Newer
Older
---
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
default: true
# reference-doc: LFB_Masterfolie_LFE_2024.pptx
editor_options:
markdown:
wrap: 72
#editor: visual
---
{{< include librarys-datimport.qmd >}}
# Die Bundeswaldinventur (BWI)
- 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%"}
:::
:::::
## 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.
::::: 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}
#TODO: Label außerhalb Diagramm erstellen
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)` %.
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")
```
### Eigentumsübergänge 2012-2022
::::: columns
::: {.column width="50%"}
- Zunahme im Privatwald u.a. durch Übertragung an Stiftungen
- größte Flächenzunahme im Privatwald zwischen 20 ha und 1000 ha
- leichte Zunahme im Privatwald \>1000 ha
- alle anderen Eigentumsformen verlieren Fläche
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
::: {.column width="50%"}
```{r ver-waldfl_eig_plot, echo=FALSE}
ggplot((ver_waldfl22_eig_long %>%
group_by(Land) %>%
filter(Land == "Brandenburg" & !Eigentumsart %in% c("Öffentlicher Wald", "Privatwald"))),
aes(x = reorder(Eigentumsart, `Fläche`), y = `Fläche`, fill = Eigentumsart)) +
geom_col() +
geom_text(aes(label = format(round(`Fläche`, 0), big.mark = ".", decimal.mark = ",", scientific = FALSE)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle = 90) +
labs(x = "Eigentumsgruppe", y = "Veränderungen [ha]") + # Achsenbeschriftungen festlegen
ggtitle("Veränderungen der Waldfläche nach Eigentumsart\n in Brandenburg von 2012-2022") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, size = 10), # X-Achsen-Beschriftung drehen
plot.title = element_text(hjust = 0.5), # Titel zentrieren
plot.title.position = "plot", # Titel-Position
axis.title.x = element_text(face = "bold", size = 12), # X-Achsentitel fett und größer
axis.title.y = element_text(face = "bold", size = 12) # Y-Achsentitel fett und größer
) +
scale_fill_brewer(palette = "Greens") + # Farbskala
guides(fill = 'none') # Legende entfernen
#ggsave("images/VeränderungenWaldfläche_Eigentum_Brandenburg_2012-2022.png", width = 15, height = 10, units = "cm")
```
:::
:::::
## Baumartenverteilung
::::: columns
::: column
- mit einem Anteil von
**`r format(waldfl22_ba_long %>% filter(Land == "Brandenburg" & Ba_Wa == "Kiefer (Pinus)") %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %**
immer noch von der Kiefer geprägt
- Eichen und Birken haben jeweils noch Standflächenanteile von über
5 %,
- Buche, Erle und die sonstigen Laubhölzer hoher und niedriger
Lebensdauer erreichen immer noch zwischen 2,2 % und 3,6 %
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
:::
::: column
```{r waldfl_ba_22_treemap, echo=FALSE}
ggplot(
waldfl22_ba_long %>%
filter(Land == "Brandenburg" & !Ba_Wa %in% c("alle Laubbäume", "alle Nadelbäume")) %>%
arrange(Fläche) # Sortieren nach Fläche
, aes(area = Fläche, fill = reorder(Ba_Wa, Fläche, FUN = sum), label = paste(Ba_Wa, "\n", format(round(Fläche, 0), big.mark = ".", decimal.mark = ","), "ha","\n","(", round(Prozent, 1), "%)", sep = ""))) +
geom_treemap() + # Treemap zeichnen
scale_fill_manual(values = waldfl22_ba_long$Farbe) + # Farben manuell festlegen
geom_treemap(color = "black", size = 0.5) + # Schwarzer Rand um die Felder
geom_treemap_text(colour = "black", place = "centre", grow = TRUE) + # Text hinzufügen
labs(title = "Waldfläche nach Baumartengruppe, Blöße und Lücke \nin Brandenburg (BWI2022)",
subtitle = "rechnerischer Reinbestand nach Standfläche der Bäume") +
theme_minimal() +
guides(fill = guide_legend(title = "Baumartengruppe, Blößen, Lücken", title.position = "bottom", size = 0.5, label.size = 5, title.size = 10))
#ggsave("images/waldfl_ba_22_treemap.png", width = 20, height = 15, units = "cm")
```
:::
:::::
### Baumartenzusammensetzungsänderung
::::: columns
::: {.column width="50%"}
- Anstieg des Laubbaumanteils (v.a. Eiche und Buche)
- erheblicher Rückgang von Birke und den Laubbäumen niedriger
Lebensdauer (z.B. Erle, Pappel, Vogelbeere, Weiden)\
- Abnahme der Blößenflächen
:::
::: {.column width="50%"}
```{r plot-standfl22_ver, echo=FALSE}
ggplot((ver_stndfl_long %>% filter(Land == 'Brandenburg') %>% filter(Baumartengruppe != "alle Baumarten")), aes(x = reorder(Baumartengruppe, Veränderungen), y = Veränderungen, fill = Baumartengruppe)) +
geom_col() +
scale_fill_manual(values = (ba_farben[names(ba_farben) %in% ver_stndfl_long$Baumartengruppe])) + # Farben manuell festlegen
labs(x = "Baumartengruppen", y = "Veränderungen [ha]",
fill = "Baumartengruppen",
title = "Veränderungen der Standflächen \n im Hauptbestand in Brandenburg (2022)",
