::: content-hidden
# librarys Farben und Daten {.hidden .unnumbered .unlisted}
```{r librarys, include=FALSE}
library(readxl)
library(ggplot2)
library(treemapify)
library(treemap)
library(ggrepel) # um Legenden automatisch zu platzieren
#library(scales) # um Tausendertrennzeichen einzuführen
library(prettyunits) # um Einheiten zu formatieren
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(flextable)
library(kableExtra)
library(xtable) # für LaTeX-Tabellen
library(quarto)
#library(webshot2) # für Screenshots
library(RPostgres) # installation funktionert nachdem via muon libpq-dev installiert wurde
library(config) # um Datenbankonfiguration zu verstecken
library(todor) # um Todos zu erstellen - siehe RStudio, Addins find active ... todos
```
```{r}
# config.yml ist in faircloud/3-2-bwi/Auswertung/R_bwi/
# Verbindung herstellen
# convwm <- dbConnect(RPostgreSQL::PostgreSQL(),
# host="db03.simplex4data.de",
# port=5432,
# user="twiebke",
# dbname="projekt_lfb",
# password="rechtshelfeschmerzendamals")
# Konfiguration für eine spezifische Datenbank laden
config <- config::get(file = "config.yml")
db_config <- config$databases$sgdb
consgdb <- DBI::dbConnect(RPostgres::Postgres(),
host=db_config$host,
port=db_config$port,
dbname=db_config$dbname,
user=db_config$user,
password=db_config$password)
```
```{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
## von Sachgebietsdatenbank consgdb
### Trakteckenanzahl
```{r}
#
# qu_trackt_eckenanzahl <- "select --distinct bftw.anat
# count (distinct bfev.tnr) filter (where bfev.wa between 0 and 5) as ausschreibungstrakte,
# COUNT(distinct bfev.tnr) filter (where bfev.wa = 0) as nichtwaldtrakte -- Anzahl der Traktnummern mit bfev.wa = 0
# ,COUNT(distinct bfev.tnr) filter (where bfev.wa between 1 and 5) as waldtrakte -- Anzahl der Traktnummern mit bfev.wa zwischen 1 und 5
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1901 and 1916) as begutachtungsecken
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1901 and 1911) as ausschreibungsecke -- siehe bwi_meta.k3_login
# ,count(bfev.enr) filter (where bfev.wa between 0 and 5 and bftw.anat between 1912 and 1916) as lfebearbeitungsecke
# ,count(bfev.enr) filter (where bfev.wa between 1 and 5) as waldecke
# from
# bwi_2022.b3f_ecke_vorkl bfev
# --join bwi_admin.lospunkt l on l.tnr = bfev.tnr
# join bwi_2022.b3f_tnr_vorkl bftv on bftv.tnr = bfev.tnr
# join bwi_2022.b3f_tnr_work bftw on bftw.tnr = bfev.tnr
# where
# bftv.trstatus between 1 and 3 -- waldtrakte oder ungewiss = x3_tr_status icode=3
# and bftw.anat between 1901 and 1916;"
# trackt_eckenanzahl <- dbGetQuery(consgdb, qu_trackt_eckenanzahl)
# trackt_eckenanzahl
# # Speichere das Ergebnis als RDS-Datei
# saveRDS(trackt_eckenanzahl, "../data/trackt_eckenanzahl.rds")
# Lade die RDS-Datei
trackt_eckenanzahl <- readRDS("../data/trackt_eckenanzahl.rds")
```
### Highligts
```{r}
# ist als View erstellt
# v_top_wzp <- dbGetQuery(consgdb,
# "SELECT *
# FROM bwi_2022.v_top_wzp;"
# )
# v_top_wzp
# # # Speichere das Ergebnis als RDS-Datei
# saveRDS(v_top_wzp, "../data/v_top_wzp.rds")
# Lade die RDS-Datei
v_top_wzp <- readRDS("../data/v_top_wzp.rds")
```
## Waldfläche
```{r imp_waldfl, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
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")
})
# Namen der Liste anpassen
names(waldfl_ba) <- waldfl_sheet_names
```
### Waldflächenänderung
```{r imp_ver_waldfl, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_waldfl_sheet_names <- excel_sheets("../data/ver_waldfläche.xlsx")
ver_waldfl <- lapply(ver_waldfl_sheet_names, function(sheet) {
read_excel("../data/ver_waldfläche.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_waldfl) <- ver_waldfl_sheet_names
```
##### Waldflächenänderung long
```{r ver-waldfl, include=FALSE}
