pydra-core 0.0.1__py2.py3-none-any.whl → 0.0.3__py2.py3-none-any.whl

pydra_core/location/model/water_system.py

@@ -1,249 +1,249 @@
-import numpy as np
-
-from .base_model import BaseModel
-from .loading.loading_factory import LoadingFactory
-from .statistics.statistics_factory import StatisticsFactory
-from ..settings.settings import Settings
-from ...common.probability import ProbabilityFunctions
-
-
-class WaterSystem(BaseModel):
-    def __init__(self, settings: Settings):
-        """
-        Water System model
-        """
-        # Inherit
-        super().__init__(settings)
-
-        # Statistics
-        self.statistics = StatisticsFactory.get_statistics(self.settings)
-
-        # Loading
-        self.loading = LoadingFactory.get_loading(self.settings)
-
-    def process_slow_stochastics(
-        self, exceedance_probability: np.ndarray, axis: int = None
-    ) -> np.ndarray:
-        """
-        Convert probabilities given a discharge to probabilities per duration.
-
-        This function converts probabilities represented by a discharge to
-        probabilities per specified duration based on the given stochastic
-        variable ('stochastic'). The probabilities are computed for each
-        duration (basisduur).
-
-        Parameters
-        ----------
-        exceedance_probability : np.ndarray
-            Numpy array with the discharge on the first dimension.
-
-        Returns
-        -------
-        np.ndarray
-            Probabilities per specified duration (basisduur).
-        """
-        # Input stochastics
-        statistics = self.get_statistics()
-        slow_stochastics = list(statistics.stochastics_slow.keys())
-        _axis = range(1, len(slow_stochastics) + 1) if axis is None else axis
-
-        # Put slow variable on first axis if not already
-        newpos = range(len(np.atleast_1d(_axis)))
-        if newpos != _axis:
-            ep_x = np.moveaxis(exceedance_probability, _axis, newpos)
-        else:
-            ep_x = exceedance_probability
-
-        # Calculate exceedance frequencies per peak discharge / lake level
-        ep_ks = self.process_wave_shape(ep_x)
-
-        # Steps in probability density
-        if len(slow_stochastics) == 1 and slow_stochastics[0] == "q":
-            p_peak = ProbabilityFunctions.probability_density(
-                statistics.discharge.qpeak, statistics.discharge.epqpeak
-            ).probability
-
-        elif len(slow_stochastics) == 1 and slow_stochastics[0] == "a":
-            p_peak = ProbabilityFunctions.probability_density(
-                statistics.lake_level.apeak, statistics.lake_level.epapeak
-            ).probability
-
-        elif len(slow_stochastics) == 2 and slow_stochastics == ["a", "q"]:
-            dq = ProbabilityFunctions.probability_density(
-                statistics.discharge.qblok, statistics.discharge.epqpeak
-            ).delta
-            dm = ProbabilityFunctions.probability_density(
-                statistics.lake_level.ablok, statistics.lake_level.epapeak
-            ).delta
-            p_peak = statistics.density_aq_peak * dm[:, None] * dq[None, :]
-
-        elif len(slow_stochastics) == 2 and slow_stochastics == ["q", "a"]:
-            dq = ProbabilityFunctions.probability_density(
-                statistics.discharge.qblok, statistics.discharge.epqpeak
-            ).delta
-            da = ProbabilityFunctions.probability_density(
-                statistics.lake_level.ablok, statistics.lake_level.epapeak
-            ).delta
-            p_peak = statistics.density_aq_peak.T * dq[:, None] * da[None, :]
-
-        # Reshape steps when multiplying to trapezoidal probs
-        shp = p_peak.shape + (1,) * (ep_ks.ndim - p_peak.ndim)
-
-        # Trapezoidal probability
-        p_trapezoidal = (p_peak.reshape(shp) * ep_ks).sum(
-            axis=tuple(range(p_peak.ndim))
-        )
-
-        return p_trapezoidal
-
-    def process_wave_shape(self, exceedance_probability: np.ndarray) -> np.ndarray:
-        """
-        Process the discharge waveshapes into the exceedance probabilities
-        conditioned on the discharge level. The discharge level is represented
-        on the first axis, which has dimensions equal to the number of
-        discharge steps in the statistics.
