BWI2022_PK20241014.qmd

---
title: "Ergebnisse der Bundeswaldinventur in Brandenburg"
#subtitle: "Informationen als Infografik zu den Brendenburger Ergebnisdaten der BWI 2022 für die Hosentasche und Webseite"
institution: "Landeskompetenzzentrum Forst Eberswalde"
author: "Torsten Wiebke und Dr. Ulrike Hagemann"
date: last-modified
date-format: "[Stand]  D. M. YYYY"

format:
  pdf:
    documentclass: scrreprt #Komascript reprt
    include-in-header:
      - text: |
          \usepackage{easy-todo}
    use-rsvg-convert: true
    #default-image-extension: png
    keep_tex: true
        # wenn nur PDF: in der Console: quarto::quarto_render("your_document.qmd", output_format = "pdf")
    # quarto::quarto_render("bwi_interpretationsworkshop.qmd", output_format = "revealjs")
  docx:
    toc: true
    number-sections: true
  html:
    toc: true
  revealjs:
  # ermölicht horizontale und vertikale Gliederung
    navigation-mode: vertical
  # gibt die Überschriftenebene an bis zu der eine eigene Folie erzeugt werden soll 
    slide-level: 4
    incremental: false 
    slide-number: true
  pptx:
    reference-doc: LFB_Masterfolie_LFE_2024.pptx
editor_options:
  markdown:
    wrap: 72
#editor: visual
---

{{< include librarys-datimport.qmd >}}

# Die Bundeswaldinventur (BWI)

::::: columns
::: {.column width="50%"}
-   Bundesweite Stichprobeninventur alle 10 Jahre im Wald nach § 41 a
    BWaldG
-   seit 1987, Deutschlandweit seit 2002 - 4. Turnus
-   Ergebnisse sind das Fundament für forst-, wirschafts- und
    umweltpolitische Entscheidungen sowie Grundlage für eine nachhaltige
    Waldbewirtschaftung
    -   Modellierung zukünftiger Waldentwicklung und Holzaufkommen
        (WEHAM)
    -   Aussagen zu den Klimaschutzleistungen des Waldes
    -   Planungs- und Investitionsentscheidungen im Cluster Forst und
        Holz
    -   Datenbasis für die forstliche Forschung
:::

::: {.column width="50%"}
![Artikelausschnitt von
<https://www.berliner-zeitung.de/gesundheit-oekologie/inventur-im-zeichen-des-klimawandels-der-deutsche-wald-wird-gezaehlt-li.153920>](images/Screenshot_20241001_232551_ArtikelBZ.png)
:::
:::::

## Datenerhebung

-   Aufnahmen in Brandenburg von April 2021 bis Ende 2022
-   Stichprobennetz von 2 km x 2  km
-   insgesamt wurden ca.
    `r format(trackt_eckenanzahl %>% select(begutachtungsecken) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    Punkte begutachtet
-   `r format(trackt_eckenanzahl %>% select(ausschreibungstrakte) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    Trakte mit
    `r format(trackt_eckenanzahl %>% select(waldecke) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    Ecken wurden zur Begutachtung ausgeschrieben und
    `r format(trackt_eckenanzahl %>% select(lfebearbeitungsecke) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    Ecken von eigenen Trupps begutachtet
-   `r format(waldecke_begeh22 %>%  filter(Begehbarkeit == "begehbar + nicht begehbar" & Waldspezifikation == "Wald") %>% select(Ecken) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    Ecken lagen im Wald nach LWaldG und [Walddefinition der
    BWI](#imp-bwi_walddef)
-   von diesen waren
    `r format(round((waldecke_begeh22 %>%  filter(Begehbarkeit == "begehbar" & Waldspezifikation == "Wald") %>% select(Ecken) %>% pull()),2), big.mark = ".", decimal.mark = ",", scientific = FALSE)`
    begehbar und es konnten Daten aufgenommen werden.

### Waldfläche

::::: columns
::: {.column width="50%"}
-   trotz hoher Flächenkonkurrenz Waldfläche mit
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Wald') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
    unverändert
-   viertgrößte Waldfläche Deutschlands; mit
    `r format(waldflant %>%   filter(Kategorie == "Wald" & Land == "Brandenburg") %>%   select(Anteil) %>% pull() %>%  round(2), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %
    auf Platz 5 der waldreichsten Bundesländer
-   Abnahme der Blößen und des Nichtholzbodens v.a. durch Sukzession
    (z.B. auf ehemaligen Truppenübungsplätzen)
:::

