Newer
Older
title: "BWI 2022"
subtitle: "Veränderungsrechnungen"
institution: "Landeskompetenzzentrum Forst Eberswalde"
author: "Torsten Wiebke und Sebastian Schmidt"
date: "`r Sys.Date()`"
bibliography: ../../LaTeX/bib/bibl.bib
csl: ../../LaTeX/bib/iso690-author-date-de.csl
editor: visual
navigation-mode: vertical # ermölicht horizontale und vertikale Gliederung
slide-level: 5 # gibt Überschriftenebene an bis zu der eine eigene Folie erzeugt werden soll
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
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
---
Libraries laden
```{r librarys, include=FALSE}
library(readxl)
library(ggplot2)
library(stats)
library(corrplot)
library(tidyverse)
library(feather) # um Daten zu speichern
library(tidyr)
library(scales)
library(RColorBrewer) # Für eine breite Palette von Farben
library(patchwork) # um Diagramme nebeneinander darzustellen
library(knitr)
library(kableExtra)
library(xtable) # für LaTeX-Tabellen
library(quarto)
```
Farben festlegen
```{r Farben, include=FALSE}
# Benutzerdefinierte Farben für die Layer
ba_farben <- c("Eiche (Quercus)" = "#ffffcc",
"Eiche" = "#ffffcc",
"Eichen-Typ" = "#ffffcc",
"Buche (Fagus)" = "#ccfe64",
"Buche" = "#ccfe64",
"Buchen-Typ" = "#ccfe64",
"Esche (Fraxinus)" = "#fed976",
"Eschen-Typ" = "#fed976",
"Ahorn (Acer)" = "#fd8d3c",
"sonst. Lb hoher Lebensdauer" = "#fc4e2a",
"andere Lb hoher Lebensdauer" = "#fc4e2a",
"Typ sonst. Laubbäume mit hoher Lebensdauer" = "#fc4e2a",
"Erle (Alnus)" = "#8c96c6",
"Erlen-Typ" = "#8c96c6",
"Birke (Betula)" = "#e0ecf4",
"Birken-Typ" = "#e0ecf4",
"sonst. Lb niedriger Lebensdauer" = "#88419d",
"andere Lb niedriger Lebensdauer" = "#88419d",
"Typ sonst. Laubbäume mit niedriger Lebensdauer"= "#88419d",
"alle Laubbäume" = "#ae017e",
"Fichte (Picea)" = "#7f7f7f",
"Fichte" = "#7f7f7f",
"Fichten-Typ" = "#7f7f7f",
"Tanne (Abies)" = "#a6bddb",
"Tanne" = "#a6bddb",
"Tannen-Typ" = "#a6bddb",
"Douglasie (Pseudotsuga)" = "#67a9cf",
"Douglasie" = "#67a9cf",
"Douglasien-Typ" = "#67a9cf",
"Kiefer (Pinus)" = "#e4ce4c",
"Kiefer" = "#e4ce4c",
"Kiefern-Typ" = "#e4ce4c",
"Lärche (Larix)" = "#f4a6a4",
"Lärche" = "#f4a6a4",
"Lärchen-Typ" = "#f4a6a4",
"alle Nadelbäume" = "#02818a",
"Typ mit mehreren gleichrangigen Baumarten" ="#006d2c",
"Lücke" = "#dcdcdc",
"Blöße" = "#edf8fb",
"Nichtholzboden" = "#b2e2e2",
"Holzboden" = "#66c2a4",
"bestockter Holzboden" = "#2ca25f",
"Wald" = "#006d2c",
"stehend, ganzer Baum" = "goldenrod1",
"stehend, Bruchstück (Höhe ab 130 cm)" = "goldenrod2",
"stehend" = "goldenrod3",
"liegend, ganzer Baum mit Wurzelanlauf" = "darkseagreen1",
"liegend, Stammstück mit Wurzelanlauf" = "darkseagreen2",
"liegend, Teilstück ohne Wurzelanlauf" = "darkseagreen3",
"liegend" = "darkseagreen4",
"Wurzelstock (Höhe < 130 cm)" = "#88419d",
"Abfuhrrest (aufgeschichtet)" = "#ae017e",
"alle Totholztypen" = "#67a9cf"
)
```
# [**Datenimport**]{.underline}
```{r imp-ver-waldfl, include =FALSE}
# Get sheet names from the Excel file
ver_waldfl_sheet_names <- excel_sheets("data/Veränderung_der_Waldfläche.xlsx")
# Read each sheet into a list element, skipping the first 5 rows and treating "NaN" as NA
ver_waldfl <- lapply(ver_waldfl_sheet_names, function(sheet) {
read_excel("data/Veränderung_der_Waldfläche.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Assign sheet names to the list elements
names(ver_waldfl) <- ver_waldfl_sheet_names
```
ver_vor_sheet_names <- excel_sheets("data/Veränderung_des_Vorrates.xlsx")
ver_vor <- lapply(ver_vor_sheet_names, function(sheet) {
read_excel("data/Veränderung_des_Vorrates.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_vor) <- ver_vor_sheet_names
```{r imp-ver-abg, include =FALSE}
ver_abg_sheet_names <- excel_sheets("data/Ver_Abgang.xlsx")
ver_abg <- lapply(ver_abg_sheet_names, function(sheet) {
read_excel("data/Ver_Abgang.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_abg) <- ver_abg_sheet_names
```
```{r imp-ver-nutz, include =FALSE}
ver_nutz_sheet_names <- excel_sheets("data/Ver_Nutzung.xlsx")
ver_nutz <- lapply(ver_nutz_sheet_names, function(sheet) {
read_excel("data/Ver_Nutzung.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_nutz) <- ver_nutz_sheet_names
