Newer
Older
::: content-hidden
# librarys Farben und Daten {.hidden .unnumbered .unlisted}
```{r librarys, include=FALSE}
library(readxl)
library(ggplot2)
library(treemapify)
library(treemap)
library(ggrepel) # um Legenden automatisch zu platzieren
#library(scales) # um Tausendertrennzeichen einzuführen
library(prettyunits) # um Einheiten zu formatieren
library(stats)
library(corrplot)
library(tidyverse)
library(feather) # um Daten zu speichern
library(tidyr)
library(scales)
library(RColorBrewer) # Für eine breite Palette von Farben
library(patchwork) # um Diagramme nebeneinander darzustellen
library(knitr)
library(flextable)
library(kableExtra)
library(xtable) # für LaTeX-Tabellen
library(quarto)
#library(webshot2) # für Screenshots
library(RPostgres) # installation funktionert nachdem via muon libpq-dev installiert wurde
library(config) # um Datenbankonfiguration zu verstecken
library(todor) # um Todos zu erstellen - siehe RStudio, Addins find active ... todos
```{r}
# config.yml ist in faircloud/3-2-bwi/Auswertung/R_bwi/
# Verbindung herstellen
# convwm <- dbConnect(RPostgreSQL::PostgreSQL(),
# host="db03.simplex4data.de",
# port=5432,
# user="twiebke",
# dbname="projekt_lfb",
# password="rechtshelfeschmerzendamals")
# Konfiguration für eine spezifische Datenbank laden
config <- config::get(file = "config.yml")
db_config <- config$databases$sgdb
consgdb <- DBI::dbConnect(RPostgres::Postgres(),
host=db_config$host,
port=db_config$port,
dbname=db_config$dbname,
user=db_config$user,
password=db_config$password)
```
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
```{r farben, include=FALSE}
# Benutzerdefinierte Farben für die Layer
ba_farben <- c("Eiche (Quercus)" = "#ffffcc",
"Eiche" = "#ffffcc",
"Eichen-Typ" = "#ffffcc",
"Buche (Fagus)" = "#ccfe64",
"Buche" = "#ccfe64",
"Buchen-Typ" = "#ccfe64",
"Esche (Fraxinus)" = "#fed976",
"Eschen-Typ" = "#fed976",
"Ahorn (Acer)" = "#fd8d3c",
"sonst. Lb hoher Lebensdauer" = "#fc4e2a",
"andere Lb hoher Lebensdauer" = "#fc4e2a",
"Typ sonst. Laubbäume mit hoher Lebensdauer" = "#fc4e2a",
"Erle (Alnus)" = "#8c96c6",
"Erlen-Typ" = "#8c96c6",
"Birke (Betula)" = "#e0ecf4",
"Birken-Typ" = "#e0ecf4",
"sonst. Lb niedriger Lebensdauer" = "#88419d",
"andere Lb niedriger Lebensdauer" = "#88419d",
"Typ sonst. Laubbäume mit niedriger Lebensdauer"= "#88419d",
"alle Laubbäume" = "#ae017e",
"Fichte (Picea)" = "#7f7f7f",
"Fichte" = "#7f7f7f",
"Fichten-Typ" = "#7f7f7f",
"Tanne (Abies)" = "#a6bddb",
"Tanne" = "#a6bddb",
"Tannen-Typ" = "#a6bddb",
"Douglasie (Pseudotsuga)" = "#67a9cf",
"Douglasie" = "#67a9cf",
"Douglasien-Typ" = "#67a9cf",
"Kiefer (Pinus)" = "#e4ce4c",
"Kiefer" = "#e4ce4c",
"Kiefern-Typ" = "#e4ce4c",
"Lärche (Larix)" = "#f4a6a4",
"Lärche" = "#f4a6a4",
"Lärchen-Typ" = "#f4a6a4",
"alle Nadelbäume" = "#02818a",
"Typ mit mehreren gleichrangigen Baumarten" ="#006d2c",
"Lücke" = "#dcdcdc",
"Blöße" = "#edf8fb",
"Nichtholzboden" = "#b2e2e2",
"Holzboden" = "#66c2a4",
"bestockter Holzboden" = "#2ca25f",
"Wald" = "#006d2c",
"stehend, ganzer Baum" = "goldenrod1",
"stehend, Bruchstück (Höhe ab 130 cm)" = "goldenrod2",
"stehend" = "goldenrod3",
"liegend, ganzer Baum mit Wurzelanlauf" = "darkseagreen1",
"liegend, Stammstück mit Wurzelanlauf" = "darkseagreen2",
