Skip to content
Snippets Groups Projects
weham.qmd 39.7 KiB
Newer Older
Wiebke Torsten's avatar
Wiebke Torsten committed
---
Wiebke Torsten's avatar
Wiebke Torsten committed
title: "Weham"
subtitle: "Diskussionsgrundlage zu den Daten der BWI 2022 und WEHAM"
Wiebke Torsten's avatar
Wiebke Torsten committed
institution: "Landeskompetenzzentrum Forst Eberswalde"
Wiebke Torsten's avatar
Wiebke Torsten committed
author: "Torsten Wiebke"
Wiebke Torsten's avatar
Wiebke Torsten committed
date: last-modified
date-format: "[Stand]  D. M. YYYY"
Wiebke Torsten's avatar
Wiebke Torsten committed
bibliography: ../../LaTeX/bib/bibl.bib
csl: ../../LaTeX/bib/iso690-author-date-de.csl
language: _language-de.yml
#lang: de
Wiebke Torsten's avatar
Wiebke Torsten committed
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
Wiebke Torsten's avatar
Wiebke Torsten committed
    reference-doc: template.pptx #LFB_Masterfolie_LFE_2024.pptx
Wiebke Torsten's avatar
Wiebke Torsten committed
editor_options:
  markdown:
    wrap: 72
#editor: visual
---
::: content-hidden
Wiebke Torsten's avatar
Wiebke Torsten committed

Wiebke Torsten's avatar
Wiebke Torsten committed
# 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«
Wiebke Torsten's avatar
Wiebke Torsten committed
-   Wachstum und Waldbehandlung wird je Stichprobenpunkt (Ecke) am Einzelbaum für die
Wiebke Torsten's avatar
Wiebke Torsten committed
    nächsten 40 Jahre simuliert
-   Vorräte und Zuwächse des Waldes werden für die prognostizierten
    Daten berechnet
-   Nutzungseinschränkungen aus BWI und Nachmeldungen (NWE 10 Flächen
Wiebke Torsten's avatar
Wiebke Torsten committed
    (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)
    
Wiebke Torsten's avatar
Wiebke Torsten committed
## Durchforstungsmodelle
Wiebke Torsten's avatar
Wiebke Torsten committed

-   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

Wiebke Torsten's avatar
Wiebke Torsten committed
-   Modell ist Einzelbaumbasiert und entnimmt den »Beständen« am
Wiebke Torsten's avatar
Wiebke Torsten committed
    Stichprobenpunkt die Bäume anhand der übergebenen Kriterien -
Wiebke Torsten's avatar
Wiebke Torsten committed
    entweder entsprechend der konkreten Vorgaben oder gewählter
    Ertragstafel
Wiebke Torsten's avatar
Wiebke Torsten committed
### Beispiel
Wiebke Torsten's avatar
Wiebke Torsten committed

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.

Wiebke Torsten's avatar
Wiebke Torsten committed
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

Wiebke Torsten's avatar
Wiebke Torsten committed
# 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"}