def extract(crop_name, filnavn, output):
harvest = DaisyDlf(filnavn)
df = harvest.Data
# summere og plot af udbytte i tørstof DM
harv = df[['crop', 'leaf_' + output, 'stem_' + output, 'sorg_' + output]]
DMG = harv.groupby('crop')
rg = DMG.get_group(crop_name).sum(axis=1)
return (rg)
#pf3=pd.DataFrame(meas, columns=['grassN'])
def rmse(pred, obs):
return np.sqrt(((pred - obs)**2).mean())
# Plot tørstofsudbytte for kløver, græs og samlet i søjlediagram
MotherFolder = '..\RunDaisy11'
items = os.walk(MotherFolder)
index = 1
fig = plt.figure(figsize=(15, 10))
# fig, axes = plt.subplots(nrows=2, ncols=3)
for root, dirs, filenames in items:
for d in dirs:
print(d)
harvest = DaisyDlf(os.path.join(root, d, "DailyP-harvest.dlf"))
df = harvest.Data
# summere og plot af udbytte i tørstof DM
DMharv = df[['crop', 'leaf_N', 'stem_N', 'sorg_N']]
DMG = DMharv.groupby('crop')
rg = DMG.get_group('Ryegrass').sum(axis=1)
wc = DMG.get_group('Wclover').sum(axis=1)
# Laver et subplot, som derefter bliver det aktive som de næste plt virker på
ax = plt.subplot(3, 4, index)
index += 1
df22 = pd.DataFrame([rg, wc]).T
df22.columns = ['Ryegrass', 'Wclover']
df2 = df22.loc['2006-1-1':'2011-1-1', :]
# Vil gerne plott målt mod simuleret output - først et plot for hver id - og så alle samlet.
#Udvælger en ny dataframe med data hvor ID = d. Det samme som tidligere blev gjort i loop
#Group og tag gennemsnit
def opti(crop_name, m_cropname, output='DM', makeplots=False):
MotherFolder = '..\RunDaisy2'
items = os.walk(MotherFolder)
rmse_val = 0
index = 1
fig = plt.figure(figsize=(8, 8))
# fig, axes = plt.subplots(nrows=2, ncols=3)
for root, dirs, filenames in items:
for d in dirs:
print(d)
harvest = DaisyDlf(os.path.join(root, d, "DailyP-harvest.dlf"))
df = harvest.Data
# summere og plot af udbytte i tørstof DM
DMharv = df[[
'crop', 'leaf_' + output, 'stem_' + output, 'sorg_' + output
]]
DMG = DMharv.groupby('crop')
rg = DMG.get_group(crop_name).sum(axis=1)
# Laver et subplot, som derefter bliver det aktive som de næste plt virker på
ax = plt.subplot(3, 2, index)
index += 1
df22 = pd.DataFrame([rg]).T
df22.columns = [crop_name]
df2 = df22.loc['2006-1-1':'2011-1-1', :]
# Vil gerne plott målt mod simuleret output - først et plot for hver id - og så alle samlet.
#Udvælger en ny dataframe med data hvor ID = d. Det samme som tidligere blev gjort i loop
#Group og tag gennemsnit
s1 = xl.loc[xl['id'] == d]
meas = (s1.groupby(s1.index)['grassDM'].mean(),
s1.groupby(s1.index)['cloverDM'].mean(),
s1.groupby(s1.index)['grassN'].mean(),
s1.groupby(s1.index)['cloverN'].mean())
# Samler en dataframe med målt og simulert
ms = df2.join(meas[0])
ms = ms.join(meas[1])
ms = ms.join(meas[2])
ms = ms.join(meas[3])
rmse_val += rmse(ms[m_cropname], ms[crop_name])
rs = str(round(rmse_val, 2))
eva = ('RMSE =' + (rs))
if makeplots:
plt.scatter(ms[m_cropname],
ms[crop_name],
marker='x',
c='black',
s=15)
plt.title(d + '-Clover',
position=(0.6, 0.9),
fontweight="bold",
fontsize=8)
ax.set(ylabel=('simulated (t DM/ha)'), xlabel='measured')
#ax.set(xlim=(0,4), ylim=(0,4))
ax.plot([0, 1], [0, 1],
transform=ax.transAxes,
c='black',
linestyle='--')
plt.text(0.1, 3.5, eva)
plt.tight_layout()
if makeplots:
fig.savefig("Clover_DM.pdf", bbox_inches='tight')
return (rmse_val)
@author: sdf945 """ from Daisy import DaisyDlf, DaisyModel import matplotlib.pyplot as plt import numpy as np import datetime as datetime dm= DaisyModel (r'I:\SCIENCE-PLEN-PESTCAST\1_Validation track\DFF\Silstrup\1\Water_Field_Weekly.dlf') sys.path.append(r'h:\Documents\PyDaisy') from pydaisy.Daisy import * dlf = DaisyDlf(r'h:\Documents\PyDaisy\Projects\STYR-N\IND_2_4\DailyP-harvest.dlf') folder = r'I:\SCIENCE-PLEN-PESTCAST\1_Validation track\DFF\Silstrup\6' #Diflufenican leaching result_df_week = DaisyDlf(folder+'\Water_Field_Weekly.dlf') result_dif = DaisyDlf(folder+'\weekly_soil_diflufenican.dlf') matrixflow = result_df_week.Data.values[:,6] bioporeflow = result_df_week.Data.values[:,7] drainflow = matrixflow + bioporeflow matrixleaching = result_dif.Data.values[:,7] bioporeleaching = result_dif.Data.values[:,8] totalleaching = matrixleaching + bioporeleaching