# Daten vorbereiten
# Veränderung Waldfläche
ver_waldfl_long <- ver_waldfl$ver_waldfl_waldspez_hb_nhb_2022 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Veränderungen") %>%
replace_na(list("Veränderungen"= 0))
#ver_waldfl_long
```
##### Standflächenänderung long
```{r}
# Daten für Waldfl in Long-Format bringen
ver_stndfl_long <- ver_waldfl$ver_stndfl_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen") %>%
#filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderungen = 0))
ver_stndfl_long
```
##### Prozentstandflächenänderung
```{r}
ver_standfl_prozent <- ver_waldfl$ver_proz_waldfl_ba_standfl_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Veränderungen") %>%
#filter(Land != "Deutschland (alle Länder)") %>%
replace_na(list(Veränderungen = 0))
ver_standfl_prozent
```
#### Vorratsänderung
```{r imp_ver_vor1, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_vor_sheet_names <- excel_sheets("../data/ver_vorrates.xlsx")
ver_vor <- lapply(ver_vor_sheet_names, function(sheet) {
read_excel("../data/ver_vorrates.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_vor) <- ver_vor_sheet_names
```
##### Grundflächenänderung
```{r}
# Daten in Long-Format bringen
ver_gf_ba_22 <- ver_vor$ver_gf_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Ba_Gruppen",
values_to = "Veränderungen")
ver_gf_ba_22 <- ver_gf_ba_22%>%
replace_na(list(Veränderungen = 0))
```
### Waldflächenanteile
```{r}
# Daten umformen und rangieren
waldflant <- waldfl_ba$waldanteil22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Anteil")
# Filter, nach Anteil sortieren und fortlaufende Rangfolge erstellen
waldflant <- waldflant %>%
filter(Land != "Deutschland (alle Länder)") %>%
arrange(desc(Anteil * (Kategorie == "Wald"))) %>% # Sortiert nach Anteil der Kategorie "Wald" absteigend
group_by(Kategorie) %>%
mutate(Anteilsrang = ifelse(Kategorie == "Wald", row_number(), NA)) %>% # Fortlaufende Rangfolge für Wald
ungroup()
# Zeilen anzeigen
waldflant
```
### Waldfläche \[ha\] nach Land und Waldspezifikation
```{r}
# Daten in Long-Format bringen
waldfl_spez_long <- waldfl_ba$waldfl22spez %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Kategorie",
values_to = "Fläche")
waldfl_spez_long <- waldfl_spez_long %>%
replace_na(list(Fläche = 0))
# Prozentwerte der Kategorien berechnen
waldfl_spez_long <- waldfl_spez_long %>%
left_join((waldfl_spez_long %>%
filter(Kategorie %in% c("bestockter Holzboden", "Blöße", "Nichtholzboden")) %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / sum(Fläche) * 100),2)) %>%
ungroup() %>%
select(Land, Kategorie, Prozent)), by = c("Land", "Kategorie")) %>%
left_join(waldfl_spez_long %>%
filter(Kategorie %in% c("Wald", "Holzboden")) %>%
spread(key = Kategorie, value = Fläche) %>%
mutate(Holzboden_Anteil = round((Holzboden / Wald) * 100, 2)) %>%
select(Land, Holzboden_Anteil), by = "Land") %>%
mutate(Prozent = ifelse(Kategorie == "Holzboden", Holzboden_Anteil, Prozent)) %>%
select(-Holzboden_Anteil) %>%
replace_na(list(Prozent = 100))
# Filter, nach Anteil sortieren und fortlaufende Rangfolge erstellen
waldfl_spez_long <- waldfl_spez_long %>%
filter(Land != "Deutschland (alle Länder)") %>%
arrange(desc(Fläche * (Kategorie == "Wald"))) %>% # Sortiert nach Fläche der Kategorie "Wald" absteigend
group_by(Kategorie) %>%
mutate(Flächenrang = ifelse(Kategorie == "Wald", row_number(), NA)) %>% # Fortlaufende Rangfolge für Wald
ungroup()
waldfl_spez_long
```
### Waldfläche Begehbarkeit
```{r}
# waldfl_begeh22 <- waldfl_ba$bb_waldfl_begehbar_waldspez22 %>%
# pivot_longer(cols = -c(Begehbarkeit,Einheit),
# names_to = "Waldspezifikation",
# values_to = "Fläche")
# waldfl_begeh22
```
### Traktecken Begehbarkeit
```{r}
waldecke_begeh22 <- waldfl_ba$bb_ecken_begehbar_waldspez22 %>%
pivot_longer(cols = -c(Begehbarkeit,Einheit),
names_to = "Waldspezifikation",
