---
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
format: 
  revealjs:
    navigation-mode: vertical # ermölicht horizontale und vertikale Gliederung
    slide-level: 5 # gibt Überschriftenebene an bis zu der eine eigene Folie erzeugt werden soll 
    incremental: false 
    slide-number: true
---

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}

## Veränderungsrechnungen

### Waldflächenänderung

```{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
```

### Vorratsänderung

```{r imp-ver-vorr, include =FALSE}
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
```

### Abgangsänderung

```{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
```

### Nutzungsänderung

```{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
```

## 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}

# Vorauswertung für Martina / MLUK

## 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(arrange(ist_waldfl_ba_2022_long, desc(Waldfläche)), 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)) 
```

```{r ver-waldfl-ger-22, echo=FALSE}
# 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?

### 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)))
```

### Vergleich Totholz

```{r totvorrat12_22_typ, include=FALSE}
# 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

```{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 = 30))) +
  guides(fill = guide_legend(title = "Totholztyp", title.position = "top"))

```

#### Interpretation

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: Blößen und Lücken haben abgenommen
-   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?

### 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

### 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 %>% 
  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
  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

### Veränderung der Abgänge pro Jahr mit Abgangsgrund in Brandenburg von 2012 - 2022

Vorrat (Erntefestmaß o.R., verwertbar) des ausgeschiedenen Bestandes \[m³/ha\*a\] nach Baumartengruppe und Abgangsgrund

Basis:Deutschland, Vereinigungsfläche Holzboden beider Inventuren, begehbar\*\*, einschließlich Lücken in der Bestockung bzw. im Bestand, ausgeschiedene Bäume ab 7 cm Bhd im Hauptbestand oder Plenterwald, bestandesintern, (Schnittmenge Inventurnetz für BWI Periode 2012-2022 ); ideeller Flächenbezug (gemäß Standflächenanteil))

```{r ver-abg-bb, include=FALSE}
# Daten vorbereiten Veränderung Abgänge aller Baumarten in Brandenburg Abgangsgrund / Baumart

ver_abg_bb_long <- ver_abg$ver_abg_bb_ba_22 %>% # Daten für Gf in Long-Format bringen
  pivot_longer(cols = -c(Baumartengruppe, Einheit),  # Specify columns that should remain unchanged
               names_to = "Abgangsgrund",          # New column name for the names of pivoted columns
               values_to = "Veränderung_Vorrat_Jahr") %>% # New column name for the values of pivoted columns
  filter(Baumartengruppe %in% c("alle Baumarten")) %>% # Exclude rows 
  replace_na(list(Veränderung_Vorrat_Jahr= 0))  # Replace NA values in the "Veränderung_Waldfläche" column with 0
```

```{r ver-abg-bb-22, echo=FALSE}
# Balkendiagramm Veränderung der Abgänge pro Jahr in Brandenburg  

ggplot(data = ver_abg_bb_long,
         aes(x = reorder(Abgangsgrund,Veränderung_Vorrat_Jahr), y = Veränderung_Vorrat_Jahr, fill= Veränderung_Vorrat_Jahr)) +
  #aes(x = reorder(Baumart, Veränderung_Waldfläche)
  geom_col() +
  geom_text(aes(label = round(Veränderung_Vorrat_Jahr, 1)), 
            position = position_stack(vjust = 0.5),  # Adjust position for placement inside bars
            size = 3, 
            color = "black",
            angle = 90) +
  ggtitle("Veränderungen der Abgänge pro Jahr in Brandenburg aller \nBaumarten nach Abgangsgrund von 2012-2022") +
  labs(x = "Abgangsgrund", y = "Veränderungen [m³/ha*a]") +
  #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(low = "coral", high = "coral4") +
  guides(fill = 'none')
```

#### Interpretation

-   Frage allgemein: Einheit: 1000 m³/a besser als m³/ha\*a?

