weham.qmd

---
title: "Weham"
subtitle: "Diskussionsgrundlage zu den Daten der BWI 2022 und WEHAM"
institution: "Landeskompetenzzentrum Forst Eberswalde"
author: "Torsten Wiebke"
date: last-modified
date-format: "[Stand]  D. M. YYYY"
bibliography: ../../LaTeX/bib/bibl.bib
csl: ../../LaTeX/bib/iso690-author-date-de.csl
language: _language-de.yml
#lang: de
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:
    default: true
    reference-doc: template.pptx #LFB_Masterfolie_LFE_2024.pptx
editor_options:
  markdown:
    wrap: 72
#editor: visual
---
::: content-hidden

# librarys

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

:::

# WEHAM

Die Waldentwicklungs- und Holzaufkommensmodellierung (WEHAM) verschafft
einen Überblick über das potenzielle und nachhaltig nutzbare
Rohholzaufkommen der **nächsten 40 Jahre** in Deutschland, gegliedert
nach Holzarten-, Eigentümer- und Sortengruppen und Bundesländern und in
Sonderauswertungen anderen regionalen Einteilungen.

## Projektion am Stichprobenpunkt der BWI

-   Aktuelle BWI-Daten werden genutzt
-   Bäume werden mit aktuellen Daten in Ertragstafelmodelle »Eingehängt«
-   Wachstum und Waldbehandlung wird je Stichprobenpunkt (Ecke) am Einzelbaum für die
    nächsten 40 Jahre simuliert
-   Vorräte und Zuwächse des Waldes werden für die prognostizierten
    Daten berechnet
-   Nutzungseinschränkungen aus BWI und Nachmeldungen (NWE 10 Flächen
    (Erlass 01.03.2024) und nachträglich ausgefallene Bestände - kartiert vom [Satellitengestützter Krisen- und Lagedienst (SKD) des BKG](https://www.bkg.bund.de/DE/Produkte-und-Dienste/SKD/SKD.html)
    


## Durchforstungsmodelle

-   In den Durchforstungsmodellen sollen Steuerparameter eingegeben
    werden, die dann vom Modell mit den aktuellen BWI-Daten verarbeitet
    werden.

-   NWE 10 Flächen (Erlass 01.03.2024) und nachträglich ausgefallene
    Bestände (SKD) wurden aus der WEHAM Modellierung genommen

-   Modell ist Einzelbaumbasiert und entnimmt den »Beständen« am
    Stichprobenpunkt die Bäume anhand der übergebenen Kriterien -
    entweder entsprechend der konkreten Vorgaben oder gewählter
    Ertragstafel

### Beispiel

Beispielsweise führt die Wahl eines rechnerischen Reinbestandes Kiefer,
B° 1, M 32 (siehe [Ertragstafeldownload Ki des
LFB](https://forst.brandenburg.de/sixcms/media.php/9/kieferetk.pdf)) mit
einem Vorrat von 437 Vfm/ha bei der Wahl einer Hochdurchforstung dazu,
dass so viele Bäume ≙ 112 oder so viel Grundfläche ≙ 3,3 m² entnommen
wird, wie als ausscheidender Bestand in der Ertragstafel verzeichnet
ist. Die Angabe des »Reduktionsfaktors« von 0,8 entspricht der Wahl
eines Zielbestockungsgrades und führt dazu, dass die zu entnehmende
Anzahl der Bäume oder der Grundfläche um 20 % erhöht wird. Die Angabe
eines »zielst_bhd« führt dazu, das zuerst die Bäume die diesen BHD
erreichen entnommen werden und zwar in der anteiligen Höhe wie sie in
»zielst_eproz« angegeben ist um danach die restlichen Bäume entsprechend
Ertragstafel zufällig zu entnehmen.

Wichtige Eingabeparameter sind daher in @tbl-steuerungsparameter
aufgeführt.

