-
Notifications
You must be signed in to change notification settings - Fork 0
/
validatie_lokaal.R
225 lines (213 loc) · 7.19 KB
/
validatie_lokaal.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
#' @title Validatie van het lokaal model
#'
#' @description
#' Functie die alle nodige validaties uitvoert op het opgegeven lokaal model en
#' een overzicht geeft van de afwijkende metingen en slechte curves (zodat de
#' gebruiker deze kan valideren).
#'
#' De functie roept meerdere hulpfuncties op:
#' - `rmse.basis()`
#' - `afwijkendeMetingen()`
#' - `afwijkendeCurves()`
#' - `validatierapport()`
#'
#' Voorafgaand aan het uitvoeren van deze laatste functie worden eerst de
#' slechtste modellen opgelijst (op basis van RMSE, afwijkende metingen en
#' afwijkende curves).
#'
#'
#' @param Lokaalmodel Model per boomsoort-domeincombinatie zoals teruggegeven
#' door de functie `fit.lokaal()`: tibble met de velden `BMS` (boomsoort),
#' `DOMEIN_ID` en `Model` (`lm`-object met het gefit lineair model voor die
#' boomsoort-domeincombinatie).
#' @param Data Dataset op basis waarvan het opgegeven lokaal model berekend is.
#'
#' @inheritParams afwijkendeMetingen
#' @inheritParams validatierapport
#' @inheritParams validatie.basis
#' @inheritParams initiatie
#'
#' @return
#'
#' De functie genereert een validatierapport (`.html`-bestand) in de working
#' directory met informatie en grafieken van de te controleren modellen. De
#' afwijkende metingen en curvedelen zijn in rood aangeduid; boven de curve is
#' het probleem ook woordelijk beschreven (zie `?validatierapport` of vignet
#' voor meer informatie).
#'
#' De functie geeft een dataframe terug met de te controleren metingen, met
#' behalve de informatie uit de databank een aantal berekende waarden:
#' - `H_D_finaal`: een geschatte hoogte voor de omtrekklasse volgens het
#' domeinmodel
#' - `rmseD`: de foutenschatting voor het domeinmodel
#' - `HogeRmse`: `TRUE` als het domeinmodel een hoge RMSE heeft, anders
#' `NA`
#'
#' @export
#'
#' @importFrom dplyr %>% inner_join filter select mutate distinct group_by
#' summarise ungroup bind_rows do rowwise anti_join left_join transmute
#' @importFrom plyr .
#' @importFrom rlang .data
#' @importFrom assertthat assert_that has_name is.count
#'
validatie.lokaal <-
function(Lokaalmodel, Data, AantalDomHogeRMSE = 20, ExtraCurvesRapport = NULL,
GoedgekeurdeAfwijkendeCurves = NULL,
Bestandsnaam = "Default", TypeRapport = "Dynamisch", PathWD = getwd()
) {
invoercontrole(Lokaalmodel, "lokaalmodel")
if (has_name(Data, "VoorModelFit")) {
Data <- Data %>%
filter(.data$VoorModelFit) %>%
select(-"VoorModelFit")
}
invoercontrole(Data, "fit")
Rmse <- Data %>%
group_by(
.data$BMS,
.data$DOMEIN_ID
) %>%
do(
rmse.basis(., "Lokaal", .data$BMK)
) %>%
ungroup()
Hoogteschatting <- Lokaalmodel %>%
inner_join(
x = Data,
by = c("BMS", "DOMEIN_ID")
) %>%
group_by(
.data$BMS,
.data$DOMEIN_ID
) %>%
do(
hoogteschatting.basis(.$Model[[1]],
select(., -"Model"),
"Lokaal", unique(.$BMS))
) %>%
ungroup()
Dataset <- Hoogteschatting %>%
left_join(
Rmse %>%
select("BMS", "DOMEIN_ID", "rmseD", "maxResid"),
by = c("BMS", "DOMEIN_ID")
)
AfwijkendeMetingen <- afwijkendeMetingen(Dataset, AantalDomHogeRMSE)
#afwijkende curves
AfwijkendeCurves <- afwijkendeCurves(Lokaalmodel, Data)