-   reguläre Entnahme mit Abstand die kleinste Abgangsform? Vgl. 2012: 4.2 m³/ha/a

-   Menge "Angabe fehlt" unklar - nach Plausiprüfung sollten dies nicht vorkommen

### Veränderung der Abgänge pro Jahr mit Abgangsgrund und Baumart in Brandenburg von 2012 - 2022

-   Achtung - alle folgenden Grafiken zum Abgang sind fälschlicherweise gestapelt. Das ist nicht korrekt, da sich die Veränderung im Vorrat immer je Nutzungsart berechnet.

    -   Bitte im Geiste nebeneinander stellen :-)

```{r ver-abg-bb-ba, include=FALSE}
# Daten vorbereiten Veränderung Abgänge aller Baumarten in Brandenburg Abgangsgrund / Baumart

ver_abg_bb_ba_long <- ver_abg$ver_abg_bb_ba_22 %>% # Daten für Gf in Long-Format bringen
  pivot_longer(cols = -c(Baumartengruppe, Einheit),  # Specify columns that should remain unchanged
               names_to = "Abgangsgrund",          # New column name for the names of pivoted columns
               values_to = "Veränderung_Vorrat_Jahr") %>% # New column name for the values of pivoted columns
  filter((!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),(!Abgangsgrund %in% c("alle Abgangsgründe"))) %>% # Exclude rows 
  replace_na(list(Veränderung_Vorrat_Jahr= 0))  # Replace NA values in the "Veränderung_Waldfläche" column with 0
```

```{r ver-abg-bb-ba-22, echo=FALSE}
# Balkendiagramm stacked Veränderung der Abgänge pro Jahr in Brandenburg und Baumart

#Daten nach Abgangsgrund vorordnen
ver_abg_bb_ba_long <- ver_abg_bb_ba_long %>%
  mutate(Abgangsgrund = factor(Abgangsgrund, levels = c("regulär", 
                                                        "Sturm", 
                                                        "Insekten / Dürre",
                                                        "sonstige Kalamitäten",
                                                        "Ursache der Kalamität ungewiss",
                                                        "Ursache unbekannt",
                                                        "Angabe fehlt")))
ggplot(ver_abg_bb_ba_long %>%
         filter(!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")), 
       aes(x = reorder(Baumartengruppe, Veränderung_Vorrat_Jahr), y = Veränderung_Vorrat_Jahr, fill = Abgangsgrund)) +
  geom_bar(stat = "identity") +  # Specify stat as "identity" for pre-summarized data
  ggtitle("Veränderung der Abgänge pro Jahr nach Baumartengruppen \nüber alle Bestandesschichten in Brandenburg \nnach Eigentumsart von 2012-2022") +
  labs(x = "Baumartengruppe", y = "Veränderungen [m³/ha*a]") +
  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("regulär" = "#729ECE",     # slightly muted blue
                               "Sturm" = "#FDBF6F",       # pastel orange
                               "Insekten / Dürre" = "#73C476",  # slightly muted green
                               "sonstige Kalamitäten" = "#FF6F69", # slightly muted red
                               "Ursache der Kalamität ungewiss" = "#B0B0B0", # grey
                               "Ursache unbekannt" = "#D9D9D9",   # light grey
                               "Angabe fehlt" = "pink"))  # very light grey
```

#### Interpretation

-   Fichte: Trocken & Käfer

-   Esche: Sturm (Eschentriebsterben Instabilität Wurzeln)

-   Kiefer: sonstige Kalamitäten = Käfer unerkannt bzw. Diplodia =\> Komplexsterben?

-   Tanne und Douglasie: auffällig hohe Ausfälle nach Sturm an Gesamtmenge Tanne

    -   Geringe Eckenzahl - Std.Fehler hoch

Frage: Darstellung in Prozent zur Gesamtheit einer Baumart?

Frage: Warum über alle Abgangsgründe hinweg Ki 4,8 aber Summe aller Abgangsgründe 75?