fill = "Baumartengruppen") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5, margin = margin(b = 25)), # Hinzufügen von Rändern im Titel
legend.title = element_text(margin = margin(b = 10)), # Zusätzlicher Abstand zwischen Titel und Legende
legend.spacing.y = unit(2, "lines")) + # Zusätzlicher Abstand zwischen Titel und Legende
guides(fill = guide_legend(title.position = "top")) # Position des Legendentitels ändern
#ggsave("images/plot-standfl22_ver.png", width = 20, height = 10, units = "cm")
```
:::
:::::
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
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
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
535
536
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
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
### Holzvorrat - reell
- deutlicher Anstieg der Holzvorräte um
`r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "alle Eigentumsarten") %>% select(Vorratsänderung) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf `r format(vor_reell_bb_hbst_eiggr_ba_qm_h %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "alle Eigentumsarten") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha im Hauptbestand aller Eigentumsformen, im Landeswald Anstieg von
`r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorratsänderung) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf `r format(vor_reell_bb_hbst_eiggr_ba_qm_h %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- zurückhaltende Waldbewirtschaftung und
- für Waldumbau nutzbare Bewirtschaftungspotenziale
- bislang keine Großschadensereignisse aber deutliche Vorratsverluste in
- Fichte (Picea) mit `r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Fichte (Picea)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Birke (Betula) mit `r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Birke (Betula)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Esche (Fraxinus)) mit `r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Esche (Fraxinus)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- sonst. Lb niedriger Lebensdauer mit `r format(vervor_reell_bb_hbst_eiggr_baha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "sonst. Lb niedriger Lebensdauer") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
```{r facetplot_vor_ideell_eig_ba_ha, include=FALSE}
# ideell
# Erstelle das Diagramm mit nach Eigentumsart eingefärbten Balken und gruppiert nach Vorratsart
facetplot_vor_ideell_eig_ba_ha <- ggplot(vor_ideell_eig_ba_ha %>%
filter(Baumartengruppe == "alle Baumarten" & !Eigentumsart %in% c("Öffentlicher Wald", "Staatswald (Bund)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha"
)) %>%
inner_join(ver_vor_ideell_eig_ba_ha %>%
filter(Baumartengruppe == "alle Baumarten" & !Eigentumsart %in% c("Öffentlicher Wald", "Staatswald (Bund)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha"
)),
by = c("Eigentumsart", "Baumartengruppe")) %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat"),
aes(x = Eigentumsart, y = Vorrat, fill = Eigentumsart)) + # Färbe nach Eigentumsart
geom_bar(aes(fill = Eigentumsart), stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
facet_wrap(~Vorratsart, scales = "free_y") + # Gruppiere nach Vorratsart (nebeneinander)
labs(x = "Eigentumsart", y = "Vorrat [m³/ha]", fill = "Eigentumsart") + # Passe die Beschriftung der Legende an
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = farben_fuer_eigentumsarten) + # Benutzerdefinierte Farbpalette anwenden
ggtitle("Vorrat und Vorratsänderung nach Eigentumsart im Hauptbestand über alle Baumartengruppen")
```
```{r facetplot_vor_ver_ideell_eig_ba_ha_sorted, include=FALSE}
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ver_ideell_eig_ba_ha_sorted <- vor_ideell_eig_ba_ha %>%
filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe %in% c("Esche (Fraxinus)", "Tanne (Abies)", "Fichte (Picea)", "sonst. Lb hoher Lebensdauer",
"Eiche (Quercus)", "Buche (Fagus)", "Kiefer (Pinus)", "alle Baumarten" )) %>%
inner_join(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe %in% c("Esche (Fraxinus)", "Tanne (Abies)", "Fichte (Picea)",
"sonst. Lb hoher Lebensdauer",
"Eiche (Quercus)", "Buche (Fagus)", "Kiefer (Pinus)", "alle Baumarten" )),
by = c("Eigentumsart", "Baumartengruppe")) %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat") %>%
#mutate(Vorrat = ifelse(Vorratsart == "Vorratsänderung", -Vorrat, Vorrat)) %>% # Umkehren der Vorratsänderung
arrange(Vorratsart, desc(Vorrat)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ver_ideell_eig_ba_ha_sorted$Baumartengruppe <- factor(vor_ver_ideell_eig_ba_ha_sorted$Baumartengruppe,
levels = vor_ver_ideell_eig_ba_ha_sorted %>%