"liegend, Teilstück ohne Wurzelanlauf" = "darkseagreen3",
"liegend" = "darkseagreen4",
"Wurzelstock (Höhe < 130 cm)" = "#88419d",
"Abfuhrrest (aufgeschichtet)" = "#ae017e",
"alle Totholztypen" = "#67a9cf"
)
```
# Datenimport
## von Sachgebietsdatenbank consgdb
### Trakteckenanzahl
# qu_trackt_eckenanzahl <- "select --distinct bftw.anat
# count (distinct bfev.tnr) filter (where bfev.wa between 0 and 5) as ausschreibungstrakte,
# COUNT(distinct bfev.tnr) filter (where bfev.wa = 0) as nichtwaldtrakte -- Anzahl der Traktnummern mit bfev.wa = 0
# ,COUNT(distinct bfev.tnr) filter (where bfev.wa between 1 and 5) as waldtrakte -- Anzahl der Traktnummern mit bfev.wa zwischen 1 und 5
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1901 and 1916) as begutachtungsecken
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1901 and 1911) as ausschreibungsecke -- siehe bwi_meta.k3_login
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1912 and 1916) as lfebearbeitungsecke
# ,count(bfev.enr) filter (where bfev.wa between 1 and 5) as waldecke
# from
# bwi_2022.b3f_ecke_vorkl bfev
# --join bwi_admin.lospunkt l on l.tnr = bfev.tnr
# join bwi_2022.b3f_tnr_vorkl bftv on bftv.tnr = bfev.tnr
# join bwi_2022.b3f_tnr_work bftw on bftw.tnr = bfev.tnr
# where
# bftv.trstatus between 1 and 3 -- waldtrakte oder ungewiss = x3_tr_status icode=3
# and bftw.anat between 1901 and 1916;"
# trackt_eckenanzahl <- dbGetQuery(consgdb, qu_trackt_eckenanzahl)
# trackt_eckenanzahl
# # Speichere das Ergebnis als RDS-Datei
# saveRDS(trackt_eckenanzahl, "../data/trackt_eckenanzahl.rds")
# Lade die RDS-Datei
trackt_eckenanzahl <- readRDS("../data/trackt_eckenanzahl.rds")
# ist als View erstellt
# v_top_wzp <- dbGetQuery(consgdb,
# "SELECT *
# FROM bwi_2022.v_top_wzp;"
# )
# v_top_wzp
# # # Speichere das Ergebnis als RDS-Datei
# saveRDS(v_top_wzp, "../data/v_top_wzp.rds")
# Lade die RDS-Datei
v_top_wzp <- readRDS("../data/v_top_wzp.rds")
```{r imp_waldfl, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
waldfl_sheet_names <- excel_sheets("../data/Waldfl_Ba.xlsx")
waldfl_ba <- lapply(waldfl_sheet_names, function(sheet) {
read_excel("../data/Waldfl_Ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(waldfl_ba) <- waldfl_sheet_names
```
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
### Waldflächenänderung
```{r imp_ver_waldfl, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_waldfl_sheet_names <- excel_sheets("../data/ver_waldfläche.xlsx")
ver_waldfl <- lapply(ver_waldfl_sheet_names, function(sheet) {
read_excel("../data/ver_waldfläche.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_waldfl) <- ver_waldfl_sheet_names
```
##### Waldflächenänderung long
```{r ver-waldfl, include=FALSE}
# Daten vorbereiten
# Veränderung Waldfläche
ver_waldfl_long <- ver_waldfl$ver_waldfl_waldspez_hb_nhb_2022 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Veränderungen") %>%
replace_na(list("Veränderungen"= 0))
#ver_waldfl_long
```
##### Standflächenänderung long
```{r}
# Daten für Waldfl in Long-Format bringen
ver_stndfl_long <- ver_waldfl$ver_stndfl_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen") %>%
#filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderungen = 0))
ver_stndfl_long
```
##### Prozentstandflächenänderung
```{r}