-\> keine Summe, jeweils die Abgangsmenge je Kalamitätsgrund! Da immer nur eine Nutzungsart

Info: Ursache unbekannt bei keine Nutzung nicht vorhanden, nur bei selektive und flächige -nutzung

Frage: "Angabe fehlt" sollte doch gar nicht möglich sein nach Plausiprüfung, oder?

### Test: Gruppiert nach Abgangsgrund

```{r ver-abg-bb-ba-22-test, echo=FALSE}
# Balkendiagramm Veränderung der Abgänge pro Jahr in Brandenburg und Baumart

#Daten nach Abgangsgrund vorordnen
ver_abg_bb_ba_long <- ver_abg_bb_ba_long %>%
  mutate(Abgangsgrund = factor(Abgangsgrund, levels = c("regulär", 
                                                        "Sturm", 
                                                        "Insekten / Dürre",
                                                        "sonstige Kalamitäten",
                                                        "Ursache der Kalamität ungewiss",
                                                        "Ursache unbekannt",
                                                        "Angabe fehlt")))

ggplot(ver_abg_bb_ba_long %>%
         filter(!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")), 
       aes(x = reorder(Baumartengruppe, Veränderung_Vorrat_Jahr), y = Veränderung_Vorrat_Jahr, fill = Abgangsgrund)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +  # Use position_dodge for side-by-side bars
  ggtitle("Veränderung der Abgänge pro Jahr nach Baumartengruppen \nüber alle Bestandesschichten in Brandenburg \nnach Eigentumsart von 2012-2022") +
  labs(x = "Baumartengruppe", y = "Veränderungen [m³/ha*a]") +
  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("regulär" = "#729ECE",     # slightly muted blue
                               "Sturm" = "#FDBF6F",       # pastel orange
                               "Insekten / Dürre" = "#73C476",  # slightly muted green
                               "sonstige Kalamitäten" = "#FF6F69", # slightly muted red
                               "Ursache der Kalamität ungewiss" = "#B0B0B0", # grey
                               "Ursache unbekannt" = "#D9D9D9",   # light grey
                               "Angabe fehlt" = "pink"))  # very light grey
```

### Veränderung der Abgänge pro Jahr in Brandenburg nach Eigentumsform

```{r ver-abg-bb-eig, include=FALSE}
# Daten vorbereiten Veränderung Abgänge aller Baumarten in Brandenburg Abgangsgrund / Baumart

ver_abg_bb_eig_long <- ver_abg$ver_abg_bb_eig_22 %>% # Daten für Gf in Long-Format bringen
  pivot_longer(cols = -c(Eigentumsart, Einheit),  # Specify columns that should remain unchanged
               names_to = "Abgangsgrund",          # New column name for the names of pivoted columns
               values_to = "Veränderung_Vorrat_Jahr") %>% # New column name for the values of pivoted columns
  filter((!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald", "alle Eigentumsarten")),(!Abgangsgrund %in% c("alle Abgangsgründe"))) %>% # Exclude rows 
  replace_na(list(Veränderung_Vorrat_Jahr= 0))  # Replace NA values in the "Veränderung_Waldfläche" column with 0
```

```{r ver-abg-bb-eig-22, echo=FALSE}
#Daten nach Abgangsgrund vorordnen
ver_abg_bb_eig_long <- ver_abg_bb_eig_long %>%
  mutate(Abgangsgrund = factor(Abgangsgrund, levels = c("regulär", 
                                                        "Sturm", 
                                                        "Insekten / Dürre",
                                                        "sonstige Kalamitäten",
                                                        "Ursache der Kalamität ungewiss",
                                                        "Ursache unbekannt",
                                                        "Angabe fehlt")))

# Veränderung der Abgänge aller Baumarten pro Jahr in Brandenburg nach Eigentumsform
ggplot(data = ver_abg_bb_eig_long, 
       aes(x = reorder(Eigentumsart,Veränderung_Vorrat_Jahr), y = Veränderung_Vorrat_Jahr, fill= Abgangsgrund)) +
  #aes(x = reorder(Baumart, Veränderung_Waldfläche)
  geom_col() +
  ggtitle("Veränderungen der Abgänge aller Baumarten pro Jahr \nin Brandenburg nach Eigentumsart von 2012-2022") +
  labs(x = "Eigentumsart", y = "Veränderungen [m³/ha*a]") +
  #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),
        plot.title.position = "plot") +
  scale_fill_manual(values = c("regulär" = "#729ECE",     # slightly muted blue
                               "Sturm" = "#FDBF6F",       # pastel orange
                               "Insekten / Dürre" = "#73C476",  # slightly muted green
                               "sonstige Kalamitäten" = "#FF6F69", # slightly muted red
                               "Ursache der Kalamität ungewiss" = "#B0B0B0", # grey
                               "Ursache unbekannt" = "#D9D9D9",   # light grey
                               "Angabe fehlt" = "pink"))  # very light grey
 # scale_fill_gradient(high = "darkseagreen4", low = "coral3") +
  #guides(fill = 'none')
```