## Weham Steuerungsdaten {.scrollable}


- Steuerungsdaten werden vom SG-Waldinventuren eingegeben
- Beratungen mit FB 41 Waldbau
- Vorstellung und Beratung mit Abt.2, insb. FB25
- RF, Zielstärkenutzung, EN % und »Flächige Räumung« sind wichtigste Steuerparameter
- TI rechnet wöchentlich mit den übergebenen Steuerparametern


```{r tbl_steuerungsparameter, echo=FALSE}
#| label: tbl-steuerungsparameter
#| tbl-cap: Steuerungsparameter in (WE)HAM
 

steuerungsparameter %>% 
  flextable()  %>%
  width(j = 1, width = 1) %>%
  width(j = 2, width = 4)
```



# BWI

WEHAM rechnet mit den aktuellen BWI-Daten und projiziert diese nach Ertragstafel und übergebenen Steuerparametern für die nächsten 40 Jahre.
## Waldeigentum

::: columns
::: column
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

- unterschiedliche Bewirtschaftungsformen sind in WEHAM zu berücksichtigen
:::

::: column

```{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 = "top", grow = TRUE) +
  geom_treemap_text(aes(label = paste0(Prozent, "%")), # Prozentwerte unter der Fläche anzeigen
                    colour = "black", place = "centre", grow = FALSE, size=14, 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 = 25, height = 15, units = "cm")
```
:::
::::

### Eigentumsübergänge 2012-2022

::::: columns
::: {.column width="50%"}

-   größte Flächenzunahme im Privatwald zwischen 20 ha und 1000 ha - Eigentumsübergang, Ersatzmaßnahmen
-   leichte Zunahme im Privatwald \>1000 ha - Übertragung an Stiftungen
-   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")
```
:::
:::::

## Baumartenverteilung im Detail
```{r barplot-waldfl22_ba_long_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Anteil und Baumartengruppe
waldfl22_ba_long_sorted <- waldfl22_ba_long %>%
    filter(Land == "Brandenburg" & !Ba_Wa %in% c("alle Laubbäume", "alle Nadelbäume")) %>%
    arrange(desc(Fläche))

# Schritt 2: Setze die Baumartengruppe als Faktor und definiere die Reihenfolge nach Anteil
waldfl22_ba_long_sorted$Ba_Wa <- factor(
  waldfl22_ba_long_sorted$Ba_Wa,
  levels = waldfl22_ba_long_sorted$Ba_Wa
)

# 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% levels(waldfl22_ba_long_sorted$Ba_Wa)]

# Erstelle das liegende gestapelte Balkendiagramm
ggplot(waldfl22_ba_long_sorted, aes(x = Ba_Wa, y = Prozent, fill = Ba_Wa)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
  coord_flip() +  # Koordinaten umkehren, um ein liegendes Balkendiagramm zu erstellen
  geom_text(aes(label = paste0(round(Prozent, 1), "%")),
            position = position_dodge(width = 0.8), hjust = -0.1, size = 3, color = "black") +  # Beschriftung am Ende des Balkens
  scale_fill_manual(values = farben_fuer_plot) +
  theme_minimal() +
  labs(title = "Waldflächenanteile nach Baumartengruppe, Blöße und Lücke \nin Brandenburg (BWI2022)", 
       subtitle = "rechnerischer Reinbestand nach Standfläche der Bäume",
       y = "Anteile am Holzboden [%]",  # Y-Achsenbeschriftung anpassen
       x = "Baumarten und Waldflächen") +  # X-Achsenbeschriftung (nach dem Flippen) anpassen
  
  theme(
    legend.position = "none",  # Entfernt die Legende
    axis.text.y = element_text(size = 8), 
    axis.ticks.y = element_blank(),
    panel.spacing = unit(0, "cm"),  # Verringert den Abstand zwischen Panel und Achse
    plot.margin = margin(5, 5, 5, 5)  # Passt die Abstände um das Diagramm an
  ) +
  scale_y_continuous(expand = c(0, 0.1))  # Kontrolliert den Abstand der Bars zur Achse
#ggsave("images/barplot-waldfl22_ba_long_sorted.png", width = 15, height = 10, 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")
```
:::
:::::

## Vorrat



### Hektarvorrat aller Schichten
```{r stackedabar_vor_reell_bb_eiggr_ba_qm_h_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Anteil und Baumartengruppe
vor_reell_bb_eiggr_ba_qm_h_sorted <- vor_reell_bb_eiggr_ba_qm_h %>%
    filter(!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald", "alle Eigentumsarten"), 
           !Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")) %>%
  group_by(Eigentumsart) %>%
    arrange(desc(Vorrat))