-
-        Parameters
-        ----------
-        exceedance_probability : np.ndarray
-            Numpy array containing the exceedance probabilities with the
-            discharge on the first dimension.
-
-        Returns
-        -------
-        blokondkans : np.ndarray
-            Exceedance probabilities of the discharge per duration (basisduur).
-        """
-        # Input variables
-        statistics = self.get_statistics()
-        slow_stochastics = list(statistics.stochastics_slow.keys())
-        fp = exceedance_probability
-
-        # Result variables
-        intidxs = []
-        xs = []
-        xps = []
-
-        # Verzamel de interpolatieindices voor alle trage stochasten
-        for i, _stochastic in enumerate(slow_stochastics):
-            if _stochastic == "q":
-                xp = statistics.discharge.qpeak
-                x = statistics.discharge.get_wave_shape().get_wave_shapes()
-                tijden = statistics.discharge.get_wave_shape().time
-            elif _stochastic == "a":
-                xp = statistics.lake_level.apeak
-                x = statistics.lake_level.get_wave_shape().get_wave_shapes()
-                tijden = statistics.lake_level.get_wave_shape().time
-            else:
-                raise ValueError(
-                    f"Eerste trage stochast is niet 'q' of 'm'/'a' (gegeven eerste trage stochast: {_stochastic})"
-                )
-
-            # Check if the length matches
-            if exceedance_probability.shape[i] != x.shape[1]:
-                raise ValueError(
-                    f"The number of elements in the stochast axis ({i}) should be {x.shape[1]} ({x.shape}), but is {exceedance_probability.shape[i]} ({exceedance_probability.shape})."
-                )
-
-            # Bepaal de interpolatie-indices, de xp-punten rondom x waartussen wordt geïnterpoleerd
-            intidx = np.array(
-                [(xp[None, :] <= ix[:, None]).sum(1) - 1 for ix in x], dtype=np.uint16
-            )
-            intidx = np.minimum(np.maximum(intidx, 0), len(xp) - 2)
-
-            intidxs.append(intidx)
-            xs.append(x)
-            xps.append(xp)
-
-        # Bepaal de tijdsduur van het eerste en het laatste blokje uit de golfvorm
-        block_duration = tijden[1] - tijden[0]
-        eindduur = tijden[-1] - tijden[-2]
-
-        # Alloceer arrays. Het is sneller om in de loop de arrays over te schrijven dan om ze opnieuw aan te maken
-        ondkanstot = np.ones(exceedance_probability.shape)
-        blokondkans = np.zeros(exceedance_probability.shape)
-        ovkansen = np.zeros(exceedance_probability.shape)
-
-        nt = len(tijden)
-
-        for it in range(nt - 1):
-            # Interpoleer de overschrijdingskansen
-            if len(slow_stochastics) == 1:
-                # Bepaal de index van de interpolatiewaarden (afvoeren / meerpeil) voor de betreffende tijdstap
-                iix = intidxs[0][it]
-
-                # Bepaal de fracties van de fp waarden obv xp, die moet worden ingevuld voor f (obv x)
-                fracs = (x[it] - xp[iix]) / (xp[iix + 1] - xp[iix])
-
-                # Bepaal de vorm van de output array, dit is (Ntraag, Ntijd, Nderest1, Nderest2, ...)
-                fracshp = fracs.shape + (1,) * (fp.ndim - 1)
-
-                # Interpoleer alle overschrijdingskansen in één keer door de fracties met de resultaatwaarden (fp) te vermenigvuldigen
-                ovkansen[:] = (1 - fracs.reshape(fracshp)) * fp[iix] + fp[
-                    iix + 1
-                ] * fracs.reshape(fracshp)
-
-            elif len(slow_stochastics) == 2:
-                iix1 = intidxs[0][it]
-                iix2 = intidxs[1][it]
-
-                # Bepaal de fracties van de fp waarden obv xp, die moet worden ingevuld voor f (obv x)
-                fracs1 = (xs[0][it] - xps[0][iix1]) / (xps[0][iix1 + 1] - xps[0][iix1])
-                fracs2 = (xs[1][it] - xps[1][iix2]) / (xps[1][iix2 + 1] - xps[1][iix2])
-
-                # Bepaal de vorm van de output array, dit is (Ntraag, Ntijd, Nderest1, Nderest2, ...)