values_to = "Ecken")
waldecke_begeh22
```
### Waldfläche Eigentum
```{r imp_waldfl_eig, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
waldfleig_sheet_names <- excel_sheets("../data/Waldfl_eig.xlsx")
waldfl_eig <- lapply(waldfleig_sheet_names, function(sheet) {
read_excel("../data/Waldfl_eig.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(waldfl_eig) <- waldfleig_sheet_names
```
```{r}
#Daten umstrukturieren
waldfl22_eig_long <- waldfl_eig$waldfl22_eig %>%
pivot_longer(cols = -c(Land, Einheit, `alle Eigentumsarten`),
names_to = "Eigentumsart",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
# Berechnung der Prozentwerte für alle Kategorien
waldfl22_eig_long <- waldfl22_eig_long %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / `alle Eigentumsarten`) * 100, 2))
# Erstellen der Gruppen
waldfl22_eig_long <- waldfl22_eig_long %>%
mutate(
Gruppe = case_when(
Eigentumsart %in% c("Staatswald (Bund)", "Staatswald (Land)", "Körperschaftswald") ~ "Öffentlicher Wald",
Eigentumsart %in% c("Privatwald, bis 20 ha", "Privatwald, über 20 bis 1000 ha", "Privatwald, über 1000 ha") ~ "Privatwald",
TRUE ~ Eigentumsart
)
)
waldfl22_eig_long
```
### Veränderung Waldfläche Eigentum
```{r}
# Daten umstrukturieren
ver_waldfl22_eig_long <- waldfl_eig$ver_waldfl22_eig %>%
pivot_longer(cols = -c(Land, Einheit, `alle Eigentumsarten`),# `Öffentlicher Wald`, `Privatwald`),
names_to = "Eigentumsart",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
ver_waldfl22_eig_long
```
### Baumarten Standflächen ha dtl
```{r}
#Daten für 2022 vorbereiten
waldfl22_ba_long <- waldfl_ba$waldfl_ba_standfl_22 %>%
#filter(Land == "Brandenburg") %>%
pivot_longer(cols = -c(Land, Einheit, `alle Baumarten`
# , "alle Baumarten",
# "alle Laubbäume","alle Nadelbäume",
# "andere Lb hoher Lebensdauer",
# "andere Lb niedriger Lebensdauer"
),
names_to = "Ba_Wa",
values_to = "Fläche")
# waldfl22_ba_long
# Berechnung der Prozentwerte für alle Kategorien
waldfl22_ba_long <- waldfl22_ba_long %>%
group_by(Land) %>%
mutate(Prozent = round((Fläche / `alle Baumarten`) * 100, 2)) %>%
ungroup() %>%
# Zuordnung der Farben zu den Daten
mutate(Farbe = ba_farben[match(Ba_Wa, names(ba_farben))])
waldfl22_ba_long
```
### Waldflächen Standflächen ha bb (und Veränderung?)
```{r}
bb_stndfl_ba_22 <- waldfl_ba$bb_stndfl_ba_22 %>%
pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0)) #%>%
#
bb_stndfl_ba_22$Altersklasse <- factor(bb_stndfl_ba_22$Altersklasse,
levels = c("1 - 20 Jahre", "21 - 40 Jahre", "41 - 60 Jahre",
"61 - 80 Jahre", "81 - 100 Jahre", "101 - 120 Jahre",
"121 - 140 Jahre", "141 - 160 Jahre", "> 160 Jahre", "Angabe fehlt", "alle Baumaltersklassen"),
labels = c("I\n1 - 20 Jahre", "II\n21 - 40 Jahre", "III\n41 60 Jahre",
"IV\n61 - 80 Jahre", "V\n81 - 100 Jahre", "VI\n101 - 120 Jahre",
"VII\n121 - 140 Jahre", "VIII\n141 - 160 Jahre", "IX\n> 160 Jahre","Lücke/Blöße", "alle Baumaltersklassen"))
#Setze die Baumartengruppe als Faktor und ordne die Levels nach Fläche
bb_stndfl_ba_22$Baumartengruppe <- factor(bb_stndfl_ba_22$Baumartengruppe,
levels = bb_stndfl_ba_22 %>%
filter(Altersklasse == "alle Baumaltersklassen") %>%
arrange(desc(Fläche)) %>%
distinct(Baumartengruppe) %>% # Stellt sicher, dass keine doppelten Baumartengruppen vorhanden sind
pull(Baumartengruppe))
# c("alle Baumarten", "alle Nadelbäume", "Kiefer (Pinus)", "alle Laubbäume" ,"Eiche (Quercus)", "Birke (Betula)", "Buche (Fagus)", "Erle (Alnus)", "sonst. Lb hoher Lebensdauer", "sonst. Lb niedriger Lebensdauer", "Lücke", "Fichte (Picea)", "Lärche (Larix)", "Douglasie (Pseudotsuga)", "Ahorn (Acer)", "Blöße", "Esche (Fraxinus)", "Tanne (Abies)"))
#distinct(bb_stndfl_ba_22, Baumartengruppe)
#levels(bb_stndfl_ba_22$Baumartengruppe)
```
```{r}
# um die level zu bestimmen:
bb_stndfl_ba_22 %>%