# Schritt 2: Setze die Baumartengruppe als Faktor und definiere die Reihenfolge nach Anteil
# vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Baumartengruppe <- factor(levels = vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Baumartengruppe [order(vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Vorrat, decreasing = TRUE)])


# 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% levels(vor_reell_bb_eiggr_ba_qm_h_sorted$Baumartengruppe)]


# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
ggplot(vor_reell_bb_eiggr_ba_qm_h_sorted, aes(x = Eigentumsart, y = Vorrat, fill = Baumartengruppe)) +
  geom_bar(stat = "identity", position = "stack", width = 0.7) +
  geom_hline(aes(yintercept = vor_reell_bb_eiggr_ba_qm_h %>%
  filter(Eigentumsart == "alle Eigentumsarten", 
         Baumartengruppe == "alle Baumarten") %>%
  pull(Vorrat)), color = "red", linetype = "dashed", linewidth = 1) +  # Füge die Linie für den Gesamtvorrat hinzu
  annotate("text", x = 4, y = (vor_reell_bb_eiggr_ba_qm_h %>%
                              filter(Eigentumsart == "alle Eigentumsarten", Baumartengruppe == "alle Baumarten") %>%
                                pull(Vorrat)) + 18, label = paste("Durchschnittsvorrat:", 
                  round(vor_reell_bb_eiggr_ba_qm_h %>%
                          filter(Eigentumsart == "alle Eigentumsarten",   Baumartengruppe == "alle Baumarten") %>%
                          pull(Vorrat), 1), "m³/ha"), 
           color = "red", size = 4, vjust = -0.5) +  # Füge das Label für den Durchschnittsvorrat hinzu
  
  labs(x = "Eigentumsart", y = "Vorrat [m³/ha]", 
       title = "Hektarvorräte aller Schichten nach Eigentumsart",
       subtitle = "mit Baumartengruppen nach Eckenanteil (real)") +
  scale_fill_manual(values = farben_fuer_plot) +  # Verwende eine Farbpalette für Baumartengruppen
  scale_y_continuous(expand = c(0, 0), limits = c(0, max(vor_reell_bb_eiggr_ba_qm_h %>%
                          filter(Eigentumsart == "alle Eigentumsarten",   Baumartengruppe == "alle Baumarten") %>%
                          pull(Vorrat)) + 42)) +  # Y-Achse manuell erweitern
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
```


### Hektarvorrat im Hauptbestand

```{r stackedabar_vor_reell_bb_hbst_eiggr_ba_qm_h_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Anteil und Baumartengruppe
vor_reell_bb_hbst_eiggr_ba_qm_h_sorted <- vor_reell_bb_hbst_eiggr_ba_qm_h %>%
    filter(!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald", "alle Eigentumsarten"), 
           !Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")) %>%
  group_by(Eigentumsart) %>%
    arrange(desc(Vorrat))

# Schritt 2: Setze die Baumartengruppe als Faktor und definiere die Reihenfolge nach Anteil
# vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Baumartengruppe <- factor(levels = vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Baumartengruppe [order(vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Vorrat, decreasing = TRUE)])