ver_standfl_prozent <- ver_waldfl$ver_proz_waldfl_ba_standfl_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Veränderungen") %>%
#filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderungen = 0))
ver_standfl_prozent
```
```{r imp_ver_vor1, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_vor_sheet_names <- excel_sheets("../data/ver_vorrates.xlsx")
ver_vor <- lapply(ver_vor_sheet_names, function(sheet) {
read_excel("../data/ver_vorrates.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_vor) <- ver_vor_sheet_names
```
##### Grundflächenänderung
```{r}
# Daten in Long-Format bringen
ver_gf_ba_22 <- ver_vor$ver_gf_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Ba_Gruppen",
values_to = "Veränderungen")
ver_gf_ba_22 <- ver_gf_ba_22%>%
replace_na(list(Veränderungen = 0))
```
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
### Waldflächenanteile
```{r}
# Daten umformen und rangieren
waldflant <- waldfl_ba$waldanteil22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Anteil")
# Filter, nach Anteil sortieren und fortlaufende Rangfolge erstellen
waldflant <- waldflant %>%
filter(Land != "Deutschland (alle Länder)") %>%
arrange(desc(Anteil * (Kategorie == "Wald"))) %>% # Sortiert nach Anteil der Kategorie "Wald" absteigend
group_by(Kategorie) %>%
mutate(Anteilsrang = ifelse(Kategorie == "Wald", row_number(), NA)) %>% # Fortlaufende Rangfolge für Wald
ungroup()
# Zeilen anzeigen
waldflant
```
### Waldfläche \[ha\] nach Land und Waldspezifikation
```{r}
# Daten in Long-Format bringen
waldfl_spez_long <- waldfl_ba$waldfl22spez %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Fläche")
waldfl_spez_long <- waldfl_spez_long %>%
replace_na(list(Fläche = 0))
# Prozentwerte der Kategorien berechnen
waldfl_spez_long <- waldfl_spez_long %>%
left_join((waldfl_spez_long %>%
filter(Kategorie %in% c("bestockter Holzboden", "Blöße", "Nichtholzboden")) %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / sum(Fläche) * 100),2)) %>%
ungroup() %>%
select(Land, Kategorie, Prozent)), by = c("Land", "Kategorie")) %>%
left_join(waldfl_spez_long %>%
filter(Kategorie %in% c("Wald", "Holzboden")) %>%
spread(key = Kategorie, value = Fläche) %>%
mutate(Holzboden_Anteil = round((Holzboden / Wald) * 100, 2)) %>%
select(Land, Holzboden_Anteil), by = "Land") %>%
mutate(Prozent = ifelse(Kategorie == "Holzboden", Holzboden_Anteil, Prozent)) %>%
select(-Holzboden_Anteil) %>%
replace_na(list(Prozent = 100))
# Filter, nach Anteil sortieren und fortlaufende Rangfolge erstellen
waldfl_spez_long <- waldfl_spez_long %>%
filter(Land != "Deutschland (alle Länder)") %>%
arrange(desc(Fläche * (Kategorie == "Wald"))) %>% # Sortiert nach Fläche der Kategorie "Wald" absteigend
group_by(Kategorie) %>%
mutate(Flächenrang = ifelse(Kategorie == "Wald", row_number(), NA)) %>% # Fortlaufende Rangfolge für Wald
ungroup()
waldfl_spez_long
```
### Waldfläche Begehbarkeit
```{r}
# waldfl_begeh22 <- waldfl_ba$bb_waldfl_begehbar_waldspez22 %>%
# pivot_longer(cols = -c(Begehbarkeit,Einheit),
# names_to = "Waldspezifikation",
# values_to = "Fläche")
# waldfl_begeh22
```
### Traktecken Begehbarkeit
```{r}
waldecke_begeh22 <- waldfl_ba$bb_ecken_begehbar_waldspez22 %>%
pivot_longer(cols = -c(Begehbarkeit,Einheit),