arrange(desc(Vorratsart == "Vorratsänderung")) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ver_ideell_eig_ba_ha_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Erstelle das Diagramm mit facet_wrap
facetplot_vor_ver_ideell_eig_ba_ha_sorted <- ggplot(vor_ver_ideell_eig_ba_ha_sorted,
aes(x = Baumartengruppe, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", width = 0.7) +
facet_wrap(~Vorratsart, scales = "free_y") + # Verwende facet_wrap, um Vorrat und Vorratsänderung zu trennen
labs(x = "Baumartengruppe", y = "Vorrat [m³/ha]", fill = "Baumartengruppe") +
scale_fill_manual(values = farben_fuer_plot) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Aktueller Vorrat und Vorratsänderung BWI2012 -- BWI 2022 ausgewählter Baumarten")
```
### Holzvorrat - ideell
::::: columns
::: {.column width="50%"}
- deutlicher Anstieg der Holzvorräte um
`r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "alle Baumarten") %>% select(Vorratsänderung) %>%
pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf `r format(vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "alle Baumarten") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha im Hauptbestand aller Eigentumsformen, im Landeswald Anstieg von
`r format(ver_vor_ideell_eig_ba_ha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorratsänderung) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf
`r format(vor_ideell_eig_ba_ha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- zurückhaltende Waldbewirtschaftung und
- für Waldumbau nutzbare Bewirtschaftungspotenziale
- bislang keine Großschadensereignisse aber deutliche Vorratsverluste in
- Esche (Fraxinus)) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Esche (Fraxinus)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Tanne (Abies) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Tanne (Abies)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Fichte (Picea) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Fichte (Picea)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- sonst. Lb niedriger Lebensdauer mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "sonst. Lb niedriger Lebensdauer") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
:::
::: {.column width="50%"}
```{r, echo=FALSE}
facetplot_vor_ideell_eig_ba_ha / facetplot_vor_ver_ideell_eig_ba_ha_sorted
```
:::
:::::
### Holzvorrat - ideell - besser
::::: columns
::: {.column width="50%"}
- deutlicher Anstieg der Holzvorräte um
`r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "alle Baumarten") %>% select(Vorratsänderung) %>%
pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf `r format(vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "alle Baumarten") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha im Hauptbestand aller Eigentumsformen, im Landeswald Anstieg von
`r format(ver_vor_ideell_eig_ba_ha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorratsänderung) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha auf
`r format(vor_ideell_eig_ba_ha %>% filter(Baumartengruppe == "alle Baumarten" & Eigentumsart == "Staatswald (Land)") %>% select(Vorrat) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- zurückhaltende Waldbewirtschaftung und
- für Waldumbau nutzbare Bewirtschaftungspotenziale
:::
::: {.column width="50%"}
```{r, echo=FALSE}
facetplot_vor_ideell_eig_ba_ha
```
:::
:::::
### Holzvorratsveränderung - ideell
::::: columns
::: {.column width="50%"}
- bislang keine Großschadensereignisse aber deutliche Vorratsverluste in
- Esche (Fraxinus)) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Esche (Fraxinus)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Tanne (Abies) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Tanne (Abies)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- Fichte (Picea) mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "Fichte (Picea)") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
- sonst. Lb niedriger Lebensdauer mit `r format(ver_vor_ideell_eig_ba_ha %>% filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "sonst. Lb niedriger Lebensdauer") %>% select(Vorratsänderung) %>% pull() %>% round(1) %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha
:::
::: {.column width="50%"}
```{r, echo=FALSE}
facetplot_vor_ver_ideell_eig_ba_ha_sorted
```
:::
:::::
```{r, include=FALSE}
ver_vor_ideell_eig_ba_ha %>%
filter(Eigentumsart == "alle Eigentumsarten" & Baumartengruppe == "alle Baumarten") %>%
select(Vorratsänderung) %>%
pull() %>%
round(1)
```
```{r, include=FALSE}
ver_vor_ideell_eig_ba_ha %>%
filter(Eigentumsart == "alle Eigentumsarten" & !Baumartengruppe == "alle Baumarten") %>%