#### Interpretation

Körperschaftswald besonders betroffen - schlechte Betreuung, späte Ereignisserkennung, Kalamitätsnutzung?

### Veränderung der Abgänge der Kiefer pro Jahr in Brandenburg nach Eigentumsform

```{r ver-abg-bb-eig-ki, include=FALSE}
# Daten vorbereiten Veränderung Abgänge der Kiefer in Brandenburg Abgangsgrund / Baumart

ver_abg_bb_eig_ki_long <- ver_abg$ver_abg_bb_eig_ki_22 %>% # Daten für Gf in Long-Format bringen
  pivot_longer(cols = -c(Eigentumsart, Einheit),  # Specify columns that should remain unchanged
               names_to = "Abgangsgrund",          # New column name for the names of pivoted columns
               values_to = "Veränderung_Vorrat_Jahr") %>% # New column name for the values of pivoted columns
  filter((!Eigentumsart %in% c("Öffentlicher Wald", "Privatwald", "alle Eigentumsarten")),(!Abgangsgrund %in% c("alle Abgangsgründe"))) %>% # Exclude rows 
  replace_na(list(Veränderung_Vorrat_Jahr= 0))  # Replace NA values in the "Veränderung_Waldfläche" column with 0
```

```{r ver-abg-bb-eig-ki-22, echo=FALSE}
#Daten nach Abgangsgrund vorordnen
ver_abg_bb_eig_ki_long <- ver_abg_bb_eig_ki_long %>%
  mutate(Abgangsgrund = factor(Abgangsgrund, levels = c("regulär", 
                                                        "Sturm", 
                                                        "Insekten / Dürre",
                                                        "sonstige Kalamitäten",
                                                        "Ursache der Kalamität ungewiss",
                                                        "Ursache unbekannt",
                                                        "Angabe fehlt")))

# Veränderung der Abgänge aller Baumarten pro Jahr in Brandenburg nach Eigentumsform
ggplot(data = ver_abg_bb_eig_ki_long, 
       aes(x = reorder(Eigentumsart,Veränderung_Vorrat_Jahr), y = Veränderung_Vorrat_Jahr, fill= Abgangsgrund)) +
  #aes(x = reorder(Baumart, Veränderung_Waldfläche)
  geom_col() +
  ggtitle("Veränderungen der Abgänge der Kiefer pro Jahr \nin Brandenburg nach Eigentumsart von 2012-2022") +
  labs(x = "Eigentumsart", y = "Veränderungen [m³/ha*a]") +
  #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),
        plot.title.position = "plot") +
  scale_fill_manual(values = c("regulär" = "#729ECE",     # slightly muted blue
                               "Sturm" = "#FDBF6F",       # pastel orange
                               "Insekten / Dürre" = "#73C476",  # slightly muted green
                               "sonstige Kalamitäten" = "#FF6F69", # slightly muted red
                               "Ursache der Kalamität ungewiss" = "#B0B0B0", # grey
                               "Ursache unbekannt" = "#D9D9D9",   # light grey
                               "Angabe fehlt" = "pink"))  # very light grey
 # scale_fill_gradient(high = "darkseagreen4", low = "coral3") +
  #guides(fill = 'none')
```