names_to = "Waldspezifikation",
values_to = "Ecken")
waldecke_begeh22
```
### Waldfläche Eigentum
```{r imp_waldfl_eig, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
waldfleig_sheet_names <- excel_sheets("../data/Waldfl_eig.xlsx")
waldfl_eig <- lapply(waldfleig_sheet_names, function(sheet) {
read_excel("../data/Waldfl_eig.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(waldfl_eig) <- waldfleig_sheet_names
```
```{r}
#Daten umstrukturieren
waldfl22_eig_long <- waldfl_eig$waldfl22_eig %>%
pivot_longer(cols = -c(Land, Einheit, `alle Eigentumsarten`),
names_to = "Eigentumsart",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
# Berechnung der Prozentwerte für alle Kategorien
waldfl22_eig_long <- waldfl22_eig_long %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / `alle Eigentumsarten`) * 100, 2))
# Erstellen der Gruppen
waldfl22_eig_long <- waldfl22_eig_long %>%
mutate(
Gruppe = case_when(
Eigentumsart %in% c("Staatswald (Bund)", "Staatswald (Land)", "Körperschaftswald") ~ "Öffentlicher Wald",
Eigentumsart %in% c("Privatwald, bis 20 ha", "Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha") ~ "Privatwald",
TRUE ~ Eigentumsart
)
)
waldfl22_eig_long
```
### Veränderung Waldfläche Eigentum
```{r}
# Daten umstrukturieren
ver_waldfl22_eig_long <- waldfl_eig$ver_waldfl22_eig %>%
pivot_longer(cols = -c(Land, Einheit, `alle Eigentumsarten`),# `Öffentlicher Wald`, `Privatwald`),
names_to = "Eigentumsart",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
ver_waldfl22_eig_long
```
### Baumarten Standflächen ha dtl
```{r}
#Daten für 2022 vorbereiten
waldfl22_ba_long <- waldfl_ba$waldfl_ba_standfl_22 %>%
#filter(Land == "Brandenburg") %>%
pivot_longer(cols = -c(Land, Einheit, `alle Baumarten`
# , "alle Baumarten",
# "alle Laubbäume","alle Nadelbäume",
# "andere Lb hoher Lebensdauer",
# "andere Lb niedriger Lebensdauer"
),
names_to = "Ba_Wa",
values_to = "Fläche")
# waldfl22_ba_long
# Berechnung der Prozentwerte für alle Kategorien
waldfl22_ba_long <- waldfl22_ba_long %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / `alle Baumarten`) * 100, 2)) %>%
ungroup() %>%
# Zuordnung der Farben zu den Daten
mutate(Farbe = ba_farben[match(Ba_Wa, names(ba_farben))])
waldfl22_ba_long
```
### Waldflächen Standflächen ha bb (und Veränderung?)
```{r}
bb_stndfl_ba_22 <- waldfl_ba$bb_stndfl_ba_22 %>%
pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0)) #%>%
bb_stndfl_ba_22$Altersklasse <- factor(bb_stndfl_ba_22$Altersklasse,
levels = c("1 - 20 Jahre", "21 - 40 Jahre", "41 - 60 Jahre",
"61 - 80 Jahre", "81 - 100 Jahre", "101 - 120 Jahre",
"121 - 140 Jahre", "141 - 160 Jahre", "> 160 Jahre", "Angabe fehlt", "alle Baumaltersklassen"),
labels = c("I\n1 - 20 Jahre", "II\n21 - 40 Jahre", "III\n41 60 Jahre",
"IV\n61 - 80 Jahre", "V\n81 - 100 Jahre", "VI\n101 - 120 Jahre",
"VII\n121 - 140 Jahre", "VIII\n141 - 160 Jahre", "IX\n> 160 Jahre","Lücke/Blöße", "alle Baumaltersklassen"))
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
bb_stndfl_ba_22$Baumartengruppe <- factor(bb_stndfl_ba_22$Baumartengruppe,
levels = bb_stndfl_ba_22 %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
arrange(desc(Fläche)) %>%
pull(Baumartengruppe))
