Newer
Older
---
title: "scribble"
---
{{< include librarys-datimport.qmd >}}
# ToDos
- [ ] Trakte, Ecken z.B. Infoflyer
- [ ] Wie können 74 Efm Esche weniger aber 268 m³/ha und nur 1 m³/ha Abgang sein?
warum wird die Stammanzahl ohne Nachkommastellen angegeben und wie kann man sie sinnvoll runden?
```{r}
# Erstelle das Diagramm mit nach Eigentumsart eingefärbten Balken und gruppiert nach Vorratsart
ggplot(vor_reell_bb_hbst_eiggr_ba_qm_h %>%
filter(Baumartengruppe == "alle Baumarten" & !Eigentumsart %in% c("Öffentlicher Wald", "Staatswald (Bund)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha"
)) %>%
inner_join(vervor_reell_bb_hbst_eiggr_baha %>%
filter(Baumartengruppe == "alle Baumarten" & !Eigentumsart %in% c("Öffentlicher Wald", "Staatswald (Bund)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha"
)),
by = c("Eigentumsart", "Baumartengruppe")) %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat"),
aes(x = Eigentumsart, y = Vorrat, fill = Eigentumsart)) + # Färbe nach Eigentumsart
geom_bar(aes(fill = Eigentumsart), stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
facet_wrap(~Vorratsart, scales = "free_y") + # Gruppiere nach Vorratsart (nebeneinander)
labs(x = "Eigentumsart", y = "Vorrat [m³/ha]", fill = "Eigentumsart") + # Passe die Beschriftung der Legende an
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Vorrat und Vorratsänderung nach Eigentumsart im Hauptbestand über alle Baumartengruppen")
```
```{r}
ggplot((waldfl_spez_long %>%
filter(Land == 'Brandenburg' & Kategorie != 'Wald' & Kategorie != 'Holzboden')
), aes(area = Fläche, fill = Kategorie, label = paste(Kategorie,"\n", paste0(format(round(Fläche), big.mark = ".", decimal.mark = ",", scientific = FALSE)), "ha","\n",
"(", round(Prozent, 1), "%)", sep = ""))) +
geom_treemap(color = "black", size = 0.5) + # Schwarzer Rand um die Felder
geom_treemap_text(colour = "black", place = "centre") +
scale_fill_manual(values = c(
"bestockter Holzboden" = "#24d617", # Grün für bestockter Holzboden
"Blöße" = "#d6b913", # Ocker für Blöße
"Nichtholzboden" = "grey" # Grau für Nichtholzboden
)) +
theme(legend.position = "right") +
labs(title = "Waldflächen nach Spezifikation\n in Brandenburg in der BWI 2022") +
geom_label(data = mittelpunkte, aes(x, y, label = Kategorie),
hjust = 0, vjust = 0.5, size = 4) #+
# theme(
# axis.title = element_blank(), # Entfernt die Titel der Achsen
# axis.text = element_blank(), # Entfernt die Achsenbeschriftungen
# axis.ticks = element_blank(), # Entfernt die Achsenstriche
# axis.line = element_blank() # Entfernt die Achsenlinien
# )
```
```{r groupbar-vor_ver_reell_bb_ba_akl_kqm_sorted, echo=FALSE}
#ideeler Vorrat mit ideellem abgang joinen und plotten
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_reell_bb_ba_akl_kqm %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ver_vor_reell_bb_ba_akl_kqm %>% filter(Altersklasse == "alle Baumaltersklassen"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratsänderung) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe <- factor(vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe,
levels = vor_ver_reell_bb_ba_akl_kqm_sorted %>%
arrange(desc(Vorratsänderung)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
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
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# TODO Plot für Vorrat, Vorratsänderung alle Baumarten, Nadelbäume, Laubbäume, Kiefer ...
