sum_mit_distanzen$lat <- as.numeric(gsub(",", ".", df_merged_sum_mit_distanzen$lat))
  df_merged_sum_mit_distanzen$lng <- as.numeric(gsub(",", ".", df_merged_sum_mit_distanzen$lng))
  
  
  # 1. Rechnen
  df_giess_sf <- st_as_sf(df_merged_sum_mit_distanzen, coords = c("lng", "lat"), crs = 4326)
  pumpen_sf <- st_transform(pumpen_mit_bezirk, crs = 4326)
  
  df_giess_sf_m <- st_transform(df_giess_sf, 3857)
  pumpen_sf_m <- st_transform(pumpen_sf, 3857)
  
  giess_buffer <- st_buffer(df_giess_sf_m, dist = 100)
  pumpen_im_umkreis <- lengths(st_intersects(giess_buffer, pumpen_sf_m))
  
  df_merged_sum_mit_distanzen$pumpen_im_umkreis_100m <- pumpen_im_umkreis
  
  # 2. Speichern
  write.csv2(df_merged_sum_mit_distanzen, "data/df_merged_sum_mit_distanzen_mit_umkreis.csv", row.names = FALSE)

Erklärung:

  • st_buffer() erzeugt eine Art “Zone” (Kreis) um jeden Punkt.

  • st_intersects() prüft, welche Pumpen in diesen Zonen liegen.

Bezirk-Flächen zur Berechnung der Pumpendichte#

Um die Pumpendichte zu berechnen, benötigen wir die Fläche jedes Bezirks in Hektar (ha).

Die Information um das Dataframe zu erstellen ziehen wir aus dieser Tabelle:

Ein Screenshot, der eine Tabelle mit der größe der Bezirksfläche in ha zeigt.

Fig. 4.5 Tabelle zur Bezirksfläche#

bezirksflaechen <- data.frame(
  bezirk = c("Mitte", "Friedrichshain-Kreuzberg", "Pankow", "Charlottenburg-Wilmersdorf",
             "Spandau", "Steglitz-Zehlendorf", "Tempelhof-Schöneberg", "Neukölln",
             "Treptow-Köpenick", "Marzahn-Hellersdorf", "Lichtenberg", "Reinickendorf"),
  flaeche_ha = c(3.940, 2.040, 10.322, 6.469, 9.188, 10.256, 5.305, 4.493, 16.773, 6.182, 5.212, 8.932)
)

4.6.4. Benutzeroberfläche: Dashboard strukturieren#

In der Sidebar werden verschiedene Menüpunkte angeboten – darunter unser neuer Bereich „Bürgerengagement“, der die Pumpen- und Gießverhaltensdaten visualisiert.

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")),
    menuItem("Bürgerengagement", tabName = "engagement", icon = icon("hands-helping"))
  )
)

Tab für Bürgerengagement#

Hier definieren wir, welche Diagramme im Tab „Bürgerengagement“ angezeigt werden:

tabItem(tabName = "engagement",
  fluidRow(
    box(
      title = "Pumpenanzahl und Bewässerung pro Bezirk",
      status = "primary",
      solidHeader = TRUE,
      width = 12,
      plotOutput("balken_plot")
    ),
    box(
      title = "Durchschnittliche Gießmenge nach Pumpen-Kategorie im 100 m Umkreis",
      status = "primary",
      solidHeader = TRUE,
      width = 12,
      plotOutput("pumpenkategorien_plot", height = "400px")
    )
  )
)

4.6.5. Serverlogik: Daten verarbeiten und visualisieren#

Im Serverteil bereiten wir die Daten auf und definieren die Grafiken, die im UI angezeigt werden.

Datenvorbereitung#

Hier stellen wir sicher, dass alle Werte numerisch und vollständig sind.

df_merged_sum_mit_distanzen_mit_umkreis <- df_merged_sum_mit_distanzen_mit_umkreis %>%
  mutate(
    lat = as.numeric(str_replace(lat, ",", ".")),
    lng = as.numeric(str_replace(lng, ",", "."))
  ) %>%
  drop_na(lat, lng)

Pumpendichte berechnen#

Zuerst zählen wir die Pumpen pro Bezirk und berechnen daraus die Pumpendichte (Pumpen pro Hektar).

pumpen_pro_bezirk <- pumpen_mit_bezirk %>%
  st_drop_geometry() %>%
  group_by(bezirk) %>%
  summarise(pumpenanzahl = n()) 

pumpendichte <- pumpen_pro_bezirk %>%
  left_join(bezirksflaechen, by = "bezirk") %>%
  mutate(pumpen_pro_ha = pumpenanzahl / flaeche_ha)

Erklärung:

  • group_by(): Gruppiert die Daten nach Bezirk.

  • summarise(): Zählt die Anzahl Pumpen.

  • left_join(): Fügt die Flächen-Daten hinzu (eine Art „Verschmelzen“ der Tabellen).