-                frac2shp = fracs2.shape + (1,) * (fp.ndim - 2)
-
-                # 2D interpolatie
-                # Merk op dat dit via een loop gaat. Dit is sneller dan in enkele array-operaties, omdat
-                # de arrays zo groot zijn dat fancy-indexing traag wordt
-                for i, (ix, ixp1) in enumerate(zip(iix1, iix1 + 1)):
-                    # Interpoleer eerst over de eerste stochast
-                    fy1 = (1 - fracs1[i]) * fp[ix][iix2] + fp[ixp1][iix2] * fracs1[i]
-                    fy2 = (1 - fracs1[i]) * fp[ix][iix2 + 1] + fp[ixp1][
-                        iix2 + 1
-                    ] * fracs1[i]
-
-                    # Interpoleer de tweede stochast
-                    ovkansen[i] = fy1 + (fy2 - fy1) * fracs2.reshape(frac2shp)
-
-                # fy1 = (1 - fracs1.reshape(frac1shp)) * fp[np.ix_(iix1, iix2  )] + fp[np.ix_(iix1+1, iix2  )] * fracs1.reshape(frac1shp)
-                # fy2 = (1 - fracs1.reshape(frac1shp)) * fp[np.ix_(iix1, iix2+1)] + fp[np.ix_(iix1+1, iix2+1)] * fracs1.reshape(frac1shp)
-
-            # Door het interpoleren kunnen overschrijdingskansen gecreëerd worden, die een fractie groter zijn dan 1.0
-            ovkansen[:] = np.minimum(ovkansen, 1.0)
-
-            # De berekende overschrijdingskansen gelden voor een blokje met de duur, die gelijk is
-            # aan de door de gebruiker gekozen block_duration van de wind. Voor het discretiseren van de
-            # golfvormen heeft de gebuiker een andere duur opgegeven. De bovenstaande overschrijdings-
-            # kansen worden hiervoor gecorrigeerd
-            if block_duration != statistics.wind_speed.block_duration_wind:
-                ovkansen[:] = 1.0 - (1.0 - ovkansen) ** (
-                    block_duration / statistics.wind_speed.block_duration_wind
-                )
-
-            # Bereken de onderschrijdingskans voor de basisduur gebruikmakend van de overschrijdingskansen per blokje
-            # Factoren zijn 1
-            blokondkans[:] = 1.0 - ovkansen
-
-            # Eerste blok is half
-            if it == 0:
-                blokondkans[:] **= 0.5
-
-            # Neem het voorlaatste en laatste blok samen
-            if it == (nt - 1):
-                # Als de eindduur kleiner is dan een halve block_duration, dan is de factor kleiner dan 1
-                if eindduur < (0.5 * block_duration):
-                    factor = ((0.5 * block_duration) + eindduur) / block_duration
-                    blokondkans[:] **= factor
-
-                # Als de eindduur groter of even lang is als een halve block_duration
-                else:
-                    # Vermenig de block_duration ook nog met het laatste blokje
-                    factor = (eindduur - (block_duration / 2.0)) / block_duration
-                    blokondkans[:] *= (1.0 - ovkansen[:, :]) ** factor
-
-            ondkanstot *= blokondkans
-
-        # Return
-        return 1 - ondkanstot
+import numpy as np
+
+from .base_model import BaseModel
+from .loading.loading_factory import LoadingFactory
+from .statistics.statistics_factory import StatisticsFactory
+from ..settings.settings import Settings
+from ...common.probability import ProbabilityFunctions
+
+
+class WaterSystem(BaseModel):
+    def __init__(self, settings: Settings):
+        """
+        Water System model
+        """
+        # Inherit
+        super().__init__(settings)
+
+        # Statistics
+        self.statistics = StatisticsFactory.get_statistics(self.settings)
+
+        # Loading
+        self.loading = LoadingFactory.get_loading(self.settings)
+
+    def process_slow_stochastics(
+        self, exceedance_probability: np.ndarray, axis: int = None
+    ) -> np.ndarray:
+        """
+        Convert probabilities given a discharge to probabilities per duration.