slice_min(Vorratsänderung, n = 4)
# select(Vorrat) %>%
# pull() %>%
# round(1)
```
### Vorratstext
::::: columns
::: {.column width="50%"}
- Vorrat in Brandenburg bei
`r format(vor_reell_bb_ba_akl_kqm %>% filter(Baumartengruppe == "alle Baumarten" & Altersklasse == "alle Baumaltersklassen") %>% select(Vorrat) %>% pull() *1000, big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³ das sind ca. `r format(stammzahl %>% filter(Land == "Brandenburg" & Baumartengruppe == "alle Baumarten") %>% select(Stammzahl) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Bäume und entspricht 8,9 % des Holzvolumens in Deutschland
- pro Hektar sind das `r format(vor_reell_bb_ba_akl_qm_ha %>% filter(Baumartengruppe == "alle Baumarten" & Altersklasse == "alle Baumaltersklassen") %>% select(Vorrat) %>% pull() %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha über alle Bestandesschichten und `r format(vor_reell_bb_hbst_ba_akl_qm_ha %>% filter(Baumartengruppe == "alle Baumarten" & Altersklasse == "alle Baumaltersklassen") %>% select(Vorrat) %>% pull() %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha im Hauptbestand und
`r format(vor_bb_bag_ak_ha %>% filter(Baumartengruppe == "alle Baumarten" & Altersklasse == "alle Baumaltersklassen") %>% select(Vorrat) %>% pull() %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³/ha als flächengewichtetes Mittel für den Hauptbestand in rechnerischen Reinbeständen
- die Kiefer hat in Brandenburg einen Vorrat von `r format(vor_reell_bb_ba_akl_kqm %>% filter(Baumartengruppe == "Kiefer (Pinus)" & Altersklasse == "alle Baumaltersklassen") %>% select(Vorrat) %>% pull() * 1000 %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` m³das sind ca. 29 % des Kiefernvorrats in Deutschland
:::
```{r, include=FALSE}
vor_reell_bb_ba_akl_kqm %>%
filter(Baumartengruppe == "Kiefer (Pinus)" & Altersklasse == "alle Baumaltersklassen") %>%
select(Vorrat) %>%
pull() %>%
round(0)
```
::: {.column width="50%"}
```{r groupbar-vor_ver_reell_bb_ba_akl_kqm_sorted, echo=FALSE}
#TODO: warum unterscheiden sich die Werte auch beim reellen Thema zur Hektarbetrachtung?
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_reell_bb_ba_akl_kqm %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ver_vor_reell_bb_ba_akl_kqm %>% filter(Altersklasse == "alle Baumaltersklassen"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratsänderung) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe <- factor(vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe,
levels = vor_ver_reell_bb_ba_akl_kqm_sorted %>%
arrange(desc(Vorratsänderung)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# TODO Plot für Vorrat, Vorratsänderung alle Baumarten, Nadelbäume, Laubbäume, Kiefer ...
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Long format für ggplot
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat")
ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted, aes(x = Baumartengruppe, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [1000 m³]") +
scale_fill_manual(values = farben_fuer_plot) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
# facet_wrap(~Vorratsart, scales = "free_y", ncol = 1) +
ggtitle("Vorrat nach Baumartengruppe")
```
:::
:::::
### Vorratsentwicklung
::::: columns
::: {.column width="50%"}
- Vorratsänderung in Brandenburg
:::
::: {.column width="50%"}
```{r facetplot-vor_ver_reell_bb_ba_akl_kqm_sorted, echo=FALSE}
ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted, aes(x = Baumartengruppe, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [1000 m³]") +
scale_fill_manual(values = farben_fuer_plot) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
facet_wrap(~Vorratsart, scales = "free_y", ncol = 1) +
ggtitle("Vorrat und Vorratsänderung nach Baumartengruppe")
```
:::
:::::
#### Vorrat und Vorratsentwicklung in rechnerischen Reinbeständen
```{r groupbar-vor_ver_bb_bag_ak_ha_sorted, echo=FALSE}
#ideeler Vorrat mit ideellem abgang joinen und plotten
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ver_bb_bag_ak_ha_sorted <- vor_bb_bag_ak_ha %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ver_vor_bb_bag_ak_ha %>% filter(Altersklasse == "alle Baumaltersklassen"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratsänderung) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ver_bb_bag_ak_ha_sorted$Baumartengruppe <- factor(vor_ver_bb_bag_ak_ha_sorted$Baumartengruppe,
levels = vor_ver_bb_bag_ak_ha_sorted %>%
arrange(desc(Vorratsänderung)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ver_bb_bag_ak_ha_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# TODO Plot für Vorrat, Vorratsänderung alle Baumarten, Nadelbäume, Laubbäume, Kiefer ...