#### Interpretation

-   Landeswald besonders von Kalamitäten betroffen = Feuer (?), instabile Bestandesstrukturen

    -   Kalamität Feuer unter sonstige Kalamität , Feuer allg. zu vernachlässigen, viele Punkte sind das nicht

## Nutzungsart

### Nutzungsart in Brandenburg nach Baumart in 1000 m³ von 2012-2022

```{r ver-nutz-bb-ba, include=FALSE}
# Daten vorbereiten Veränderung Nutzungsart in Brandenburg nach Baumart

ver_nutz_bb_ba_long <- ver_nutz$ver_nutz_bb_ba_22 %>% 
  pivot_longer(cols = -c(Baumartengruppe, Einheit),  
               names_to = "Nutzungsart",          
               values_to = "Veränderung_Vorrat") 

ver_nutz_bb_ba_long <- ver_nutz_bb_ba_long %>%
  group_by(Baumartengruppe) %>%
  mutate(Prozent_Vorrat = ifelse(Nutzungsart == "alle Nutzungsarten", Veränderung_Vorrat, 
                                 Veränderung_Vorrat / Veränderung_Vorrat[Nutzungsart == "alle Nutzungsarten"] * 100)) %>%
  ungroup() %>%
  filter((!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),(!Nutzungsart %in% c("alle Nutzungsarten"))) %>% 
  replace_na(list(Veränderung_Vorrat= 0))

# head(ver_nutz_bb_ba_long)

```

```{r ver-nutz-bb-ba-22, echo=FALSE}
#Daten nach Abgangsgrund vorordnen
ver_nutz_bb_ba_long <- ver_nutz_bb_ba_long %>%
  mutate(Nutzungsart = factor(Nutzungsart, levels = c("keine Nutzung", 
                                                      "selektive Nutzung", 
                                                      "flächige Nutzung",
                                                      "Angabe fehlt")))

# Veränderung der Abgänge aller Baumarten pro Jahr in Brandenburg nach Eigentumsform
x <- ggplot(data = ver_nutz_bb_ba_long, 
       aes(x = reorder(Baumartengruppe,Veränderung_Vorrat), y = Veränderung_Vorrat, fill= Nutzungsart)) +
  #aes(x = reorder(Baumart, Veränderung_Waldfläche)
  geom_col() +
  ggtitle("Veränderungen der Nutzungsart in \nBrandenburg nach Baumart von 2012-2022") +
  labs(x = "Baumartengruppe", y = "Veränderungen [1.000 m³]") +
  #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),
        plot.title.position = "plot") +
  scale_fill_manual(values = c("keine Nutzung" = "#FF6F69",     # slightly muted blue
                               "selektive Nutzung" = "forestgreen",       # pastel orange
                               "flächige Nutzung" = "#73C476",  # slightly muted green
                               "Angabe fehlt" = "#D9D9D9"))   # light grey
 