```
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
## Zustandsrechnungen
### Waldflächenzustand {.hidden .unnumbered .unlisted}
```{r imp_waldfl, include=FALSE}
waldfl_sheet_names <- excel_sheets("data/Waldfl_Ba.xlsx")
waldfl_ba <- lapply(waldfl_sheet_names, function(sheet) {
read_excel("data/Waldfl_Ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(waldfl_ba) <- waldfl_sheet_names
```
### Vorratszustand {.hidden .unnumbered .unlisted}
```{r imp_vor, include=FALSE}
vor_sheet_names <- excel_sheets("data/Vorrat.xlsx")
vor <- lapply(vor_sheet_names, function(sheet) {
read_excel("data/Vorrat.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(vor) <- vor_sheet_names
```
### Struktur- / Verjüngungszustand {.hidden .unnumbered .unlisted}
```{r imp_strukt, include=FALSE}
jung_sheet_names <- excel_sheets("data/Struktur_Verj.xlsx")
jung <- lapply(jung_sheet_names, function(sheet) {
read_excel("data/Struktur_Verj.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(jung) <- jung_sheet_names
```
### Totholzzustand {.hidden .unnumbered .unlisted}
```{r imp_struktur_tot, include=FALSE}
tot_sheet_names <- excel_sheets("data/struktur_tot.xlsx")
tot <- lapply(tot_sheet_names, function(sheet) {
read_excel("data/struktur_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
names(tot) <- tot_sheet_names
```
### {.hidden .unnumbered .unlisted}
# [Auswertung]{.underline}
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
## Waldfläche
### Waldfläche Brandenburg 2022 nach Baumartenanteilen - Kreisdiagramm
```{r waldfl_stdnfl_brb_ba, include=FALSE}
# Daten vorbereiten
# Baumartenanteile Zustand!
ist_waldfl_ba_2022_long <- waldfl_ba$waldfl_ba_standfl_22_12 %>%
filter(Land == "Brandenburg", Inv==2022) %>%
pivot_longer(cols = -c(Inv, Land, Einheit, "alle Baumarten",
"alle Laubbäume","alle Nadelbäume",
"andere Lb hoher Lebensdauer",
"andere Lb niedriger Lebensdauer"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche= 0))
```
```{r pi_waldfl_stdnfl_brb_ba, echo=FALSE}
# Daten vorbereiten
custom_colors <- c( "#b3de69", "#d95f02", "#7570b3", "#e7298a", "#e6ab02","#1b9e77", "#a6761d", "#666666","#8dd3c7", "#ffffb3", "#bebada", "#fb8072", "#80b1d3", "#fdb462","#66a61e")
ist_waldfl_ba_2022_long <- ist_waldfl_ba_2022_long %>%
mutate(Prozent = round((Waldfläche/sum(ist_waldfl_ba_2022_long$Waldfläche))*100,digits=2)) # add column Prozent (rounded with 2 digits)
# Filter the top four rows
top_five <- head(ist_waldfl_ba_2022_long, 5)
ist_waldfl_ba_2022_plot22 <- ggplot(ist_waldfl_ba_2022_long, aes(x = "", y = Prozent, fill = reorder(Baumartengruppe, Waldfläche, FUN = sum))) +
geom_bar(stat = "identity", width = 1) +
geom_text(data = top_five, aes(label = paste(Prozent, "%")), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values= custom_colors) + # Farben manuell festlegen
coord_polar("y", start = 0) +
ggtitle("Prozentuale Aufteilung der Waldfläche \nnach Baumartengruppen in Brandenburg BWI2022 \n inklusive Blößen und Lücken") +
labs(fill = "Baumartengruppe") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5),
plot.title.position = "plot")
ist_waldfl_ba_2022_plot22
```
### Waldfläche Brandenburg 2022 nach Baumartenanteilen - Tabelle
```{r table_waldfl_stdnfl_brb_ba, echo=FALSE}
# Tabellenform ausgeben
prozent_ba_bb_22 <- ist_waldfl_ba_2022_long %>%
mutate(Waldfläche = round(Waldfläche,2)) %>%
arrange(desc(Prozent)) %>%
select(Baumartengruppe, Waldfläche, Prozent)
ist_waldfl_ba_2022_table22 <- kable(prozent_ba_bb_22, "html", caption = "Prozentuale Aufteilung der Waldfläche [ha]nach Baumartenanteilen in Brandenburg (BWI2022)") %>%
kable_styling(font_size = 10) %>%
column_spec(1, bold = T, width = "10em") %>% # Erste Spalte fett darstellen
column_spec(2, width = "10em")%>%
column_spec(3, width = "10em")
ist_waldfl_ba_2022_table22
```
#### Interpretation
**Blößen** sind vorübergehend unbestockte Holzbodenflächen - während der Aufnahme klassifiziert.
**Lücken** Holzboden mit einer Grundfläche bzw. Stammzahl unterhalb der Nachweisgrenze des Aufnahmeverfahrens (weniger als 4 m²/ha sowie keine Bäume des Hauptbestandes in den Probekreisen mit 2 m- oder 1 m-Radius) - abgeleitetes Merkmal.