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Long format für ggplot
vor_ver_bb_bag_ak_ha_sorted <- vor_ver_bb_bag_ak_ha_sorted %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat")
# Plotten der Daten als gruppiertes Säulendiagramm
ggplot(vor_ver_bb_bag_ak_ha_sorted, aes(x = Baumartengruppe, y = Vorrat, fill = Vorratsart)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [m³/ha]", fill = "Vorratsart") +
scale_fill_manual(values = c("Vorrat" = "green", "Vorratsänderung" = "grey")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("aktueller Vorrat und in den letzten zehn Jahren Vorratsänderung nach Baumartengruppe")
```
```{r normalwaldmodellfläche, include=FALSE}
# Berechne die Normalwaldmodellfläche
mittlere_Produktionszeit <- 120
normalwaldmodellflaeche22_100 <- (bb_stndfl_ba_22 %>%
filter(Baumartengruppe == "alle Baumarten" & Altersklasse == "alle Baumaltersklassen" ) %>%
select(Fläche) %>%
pull() / mittlere_Produktionszeit) * 20
```
::::: columns
::: {.column width="50%"}
- Überhang bei 41 - 60 Jahren und
- deutlicher Überhang bei 61 - 80 Jahren
- historisch bedingt - Änderung braucht Jahrzehnte
:::
::: {.column width="50%"}
```{r stacked_bb_stndfl_ba_22_sorted, echo=FALSE}
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
bb_stndfl_ba_22_sorted <- bb_stndfl_ba_22 %>%
filter(Altersklasse != "alle Baumaltersklassen" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Fläche)) # Sortiere nach Fläche in absteigender Reihenfolge
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- bb_stndfl_ba_22_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Schritt 4: Erstelle das Diagramm mit dem sortierten Datensatz
ggplot(bb_stndfl_ba_22 %>%
filter(Altersklasse != "alle Baumaltersklassen" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) # Entfernen der Gesamtklassen
, aes(x = Altersklasse, y = Fläche, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = "stack") + # Gestapeltes Balkendiagramm
# Linie von II (21 - 40 Jahre) bis VI (101 - 120 Jahre)
geom_segment(aes(x = 1.5, xend = 6.5, y = normalwaldmodellflaeche22_100, yend = normalwaldmodellflaeche22_100),
linetype = "dashed", color = "red") +
# Beschriftung über der Linie
annotate("text", x = 2, y = normalwaldmodellflaeche22_100 + 5000,
label = paste("Normalwaldmodellfläche bei ", mittlere_Produktionszeit, "Jahren"), color = "red", hjust = 0) + # Beschriftung der Linie
# Legendenüberschrift hinzufügen
labs(x = "Altersklasse", y = "Fläche [ha]",
title = "Standflächen der Baumarten über die Altersklassen",
fill = "Baumartengruppe") + # Legendenüberschrift
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), # X-Achse-Beschriftungen drehen
legend.title = element_text(size = 8), # Kleinere Titelgröße für die Legende
legend.text = element_text(size = 7)) + # Kleinere Schriftgröße für Labels
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ",")) + # Tausenderformat
scale_fill_manual(values = farben_fuer_plot) + # Farben aus ba_farben verwenden
# Anpassung der Symbolgröße in der Legende
guides(fill = guide_legend(
ncol = 1, # Einspaltige Legende
override.aes = list(size = 3) # Kleinere Symbole in der Legende
))
666
667
668
669
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
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
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
#### Altersverteilungsänderung BWI2012 - BWI2022
::::: columns
::: {.column width="50%"}
- Kiefer, Lärche. Douglasie und Eiche wachsen in höhere Altersklasse ein
- Fichten, Eschen und Birken verlieren Fläche - v.a. Dürre
- Abnahme 21 -- 40 v.a. Fichte, Kiefer, Douglasie und 41 -- 60 v.a. Fichte, Kiefer, Lärche, Birke
- Zunahme 61 -- 80 Kiefer, Lärche, Douglasie, Eiche - Abnahme bei Esche
- Zunahme > 160 v.a. Eiche, Buche, Kiefer