# 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% levels(vor_reell_bb_hbst_eiggr_ba_qm_h_sorted$Baumartengruppe)]


# Schritt 3: Filtere ba_farben so, dass nur die Farben verwendet werden, die im Plot vorkommen
ggplot(vor_reell_bb_hbst_eiggr_ba_qm_h_sorted, aes(x = Eigentumsart, y = Vorrat, fill = Baumartengruppe)) +
  geom_bar(stat = "identity", position = "stack", width = 0.7) +
  geom_hline(aes(yintercept = vor_reell_bb_hbst_eiggr_ba_qm_h %>%
  filter(Eigentumsart == "alle Eigentumsarten", 
         Baumartengruppe == "alle Baumarten") %>%
  pull(Vorrat)), color = "red", linetype = "dashed", linewidth = 1) +  # Füge die Linie für den Gesamtvorrat hinzu
  annotate("text", x = 4, y = (vor_reell_bb_hbst_eiggr_ba_qm_h %>%
                              filter(Eigentumsart == "alle Eigentumsarten", Baumartengruppe == "alle Baumarten") %>%
                                pull(Vorrat)) + 18, label = paste("Durchschnittsvorrat:", 
                  round(vor_reell_bb_hbst_eiggr_ba_qm_h %>%
                          filter(Eigentumsart == "alle Eigentumsarten",   Baumartengruppe == "alle Baumarten") %>%
                          pull(Vorrat), 1), "m³/ha"), 
           color = "red", size = 4, vjust = -0.5) +  # Füge das Label für den Durchschnittsvorrat hinzu
  
  labs(x = "Eigentumsart", y = "Vorrat [m³/ha]", 
       title = "Hektarvorräte im Hauptbestand nach Eigentumsart",
       subtitle = "mit Baumartengruppen nach Eckenanteil (real)") +
  scale_fill_manual(values = farben_fuer_plot) +  # Verwende eine Farbpalette für Baumartengruppen
  scale_y_continuous(expand = c(0, 0), limits = c(0, max(vor_reell_bb_hbst_eiggr_ba_qm_h %>%
                          filter(Eigentumsart == "alle Eigentumsarten",   Baumartengruppe == "alle Baumarten") %>%
                          pull(Vorrat)) + 42)) +  # Y-Achse manuell erweitern
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
```

### Gesamtvorrat aller Schichten über die Eigentumsform
```{r stackedabar_vor_reell_bb_eigentum_ba_kqm_sorted, echo=FALSE}
# Schritt 1: Sortiere den Datensatz nach Vorrat und Baumartengruppe
vor_reell_bb_eigentum_ba_kqm_sorted <- vor_reell_bb_eigentum_ba_kqm %>%
  filter(!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald"#, "alle Eigentumsarten"
                              ), 
         !Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")) %>%
  group_by(Eigentumsart) %>%
  arrange(desc(Vorrat)) %>%
  ungroup()

# Schritt 2: Setze die Baumartengruppe als Faktor und definiere die Reihenfolge nach Vorrat pro Eigentumsart
vor_reell_bb_eigentum_ba_kqm_sorted <- vor_reell_bb_eigentum_ba_kqm_sorted %>%
  mutate(Baumartengruppe = factor(Baumartengruppe, 
                                  levels = unique(Baumartengruppe[order(Vorrat, decreasing = TRUE)])))



# 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% levels(vor_reell_bb_eigentum_ba_kqm_sorted$Baumartengruppe)]

ggplot(vor_reell_bb_eigentum_ba_kqm_sorted, aes(x = Eigentumsart, y = Vorrat, fill = Baumartengruppe)) +
  geom_bar(stat = "identity", position = "stack", width = 0.7) +
 
  labs(x = "Eigentumsart", y = "Vorrat [1000 m³]", 
       title = "Gesamtvorräte nach Eigentumsart",
       subtitle = "mit Baumartengruppen nach Eckenanteil (real)") +
  scale_fill_manual(values = farben_fuer_plot) +  # Verwende eine Farbpalette für Baumartengruppen
  scale_y_continuous(labels = scales::label_comma(big.mark = ".", decimal.mark = ",", accuracy = 1)) +  # Tausendertrennzeichen für bessere Lesbarkeit
  # scale_y_continuous(expand = c(0, 0), limits = c(0, max(vor_reell_bb_eigentum_ba_kqm %>%
  #                         filter(Eigentumsart == "alle Eigentumsarten",   Baumartengruppe == "alle Baumarten") %>%
  #                         pull(Vorrat)) )) +  # Y-Achse manuell erweitern
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
```

## Altersverteilung

### Altersverteilung über die Standfläche 