### Waldflächenveränderung Brandenburg 2012-2022 nach Waldspezifikation
```{r ver-waldfl, include=FALSE}
# Daten vorbereiten
# Veränderung Waldfläche
ver_waldfl_bb_long <- ver_waldfl$ver_waldfl_waldspez_hb_nhb_2022 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Waldspezifikation",
values_to = "Veränderung_Waldfläche") %>%
replace_na(list(Veränderung_Waldfläche= 0))
```
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
# Stacked Bar Veränderung Waldfläche
# Waldspezifikation
ggplot((ver_waldfl_bb_long %>%
filter(Land == "Brandenburg" & !Waldspezifikation %in% c("Wald", "Holzboden"))), aes(x = reorder(Waldspezifikation, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Waldspezifikation)) +
geom_col() +
geom_text(aes(label = round(Veränderung_Waldfläche, 0)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle=90,) +
labs(x = "Waldspezifikation", y = "Veränderungen [ha]") + # Achsenbeschriftungen festlegen
ggtitle("Veränderungen der Waldfläche in Brandenburg von 2012-2022 \n Veränderung absolut: + 99,7 ha") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_brewer(palette="Greens") + # Farbskala
guides(fill = 'none') # Legende entfernen
```
#### Interpretation
Von 2012 zu 2022 hat die Waldfläche in Brandenburg absolut um 99,7 ha zugenommen, das teilt sich wie folgt auf die Waldspezifikationen auf:
- Nichtholzboden: -3.689 ha
- Blöße: -2.892 ha
- bestockter Holzboden: + 6.681 ha
Hieraus lässt sich Schlussfolgern, dass:
- Brandenburg bisher von größeren flächigen Kalamitäten verschont geblieben ist,
- ansonsten hätte es eine Zunahme der Blößen gegeben
- der Verlust an Waldflächen durch z.B. Tesla, Autobahnausbau marginal ist, bzw. durch Waldneupflanzung kompensiert wird.
- von 2002 - 2012 hatte es noch eine Waldabnahme um - 1.185 ha gegeben
### Baumartenveränderung im Hauptbestand in Brandenburg von 2012-2022
```{r ver-stndfl-ger-martina, include=FALSE}
# Daten vorbereiten
# Veränderung Standfläche aller Baumarten
ver_stndfl_martina_long <- ver_waldfl$ver_stndfl_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumart",
values_to = "Veränderung_Waldfläche") %>%
filter((Land == "Brandenburg")& !Baumart %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")) %>%
replace_na(list(Veränderung_Waldfläche= 0))
```
```{r ver-stndfl-ba-ger-22-martina, echo=FALSE}
# Balkendiagramm Veränderung Standfläche
# Baumarten in Brandenburg
ggplot(ver_stndfl_martina_long %>%
filter(Land == "Brandenburg"),
aes(x = reorder(Baumart, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Veränderung_Waldfläche)) +
geom_col() +
geom_text(aes(label = round(Veränderung_Waldfläche, 0)),
position = position_stack(vjust = 0.5),
size = 3,
color = "black",
angle=90,) +
ggtitle("Veränderungen der Standflächen nach Baumartengruppen \nim Hauptbestand in Brandenburg von 2012-2022") +
labs(x = "Baumart", y = "Veränderungen [ha]") +
scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3") +
guides(fill = 'none')
#coord_flip()
```
#### Interpretation
- deutliche Abnahme bei: Birke, Fichte, sonst. LB nL, Esche
- Birke = Dürrefolge (?) / Alterklassen- Phänomen
- Fichte = Dürrefolge
- sonst LB nL (Obst, Vogelbeere, Weide, Elsbeere, Pappel) = wahrscheinlich Dürre (?)
- Esche = Eschentriebsterben
- deutliche Zunahme bei: Eiche, Buche, sonst. LB hL, Erle, Ahorn, Douglasie
- Eiche = Pflanzung? - Eher Ausfall der Esche...?
- Buche = Waldumbau wächst durch? - Eher Ausfall der Esche? Zeichnen die sichtbaren Absterbeprozesse (noch) nicht - in WZE bereits deutlich sichtbar
- sonst. LB hL (Kastanie, Hainbuche, Linde, Mehlbeere, Robinie, Speierling, Ulme) = Klimawandelgewinner
- Erle = Trockenheit -\> Mineralisierung - bessere Nährstoffversorgung, Zugänglichkleit der Waldecken verbessert
- Ahorn =Klimawandelgewinner, Wegfall Esche u.ä. gibt Raum?
- Douglasie = Trockenheitsgewinner? Waldbauliche Förderung? Absterben Kiefer / Fichte?
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
### Waldflächenveränderung der Baumarten in Brandenburg 2012-2022
```{r ver_wald_ba_neuwald, include=FALSE}
# Daten vorbereiten
# Veränderung Waldfläche Baumart
ver_waldfl_bb_long <- ver_waldfl$ver_wald_ba_vertyp_22 %>%
pivot_longer(cols = -c(Baumartengruppe, Einheit),
names_to = "Veränderungstyp",
values_to = "Veränderung_Waldfläche") %>%
replace_na(list(Veränderung_Waldfläche= 0))
```
```{r ver_wald_ba_neuwald_22, echo=FALSE}
# Stacked Bar Waldveränderung Waldumwandlung
ggplot(ver_waldfl_bb_long %>%
filter(!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten") &
!Veränderungstyp %in% c("Vereinigungsmenge Wald")),
