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
224
225
226
227
228
229
230
231
232
233
234
235
236
### 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
```
##### Grundflächenänderung
```{r}
# Daten in Long-Format bringen
ver_gf_ba_22 <- ver_vor$ver_gf_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Ba_Gruppen",
values_to = "Veränderungen")
ver_gf_ba_22 <- ver_gf_ba_22%>%
replace_na(list(Veränderungen = 0))
```
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
### Waldflächenanteile
```{r}
# Daten umformen und rangieren
waldflant <- waldfl_ba$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
```
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
### Waldflächen Standflächen ha bb (und Veränderung?)
```{r}
bb_stndfl_ba_22 <- waldfl_ba$bb_stndfl_ba_22 %>%
pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0)) #%>%
# inner_join(
# ver_waldfl$ver_bb_stndfl_ba_22 %>%
# pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
# names_to = "Altersklasse",
# values_to = "Veränderung") %>%
# replace_na(list(Veränderung = 0)),
# by = c("Baumartengruppe", "Altersklasse")
# )
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"))
```
### 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
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
```{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}
```
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
#### 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$nutz_land_qm_ha_ideell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Nutzung") %>%
replace_na(list(Nutzung = 0))
```
## Struktur
### Waldaufbau
```{r}
stuktbeim_sheet_names <- excel_sheets("../data/strukt_beim_besttyp.xlsx")
struktbeim <- lapply(stuktbeim_sheet_names, function(sheet) {
read_excel("../data/strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(struktbeim) <- stuktbeim_sheet_names
```
### Waldaufbauveränderung
```{r}
ver_stuktbeim_sheet_names <- excel_sheets("../data/ver_strukt_beim_besttyp.xlsx")
ver_struktbeim <- lapply(ver_stuktbeim_sheet_names, function(sheet) {
read_excel("../data/ver_strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_struktbeim) <- ver_stuktbeim_sheet_names
```
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
#### Land-Bestockungsaufbau ha-proz
```{r}
# Ergebnistabellen zusammenführen und neue Datenzeile "mehrschichtig" aus Summe hinzufügen
land_bestaufbau <-
struktbeim$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$bb_ver_jungbest_art_22 %>%
filter(Verjüngungsart == "alle Verjüngungsarten") %>%
pivot_longer(cols = -c(Einheit, Verjüngungsart, "alle Baumarten"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche = 0))
```
```{r imp_struktur_tot, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
tot_sheet_names <- excel_sheets("../data/struktur_tot.xlsx")
read_excel("../data/struktur_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
# Namen der Liste anpassen
names(tot) <- tot_sheet_names
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
### Totholz m³/ha*a Land-Baumartengruppe - reell
```{r}
tot_land_qm_ha_reell <- tot$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
```
:::