:::
::: {.column width="50%"}
```{r stacked_ver_bb_stndfl_ba_22_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
ver_bb_stndfl_ba_22_sorted <- ver_bb_stndfl_ba_22 %>%
filter(Altersklasse != "alle Baumaltersklassen" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Veränderung)) # Sortiere nach Fläche in absteigender Reihenfolge
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- ver_bb_stndfl_ba_22_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Erstelle das gestapelte Balkendiagramm
ggplot(ver_bb_stndfl_ba_22_sorted
,aes(x = Altersklasse, y = Veränderung, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = "stack") + # Gestapeltes Balkendiagramm
labs(x = "Altersklasse", y = "Veränderung [ha]",
title = "Veränderungen der Standfläche BWI 2012 - 2022 \nüber die Altersklassen nach Baumartengruppe") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # X-Achse-Beschriftungen drehen
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ",")) + # Tausenderformat
# Farben manuell anpassen (optional, wenn du eine Farbpalette verwenden möchtest)
scale_fill_manual(values = farben_fuer_plot) # Farben aus ba_farben verwenden
#guides(fill = guide_legend(reverse = FALSE)) # Legende bleibt unverändert
```
:::
:::::
#### Vorrat und Alter
```{r normalwaldmodellvorrat, include=FALSE}
# Berechne die Normalwaldmodellfläche
mittlere_Produktionszeit <- 120
normalwaldmodellvorrat22_100 <- (vor_reell_bb_ba_akl_qm_ha %>%
filter(Baumartengruppe == "alle Baumarten" &
Altersklasse == "alle Baumaltersklassen" ) %>%
select(Vorrat) %>%
pull() / mittlere_Produktionszeit) * 20
```
::::: columns
::: {.column width="50%"}
- Ungünstige Altersklassenverteilung findet sich auch im Vorrat
- Deutliches Übergewicht in III bis V Altersklasse, v.a. mit Kiefer
- Überhang in IV Altersklasse - 61 -- 80 Jahre
- Durchforstungsalter, Waldumbauziel verlangt höherer Nutzung
:::
::: {.column width="50%"}
```{r stacked_vor_reell_bb_ba_akl_qm_ha_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_reell_bb_ba_akl_qm_ha_sorted <- vor_reell_bb_ba_akl_qm_ha %>%
filter(Altersklasse != "alle Baumaltersklassen" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorrat)) # Sortiere nach Fläche in absteigender Reihenfolge
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_reell_bb_ba_akl_qm_ha_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Schritt 4: Erstelle das Diagramm mit dem sortierten Datensatz
ggplot(vor_reell_bb_ba_akl_qm_ha_sorted
, aes(x = Altersklasse, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = "stack") + # Gestapeltes Balkendiagramm
# # Linie von II (21 - 40 Jahre) bis VI (101 - 120 Jahre)
geom_segment(aes(x = 1.5, xend = 6.5, y = normalwaldmodellvorrat22_100, yend = normalwaldmodellvorrat22_100),
linetype = "dashed", color = "red") +
# Beschriftung über der Linie
annotate("text", x = 2, y = normalwaldmodellvorrat22_100 + 5,
label = paste("Normalwaldmodellvorrat bei ", mittlere_Produktionszeit, "Jahren"), color = "red", hjust = 0) + # Beschriftung der Linie
#
# Legendenüberschrift hinzufügen
labs(x = "Altersklasse", y = "Vorrat [m³/ha]",
title = "Vorrat der Baumarten über die Altersklassen",
fill = "Baumartengruppe") + # Legendenüberschrift
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), # X-Achse-Beschriftungen drehen
legend.title = element_text(size = 8), # Kleinere Titelgröße für die Legende
legend.text = element_text(size = 7)) + # Kleinere Schriftgröße für Labels
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ",")) + # Tausenderformat
scale_fill_manual(values = farben_fuer_plot) + # Farben aus ba_farben verwenden
# Anpassung der Symbolgröße in der Legende
guides(fill = guide_legend(
ncol = 1, # Einspaltige Legende
override.aes = list(size = 3) # Kleinere Symbole in der Legende