aes(x = reorder(Baumartengruppe, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Veränderungstyp)) +
geom_bar(stat = "identity") + # Specify stat as "identity" for pre-summarized data
ggtitle("Waldflächenveränderung nach Baumartengruppen \n in Brandenburg 2012-2022") +
labs(x = "Baumartengruppe", y = "Veränderungen [ha]") +
#scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot")
# scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3")
# guides(fill = 'none')
```
#### Interpretation
- Abgänge der Kiefer sind ausschließlich auf Waldumwandlungen zurückzuführen
### Vergleich Schichtigkeit
```{r vergl_bestock_schicht, echo=FALSE}
# Assuming jung$bb_waldtyp_bestockungsaufbau13 and jung$bb_waldtyp_bestockungsaufbau22 are your data frames
# Prepare data for 2013
bb_waldtyp_bestockungsaufbau13_long <- jung$bb_waldtyp_bestockungsaufbau13 %>%
filter(Eigentumsart == "all") %>% # Comment out if you want all Eigentumsart
select(-c("Einheit", "alle Arten von Bestockungsaufbau")) %>%
pivot_longer(
cols = c("einschichtig", "zweischichtig", "mehrschichtig oder plenterartig"),
names_to = "Bestockungsaufbau",
values_to = "Fläche"
) %>%
mutate(Fläche = replace_na(Fläche, 0)) %>%
group_by(`Laub-/Nadel-Waldtyp`, `Eigentumsart`) %>%
mutate(proz = round(Fläche / sum(Fläche) * 100, 2)) %>%
ungroup() %>%
mutate(Year = 2013)
# Prepare data for 2022
bb_waldtyp_bestockungsaufbau22_long <- jung$bb_waldtyp_bestockungsaufbau22 %>%
filter(Eigentumsart == "all") %>% # Comment out if you want all Eigentumsart
select(-c("Einheit", "alle Arten von Bestockungsaufbau")) %>%
pivot_longer(
cols = c("einschichtig", "zweischichtig", "mehrschichtig oder plenterartig"),
names_to = "Bestockungsaufbau",
values_to = "Fläche"
) %>%
mutate(Fläche = replace_na(Fläche, 0)) %>%
group_by(`Laub-/Nadel-Waldtyp`, `Eigentumsart`) %>%
mutate(proz = round(Fläche / sum(Fläche) * 100, 2)) %>%
ungroup() %>%
mutate(Year = 2022)
# Combine the data for 2013 and 2022
combined_data <- bind_rows(bb_waldtyp_bestockungsaufbau13_long, bb_waldtyp_bestockungsaufbau22_long)
# Create the grouped bar plot
ggplot(combined_data %>%
filter(`Laub-/Nadel-Waldtyp` == "alle Laub-/Nadelwaldtypen", `Eigentumsart` == "all"),
aes(x = Bestockungsaufbau, y = proz, fill = as.factor(Year))) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(x = "Bestockungsaufbau", y = "Prozent [%]", fill = "Year") +
ggtitle("Bestockungsaufbau in Brandenburg (2013 vs 2022)") +
scale_fill_brewer(palette = "Greens") +
theme_minimal() +
geom_text(aes(label = paste0(round(proz, 0), "%"),
y = proz + ifelse(proz >= 0, 3, -2)), # Adjust position dynamically based on bar height
position = position_dodge(width = 0.8), # Position text dodged along with bars
size = 3,
color = "black",
angle = 90) +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(margin = margin(b = 25)))
```
#### Interpretation
### Vergleich Schichtigkeit nach Waldtyp
```{r vergl_bestock_schicht_watyp, echo=FALSE}
# Assuming jung$bb_waldtyp_bestockungsaufbau13 and jung$bb_waldtyp_bestockungsaufbau22 are your data frames
# Prepare data for 2013
bb_waldtyp_bestockungsaufbau13_long <- jung$bb_waldtyp_bestockungsaufbau13 %>%
filter(Eigentumsart == "all") %>%
select(-c("Einheit", "alle Arten von Bestockungsaufbau")) %>%
pivot_longer(
cols = c("einschichtig", "zweischichtig", "mehrschichtig oder plenterartig"),
names_to = "Bestockungsaufbau",
values_to = "Fläche"
) %>%
mutate(Fläche = replace_na(Fläche, 0)) %>%
group_by(`Laub-/Nadel-Waldtyp`, `Eigentumsart`) %>%
mutate(proz = round(Fläche / sum(Fläche) * 100, 2)) %>%
ungroup() %>%
mutate(Year = "2013")
# Prepare data for 2022
bb_waldtyp_bestockungsaufbau22_long <- jung$bb_waldtyp_bestockungsaufbau22 %>%
filter(Eigentumsart == "all") %>%
select(-c("Einheit", "alle Arten von Bestockungsaufbau")) %>%
pivot_longer(
cols = c("einschichtig", "zweischichtig", "mehrschichtig oder plenterartig"),
names_to = "Bestockungsaufbau",
values_to = "Fläche"
) %>%
mutate(Fläche = replace_na(Fläche, 0)) %>%
group_by(`Laub-/Nadel-Waldtyp`, `Eigentumsart`) %>%
mutate(proz = round(Fläche / sum(Fläche) * 100, 2)) %>%
ungroup() %>%
mutate(Year = "2022")
# Combine the data for 2013 and 2022
combined_data <- bind_rows(bb_waldtyp_bestockungsaufbau13_long, bb_waldtyp_bestockungsaufbau22_long)
# Create a combined column for `Laub-/Nadel-Waldtyp` and `Year` for x-axis grouping
combined_data <- combined_data %>%
mutate(Laub_Nadel_Year = paste(`Laub-/Nadel-Waldtyp`, Year, sep = " - "))