+
+        This function converts probabilities represented by a discharge to
+        probabilities per specified duration based on the given stochastic
+        variable ('stochastic'). The probabilities are computed for each
+        duration (basisduur).
+
+        Parameters
+        ----------
+        exceedance_probability : np.ndarray
+            Numpy array with the discharge on the first dimension.
+
+        Returns
+        -------
+        np.ndarray
+            Probabilities per specified duration (basisduur).
+        """
+        # Input stochastics
+        statistics = self.get_statistics()
+        slow_stochastics = list(statistics.stochastics_slow.keys())
+        _axis = range(1, len(slow_stochastics) + 1) if axis is None else axis
+
+        # Put slow variable on first axis if not already
+        newpos = range(len(np.atleast_1d(_axis)))
+        if newpos != _axis:
+            ep_x = np.moveaxis(exceedance_probability, _axis, newpos)
+        else:
+            ep_x = exceedance_probability
+
+        # Calculate exceedance frequencies per peak discharge / lake level
+        ep_ks = self.process_wave_shape(ep_x)
+
+        # Steps in probability density
+        if len(slow_stochastics) == 1 and slow_stochastics[0] == "q":
+            p_peak = ProbabilityFunctions.probability_density(
+                statistics.discharge.qpeak, statistics.discharge.epqpeak
+            ).probability
+
+        elif len(slow_stochastics) == 1 and slow_stochastics[0] == "a":
+            p_peak = ProbabilityFunctions.probability_density(
+                statistics.lake_level.apeak, statistics.lake_level.epapeak
+            ).probability
+
+        elif len(slow_stochastics) == 2 and slow_stochastics == ["a", "q"]:
+            dq = ProbabilityFunctions.probability_density(
+                statistics.discharge.qblok, statistics.discharge.epqpeak
+            ).delta
+            dm = ProbabilityFunctions.probability_density(
+                statistics.lake_level.ablok, statistics.lake_level.epapeak
+            ).delta
+            p_peak = statistics.density_aq_peak * dm[:, None] * dq[None, :]
+
+        elif len(slow_stochastics) == 2 and slow_stochastics == ["q", "a"]:
+            dq = ProbabilityFunctions.probability_density(
+                statistics.discharge.qblok, statistics.discharge.epqpeak
+            ).delta
+            da = ProbabilityFunctions.probability_density(
+                statistics.lake_level.ablok, statistics.lake_level.epapeak
+            ).delta
+            p_peak = statistics.density_aq_peak.T * dq[:, None] * da[None, :]
+
+        # Reshape steps when multiplying to trapezoidal probs
+        shp = p_peak.shape + (1,) * (ep_ks.ndim - p_peak.ndim)
+
+        # Trapezoidal probability
+        p_trapezoidal = (p_peak.reshape(shp) * ep_ks).sum(
+            axis=tuple(range(p_peak.ndim))
+        )
+
+        return p_trapezoidal
+
+    def process_wave_shape(self, exceedance_probability: np.ndarray) -> np.ndarray:
+        """
+        Process the discharge waveshapes into the exceedance probabilities
+        conditioned on the discharge level. The discharge level is represented
+        on the first axis, which has dimensions equal to the number of
+        discharge steps in the statistics.
+
+        Parameters
+        ----------
+        exceedance_probability : np.ndarray
+            Numpy array containing the exceedance probabilities with the
+            discharge on the first dimension.
+
+        Returns
+        -------
+        blokondkans : np.ndarray
+            Exceedance probabilities of the discharge per duration (basisduur).