```

### Nutzungsart in Brandenburg nach Baumart in % von 2012-2022

```{r ver-nutz-bb-ba-22-proz, echo=FALSE}
#Daten nach Abgangsgrund vorordnen
ver_nutz_bb_ba_long <- ver_nutz_bb_ba_long %>%
  mutate(Nutzungsart = factor(Nutzungsart, levels = c("keine Nutzung", 
                                                      "selektive Nutzung", 
                                                      "flächige Nutzung",
                                                      "Angabe fehlt")))

# Veränderung der Abgänge aller Baumarten pro Jahr in Brandenburg nach Eigentumsform
ggplot(data = ver_nutz_bb_ba_long, 
       aes(x = reorder(Baumartengruppe,Veränderung_Vorrat), y = Prozent_Vorrat, fill= Nutzungsart)) +
  #aes(x = reorder(Baumartengruppe, Nutzungsart)) +
  geom_col() +
   geom_text(data = subset(ver_nutz_bb_ba_long, Nutzungsart == "flächige Nutzung"), 
            aes(label = round(Prozent_Vorrat, 1)), 
            position = position_stack(vjust = 0.5),  # Adjust position for placement inside bars
            size = 3, 
            color = "black",
            angle = 90) +
  ggtitle("Veränderungen der Nutzungsart in \nBrandenburg nach Baumart von 2012-2022") +
  labs(x = "Baumartengruppe", y = "Vorratsveränderungen [%]") +
  #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),
        plot.title.position = "plot") +
  scale_fill_manual(values = c("keine Nutzung" = "#FF6F69",     # slightly muted blue
                               "selektive Nutzung" = "forestgreen",       # pastel orange
                               "flächige Nutzung" = "#73C476",  # slightly muted green
                               "Angabe fehlt" = "#D9D9D9"))   # light grey
#guides(fill = 'none')
```

#### Interpretation

-   Kiefer, Fichte: Flächige Nutzung = Kalamitätsholz

-   Eiche und Buche quasi keine Kahlschläge vorhanden

### Nutzungsart in Brandenburg nach Baumart in m³/ha/a von 2012-2022

```{r ver-nutz-bb-ba-jahr, include=FALSE}
# Daten vorbereiten Veränderung Nutzungsart in Brandenburg nach Baumart

ver_nutz_bb_ba_jahr_long <- ver_nutz$ver_nutz_bb_ba_22_jahr %>% 
  pivot_longer(cols = -c(Baumartengruppe, Einheit),  
               names_to = "Nutzungsart",          
               values_to = "Veränderung_Vorrat") %>% 
  filter((!Baumartengruppe %in% c("alle Laubbäume", "alle Nadelbäume", "alle Baumarten")),(!Nutzungsart %in% c("alle Nutzungsarten"))) %>% 
  replace_na(list(Veränderung_Vorrat= 0))
```

```{r ver-nutz-bb-ba-jahr-22, echo=FALSE}
#Daten nach Abgangsgrund vorordnen
ver_nutz_bb_ba_jahr_long <- ver_nutz_bb_ba_jahr_long %>%
  mutate(Nutzungsart = factor(Nutzungsart, levels = c("keine Nutzung", 
                                                      "selektive Nutzung", 
                                                      "flächige Nutzung",
                                                      "Angabe fehlt")))

# Veränderung der Abgänge aller Baumarten pro Jahr in Brandenburg nach Eigentumsform
ggplot(data = ver_nutz_bb_ba_jahr_long, 
       aes(x = reorder(Baumartengruppe,Veränderung_Vorrat), y = Veränderung_Vorrat, fill= Nutzungsart)) +
  #aes(x = reorder(Baumart, Veränderung_Waldfläche)
  geom_col() +
  ggtitle("Veränderungen der Nutzungsart in \nBrandenburg nach Baumart von 2012-2022") +
  labs(x = "Baumartengruppe", y = "Veränderungen [m³/ha*a]") +
  #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),
        plot.title.position = "plot") +
  scale_fill_manual(values = c("keine Nutzung" = "#FF6F69",     # slightly muted blue
                               "selektive Nutzung" = "forestgreen",       # pastel orange
                               "flächige Nutzung" = "#73C476",  # slightly muted green
                               "Angabe fehlt" = "#D9D9D9"))   # light grey
                               
 # scale_fill_gradient(high = "darkseagreen4", low = "coral3") +
  #guides(fill = 'none')
```

#### Interpretation

-   sinnlose Darstellung? Besser Nutzung im Vergleich zur Menge der Baumart?
-   keine Nutzung = Baum ist gefällt aber liegt noch

## Nächte Themen?

-   Zuwachs vs. Nutzung

-   Welche Schwerpunkte noch bis FCK / BLK