# Set factor levels for proper ordering
combined_data$Laub_Nadel_Year <- factor(combined_data$Laub_Nadel_Year, levels = c(
"Laubwald-Typ - 2013", "Laubwald-Typ - 2022",
"Nadelwald-Typ - 2013", "Nadelwald-Typ - 2022",
"Typ mit gleichen Anteilen Laub-/Nadelbäume - 2013", "Typ mit gleichen Anteilen Laub-/Nadelbäume - 2022"
))
# Create the combined plot with facets
ggplot(combined_data %>%
filter(`Laub-/Nadel-Waldtyp` %in% c("Laubwald-Typ", "Nadelwald-Typ", "Typ mit gleichen Anteilen Laub-/Nadelbäume")),
aes(x = Laub_Nadel_Year, y = proz, fill = Bestockungsaufbau, group = Year)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
labs(x = "Laub-/Nadelwaldtyp", y = "Prozent [%]",
fill = "Bestockungsaufbau") +
ggtitle("Bestockungsaufbau in Brandenburg (2013 und 2022)") +
scale_fill_brewer(palette = "Greens") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(margin = margin(b = 25)))
```
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
# Daten Vorbereiten
# Totholzvorrat BB Verrgleich 12-22
totvorrat_typ_long_2012_2022 <- tot$bb_tot_typ_13_22 %>%
filter(Eigentumsart == "alle Eigentumsarten 2012"|Eigentumsart == "alle Eigentumsarten 2022") %>%
pivot_longer(cols = -c(Eigentumsart, Einheit, Jahr, "liegend","stehend","alle Totholztypen"),
#"stehend, ganzer Baum", "stehend, Bruchstück (Höhe ab 130 cm)","liegend, ganzer Baum mit Wurzelanlauf", "liegend, Stammstück mit Wurzelanlauf", "liegend, Teilstück ohne Wurzelanlauf", "Wurzelstock (Höhe < 130 cm)", "Abfuhrrest (aufgeschichtet)"),
names_to = "Totholztyp",
values_to = "Totholzvorrat")
```
```{r totvorrat12_22_typ_stackbar, echo=FALSE}
# Stacked bar Vergleich Totholzvorrat 12-22
totvorrat_typ_long_2012_2022 <- arrange(totvorrat_typ_long_2012_2022, Totholzvorrat)
# Plot erstellen als gestapeltes Säulendiagramm - geordnet mit Flächenangaben - für 2012 & 2022
totvorrat12_22_typ_stackbar <- ggplot(totvorrat_typ_long_2012_2022, aes(x = Eigentumsart, y = Totholzvorrat, fill = reorder(Totholztyp, Totholzvorrat, FUN = sum))) +
geom_bar(stat = "identity", position = "stack") +
# scale_fill_manual() + # Farben manuell festlegen +
labs(x = "Totholztyp",
y = "Totholzvorrat [m³/ha]") +
ggtitle("Vergleich der Totholzvorräte nach Totholztyp in m³/ha\n über alle Eigentumsarten in Brandenburg - BWI2012 / BWI2022") +
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") +
guides(fill = guide_legend(title = "Totholztyp", title.position = "top")) +
scale_y_continuous(labels = scales::comma_format(big.mark = ".", decimal.mark = ","),
breaks = seq(0, sum(totvorrat_typ_long_2012_2022$Totholzvorrat), by = 2))
totvorrat12_22_typ_stackbar
```
#### Interpretation
Der Totholzvorrat in Brandenburg ist von 10.94 m³/ha in 2012 auf 17 m³/ha gestiegen, im Vergleich dazu:
Waldvision Brandenburg 2050 - Ziele:
- 2020: 15 Fm/ha
- 2032: 20 Fm/ha
- 2050: 25 Fm/ha
Trotzdem liegt BB im Deutschlandweiten Vergleich auf dem (vor-)letzten Platz
### Totholzvorrat und -typ Deutschland BWI 2022
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
```{r tot_typ_22_long, include=FALSE}
# Daten vorbereiten
# Totholzvorrat Ger
tot_typ_22_long <- tot$tot_typ_22 %>%
pivot_longer(cols = c(
"stehend, ganzer Baum", "stehend, Bruchstück (Höhe ab 130 cm)", "stehend", "liegend, ganzer Baum mit Wurzelanlauf",
"liegend, Stammstück mit Wurzelanlauf", "liegend, Teilstück ohne Wurzelanlauf", "liegend", "Wurzelstock (Höhe < 130 cm)",
"Abfuhrrest (aufgeschichtet)", "alle Totholztypen"),
names_to = "Totholztyp",
values_to = "Totholzvorrat")
```
```{r tot_typ_22_ger_long, echo=FALSE}
# Stacked Bar Totholzvorrat Ger mit Totholztyp
# Sortieren der Länder basierend auf der Summe in "alle Totholztypen"
# Anpassen der Faktorstufen im Hauptdatensatz
tot_typ_22_long$Land <- factor(tot_typ_22_long$Land, levels = (tot_typ_22_long %>%
filter(Totholztyp == "alle Totholztypen") %>%
arrange(desc(Totholzvorrat)) %>%
pull(Land)))
# Plotten der Daten
ggplot(tot_typ_22_long %>%
filter(!Totholztyp %in% c("alle Totholztypen", "liegend", "stehend")),
aes(x = Land, y = Totholzvorrat, fill = Totholztyp)) +
geom_bar(stat = "identity", position = "stack") +
labs(x = "Land", y = "Totholzvorrat [m³/ha]", fill = "Totholztyp") +
ggtitle("Totholzvorrat nach Totholztyp in m³/ha über alle Länder in Deutschland (BWI2022)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 65, hjust = 1),
plot.title = element_text(margin = margin(b = 20))) +
guides(fill = guide_legend(title = "Totholztyp", title.position = "top"))
```
Im deutschlandweiten Vergleich schneidet Brandenburg damit auf dem (vor-) letzen Platz ab.
der bundesweite Durchschnitt beträgt 29 m³/ha.