# c("alle Baumarten", "alle Nadelbäume", "Kiefer (Pinus)", "alle Laubbäume" ,"Eiche (Quercus)", "Birke (Betula)", "Buche (Fagus)", "Erle (Alnus)", "sonst. Lb hoher Lebensdauer", "sonst. Lb niedriger Lebensdauer", "Lücke", "Fichte (Picea)", "Lärche (Larix)", "Douglasie (Pseudotsuga)", "Ahorn (Acer)", "Blöße", "Esche (Fraxinus)", "Tanne (Abies)"))
#distinct(bb_stndfl_ba_22, Baumartengruppe)
#levels(bb_stndfl_ba_22$Baumartengruppe)
```
```{r}
# um die level zu bestimmen:
bb_stndfl_ba_22 %>%
filter(Altersklasse == "alle Baumaltersklassen"
#& !Baumartengruppe %in% c("alle Baumarten", "alle Nadelbäume", "alle Laubbäume")
) %>%
arrange(desc(Fläche)) %>% # Sortiere nach Fläche in absteigender Reihenfolge
select(Baumartengruppe
, Fläche
) %>%
pull(Baumartengruppe)
```
### Waldflächenänderung Standflächen ha bb
```{r}
ver_bb_stndfl_ba_22 <- ver_waldfl$ver_bb_stndfl_ba_22 %>%
pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Veränderung") %>%
replace_na(list(Veränderung = 0))
```
```{r imp_vor, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
vor_sheet_names <- excel_sheets("../data/Vorrat.xlsx")
vor <- lapply(vor_sheet_names, function(sheet) {
read_excel("../data/Vorrat.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(vor) <- vor_sheet_names
```
#### Vorrat Baumarten und Altersklassen - v.a. reell
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
```{r}
vorrat_ba_sheet_names <- excel_sheets("../data/vorrat_ba.xlsx")
vorrat_ba <- lapply(vorrat_ba_sheet_names, function(sheet) {
read_excel("../data/vorrat_ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(vorrat_ba) <- vorrat_ba_sheet_names
```
#### Veränderung Vorrat Baumarten und Altersklassen - v.a. reell
```{r}
ver_vorrat_ba_sheet_names <- excel_sheets("../data/ver_vorrat_ba.xlsx")
ver_vorrat_ba <- lapply(ver_vorrat_ba_sheet_names, function(sheet) {
read_excel("../data/ver_vorrat_ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_vorrat_ba) <- ver_vorrat_ba_sheet_names
```
##### Factor für AKL und BHD
```{r}
# Definieren der Levels für Altersklassen
altersklassen_levels <- c("1 - 20 Jahre", "21 - 40 Jahre", "41 - 60 Jahre",
"61 - 80 Jahre", "81 - 100 Jahre", "101 - 120 Jahre",
"121 - 140 Jahre", "141 - 160 Jahre", "> 160 Jahre")
# Labels für die Altersklassen (optional, für schönere Achsenbeschriftungen)
altersklassen_labels <- c("I\n1 - 20 Jahre", "II\n21 - 40 Jahre", "III\n41 - 60 Jahre",
"IV\n61 - 80 Jahre", "V\n81 - 100 Jahre", "VI\n101 - 120 Jahre",
"VII\n121 - 140 Jahre", "VIII\n141 - 160 Jahre", "IX\n> 160 Jahre")
# Optional: Definieren der Levels für Brusthöhendurchmesser
bhd_levels <- levels <- c("ab 90 cm", "80,0 - 89,9 cm", "70,0 - 79,9 cm", "60,0 - 69,9 cm", "50,0 - 59,9 cm",
"40,0 - 49,9 cm", "30,0 - 39,9 cm", "20,0 - 29,9 cm" , "10,0 - 19,9 cm", "7,0 - 9,9 cm")
```
##### vor_reell_bb_allba_qm_ha, Anteil, Veränderung
```{r}
vor_anteil_ver_reell_bb_allba_qm_ha <- vorrat_ba$vor_reell_bb_allba_qm_ha %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Volumen") %>%
replace_na(list(Volumen = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)) %>% # Altersklassen als Faktor
inner_join(
vorrat_ba$`vor_reell_bb_allba_qm_%` %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Anteil") %>%
replace_na(list(Anteil = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)), # Gleiche Ordnung in der zweiten Tabelle