# 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]
# Long format für ggplot
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat")
# Plotten der Daten als gruppiertes Säulendiagramm
ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted, aes(x = Baumartengruppe, y = Vorrat, fill = Vorratsart)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [m³/ha]", fill = "Vorratsart") +
scale_fill_manual(values = c("Vorrat" = "green", "Vorratsänderung" = "grey")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("aktueller Vorrat und in den letzten zehn Jahren Vorratsänderung nach Baumartengruppe")
```
```{r}
# Sortierte Daten wie oben beschrieben
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_reell_bb_ba_akl_kqm %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ver_vor_reell_bb_ba_akl_kqm %>% filter(Altersklasse == "alle Baumaltersklassen"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratsänderung) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung))
# Setze die Baumartengruppe als Faktor
vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe <- factor(vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe,
levels = vor_ver_reell_bb_ba_akl_kqm_sorted %>%
arrange(desc(Vorratsänderung)) %>%
pull(Baumartengruppe))
# Plot 1: Vorrat
vorrat_plot <- ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted, aes(x = Baumartengruppe, y = Vorrat)) +
geom_bar(stat = "identity", fill = "green", width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [m³/ha]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Aktueller Vorrat nach Baumartengruppe")
# Plot 2: Vorratsänderung
vorratsaenderung_plot <- ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted, aes(x = Baumartengruppe, y = Vorratsänderung)) +
geom_bar(stat = "identity", fill = "grey", width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorratsänderung [m³/ha]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Vorratsänderung in den letzten zehn Jahren nach Baumartengruppe")
# Beide Plots untereinander anordnen
vorrat_plot / vorratsaenderung_plot
```
```{r groupbar-vor_ver_reell_bb_ba_akl_kqm_sorted, echo=FALSE}
#ideeler Vorrat mit ideellem abgang joinen und plotten
# Schritt 1: Sortiere den Datensatz nach Fläche und Baumartengruppe
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_reell_bb_ba_akl_kqm %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
left_join(ver_vor_reell_bb_ba_akl_kqm %>% filter(Altersklasse == "alle Baumaltersklassen"),
by = c("Baumartengruppe" = "Baumartengruppe")) %>%
select(Baumartengruppe, Vorrat, Vorratsänderung) %>%
filter(!Baumartengruppe %in% c("alle Baumarten", "alle Laubbäume", "alle Nadelbäume")) %>%
arrange(desc(Vorratsänderung)) # Sortiere nach Fläche in absteigender Reihenfolge
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe <- factor(vor_ver_reell_bb_ba_akl_kqm_sorted$Baumartengruppe,
levels = vor_ver_reell_bb_ba_akl_kqm_sorted %>%
arrange(desc(Vorratsänderung)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# Schritt 2: Extrahiere die verwendeten Baumartengruppen
baumarten_im_plot <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
distinct(Baumartengruppe) %>%
pull(Baumartengruppe)
# TODO Plot für Vorrat, Vorratsänderung alle Baumarten, Nadelbäume, Laubbäume, Kiefer ...
# 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]
# Long format für ggplot
vor_ver_reell_bb_ba_akl_kqm_sorted <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
pivot_longer(cols = c(Vorrat, Vorratsänderung), names_to = "Vorratsart", values_to = "Vorrat")
# Plot für Vorrat
# vorrat_plot <-
vor_reell_bb_ba_akl_kqm_plot <- ggplot(vor_plot_data <- vor_ver_reell_bb_ba_akl_kqm_sorted %>%
filter(Vorratsart == "Vorrat"), aes(x = Baumartengruppe, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorrat [m³]") +
scale_fill_manual(values = farben_fuer_plot) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Aktueller Vorrat nach Baumartengruppe")
# Plot für Vorratsänderung
# vorratsänderung_plot <-
ver_reell_bb_ba_akl_kqm_plot <- ggplot(vor_ver_reell_bb_ba_akl_kqm_sorted %>%
filter(Vorratsart == "Vorratsänderung"), aes(x = Baumartengruppe, y = Vorrat, fill = Baumartengruppe)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
labs(x = "Baumartengruppe", y = "Vorratsänderung [m³/ha]") +
scale_fill_manual(values = farben_fuer_plot) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Vorratsänderung nach Baumartengruppe in den letzten zehn Jahren")
# Beide Plots untereinander darstellen
vor_reell_bb_ba_akl_kqm_plot / ver_reell_bb_ba_akl_kqm_plot
```
```{r}
ver_jungbestfl %>%
filter(Land == "Brandenburg"
& Jungbestockung == "Jungbestockung ohne Schirm (Hauptbestockung)"
) %>%
select(Veränderungsanteil) %>%
pull()
```
#### Totholzvorrat 2013-2022
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
::::: {.columns style="display: flex !important; height: 90%;"}
::: {.column width="50%" style="display: flex; justify-content: center; align-items: center;"}
```{r totvorrat13_22_bar, echo=FALSE, fig.height=7, fig.width=7}
#| label: ver_totholz_13_22
#| tbl-cap: Vergleich der Totholzvorräte in Brandenburg LWI 2013 - BWI 2022
# Daten Vorbereiten
# Totholzvorrat BB Vergleich 13-22
totvorrat_long_13_22 <- tot$bb_tot_typ_13_22 %>%
filter(Eigentumsart == "alle Eigentumsarten 2013"|Eigentumsart == "alle Eigentumsarten 2022") %>%
pivot_longer(cols = c("alle Totholztypen"),
names_to = "Totholztyp",
values_to = "Totholzvorrat")
# Bar Totholzvorrat BB Vergleich 13-22
# Plot erstellen als Säulendiagramm für 2013 & 2022
totvorrat_13_22 <- ggplot(totvorrat_long_13_22, aes(x = Eigentumsart, y = Totholzvorrat)) +
geom_bar(stat = "identity", fill = "dodgerblue3", show.legend = FALSE) + # Set custom color
geom_text(aes(label = paste0(round(Totholzvorrat, 1), "")),
vjust = 0.5, hjust = 0.5, color = "white", size = 4.5,
position = position_stack(vjust = 0.5), fontface = "bold") + # Center the labels
labs(x = "",
y = "Totholzvorrat [m³/ha]") +
ggtitle("Vergleich der Totholzvorräte \n Brandenburg LWI 2013 - BWI 2022") +
theme(plot.title = element_text(hjust = 0.5)) +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(margin = margin(b = 20)),
plot.title.position = "plot",
legend.position = "none") +
scale_x_discrete(labels = c("alle Eigentumsarten 2013" = "LWI 2013", "alle Eigentumsarten 2022" = "BWI 2022")) +
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ","),
breaks = seq(0, 18, by = 2), # Adjust breaks as needed
limits = c(0, 18)) # Set y-axis limit
totvorrat_13_22
```
:::
::: {.column width="50%"}
- direkter Vergleich: Totholzvorrat in Brandenburg von 10,94 m³/ha in
2013 auf 17 m³/ha in 2022, um **6,06 m³/ha**, gestiegen.