# Auswertung der Veränderungsrechnungen
## **Standfläche**
```{r ver-stndfl-ger, include=FALSE}
# Daten vorbereiten Veränderung Standfläche aller Baumarten in Deutschland
ver_stndfl_long <- ver_waldfl$ver_stndfl_ba_22 %>% # Daten für Waldfl in Long-Format bringen
pivot_longer(cols = -c(Land, Einheit), # Specify columns that should remain unchanged
names_to = "Baumart", # New column name for the names of pivoted columns
values_to = "Veränderung_Waldfläche") %>% # New column name for the values of pivoted columns
#filter(!Eigentumsart %in% c( "Öffentlicher Wald", "Privatwald", "alle Eigentumsarten")) %>% # Exclude rows
replace_na(list(Veränderung_Waldfläche= 0)) # Replace NA values in the "Veränderung_Waldfläche" column with 0
```
```{r ver-stndfl-ger-22, echo=FALSE}
# Balkendiagramm Veränderung Standfläche aller Baumarten für Deutschland erzeugen
# Darstellung Torsten abgewandelt
ggplot((ver_stndfl_long %>%
filter(Baumart == "alle Baumarten")), aes(x = reorder(Land, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Veränderung_Waldfläche)) +
geom_col() +
labs(x = "Land", y = "Veränderungen [ha]") + # Achsenbeschriftungen festlegen
ggtitle("Veränderungen der Standfläche aller Baumarten \nim Hauptbestand in den Ländern von 2012-2022") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_gradient(high = "darkseagreen", low = "coral3") + # Farbskala von grün nach rot mit aufsteigenden Werten
guides(fill = 'none') # Legende entfernen
```
### Standflächenveränderung Brandenburg
- Standfläche auf Baumartenebene ungeeignet, übergeordnet aber sehr brauchbar
- These: im Inventurzeitraum ist Brandenburg glimpflich an Kalamitäten vorbeigekommen
```{r ver-stndfl-ger-22_ssch, include=FALSE}
# Balkendiagramm Veränderung Standfläche aller Baumarten für Deutschland erzeugen
# Eigene Darstellung
ggplot(ver_stndfl_long %>%
filter(Baumart=="alle Baumarten")) +
geom_col(aes(x=reorder(Land, Veränderung_Waldfläche), y=Veränderung_Waldfläche, fill = Veränderung_Waldfläche)) +
ggtitle("Veränderungen der Standfläche aller Baumarten \nim Hauptbestand in den Ländern von 2012-2022") +
labs(x = "Land", y = "Veränderungen [ha]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_gradient(high = "darkseagreen", low = "coral3") +
guides(fill = 'none')
# coord_flip()
```
### Veränderung Standfläche aller Baumarten für Brandenburg
```{r ver-stndfl-ba-ger-22, echo=FALSE}
# Balkendiagramm Veränderung Standfläche aller Baumarten für Brandenburg erzeugen
# Eigene Darstellung
ggplot(ver_stndfl_long %>%
filter(Land == "Brandenburg" & !Baumart %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),
aes(x = reorder(Baumart, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Veränderung_Waldfläche)) +
geom_col() +
geom_text(aes(label = round(Veränderung_Waldfläche, 0)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle=90,) +
ggtitle("Veränderungen der Standflächen nach Baumartengruppen \nim Hauptbestand in Brandenburg von 2012-2022") +
labs(x = "Baumart", y = "Veränderungen [ha]") +
scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3") +
guides(fill = 'none')
#coord_flip()
```
#### Interpretation
- deutliche Abnahme bei: Birke, Fichte, sonst. LB nL, Esche
- Birke = Dürrefolge (?) / Alterklassen- Phänomen
- Fichte = Dürrefolge
- sonst LB nL (Obst, Vogelbeere, Weide, Elsbeere, Pappel) = wahrscheinlich Dürre (?)
- Esche = Eschentriebsterben
- deutliche Zunahme bei: Eiche, Buche, sonst. LB hL, Erle, Ahorn, Douglasie
- Eiche = Pflanzung? - Eher Ausfall der Esche...?
- Buche = Waldumbau wächst durch? - Eher Ausfall der Esche? Zeichnen die sichtbaren Absterbeprozesse (noch) nicht - in WZE bereits deutlich sichtbar
- sonst. LB hL (Kastanie, Hainbuche, Linde, Mehlbeere, Robinie, Speierling, Ulme) = Klimawandelgewinner
- Erle = Trockenheit -\> Mineralisierung - bessere Nährstoffversorgung, Zugänglichkleit der Waldecken verbessert
- Ahorn =Klimawandelgewinner, Wegfall Esche u.ä. gibt Raum?
- Douglasie = Trockenheitsgewinner? Waldbauliche Förderung? Absterben Kiefer / Fichte?
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
### Standflächenveränderung über Eigentumsarten in Brandenburg
```{r ver-stndfl-eig-22, include=FALSE}
# Daten vorbereiten Veränderung Standfläche aller Baumarten über Eigentumsarten in Deutschland
ver_stndfl_eig_long <- ver_waldfl$ver_stndfl_ba_eig_22 %>% # Daten für Waldfl in Long-Format bringen
pivot_longer(cols = -c(Eigentumsart, Einheit), # Specify columns that should remain unchanged
names_to = "Baumart", # New column name for the names of pivoted columns
values_to = "Veränderung_Waldfläche") %>% # New column name for the values of pivoted columns
filter(!Eigentumsart %in% c( "Öffentlicher Wald", "Privatwald", "alle Eigentumsarten")) %>% # Exclude rows
replace_na(list(Veränderung_Waldfläche= 0)) # Replace NA values in the "Veränderung_Waldfläche" column with 0
```
```{r ver-stndfl-ba-ger-eig-22, echo=FALSE}
#Daten nach Eigentumsart vorordnen
ver_stndfl_eig_long <- ver_stndfl_eig_long %>%
mutate(Eigentumsart = factor(Eigentumsart, levels = c("Körperschaftswald",
"Staatswald (Bund)",
"Staatswald (Land)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha",
"Privatwald, über 1000 ha")))
# Balkendiagramm stacked Veränderung Standfläche aller Baumarten in Brandenburg nach Eigentumsform erzeugen
# Eigene Darstellung
ggplot(ver_stndfl_eig_long %>%
filter(!Baumart %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),
aes(x = reorder(Baumart, Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill = Eigentumsart)) +
geom_bar(stat = "identity") + # Specify stat as "identity" for pre-summarized data
ggtitle("Veränderungen der Standflächen \nnach Baumartengruppen im Hauptbestand \nin Brandenburg nach Eigentumsart von 2012-2022") +
labs(x = "Baumart", y = "Veränderungen [ha]") +
#scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5),
plot.title.position = "plot") +
scale_fill_manual(values = c("Körperschaftswald" = "darkseagreen1",
"Staatswald (Bund)" = "darkseagreen3",
"Staatswald (Land)" = "darkseagreen4",
"Privatwald, bis 20 ha" = "coral",
"Privatwald, über 20 bis 1000 ha" = "coral2" ,
"Privatwald, über 1000 ha" ="coral4"))
# scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3")
# guides(fill = 'none')
```
#### Interpretation
- Kiefer zeichnet nach Eigentumsform deutlich gegensätzlich
- höhere Durchforstungsintensität im Priwatwald oder Stiftungen \>1.000 ha?
