Newer
Older
title: "Weham"
subtitle: "Diskussionsgrundlage zu den Daten der BWI 2022 und WEHAM"
institution: "Landeskompetenzzentrum Forst Eberswalde"
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)
- 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
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.
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
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
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
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
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
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
661
662
663
664
665
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
## 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
{width="689"}