  • mutate(): Rechnet die Dichte aus.

Gießverhalten pro Bezirk zusammenfassen und mit Pumpendichte verbinden#

giess_pumpen_dichte_df <- df_merged_sum %>%
  group_by(bezirk) %>%
  summarise(
    gesamt_bewaesserung = sum(bewaesserungsmenge_in_liter, na.rm = TRUE),
    durchschnittl_intervall = mean(durchschnitts_intervall[is.finite(durchschnitts_intervall)], na.rm = TRUE),
    .groups = "drop"
  ) %>%
  left_join(pumpendichte, by = "bezirk")

Balkendiagramm: Pumpenanzahl vs. Bewässerung#

Wir visualisieren beide Größen zusammen in einem Balkendiagramm mit zwei Y-Achsen (links Bewässerung, rechts Pumpenzahl).

output$balken_plot <- renderPlot({
  max_bewaesserung <- max(giess_pumpen_dichte_df$gesamt_bewaesserung, na.rm = TRUE)
  max_pumpen <- max(giess_pumpen_dichte_df$pumpenanzahl, na.rm = TRUE)
  scaling_factor <- max_bewaesserung / max_pumpen

  ggplot(giess_pumpen_dichte_df, aes(x = bezirk)) +
    geom_bar(aes(y = gesamt_bewaesserung, fill = "Bewässerung"),
             stat = "identity", position = position_nudge(x = -0.2), width = 0.4) +
    geom_bar(aes(y = pumpenanzahl * scaling_factor, fill = "Pumpenanzahl"),
             stat = "identity", position = position_nudge(x = 0.2), width = 0.4) +
    scale_fill_manual(name = "Kategorie",
                      values = c("Bewässerung" = "steelblue", "Pumpenanzahl" = "seagreen")) +
    scale_y_continuous(
      name = "Gesamtbewässerung (Liter)",
      sec.axis = sec_axis(~ . / scaling_factor, name = "Anzahl Pumpen")
    ) +
    labs(
      title = "Pumpenanzahl und Bewässerung pro Bezirk",
      x = "Bezirk"
    ) +
    theme_minimal() +
    theme(
      axis.text.x = element_text(angle = 45, hjust = 1),
      legend.position = "top"
    )
})

Visualisierung: Gießmenge nach Pumpenkategorie im 100 m Umkreis#

Wir kategorisieren Gießpunkte je nach Anzahl Pumpen in der Nähe und zeigen die durchschnittliche Gießmenge pro Kategorie.

df_merged_sum_mit_distanzen_mit_umkreis <- df_merged_sum_mit_distanzen_mit_umkreis %>%
  mutate(pumpenkategorie = case_when(
    pumpen_im_umkreis_100m == 0 ~ "Keine Pumpe",
    pumpen_im_umkreis_100m == 1 ~ "Eine Pumpe",
    pumpen_im_umkreis_100m >= 2 ~ "Mehrere Pumpen"
  ))

output$pumpenkategorien_plot <- renderPlot({
  df_kategorie_mittelwert <- df_merged_sum_mit_distanzen_mit_umkreis %>%
    group_by(pumpenkategorie) %>%
    summarise(
      durchschnittliche_giessmenge = mean(gesamt_bewaesserung, na.rm = TRUE),
      anzahl_baeume = n(),
      .groups = "drop"
    ) %>%
    mutate(pumpenkategorie_label = paste0(pumpenkategorie, " (Anzahl Bäume = ", anzahl_baeume, ")"))

  ggplot(df_kategorie_mittelwert, aes(x = pumpenkategorie_label, y = durchschnittliche_giessmenge)) +
    geom_col(fill = "seagreen") +
    labs(
      title = "Durchschnittliche Gießmenge nach Pumpen-Kategorie im 100 m Umkreis",
      x = "Pumpenkategorie",
      y = "Durchschnittliche Gießmenge (Liter)"
    ) +
    theme_minimal() +
    theme(
      axis.text = element_text(size = 12),
      axis.title = element_text(size = 13),
      plot.title = element_text(size = 15, face = "bold"),
      panel.grid.major.y = element_line(color = "gray90")
    )
})

4.6.6. Zusammenfassung#

Mit diesen Schritten haben wir:

  • Die räumliche Verknüpfung von Pumpenstandorten mit Bezirksgrenzen hergestellt,

  • Gießverhalten mit Pumpennähe verbunden,

  • Die Pumpendichte in Bezug auf die Bezirksfläche berechnet,

  • Und zwei aussagekräftige Visualisierungen erstellt, die das Bürgerengagement durch die Nutzung von Pumpen und Gießverhalten anschaulich machen.

Durch das Dashboard können Interessierte einfach erkennen, wie das Engagement in den verschiedenen Bezirken aussieht und wie die Pumpendichte das Gießverhalten beeinflusst.

Contents