if (!is.null(ExtraCurvesRapport)) {
assert_that(has_name(ExtraCurvesRapport, "DOMEIN_ID"))
assert_that(has_name(ExtraCurvesRapport, "BMS"))
ZonderJoin <- ExtraCurvesRapport %>%
anti_join(Dataset, by = c("DOMEIN_ID", "BMS"))
if (nrow(ZonderJoin) > 0) {
warning(
"Niet elk opgegeven record in ExtraCurvesRapport heeft een lokaal model"
)
}
} else {
ExtraCurvesRapport <-
data.frame(DOMEIN_ID = character(0), BMS = character(0))
}
if (!is.null(GoedgekeurdeAfwijkendeCurves)) {
assert_that(has_name(GoedgekeurdeAfwijkendeCurves, "DOMEIN_ID"))
assert_that(has_name(GoedgekeurdeAfwijkendeCurves, "BMS"))
assert_that(has_name(GoedgekeurdeAfwijkendeCurves, "nBomenTerugTonen"))
assert_that(
inherits(
GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen, c("integer", "numeric")),
msg = "Elke waarde van nBomenTerugTonen in de dataframe GoedgekeurdeAfwijkendeCurves moet een getal zijn" #nolint: line_length_linter
)
if (inherits(GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen, "numeric")) {
assert_that(
max(
abs(
GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen -
as.integer(GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen)
),
na.rm = TRUE
) < 1e-6
, msg = "Elke waarde van nBomenTerugTonen in de dataframe GoedgekeurdeAfwijkendeCurves moet een geheel getal zijn" #nolint: line_length_linter
)
GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen <-
as.integer(GoedgekeurdeAfwijkendeCurves$nBomenTerugTonen)
}
ZonderJoin <- GoedgekeurdeAfwijkendeCurves %>%
anti_join(AfwijkendeCurves, by = c("DOMEIN_ID", "BMS"))
if (nrow(ZonderJoin) > 0) {
warning("Niet elk opgegeven record in GoedgekeurdeAfwijkendeCurves heeft een afwijkende curve") #nolint: line_length_linter
}
AfwijkendeCurvesNegeren <- GoedgekeurdeAfwijkendeCurves %>%
left_join(
Dataset %>%
select("DOMEIN_ID", "BMS", "nBomenInterval") %>%
distinct(),
by = c("DOMEIN_ID", "BMS")
) %>%
filter(
.data$nBomenInterval < .data$nBomenTerugTonen
)
} else {
AfwijkendeCurvesNegeren <-
data.frame(DOMEIN_ID = character(0), BMS = character(0))
}
SlechtsteModellen <- AfwijkendeMetingen %>%
filter(.data$HogeRmse & .data$Status != "Goedgekeurd") %>%
select("DOMEIN_ID", "BMS") %>%
distinct() %>%
mutate(
Reden = "hoge RMSE"
) %>%
bind_rows(
AfwijkendeCurves %>%
anti_join(
AfwijkendeCurvesNegeren,
by = c("DOMEIN_ID", "BMS")
)
) %>%
bind_rows(
AfwijkendeMetingen %>%
filter(
.data$Status != "Goedgekeurd"
) %>%
select(
"BMS", "DOMEIN_ID"
) %>%
distinct() %>%
mutate(
Reden = "afwijkende metingen"
)
) %>%
bind_rows(
ExtraCurvesRapport %>%
transmute(
.data$DOMEIN_ID,
.data$BMS,
Reden = "opgegeven als extra curve"
)
) %>%
mutate(
Omtrek_Buigpunt.d =
ifelse(is.na(.data$Omtrek_Buigpunt.d), "", .data$Omtrek_Buigpunt.d),
Omtrek_Extr_Hoogte.d = ifelse(is.na(.data$Omtrek_Extr_Hoogte.d), "",
.data$Omtrek_Extr_Hoogte.d)
) %>%
group_by(
.data$BMS, .data$DOMEIN_ID
) %>%
summarise(
Reden = paste(.data$Reden, collapse = ", "),
Omtrek_Buigpunt =
as.numeric(paste(.data$Omtrek_Buigpunt.d, collapse = "")),
Omtrek_Extr_Hoogte =
as.numeric(paste(.data$Omtrek_Extr_Hoogte.d, collapse = ""))
) %>%
ungroup()
Bestandsnaam <- ifelse(Bestandsnaam == "Default",
"Validatie_Lokaal.html",
Bestandsnaam)
validatierapport(SlechtsteModellen, AfwijkendeMetingen, Dataset,
Bestandsnaam, TypeRapport, PathWD = PathWD)
return(AfwijkendeMetingen)
}