- Räumliche Verteilung der Baumarten im Land überstrahlt die anderen Effekte
- Buche Zunahme in Land da im Norden Brandenburgs stark ausgeprägt
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
### Standflächenveränderung der Kiefer über Eigentumsarten in Brandenburg
```{r ver-stndfl-bb-ki-22, echo=FALSE}
# Balkendiagramm Veränderung Standfläche der Kiefer in Brandenburg nach Eigentumsform erzeugen
# Eigene Darstellung
ggplot(ver_stndfl_eig_long %>%
filter(Baumart %in% c("Kiefer (Pinus)")),
aes(x = reorder(Eigentumsart,Veränderung_Waldfläche), y = Veränderung_Waldfläche, fill= Veränderung_Waldfläche)) +
#aes(x = reorder(Baumart, Veränderung_Waldfläche)
geom_col() +
ggtitle("Veränderungen der Standflächen der Kiefer im Hauptbestand \nin Brandenburg nach Eigentumsart von 2012-2022") +
labs(x = "Eigentumsart", y = "Veränderungen [ha]") +
scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3") +
guides(fill = 'none')
```
#### Interpretation
- Staatswald vs. Privatwald
- Einschränkung: Standfläche ist auf Baumartenebene nur bedingt Aussagekräftig
## Vorrat und Grundfläche
```{r ver-vorr-long, include=FALSE}
# Daten vorbereiten Veränderung Vorrat aller Baumarten Hauptbestand für Deutschland
ver_vor_long <- ver_vor$Vorratsänderung %>%
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestandesschicht",
values_to = "Veränderung_Vorrat") %>%
filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderung_Vorrat = 0))
```
```{r ver-vorr-ger-22, echo=FALSE}
# Balkendiagramm Veränderung Vorrat aller Baumarten für Deutschland erzeugen
# Eigene Darstellung
ggplot(ver_vor_long %>%
filter(Bestandesschicht=="Hauptbestand (auch Plenterwald)")) +
geom_col(aes(x=reorder(Land, Veränderung_Vorrat), y=Veränderung_Vorrat, fill = Veränderung_Vorrat)) +
geom_text(aes(x = reorder(Land, Veränderung_Vorrat), y = Veränderung_Vorrat, label = round(Veränderung_Vorrat, 1)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle=90,) +
ggtitle("Veränderungen des Vorrats aller Baumarten \nim Hauptbestand in den Ländern von 2012-2022") +
labs(x = "Land", y = "Veränderungen [m³/ha]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3") +
guides(fill = 'none')
# coord_flip()
```
```{r ver-vorr-bb-long, include=FALSE}
# Daten vorbereiten Veränderung Vorrat aller Baumarten aller Bestandesschichten für Brandenburg
###noch nicht fertig
ver_vor_bb_long <- ver_vor$ver_vor_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumart",
values_to = "Veränderung_Vorrat") %>%
filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderung_Vorrat = 0))
```
### Balkendiagramm Veränderung Grundfläche aller Baumarten für Deutschland
```{r ver-gf-long, include=FALSE}
# Daten vorbereiten Veränderung Grundfläche aller Baumarten aller Bestandesschichten für Deutschland
ver_gf_long <- ver_vor$ver_gf_ba_22 %>% # Daten für Gf in Long-Format bringen
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
pivot_longer(cols = -c(Land, Einheit), # Specify columns that should remain unchanged
names_to = "Baumart", # New column name for the names of pivoted columns
values_to = "Veränderung_Grundfläche") %>% # New column name for the values of pivoted columns
filter(Land != "Deutschland (alle Länder)") %>% # Exclude rows where Land is "Deutschland (alle Länder)"
replace_na(list(Veränderung_Grundfläche = 0)) # Replace NA values in the "Veränderungen" column with 0
#mutate(Veränderung_Grundfläche = Veränderung_Grundfläche / 10000) # Divide the values by 10,000
```
```{r ver-gf-ger-22, echo=FALSE}
# Balkendiagramm Veränderung Grundfläche aller Baumarten für Deutschland erzeugen
# Eigene Darstellung
ggplot(ver_gf_long %>%
filter(Baumart=="alle Baumarten")) +
geom_col(aes(x=reorder(Land, Veränderung_Grundfläche), y=Veränderung_Grundfläche, fill = Veränderung_Grundfläche)) +
geom_text(aes(x = reorder(Land, Veränderung_Grundfläche), y = Veränderung_Grundfläche, label = round(Veränderung_Grundfläche, 0)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle=90,) +
ggtitle("Veränderungen der Grundfläche aller Baumarten \n über alle Bestandesschichten in Deutschland von 2012-2022") +
labs(x = "Land", y = "Veränderungen [m²]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_gradient(high = "darkseagreen", low = "coral3") +
guides(fill = 'none')
# coord_flip()
```
### Veränderung Grundfläche aller Baumarten für Brandenburg
```{r ver-gf-bb-22, echo=FALSE}
# Balkendiagramm Veränderung Grundfläche aller Baumarten für Brandenburg erzeugen
# Eigene Darstellung
ggplot(ver_gf_long %>%
filter(Land == "Brandenburg" & !Baumart %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten"))) +
geom_col(aes(x=reorder(Baumart, Veränderung_Grundfläche), y=Veränderung_Grundfläche, fill = Veränderung_Grundfläche)) +
geom_text(aes(x = reorder(Baumart, Veränderung_Grundfläche), y = Veränderung_Grundfläche, label = round(Veränderung_Grundfläche, 0)),
position = position_stack(vjust = 0.5), # Adjust position for placement inside bars
size = 3,
color = "black",
angle=90,) +
ggtitle("Veränderungen der Grundfläche aller Baumarten \n über alle Bestandesschichten in Brandenburg von 2012-2022") +
labs(x = "Baumartengruppe", y = "Veränderungen [m²]") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_gradient(high = "darkseagreen", low = "coral3") +
guides(fill = 'none')
# coord_flip()
```
#### Interpretation
- Kiefer: BHD Zunahme?