by = c("Brusthöhendurchmesser", "Altersklasse")
) %>%
inner_join(
ver_vorrat_ba$ver_vor_reell_bb_allba_qm_ha %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Veränderung") %>%
replace_na(list(Veränderung = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)), # Gleiche Ordnung in der dritten Tabelle
by = c("Brusthöhendurchmesser", "Altersklasse")
) %>%
mutate(Brusthöhendurchmesser = factor(Brusthöhendurchmesser, levels = bhd_levels)) # Optional: BHD als Faktor
```
```{r}
```
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
#### Vorratsänderung
```{r imp_ver_vor, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_vor_sheet_names <- excel_sheets("../data/ver_vorrates.xlsx")
ver_vor <- lapply(ver_vor_sheet_names, function(sheet) {
read_excel("../data/ver_vorrates.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_vor) <- ver_vor_sheet_names
```
```{r}
vor_ver_vor <- vor$vor_land_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Vorrat") %>%
replace_na(list(Vorrat = 0)) %>%
inner_join(
ver_vor$ver_vor_land_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen") %>%
replace_na(list(Veränderungen = 0)),
by = c("Land", "Baumartengruppe", "Einheit")
)
```
### Vorrat Baumarten und Altersklassen
<!--TODO: irgendwie passen die Daten nicht -->
```{r}
# TODO: Daten für 2022 ...
bb_vor_bhd_akl_22_long <- vor$bb_vor_bhd_akl_22 %>%
filter(Baumart == "all") %>%
select(-Einheit, -Baumart, -'alle Baumaltersklassen') %>%
filter(Brusthöhendurchmesser != "alle BHD-Stufen") %>%
pivot_longer(
cols = `1 - 20 Jahre`:`> 160 Jahre`, # Angepasst an deine tatsächlichen Spaltennamen
names_to = "Altersklasse",
values_to = "Volumen"
) %>%
mutate(Volumen = replace_na(Volumen, 0))
#bb_vor_bhd_akl_22_long
```
## Zuwachs
```{r}
zuw_sheet_names <- excel_sheets("../data/zuwachs.xlsx")
zuw <- lapply(zuw_sheet_names, function(sheet) {
read_excel("../data/zuwachs.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(zuw) <- zuw_sheet_names
```
### Zuwachs Länder-Baumartengruppe-m³/ha*a
```{r}
zuw_land_bagr_qm_ha_a <- zuw$zuw_land_bagr_qm_ha_a %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Zuwachs") %>%
replace_na(list(Zuwachs = 0))
```{r}
abgang_nutz_sheet_names <- excel_sheets("../data/abgang_nutzung.xlsx")
abgang_nutz <- lapply(abgang_nutz_sheet_names, function(sheet) {
read_excel("../data/abgang_nutzung.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(abgang_nutz) <- abgang_nutz_sheet_names
```
### Abgang
```{r}
ausgesbest <- abgang_nutz$ausg_best_land_bagr_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Ba_Gruppe",
values_to = "Abgang")
ausgesbest
```
```{r}
abgangsgrund <- abgang_nutz$abgangsgrund_bb_bagr_22 %>%
pivot_longer(cols = -c(Abgangsgrund, Einheit),
names_to = "Ba_Gruppe",
values_to = "Vorrat") %>%
mutate(Vorrat = replace_na(Vorrat, 0)) # Ersetzt NA in der Spalte Vorrat durch 0
```
### Nutzung
```{r}
nutz_land_qm_ha_ideell <- abgang_nutz$nutz_land_qm_ha_ideell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Nutzung") %>%
replace_na(list(Nutzung = 0))
```
## Struktur
### Waldaufbau
```{r}
stuktbeim_sheet_names <- excel_sheets("../data/strukt_beim_besttyp.xlsx")
struktbeim <- lapply(stuktbeim_sheet_names, function(sheet) {