- In der Veränderungsrechung (nur Punkte im Veränderungsnetz) liegt
der Anstieg bei **6,4 m³/ha**.
:::
::::
**todo:** Daten aus Import übernehmen
<!-- TODO Daten aus Import übernehmen --> \### Verjüngung
- Bäume bis 4m
- Verjüngungskreis
- [ ] Botschaft: Zu wenig Pflanzen / ha
- [ ] Verbiss halbiert, aber noch immer zu viel bzw. zu wenig Pflanzen
für Waldumbau
### Blöße
- abgenommen (aufgrund Methodik SG waldinv)
- von Kalamitäten verschont geblieben
**todo: verarbeiten oder streichen**
- Leichter Übergang Staatswald zu Privatwald
- Botschaft: Eigentumsvereteilung bleibt weitgehend stabil - Betreuung
Privatwald weiterhin relevant
- Vergleich zum Waldflächennachweis**?**
**todo: Übernahme von Textelementen aus angepassten BWI-LFE_MLUK.qmd und
/ oder
weglassen:**<!-- TODO Übernahme von Textelementen aus angepassten BWI-LFE_MLUK.qmd und / oder weglassen -->
- `r format(trackt_eckenanzahl %>% select(waldecke) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Waldecken.
- 11 Trupps waren 2 Jahre in Brandenburg unterwegs und überprüften
**Trakte** und\
Punkte
- an **todo** Punkten wurden Daten an verschiedenen Probekreisen
erfasst
- dabei wurden insgesamt **todo:** XXX große Bäume vermessen und
**todo:** XXX kleine Bäume gemessen und beurteilt
```{r schirmanteil}
format(round(jungbestflant %>% filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung unter Schirm (Verjüngung)" & Kategorie == 'Wald') %>% select(Fläche_jungfl) %>% pull() / jungbestflant %>% filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung mit oder ohne Schirm" & Kategorie == 'Wald') %>% select(Fläche_jungfl) %>% pull() * 100,1), big.mark = ".", decimal.mark = ",", scientific = FALSE)
```
```{r jungbestflant3}
format(jungbestflant %>% filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung unter Schirm (Verjüngung)" & Kategorie == "Wald") %>% select(Fläche_jungfl) %>% pull() %>% round(1), big.mark = ".", decimal.mark = ",", scientific = FALSE)
```
```{r jungbestflant2}
format(round(jungbestflant %>% filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung unter Schirm (Verjüngung)" & Kategorie == "Wald") %>% select(Fläche_jungfl) %>% pull() / jungbestflant %>% filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung mit oder ohne Schirm" & Kategorie == "Wald") %>% select(Fläche_jungfl) %>% pull() * 100,1), big.mark = ".", decimal.mark = ",", scientific = FALSE)
```
```{r jungbestflant1}
jungbestflant %>%
filter(Land == 'Brandenburg' & Jungbestockung == "Jungbestockung unter Schirm (Verjüngung)" & Kategorie == "Wald") %>% select(Fläche_jungfl) %>%
pull() %>%
round(1)
#format(big.mark = ".", decimal.mark = ",", nsmall=0, scientific = FALSE)
```
```{r echo=FALSE}
# ich weiß immer noch nicht ob prettyNum geeignet ist
prettyNum(waldfl_spez_long %>% filter(Land== 'Brandenburg' & Kategorie == 'Blöße') %>% select(Fläche) %>% pull(), digits = 3, big.mark = ".", decimal.mark = ",", scientific = FALSE)
```