Frage: Wald lückig? Vergleich Grundfläche über versch. Bestandesschichten?
### Veränderung Grundfläche aller Baumarten in Brandenburg nach Eigentumsform
```{r ver-gf-bb-eig-22, include=FALSE}
# Daten vorbereiten Veränderung Grundfläche aller Baumarten über Eigentumsarten in Brandenburg
ver_gf_eig_long <- ver_vor$ver_gf_eig_bb_22 %>% # Daten für Gf in Long-Format bringen
pivot_longer(cols = -c(Eigentumsart, Einheit), # Specify columns that should remain unchanged
names_to = "Baumart", # New column name for the names of pivoted columns
values_to = "Veränderung_Grundfläche") %>% # New column name for the values of pivoted columns
filter(!Eigentumsart %in% c( "Öffentlicher Wald", "Privatwald", "alle Eigentumsarten")) %>% # Exclude rows
replace_na(list(Veränderung_Grundfläche= 0)) # Replace NA values in the "Veränderung_Waldfläche" column with 0
# mutate(Veränderung_Grundfläche=Veränderung_Grundfläche/10000)
```
```{r ver-gf-bb-eig-22-ssch, echo=FALSE}
#Daten nach Eigentumsart vorordnen
ver_gf_eig_long <- ver_gf_eig_long %>%
mutate(Eigentumsart = factor(Eigentumsart, levels = c("Körperschaftswald",
"Staatswald (Bund)",
"Staatswald (Land)",
"Privatwald, bis 20 ha",
"Privatwald, über 20 bis 1000 ha",
"Privatwald, über 1000 ha")))
# Balkendiagramm stacked Veränderung Grundfläche aller Baumarten in Brandenburg nach Eigentumsform erzeugen
# Eigene Darstellung
ggplot(ver_gf_eig_long %>%
filter(!Baumart %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),
aes(x = reorder(Baumart, Veränderung_Grundfläche), y = Veränderung_Grundfläche, fill = Eigentumsart)) +
geom_bar(stat = "identity") + # Specify stat as "identity" for pre-summarized data
ggtitle("Veränderungen der Grundflächen nach Baum-\nartengruppen über alle Bestandesschichten in \nBrandenburg nach Eigentumsart von 2012-2022") +
labs(x = "Baumart", y = "Veränderungen [m²]") +
scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_manual(values = c("Körperschaftswald" = "darkseagreen1",
"Staatswald (Bund)" = "darkseagreen3",
"Staatswald (Land)" = "darkseagreen4",
"Privatwald, bis 20 ha" = "coral",
"Privatwald, über 20 bis 1000 ha" = "coral2" ,
"Privatwald, über 1000 ha" ="coral4"))
# scale_fill_gradient2(high = "darkseagreen4", mid = "darkseagreen", low = "coral3")
# guides(fill = 'none')
```
#### Interpretation
- Grundflächenabnahme im Priwatwald bis 20 ha unterstützt die Annahme das stärker Durchforstet wird.
- Notwendig: Stammzahl/ha der Kiefer nach Eigentumsform danebenstellen als vergleichbares Diagramm
-\> wenn die Stammzahl stärker abnimmt als die Grundfläche, bedeuted das, dass die Durchforstung erst kürzlich (\~5 Jahre) erfolgt ist.
### Veränderung Standfläche der Kiefer in Brandenburg nach Eigentumsform
```{r ver-gf-ki-bb-22, echo=FALSE}
# Balkendiagramm Veränderung Standfläche der Kiefer in Brandenburg nach Eigentumsform erzeugen
# Eigene Darstellung
ggplot(ver_gf_eig_long %>%
filter(Baumart %in% c("Kiefer (Pinus)")),
aes(x = reorder(Eigentumsart,Veränderung_Grundfläche), y = Veränderung_Grundfläche, fill= Veränderung_Grundfläche)) +
#aes(x = reorder(Baumart, Veränderung_Waldfläche)
geom_col() +
ggtitle("Veränderungen der Grundfläche der Kiefer aller Bestandes-\nschichten in Brandenburg nach Eigentumsart von 2012-2022") +
labs(x = "Eigentumsart", y = "Veränderungen [m²]") +
#scale_y_continuous(labels = label_number(suffix = " Tsd")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5)) +
scale_fill_gradient(high = "darkseagreen4", low = "coral3") +
guides(fill = 'none')
```
## Abgänge