read_excel("../data/strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(struktbeim) <- stuktbeim_sheet_names
```
### Waldaufbauveränderung
```{r}
ver_stuktbeim_sheet_names <- excel_sheets("../data/ver_strukt_beim_besttyp.xlsx")
ver_struktbeim <- lapply(ver_stuktbeim_sheet_names, function(sheet) {
read_excel("../data/ver_strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_struktbeim) <- ver_stuktbeim_sheet_names
```
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
#### Land-Bestockungsaufbau ha-proz
```{r}
# Ergebnistabellen zusammenführen und neue Datenzeile "mehrschichtig" aus Summe hinzufügen
land_bestaufbau <-
struktbeim$land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$land_bestaufbau_proz %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Land", "Bestockungsaufbau")) %>%
filter(Bestockungsaufbau %in% c("zweischichtig", "mehrschichtig oder plenterartig")) %>%
group_by(Land, Einheit.x, Einheit.y) %>%
summarise(
Bestockungsaufbau = "mehrschichtig",
Fläche = sum(Fläche),
Anteil = sum(Anteil),
.groups = "drop"
) %>%
bind_rows(struktbeim$land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$land_bestaufbau_proz %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Land", "Bestockungsaufbau"))
)
```
#### Waldtyp-Bestockungsaufbau ha-proz
waldtyp_bestaufbau_bb_ha_proz_ver <- struktbeim$waldtyp_bestaufbau_bb_ha %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$waldtyp_bestaufbau_bb_proz %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Laub-/Nadel-Waldtyp","Bestockungsaufbau")) %>%
inner_join(ver_struktbeim$ver_waldtyp_bestaufbau_bb_ha %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Veränderung"), by = c("Laub-/Nadel-Waldtyp","Bestockungsaufbau"))
#### ver-Land-Bestockungsaufbau ha-proz
```{r}
ver_land_bestaufbau_ha <-
ver_struktbeim$ver_land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
filter(Bestockungsaufbau %in% c("zweischichtig", "mehrschichtig oder plenterartig")) %>%
group_by(Land, Einheit) %>%
summarise(
Bestockungsaufbau = "mehrschichtig",
Fläche = sum(Fläche),
.groups = "drop"
) %>%
bind_rows(ver_struktbeim$ver_land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche")
)
```
### Verjüngung
```{r imp_strukt, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
strukt_sheet_names <- excel_sheets("../data/struktur_verj.xlsx")
struktjung <- lapply(strukt_sheet_names, function(sheet) {
read_excel("../data/struktur_verj.xlsx", sheet = sheet, skip = 5, na = "NaN")
```{r}
jungbestfl <- struktjung$verj_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
jungbestfl
```
# Anteil der Fläche an der Gesamtfläche Wald+Nichtwald [%] nach Land und Bestockungsschicht der Jungbestockung
jungbestant <- struktjung$verj_anteil %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
#### Jungbestandsfläche join Waldfläche und Landesflächenanteil
```{r}
jungbestflant <- jungbestfl %>%
inner_join(waldfl_spez_long, by = "Land", suffix = c("_jungfl", "_waldfl")) %>%
filter(!Kategorie %in% c("Blöße", "Nichtholzboden")) %>%
mutate(Waldflächenanteil = round((Fläche_jungfl / Fläche_waldfl) * 100, 2)) %>%
inner_join(jungbestant, by = c("Land", "Jungbestockung")) %>%
select(Land, Jungbestockung, Fläche_jungfl, Kategorie, Fläche_waldfl, Waldflächenanteil, Landesanteil)