```{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
- zu    wenig junge und zu wenig alte Bäume
- historisch bedingt - Änderung braucht Jahrzehnte
- für die Waldentwicklungsmodellierung wichtig - bisher sind die Wiederbründungstechniken in WEHAM aber noch gar nicht abschließend geklärt
:::

::: {.column width="50%"}
```{r stacked_bb_stndfl_ba_22_sorted, echo=FALSE}
# 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 + 10000,
           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,size = 8,colour = "black"),  # 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
  ))
#ggsave("images/stacked_bb_stndfl_ba_22_sorted.png", width = 25, height = 12, units = "cm")
```
:::
:::::

#### Altersverteilung über den Vorrat


```{r normalwaldmodellvorrat, include=FALSE}
# Berechne die Normalwaldmodellvorrat
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%"}
- Für die Holzaufkommensmodellierung ist der die Vorratsverteilung über die Altersklassen bedeutend
- Normalwaldmodellvorrat zeigt die »Ideallinie« um den Vorrat über die Umtriebszeit gleichmäßig zu nutzen
- 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 alle Bestandesschichten 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
  ))

```
:::
:::::

### Altersklassenverteilung aller Eigentumsarten nach Baumarten im Hauptbestand

```{r  stacked_vor_reell_bb_hbst_ba_akl_qm_ha_sorted, echo=FALSE}
# Berechne die Normalwaldmodellvorrat
mittlere_Produktionszeit <- 120
normalwaldmodellvorrat <- (vor_reell_bb_hbst_ba_akl_qm_ha %>% 
                                    filter(Baumartengruppe == "alle Baumarten" & 
                                             Altersklasse == "alle Baumaltersklassen" ) %>% 
                                    select(Vorrat) %>% 
                                    pull() / mittlere_Produktionszeit) * 20
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_reell_bb_hbst_ba_akl_qm_ha_sorted <- vor_reell_bb_hbst_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_hbst_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_hbst_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 = normalwaldmodellvorrat, yend = normalwaldmodellvorrat),
               linetype = "dashed", color = "red") +

  # Beschriftung über der Linie
  annotate("text", x = 2, y = normalwaldmodellvorrat + 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 im Hauptbestand 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
  ))

```

### Altersklassenverteilung im Landeswald nach Baumarten
- im Hauptbestand der Landeswaldfläche ohne Nutzungseinschränkungen zeigt sich das Ungleichgewicht der Vorratsverteilung über die Altersklassen noch stärker
- bei einer Umtriebszeit von 120 Jahren kommen die viele der heute 60 -- 80 jährigen Kiefern in den Abtrieb
- politische Waldumbauziele und die aktuellen durch die Klimakrise bedingten Einflüsse erfordern entsprechendes waldbauliches Handeln
- Durchforstungen sollten sich auf die III und IV Alterklasse konzentrieren und auf Einzelbaumstabilität abzielen

```{r  stacked_vor_rel_bb_hbst_ln_ne0_ba_akl_q_sorted, echo=FALSE}
# Berechne die Normalwaldmodellvorrat
mittlere_Produktionszeit <- 120
normalwaldmodellvorrat <- (vor_rel_bb_hbst_ln_ne0_ba_akl_q %>% 
                                    filter(Baumartengruppe == "alle Baumarten" & 
                                             Altersklasse == "alle Baumaltersklassen" ) %>% 
                                    select(Vorrat) %>% 
                                    pull() / mittlere_Produktionszeit) * 20
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_rel_bb_hbst_ln_ne0_ba_akl_q_sorted <- vor_rel_bb_hbst_ln_ne0_ba_akl_q %>%
  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_rel_bb_hbst_ln_ne0_ba_akl_q_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_rel_bb_hbst_ln_ne0_ba_akl_q_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 = normalwaldmodellvorrat, yend = normalwaldmodellvorrat),
               linetype = "dashed", color = "red") +

  # Beschriftung über der Linie
  annotate("text", x = 2, y = normalwaldmodellvorrat + 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 im Hauptbestand des Landeswaldes ohne Nutzungseinschränkungen 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
  ))