))
```
:::
:::::
#### Vorratsänderung über die Altesklasse BWI 2012 - BWI 2022
::::: columns
::: {.column width="50%"}
- Kiefer, Lärche. Douglasie und Eiche wachsen in höhere Altersklasse ein
- Fichten, Eschen und Birken verlieren Fläche - v.a. Dürre
- Abnahme 21 -- 40 v.a. Kiefer, Fichte, Lärche, Birke und
- Abnahme 41 -- 60 v.a. , Kiefer, Birke, Fichte,
- Zunahme 61 -- 80 Kiefer, Eiche - Abnahme bei Buche und Esche
- Zunahme > 160 v.a. Eiche, Kiefer
:::
::: {.column width="50%"}
```{r stacked_ver_vor_reell_bb_ba_akl_qm_ha_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
ver_vor_reell_bb_ba_akl_qm_ha_sorted <- ver_vor_reell_bb_ba_akl_qm_ha %>%
filter(Altersklasse != "alle Baumaltersklassen" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung)) # Sortiere nach Fläche in absteigender Reihenfolge
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- ver_vor_reell_bb_ba_akl_qm_ha %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Erstelle das gestapelte Balkendiagramm
ggplot(ver_vor_reell_bb_ba_akl_qm_ha_sorted
,aes(x = Altersklasse, y = Vorratsänderung, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = "stack") + # Gestapeltes Balkendiagramm
labs(x = "Altersklasse", y = "Vorratsänderung [m³/ha]",
title = "Vorratsänderungen über die Altersklassen\n nach Baumartengruppe BWI2012 - 2022") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # X-Achse-Beschriftungen drehen
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ",")) + # Tausenderformat
# Farben manuell anpassen (optional, wenn du eine Farbpalette verwenden möchtest)
scale_fill_manual(values = farben_fuer_plot) # Farben aus ba_farben verwenden
#guides(fill = guide_legend(reverse = FALSE)) # Legende bleibt unverändert
```
:::
:::::
### Abgang Nutzung
#### Ausgeschiedener Vorrat - absolut
- vor allem Kiefer, dort ist auch der höchste Flächenanteil
```{r barplot-ausg_bestreell_land_bagr_22_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
ausg_bestreell_land_bagr_22_sorted <- ausg_bestreell_land_bagr_22 %>%
filter(Land == "Brandenburg" &
!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratausgeschieden)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
ausg_bestreell_land_bagr_22_sorted$Baumartengruppe <- factor(ausg_bestreell_land_bagr_22_sorted $Baumartengruppe,
levels = ausg_bestreell_land_bagr_22_sorted %>%
arrange(desc(Vorratausgeschieden)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- ausg_bestreell_land_bagr_22_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Schritt 4: Erstelle das Diagramm mit dem sortierten Datensatz
ggplot(ausg_bestreell_land_bagr_22_sorted
, aes(x = Baumartengruppe, y = Vorratausgeschieden, fill = Baumartengruppe)) +
geom_col() +#(stat = "identity")#, position = "stack") + # Gestapeltes Balkendiagramm
# Legendenüberschrift hinzufügen
labs(x = "Altersklasse", y = "ausgeschiedener Vorrat [m³/ha]",
title = "Ausgeschiedener Vorrat der Baumarten\n BWI2012 -- 2022",
fill = "Baumartengruppe") + # Legendenüberschrift
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), # X-Achse-Beschriftungen drehen
legend.title = element_text(size = 8), # Kleinere Titelgröße für die Legende
legend.text = element_text(size = 7)) + # Kleinere Schriftgröße für Labels
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ",")) + # Tausenderformat
scale_fill_manual(values = farben_fuer_plot) + # Farben aus ba_farben verwenden
# Anpassung der Symbolgröße in der Legende
guides(fill = guide_legend(
ncol = 1, # Einspaltige Legende
override.aes = list(size = 3) # Kleinere Symbole in der Legende
))
```
#### Ausgeschiedener Vorrat - nach Anteilen des rechnerischen Reinbestandes
- deutliche Verluste in Esche
- welcher Vorrat wird als Vorrat dargestellt?