::: {.column width="50%"}
```{r TreemapWaldspez, echo=FALSE}
ggplot((waldfl_spez_long %>% 
          filter(Land == 'Brandenburg' & Kategorie != 'Wald' & Kategorie != 'Holzboden') 
        ), aes(area = Fläche, fill = Kategorie, label = paste(Kategorie,"\n", paste0(format(round(Fläche), big.mark = ".", decimal.mark = ",", scientific = FALSE)), "ha","\n", 
                                                              "(", round(Prozent, 1), "%)", sep = ""))) +
  geom_treemap(color = "black", size = 0.5) +  # Schwarzer Rand um die Felder
  geom_treemap_text(colour = "black", place = "centre") +
  scale_fill_manual(values = c(
    "bestockter Holzboden" = "#24d617",    # Grün für bestockter Holzboden
    "Blöße" = "#d6b913",              # Ocker für Blöße
    "Nichtholzboden" = "grey"            # Grau für Nichtholzboden
  )) +
  theme(legend.position = "right") +
  labs(title = "Waldflächen nach Spezifikation\n in Brandenburg in der BWI 2022")
ggsave("images/TreemapWaldspezifikationen.png", width = 10, height = 10, units = "cm")
```
:::
:::::

### Waldflächentext

Brandenburg verfügt über eine Waldfläche von
**`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Wald') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha**.

Forstwirtschaftlich unterteilt besteht diese aus:

-   »bestockter Holzboden«:
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'bestockter Holzboden') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
    das sind
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'bestockter Holzboden') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.
-   »Nichtholzboden«:
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Nichtholzboden') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
    das sind
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Nichtholzboden') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.
-   »Blößen«:
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Blöße') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
    das sind
    `r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Blöße') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.

```{r TreemapWaldspez2, echo=FALSE}
ggplot((waldfl_spez_long %>% 
          filter(Land == 'Brandenburg' & Kategorie != 'Wald' & Kategorie != 'Holzboden') 
        ), aes(area = Fläche, fill = Kategorie, label = paste(Kategorie,"\n", paste0(format(round(Fläche), big.mark = ".", decimal.mark = ",", scientific = FALSE)), "ha","\n", round(Prozent), "%"))) +
  geom_treemap() +
  geom_treemap_text(colour = "white", place = "centre", #grow = TRUE, 
                    ) +
  scale_fill_brewer(palette = "Set3") +
  theme(legend.position = "right") +
  labs(title = "Waldflächen nach Spezifikation\n in Brandenburg in der BWI 2022")
#ggsave("images/TreemapWaldspezifikationen.png", width = 10, height = 10, units = "cm")
```

Damit nimmt Brandenburg nach absoluter Waldfläche bundesweit den
**vierten** Platz - nach Bayern, Baden-Württemberg und Niedersachsen -
und nach relativer Waldfläche, mit
**`r format(waldflant %>%   filter(Kategorie == "Wald" & Land == "Brandenburg") %>%   select(Anteil) %>% pull() %>%  round(2), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %**
den **fünften** Platz - nach Rheinland-Pfalz, Hessen, Baden-Württemberg
und dem Saarland - ein.

### Waldeigentum

Die Brandenburger Waldfläche in Höhe von
`r format(waldfl_eig$waldfl22_eig %>%  filter(Land == "Brandenburg") %>%   select('alle Eigentumsarten') %>%   pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
teilt sich in
`r format(waldfl22_eig_long %>%     filter(Land == "Brandenburg" & Eigentumsart %in% c("Privatwald")) %>%   ungroup() %>%     select(c(Prozent)) %>%   pull())` %
Privatwald und
`r format(waldfl22_eig_long %>%     filter(Land == "Brandenburg" & Eigentumsart %in% c("Öffentlicher Wald")) %>%   ungroup() %>%     select(c(Prozent)) %>%   pull())` %
öffentlicher Wald auf

```{r waldfl_brb_eig, echo=FALSE}
# Treemap erstellen
ggplot((waldfl22_eig_long %>%
  filter(Land == "Brandenburg") %>%
  filter(!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald"))
  ),aes(
    area = Fläche,
    fill = Gruppe, # Gruppierung nach der Spalte "Gruppe"
   label = paste(
      Eigentumsart,
      "\n",
      formatC(
        Fläche,
        format = "f",
        big.mark = ".",
        decimal.mark = ",",
        digits = 0
      ),
      "ha"
    ) # Formatierung der Fläche
  )
) +
   geom_treemap(colour = "black", size = 0.8) + # Hinzufügen von Randlinien um die Rechtecke
  geom_treemap_text(colour = "black", place = "centre", grow = TRUE) +
  geom_treemap_text(aes(label = paste0(Prozent, "%")), # Prozentwerte unter der Fläche anzeigen
                    colour = "black", place = "bottom", grow = FALSE, size=12, padding.x = grid::unit(2, "mm")) +
  labs(
    title = "Waldflächenverteilung in Brandenburg",
    subtitle = "Nach Eigentumsarten und Gruppen",
    fill = "Gruppe" # Legende zeigt die Gruppierung
  ) +
  theme(
    #legend.position = "right",  # Position der Legende
    legend.text = element_text(size = 14),  # Schriftgröße der Legendenbeschriftungen
    #legend.title = element_text(size = 14, face = "bold")  # Schriftgröße und Fettdruck des Legendentitels
  )
  #theme_minimal()
#ggsave("images/TreemapWaldfläche_Eigentum_Brandenburg_2022.png", width = 20, height = 15, units = "cm")
```