Newer
Older
---
title: "Ergebnisse der Bundeswaldinventur in Brandenburg"
#subtitle: "Informationen als Infografik zu den Brendenburger Ergebnisdaten der BWI 2022 für die Hosentasche und Webseite"
institution: "Landeskompetenzzentrum Forst Eberswalde"
author: "Torsten Wiebke und Dr. Ulrike Hagemann"
date: last-modified
date-format: "[Stand] D. M. YYYY"
format:
pdf:
documentclass: scrreprt #Komascript reprt
include-in-header:
- text: |
\usepackage{easy-todo}
use-rsvg-convert: true
#default-image-extension: png
keep_tex: true
# wenn nur PDF: in der Console: quarto::quarto_render("your_document.qmd", output_format = "pdf")
# quarto::quarto_render("bwi_interpretationsworkshop.qmd", output_format = "revealjs")
docx:
toc: true
number-sections: true
html:
toc: true
pptx:
editor_options:
markdown:
wrap: 72
#editor: visual
---
{{< include librarys-datimport.qmd >}}
Totholz landeswald
Bäume pro Einwohner 2581667
Fläche Pro Einwohner
Zuwachs pro Minute
```{r}
#fmt_pretty(big.mark = ".", ((1127980/10000)/2581667), scientific = FALSE)
prettyNum(((1127980*10000)/2581667), digits = 5, scientific = FALSE, big.mark = ".", decimal.mark = ",")
```
Bundesdurchschnitt Kiefer
Anteil Kiefer in Verjüngung
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
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
# Die Bundeswaldinventur (BWI)
- Bundesweite Stichprobeninventur alle 10 Jahre im Wald nach § 41 a
BWaldG
- seit 1987, Deutschlandweit seit 2002 - 4. Turnus
- Ergebnisse sind das Fundament für forst-, wirschafts- und
umweltpolitische Entscheidungen sowie Grundlage für eine nachhaltige
Waldbewirtschaftung
- Modellierung zukünftiger Waldentwicklung und Holzaufkommen
(WEHAM)
- Aussagen zu den Klimaschutzleistungen des Waldes
- Planungs- und Investitionsentscheidungen im Cluster Forst und
Holz
- Datenbasis für die forstliche Forschung
## Datenerhebung
- Aufnahmen in Brandenburg von April 2021 bis Ende 2022
- Stichprobennetz von 2 km x 2 km
- insgesamt wurden ca. `r format(trackt_eckenanzahl %>% select(begutachtungsecken) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Punkte begutachtet
- `r format(trackt_eckenanzahl %>% select(ausschreibungstrakte) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Trakte mit `r format(trackt_eckenanzahl %>% select(waldecke) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Ecken wurden zur Begutachtung ausgeschrieben und `r format(trackt_eckenanzahl %>% select(lfebearbeitungsecke) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Ecken von eigenen Trupps begutachtet
- `r format(waldecke_begeh22 %>% filter(Begehbarkeit == "begehbar + nicht begehbar" & Waldspezifikation == "Wald") %>% select(Ecken) %>% pull() %>% as.numeric(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` Ecken
lagen im Wald nach LWaldG und [Walddefinition der
BWI](#imp-bwi_walddef)
- von diesen waren `r format(round((waldecke_begeh22 %>% filter(Begehbarkeit == "begehbar" & Waldspezifikation == "Wald") %>% select(Ecken) %>% pull()),2), big.mark = ".", decimal.mark = ",", scientific = FALSE)` begehbar und es konnten Daten aufgenommen werden.
### Waldfläche
Brandenburg verfügt über eine Waldfläche von
**`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Wald') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha**.
Forstwirtschaftlich unterteilt besteht diese aus:
- »bestockter Holzboden«:
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'bestockter Holzboden') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
das sind
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'bestockter Holzboden') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.
- »Nichtholzboden«:
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Nichtholzboden') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
das sind
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Nichtholzboden') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.
- »Blößen«:
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Blöße') %>% select(Fläche) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha,
das sind
`r format(waldfl_spez_long %>% filter(Land=='Brandenburg' & Kategorie == 'Blöße') %>% select(Prozent) %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %.