+        """
+        # Input variables
+        statistics = self.get_statistics()
+        slow_stochastics = list(statistics.stochastics_slow.keys())
+        fp = exceedance_probability
+
+        # Result variables
+        intidxs = []
+        xs = []
+        xps = []
+
+        # Verzamel de interpolatieindices voor alle trage stochasten
+        for i, _stochastic in enumerate(slow_stochastics):
+            if _stochastic == "q":
+                xp = statistics.discharge.qpeak
+                x = statistics.discharge.get_wave_shape().get_wave_shapes()
+                tijden = statistics.discharge.get_wave_shape().time
+            elif _stochastic == "a":
+                xp = statistics.lake_level.apeak
+                x = statistics.lake_level.get_wave_shape().get_wave_shapes()
+                tijden = statistics.lake_level.get_wave_shape().time
+            else:
+                raise ValueError(
+                    f"Eerste trage stochast is niet 'q' of 'm'/'a' (gegeven eerste trage stochast: {_stochastic})"
+                )
+
+            # Check if the length matches
+            if exceedance_probability.shape[i] != x.shape[1]:
+                raise ValueError(
+                    f"The number of elements in the stochast axis ({i}) should be {x.shape[1]} ({x.shape}), but is {exceedance_probability.shape[i]} ({exceedance_probability.shape})."
+                )
+
+            # Bepaal de interpolatie-indices, de xp-punten rondom x waartussen wordt geïnterpoleerd
+            intidx = np.array(
+                [(xp[None, :] <= ix[:, None]).sum(1) - 1 for ix in x], dtype=np.uint16
+            )
+            intidx = np.minimum(np.maximum(intidx, 0), len(xp) - 2)
+
+            intidxs.append(intidx)
+            xs.append(x)
+            xps.append(xp)
+
+        # Bepaal de tijdsduur van het eerste en het laatste blokje uit de golfvorm
+        block_duration = tijden[1] - tijden[0]
+        eindduur = tijden[-1] - tijden[-2]
+
+        # Alloceer arrays. Het is sneller om in de loop de arrays over te schrijven dan om ze opnieuw aan te maken
+        ondkanstot = np.ones(exceedance_probability.shape)
+        blokondkans = np.zeros(exceedance_probability.shape)
+        ovkansen = np.zeros(exceedance_probability.shape)
+
+        nt = len(tijden)
+
+        for it in range(nt - 1):
+            # Interpoleer de overschrijdingskansen
+            if len(slow_stochastics) == 1:
+                # Bepaal de index van de interpolatiewaarden (afvoeren / meerpeil) voor de betreffende tijdstap
+                iix = intidxs[0][it]
+
+                # Bepaal de fracties van de fp waarden obv xp, die moet worden ingevuld voor f (obv x)
+                fracs = (x[it] - xp[iix]) / (xp[iix + 1] - xp[iix])
+
+                # Bepaal de vorm van de output array, dit is (Ntraag, Ntijd, Nderest1, Nderest2, ...)
+                fracshp = fracs.shape + (1,) * (fp.ndim - 1)
+
+                # Interpoleer alle overschrijdingskansen in één keer door de fracties met de resultaatwaarden (fp) te vermenigvuldigen
+                ovkansen[:] = (1 - fracs.reshape(fracshp)) * fp[iix] + fp[
+                    iix + 1
+                ] * fracs.reshape(fracshp)
+
+            elif len(slow_stochastics) == 2:
+                iix1 = intidxs[0][it]
+                iix2 = intidxs[1][it]
+
+                # Bepaal de fracties van de fp waarden obv xp, die moet worden ingevuld voor f (obv x)
+                fracs1 = (xs[0][it] - xps[0][iix1]) / (xps[0][iix1 + 1] - xps[0][iix1])
+                fracs2 = (xs[1][it] - xps[1][iix2]) / (xps[1][iix2 + 1] - xps[1][iix2])
+
+                # Bepaal de vorm van de output array, dit is (Ntraag, Ntijd, Nderest1, Nderest2, ...)
