BWI2022_PK20241014.qmd

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

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

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

# Die Bundeswaldinventur (BWI)

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

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

## Datenerhebung

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

### Waldfläche

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

::: {.column width="50%"}
```{r TreemapWaldspez, echo=FALSE}
#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
:::

::: {.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 %
:::

::: 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")
```
:::
:::::

### Altersverteilung

```{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
- zuwenig junge und zu wenig alte Bäume
- historisch bedingt - Änderung braucht Jahrzehnte
:::

::: {.column width="50%"}
```{r}
# 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
  ))

```
:::
:::::

## Änderungen in der Waldstruktur

::::: 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")
```
:::
:::::