```
```{r bb_jungbest_22, include=FALSE}
# Daten vorbereiten
# Baumartenanteile Jungbestockung Gesamtwald!
jungbest_ba_22_long <- struktjung$bb_jungbest_art_22 %>%
filter(Verjüngungsart == "alle Verjüngungsarten") %>%
pivot_longer(cols = -c(Einheit, Verjüngungsart,"alle Baumarten"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche = 0))
```
#### Verjüngungspflanzen pro Hektar
```{r}
jung_ba_22 <- struktjung$jung_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Anzahl")
```
#### Verjüngungskreis - Verbissprozent Baumarten
```{r}
nproz_verb_ba_bb <- struktjung$jung_nproz_verb_ba_bb %>%
pivot_longer(cols = -c(Baumartengruppe,Einheit, "mit oder ohne Verbiss"),
names_to = "Verbissart",
values_to = "Verbissprozent")
```
#### Verjüngungskreis - nBA pro Hektar
```{r}
jung_nha_verb_ba_bb <- struktjung$jung_nha_verb_ba_bb %>%
pivot_longer(cols = -c(Baumartengruppe,Einheit, "mit oder ohne Verbiss"),
names_to = "Verbissart",
values_to = "nBA")
```
#### Veränderung Jung
```{r}
verjung_sheet_names <- excel_sheets("../data/ver_jung.xlsx")
verjung <- lapply(verjung_sheet_names, function(sheet) {
read_excel("../data/ver_jung.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(verjung) <- verjung_sheet_names
```
##### Veränderung Jungbestockung
```{r}
ver_waldflindex_jung_bestschicht <- verjung$ver_waldflindex_jung_bestschich %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Indexänderungen") %>%
replace_na(list(Flächenänderungen = 0))
ver_waldflindex_jung_bestschicht
```
```{r}
ver_jungbestfl <- verjung$ver_waldfl_jung_bestschicht %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Flächenänderungen") %>%
replace_na(list(Flächenänderungen = 0)) %>%
inner_join(ver_waldflindex_jung_bestschicht, by = c("Land", "Jungbestockung"), suffix = c("_ver", "_index")) %>%
mutate(Veränderungsanteil = Indexänderungen - 100)
ver_jungbestfl
```
```{r bb_ver_jungbest_22, include=FALSE}
# Daten vorbereiten
# Veränderung Baumartenanteile Jungbestockung Gesamtwald!
ver_jungbest_ba_22_long <- verjung$bb_ver_jungbest_art_22 %>%
filter(Verjüngungsart == "alle Verjüngungsarten") %>%
pivot_longer(cols = -c(Einheit, Verjüngungsart, "alle Baumarten"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche = 0))
```
```{r imp_struktur_tot, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
tot_sheet_names <- excel_sheets("../data/struktur_tot.xlsx")
read_excel("../data/struktur_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
# Namen der Liste anpassen
names(tot) <- tot_sheet_names
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
### Totholz m³/ha*a Land-Baumartengruppe - reell
```{r}
tot_land_qm_ha_reell <- tot$tot_land_qm_ha_reell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Totholz")
```
### Veränderung Totholz
```{r}
ver_tot_sheet_names <- excel_sheets("../data/ver_tot.xlsx")
ver_tot <- lapply(ver_tot_sheet_names, function(sheet) {
read_excel("../data/ver_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
# Namen der Liste anpassen
names(ver_tot) <- ver_tot_sheet_names
```
#### Veränderung Totholz m³/ha*a Land-Baumartengruppe - reell
```{r}
ver_tot_land_qm_ha_reell <- ver_tot$ver_tot_land_qm_ha_reell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen")
```
#### Veränderung Waldfläche mit Totholz Index BWI2012=100 Land-Baumartengruppe - reell
```{r}
ver_tot_index_2012_2022 <- ver_tot$ver_tot_index_waldfl_2012_2022 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Indexänderungen")
```
### Naturnähe, Stammschaden und öko. Baummerkmale {.hidden .unnumbered .unlisted}
```{r imp_naturnaehe, include=FALSE}
# # Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# # Namen der Blätter automatisch auslesen
# naturnaehe_sheet_names <- excel_sheets("../struktur_naturnaehe_schad.xlsx")
# naturnaehe <- lapply(naturnaehe_sheet_names, function(sheet) {
# read_excel("../struktur_naturnaehe_schad.xlsx", sheet = sheet, skip = 5, na = "NaN")
# })
# # Namen der Liste anpassen
# names(naturnaehe) <- naturnaehe_sheet_names
```
### Zeitpläne
```{r}
# zeitplan_sheet_names <- excel_sheets("../zeitplanung.xlsx")
# zeitplan <- lapply(zeitplan_sheet_names, function(sheet) {
# read_excel("../zeitplanung.xlsx", sheet = sheet, skip = 5
# #,na = ""# "NaN"
# )
# })
# names(zeitplan) <- zeitplan_sheet_names
```
:::