```{r TreemapWaldspez, echo=FALSE}
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), "%"))) +
geom_treemap() +
geom_treemap_text(colour = "white", place = "centre", #grow = TRUE,
) +
scale_fill_brewer(palette = "Set3") +
theme(legend.position = "right") +
labs(title = "Waldflächen nach Spezifikation\n in Brandenburg in der BWI 2022")
#ggsave("images/TreemapWaldspezifikationen.png", width = 10, height = 10, units = "cm")
```
Damit nimmt Brandenburg nach absoluter Waldfläche bundesweit den
**vierten** Platz - nach Bayern, Baden-Württemberg und Niedersachsen -
und nach relativer Waldfläche, mit
**`r format(waldflant %>% filter(Kategorie == "Wald" & Land == "Brandenburg") %>% select(Anteil) %>% pull() %>% round(2), big.mark = ".", decimal.mark = ",", scientific = FALSE)` %**
den **fünften** Platz - nach Rheinland-Pfalz, Hessen, Baden-Württemberg
und dem Saarland - ein.
### Waldeigentum
Die Brandenburger Waldfläche in Höhe von
`r format(waldfl_eig$waldfl22_eig %>% filter(Land == "Brandenburg") %>% select('alle Eigentumsarten') %>% pull(), big.mark = ".", decimal.mark = ",", scientific = FALSE)` ha
teilt sich in
`r format(waldfl22_eig_long %>% filter(Land == "Brandenburg" & Eigentumsart %in% c("Privatwald")) %>% ungroup() %>% select(c(Prozent)) %>% pull())` %
Privatwald und
`r format(waldfl22_eig_long %>% filter(Land == "Brandenburg" & Eigentumsart %in% c("Öffentlicher Wald")) %>% ungroup() %>% select(c(Prozent)) %>% pull())` %
öffentlicher Wald auf
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
```{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 = "white", size = 0.8) + # Hinzufügen von Randlinien um die Rechtecke
geom_treemap_text(colour = "white", place = "centre", grow = TRUE) +
geom_treemap_text(aes(label = paste0(Prozent, "%")), # Prozentwerte unter der Fläche anzeigen
colour = "white", place = "bottom", grow = FALSE, size=12, padding.x = grid::unit(2, "mm")) +
labs(
title = "Waldflächenverteilung in Brandenburg",
subtitle = "Nach Eigentumsarten und Gruppen",
fill = "Gruppe" # Legende zeigt die Gruppierung
) +
theme_minimal()
#ggsave("images/TreemapWaldfläche_Eigentum_Brandenburg_2022.png", width = 20, height = 15, units = "cm")
```
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
### Waldaufbau
- Botschaft: Der zukünftige Wald ist / hat wesentlich höheren
Laubholzanteil & Baumartenmischung
- mehrschichtig in ha & Ver
- einschichtig in ha & Ver
### Baumartenanteile
- [ ] Kiefer, Eiche, Buche, (ggf.Birke, Fichte?)
- [ ] reine Verteilung in Prozent, dahinter kurzmessage mit Botschaft
- [ ] Botschaft: Kiefer gesunken, Laubholzansteil gestiegen
### Vorrat
- [ ] 3 Hauptbaumarten - ideele Werte
- [ ] Botschaft: weiter gestiegen
### Zuwachs ?
- 6 m³/ha \* a
### Ernte
- 4 m³/ha \* a?
- nachhaltige Holznutzung
- [ ] Botschaft: Wächst mehr zu als wir Ernten
- [ ] Grafisch Gegenüberstellen
### Totholz
- [ ] Botschaft: Steigerung
- [ ] Aber: überwiegend Nadel und klein klein
- Totholzvorrat in Brandenburg von 10,94 m³/ha in 2013 auf 17 m³/ha in
2022 gestiegen
- In der Veränderungsrechung (nur Punkte im Veränderungsnetz) liegt
der Anstieg bei **6,4 m³/ha**.
**todo:** Daten aus Import übernehmen
### Verjüngung
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
- 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
### Highlights - aus Daten!
- [x] Dickster Baum - Stieleiche:
**`r format(ba_bhd %>% select(ba_name, bhd_cm) %>% pull(), scientific = FALSE)` cm BHD**
**todo BA_NAme anzeigen**
- [x] Höchster Baum - Douglasie: 45.2 m
- [x] Ältester Baum - Traubeneiche: 349 Jahre
- [x] Anzahl Bäume insgesamt - 86.732 Bäume mit BHD (nur Bäume aus
WZP4 )
- [ ] Bäume / Ecken kontrolliert -
- [x] Trakte gesamt - 3.759
- [x] Trakte kontrolliert - 377 (10.1 %)
- [x] Anzahl Waldecken - 11.463
###### Weitere Informationen und Ansprechpartner