+                frac2shp = fracs2.shape + (1,) * (fp.ndim - 2)
+
+                # 2D interpolatie
+                # Merk op dat dit via een loop gaat. Dit is sneller dan in enkele array-operaties, omdat
+                # de arrays zo groot zijn dat fancy-indexing traag wordt
+                for i, (ix, ixp1) in enumerate(zip(iix1, iix1 + 1)):
+                    # Interpoleer eerst over de eerste stochast
+                    fy1 = (1 - fracs1[i]) * fp[ix][iix2] + fp[ixp1][iix2] * fracs1[i]
+                    fy2 = (1 - fracs1[i]) * fp[ix][iix2 + 1] + fp[ixp1][
+                        iix2 + 1
+                    ] * fracs1[i]
+
+                    # Interpoleer de tweede stochast
+                    ovkansen[i] = fy1 + (fy2 - fy1) * fracs2.reshape(frac2shp)
+
+                # fy1 = (1 - fracs1.reshape(frac1shp)) * fp[np.ix_(iix1, iix2  )] + fp[np.ix_(iix1+1, iix2  )] * fracs1.reshape(frac1shp)
+                # fy2 = (1 - fracs1.reshape(frac1shp)) * fp[np.ix_(iix1, iix2+1)] + fp[np.ix_(iix1+1, iix2+1)] * fracs1.reshape(frac1shp)
+
+            # Door het interpoleren kunnen overschrijdingskansen gecreëerd worden, die een fractie groter zijn dan 1.0
+            ovkansen[:] = np.minimum(ovkansen, 1.0)
+
+            # De berekende overschrijdingskansen gelden voor een blokje met de duur, die gelijk is
+            # aan de door de gebruiker gekozen block_duration van de wind. Voor het discretiseren van de
+            # golfvormen heeft de gebuiker een andere duur opgegeven. De bovenstaande overschrijdings-
+            # kansen worden hiervoor gecorrigeerd
+            if block_duration != statistics.wind_speed.block_duration_wind:
+                ovkansen[:] = 1.0 - (1.0 - ovkansen) ** (
+                    block_duration / statistics.wind_speed.block_duration_wind
+                )
+
+            # Bereken de onderschrijdingskans voor de basisduur gebruikmakend van de overschrijdingskansen per blokje
+            # Factoren zijn 1
+            blokondkans[:] = 1.0 - ovkansen
+
+            # Eerste blok is half
+            if it == 0:
+                blokondkans[:] **= 0.5
+
+            # Neem het voorlaatste en laatste blok samen
+            if it == (nt - 1):
+                # Als de eindduur kleiner is dan een halve block_duration, dan is de factor kleiner dan 1
+                if eindduur < (0.5 * block_duration):
+                    factor = ((0.5 * block_duration) + eindduur) / block_duration
+                    blokondkans[:] **= factor
+
+                # Als de eindduur groter of even lang is als een halve block_duration
+                else:
+                    # Vermenig de block_duration ook nog met het laatste blokje
+                    factor = (eindduur - (block_duration / 2.0)) / block_duration
+                    blokondkans[:] *= (1.0 - ovkansen[:, :]) ** factor
+
+            ondkanstot *= blokondkans
+
+        # Return
+        return 1 - ondkanstot

pydra_core/location/model/wave_overtopping.py

@@ -1,25 +1,25 @@
-import numpy as np
-
-from .base_model import BaseModel
-from .loading.other_systems.loading_wave_overtopping import LoadingWaveOvertopping
-from .statistics.other_systems.statistics_wave_overtopping import (
-    StatisticsWaveOvertopping,
-)
-from ..location import Location
-
-
-class WaveOvertopping(BaseModel):
-    def __init__(
-        self, location: Location, water_levels: np.ndarray, probability: np.ndarray
-    ):
-        """
-        Wave Overtopping model
-        """
-        # Inherit
-        super().__init__(location.get_settings())
-
-        # Init statistics
-        self.statistics = StatisticsWaveOvertopping(location, water_levels, probability)
-
-        # Init loading
-        self.loading = LoadingWaveOvertopping(location, water_levels)
+import numpy as np
+
+from .base_model import BaseModel
+from .loading.other_systems.loading_wave_overtopping import LoadingWaveOvertopping
+from .statistics.other_systems.statistics_wave_overtopping import (
+    StatisticsWaveOvertopping,
+)
+from ..location import Location
+
+
+class WaveOvertopping(BaseModel):
+    def __init__(
+        self, location: Location, water_levels: np.ndarray, probability: np.ndarray
+    ):
+        """
+        Wave Overtopping model
+        """
+        # Inherit
+        super().__init__(location.get_settings())
+
+        # Init statistics
+        self.statistics = StatisticsWaveOvertopping(location, water_levels, probability)
+
+        # Init loading
+        self.loading = LoadingWaveOvertopping(location, water_levels)