- Wie viel bleibt übrig
- nn
```{r groupbar-vor_ausg_bb_bag_ak_ha_sorted, echo=FALSE}
#ideeler Vorrat mit ideellem abgang joinen und plotten
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ausg_bb_bag_ak_ha_sorted <- vor_bb_bag_ak_ha %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ausg_best_land_bagr_22 %>% filter(Land == "Brandenburg"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratausgeschieden) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratausgeschieden)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ausg_bb_bag_ak_ha_sorted$Baumartengruppe <- factor(vor_ausg_bb_bag_ak_ha_sorted$Baumartengruppe,
levels = vor_ausg_bb_bag_ak_ha_sorted %>%
arrange(desc(Vorratausgeschieden)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ausg_bb_bag_ak_ha_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
farben_fuer_plot <- ba_farben[names(ba_farben) %in% baumarten_im_plot]
# Long format für ggplot
vor_ausg_bb_bag_ak_ha_sorted <- vor_ausg_bb_bag_ak_ha_sorted %>%
pivot_longer(cols = c(Vorrat, Vorratausgeschieden), names_to = "Vorratsart", values_to = "Vorrat")
# Plotten der Daten
# Plotten der Daten als gruppiertes Säulendiagramm
ggplot(vor_ausg_bb_bag_ak_ha_sorted, aes(x = Baumartengruppe, y = Vorrat, fill = Vorratsart)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [m³/ha]", fill = "Vorratsart") +
scale_fill_manual(values = c("Vorrat" = "green", "Vorratausgeschieden" = "grey")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("aktueller Vorrat und in den letzten zehn Jahren ausgeschiedener Vorrat nach Baumartengruppe")
::::: columns
::: {.column width="50%"}
- `r format(land_bestaufbau %>% filter(Land == "Brandenburg" & Bestockungsaufbau == 'mehrschichtig') %>% select(Fläche) %>% pull() %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
bzw.
`r format(land_bestaufbau %>% filter(Land == "Brandenburg" & Bestockungsaufbau == 'mehrschichtig') %>% select(Anteil) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %
der Holzbodenfläche in Brandenburg haben mindestens zwei Schichten
- gegenüber der BWI 2012 hat sich die Fläche mit Beständen von
mindestens zwei Schichten um
`r format(ver_land_bestaufbau_ha %>% filter(Land == "Brandenburg" & Bestockungsaufbau == 'mehrschichtig' ) %>% pull() %>% round(0), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
erhöht
- der Anteil einschichtiger Bestände hat sich gegenüber der BWI 2012
um
`r format(abs(ver_land_bestaufbau_ha %>% filter(Land == "Brandenburg" & Bestockungsaufbau == 'einschichtig' ) %>% pull() %>% round(0)), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
verringert
:::
::: {.column width="50%"}
```{r groupbar-bestaufbauflant, echo=FALSE}
ggplot(
land_bestaufbau %>%
filter(Land == "Brandenburg" & !Bestockungsaufbau %in% c('mehrschichtig', 'alle Arten von Bestockungsaufbau')) %>%
inner_join(ver_land_bestaufbau_ha %>%
filter(Land == "Brandenburg" & !Bestockungsaufbau %in% c('mehrschichtig', 'alle Arten von Bestockungsaufbau')),
by = "Bestockungsaufbau") %>%
select(Bestockungsaufbau, Fläche = Fläche.x, Veränderung = Fläche.y) %>%
pivot_longer(cols = c(Fläche, Veränderung), names_to = "Typ", values_to = "Wert")
, aes(x = reorder(Bestockungsaufbau, -Wert), y = Wert, fill = Bestockungsaufbau)) + # Färben nach Bestockungsaufbau
geom_col(aes(group = Typ), position = position_dodge(width = 0.8), width = 0.7) + # Typ als Gruppe verwenden, um nebeneinander zu bleiben
labs(x = "Bestockungsaufbau", y = "Holzbodenfläche [ha]",
title = "Fläche und Veränderungen des \nBestockungsaufbaus in Brandenburg") +
theme_minimal() +
scale_fill_brewer(palette = "Greens") + # Färben nach Bestockungsaufbau mit einer Farbpalette
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(labels = label_comma(big.mark = ".", decimal.mark = ",", accuracy = 1), # Tausenderformat
breaks = seq(0, max(land_bestaufbau$Fläche, na.rm = TRUE), by = 100000)) # Schrittweite von 100.000 ha
#ggsave("images/groupbar-bestaufbauflant.png", width = 15, height = 10, units = "cm")
```
:::
:::::
### Schichtigkeit und Laub- Nadelwald
### Totholz
# Zusammenfassung
- Brandenburg gehört zu den waldreichsten Ländern
- Waldflächenanteil ist stabil und leicht ansteigend
- Brandenburg ist größter Kiefernholzlieferant in Deutschland ?
- Kleinprivatwald erfordert besondere Fürsorge
- Holzvorrat ist anwachsend
- Waldumbau zeigt in Brandenburg Erfolge