```
## Abgang und Nutzung

```{r stackedbarplot-abgang_bb_grund_bagr_kqm_sorted, echo=FALSE}
#alle Schichten
# abgang_bb_hbst_grund_bagr_kqm %>% 
#   filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume"), !Abgangsgrund == "alle Abgangsgründe")

# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
abgang_bb_grund_bagr_kqm_sorted <- abgang_bb_grund_bagr_kqm %>% 
  filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume"), !Abgangsgrund == "alle Abgangsgründe") %>%
  arrange(desc(Vorrat)) %>%
  mutate(
    Abgangsgrund = factor(Abgangsgrund, levels = unique(Abgangsgrund)),  # Abgangsgrund als Factor speichern
    Baumartengruppe = factor(Baumartengruppe, levels = unique(Baumartengruppe))  # Baumartengruppe als Factor speichern
  )  

# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- abgang_bb_grund_bagr_kqm_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(abgang_bb_grund_bagr_kqm_sorted
       , aes(x = Abgangsgrund, y = Vorrat, fill = Baumartengruppe)) +
  geom_bar(stat = "identity", position = "stack") +  # Gestapeltes Balkendiagramm
  labs(title = "Ausgeschiedener Vorrat im Hauptbestand nach Abgangsgründen und Baumartengruppen", 
       subtitle = "reeller Flächenbezug (gemäß Trakteckenanteil)",
       y = "ausgeschiedener Vorrat [1000 Efm]",  # Y-Achsenbeschriftung anpassen
       x = "Abgangsgrund") +  # X-Achsenbeschriftung (nach dem Flippen) anpassen
 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
  ))
```


```{r}
#Hauptbestand
# abgang_bb_hbst_grund_bagr_kqm %>% 
#   filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume"), !Abgangsgrund == "alle Abgangsgründe")

# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
abgang_bb_hbst_grund_bagr_kqm_sorted <- abgang_bb_hbst_grund_bagr_kqm %>% 
  filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume"), !Abgangsgrund == "alle Abgangsgründe") %>%
  arrange(desc(Vorrat)) %>%
  mutate(
    Abgangsgrund = factor(Abgangsgrund, levels = unique(Abgangsgrund)),  # Abgangsgrund als Factor speichern
    Baumartengruppe = factor(Baumartengruppe, levels = unique(Baumartengruppe))  # Baumartengruppe als Factor speichern
  )  

# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- abgang_bb_hbst_grund_bagr_kqm_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(abgang_bb_hbst_grund_bagr_kqm_sorted
       , aes(x = Abgangsgrund, y = Vorrat, fill = Baumartengruppe)) +
  geom_bar(stat = "identity", position = "stack") +  # Gestapeltes Balkendiagramm
  labs(title = "Ausgeschiedener Vorrat im Hauptbestand nach Abgangsgründen und Baumartengruppen", 
       subtitle = "reeller Flächenbezug (gemäß Trakteckenanteil)",
       y = "ausgeschiedener Vorrat [Efm]",  # Y-Achsenbeschriftung anpassen
       x = "Abgangsgrund") +  # X-Achsenbeschriftung (nach dem Flippen) anpassen
 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
  ))
```

```{r}
abgang_bb_hbst_grund_bagr_kqm %>% 
  group_by(Abgangsgrund) %>%
  filter(Baumartengruppe == "alle Baumarten")

```


```{r, include=FALSE}
vor_reell_bb_hbst_eiggr_ba_qm_h %>%
    filter(Eigentumsart == "Privatwald, bis 20 ha", 
           Baumartengruppe == "alle Baumarten") %>%
  select(Vorrat)
```




# WEHAM-Projektionen

# Landeswald

Steuerungsparameter wirken auf alle anderen Eigentumsformen wenn nicht
spezifisch angegeben.

## Landeswald-Steuerungsparameter

-   Zielbestockungsgrad im Regelfall auf 0,8
-   Endnutzungszeitraum auf reelle Werte wie 150±30 a (Ki) gesetzt
-   Durchforstungsart v.a. Auslese- und Hochdurchforstung

## Vorratsprojektion

![Vorratsentwicklung alte vs. neue Steuerungsparameter
Gesamtwald](images/weham_vorrat_0_10.png){width="689"}