filter(Altersklasse == "alle Baumaltersklassen"
#& !Baumartengruppe %in% c("alle Baumarten", "alle Nadelbäume", "alle Laubbäume")
) %>%
arrange(desc(Fläche)) %>% # Sortiere nach Fläche in absteigender Reihenfolge
select(Baumartengruppe
, Fläche
) %>%
pull(Baumartengruppe)
```
### Waldflächenänderung Standflächen ha bb
```{r}
ver_bb_stndfl_ba_22 <- ver_waldfl$ver_bb_stndfl_ba_22 %>%
pivot_longer(c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Veränderung") %>%
replace_na(list(Veränderung = 0))
```
### Vorrat
```{r imp_vor, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
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")
})
# Namen der Liste anpassen
names(vor) <- vor_sheet_names
```
#### Vorrat Baumarten und Altersklassen - v.a. reell
```{r}
vorrat_ba_sheet_names <- excel_sheets("../data/vorrat_ba.xlsx")
vorrat_ba <- lapply(vorrat_ba_sheet_names, function(sheet) {
read_excel("../data/vorrat_ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(vorrat_ba) <- vorrat_ba_sheet_names
```
#### Veränderung Vorrat Baumarten und Altersklassen - v.a. reell
```{r}
ver_vorrat_ba_sheet_names <- excel_sheets("../data/ver_vorrat_ba.xlsx")
ver_vorrat_ba <- lapply(ver_vorrat_ba_sheet_names, function(sheet) {
read_excel("../data/ver_vorrat_ba.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_vorrat_ba) <- ver_vorrat_ba_sheet_names
```
##### Factor für AKL und BHD
```{r}
# Definieren der Levels für Altersklassen
altersklassen_levels <- c("1 - 20 Jahre", "21 - 40 Jahre", "41 - 60 Jahre",
"61 - 80 Jahre", "81 - 100 Jahre", "101 - 120 Jahre",
"121 - 140 Jahre", "141 - 160 Jahre", "> 160 Jahre")
# Labels für die Altersklassen (optional, für schönere Achsenbeschriftungen)
altersklassen_labels <- c("I\n1 - 20 Jahre", "II\n21 - 40 Jahre", "III\n41 - 60 Jahre",
"IV\n61 - 80 Jahre", "V\n81 - 100 Jahre", "VI\n101 - 120 Jahre",
"VII\n121 - 140 Jahre", "VIII\n141 - 160 Jahre", "IX\n> 160 Jahre")
# Optional: Definieren der Levels für Brusthöhendurchmesser
bhd_levels <- levels <- c("ab 90 cm", "80,0 - 89,9 cm", "70,0 - 79,9 cm", "60,0 - 69,9 cm", "50,0 - 59,9 cm",
"40,0 - 49,9 cm", "30,0 - 39,9 cm", "20,0 - 29,9 cm" , "10,0 - 19,9 cm", "7,0 - 9,9 cm")
```
##### vor_reell_bb_allba_qm_ha, Anteil, Veränderung
```{r}
vor_anteil_ver_reell_bb_allba_qm_ha <- vorrat_ba$vor_reell_bb_allba_qm_ha %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Volumen") %>%
replace_na(list(Volumen = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)) %>% # Altersklassen als Faktor
inner_join(
vorrat_ba$`vor_reell_bb_allba_qm_%` %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Anteil") %>%
replace_na(list(Anteil = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)), # Gleiche Ordnung in der zweiten Tabelle
by = c("Brusthöhendurchmesser", "Altersklasse")
) %>%
inner_join(
ver_vorrat_ba$ver_vor_reell_bb_allba_qm_ha %>%
pivot_longer(cols = c(`1 - 20 Jahre`:`alle Baumaltersklassen`),
names_to = "Altersklasse",
values_to = "Veränderung") %>%
replace_na(list(Veränderung = 0)) %>%
mutate(Altersklasse = factor(Altersklasse, levels = altersklassen_levels, labels = altersklassen_labels)), # Gleiche Ordnung in der dritten Tabelle
by = c("Brusthöhendurchmesser", "Altersklasse")
) %>%
mutate(Brusthöhendurchmesser = factor(Brusthöhendurchmesser, levels = bhd_levels)) # Optional: BHD als Faktor
```
```{r}
```
#### Vorratsänderung
```{r imp_ver_vor, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
ver_vor_sheet_names <- excel_sheets("../data/ver_vorrates.xlsx")
ver_vor <- lapply(ver_vor_sheet_names, function(sheet) {
read_excel("../data/ver_vorrates.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(ver_vor) <- ver_vor_sheet_names
```
```{r}
vor_ver_vor <- vor$vor_land_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Vorrat") %>%
replace_na(list(Vorrat = 0)) %>%
inner_join(
ver_vor$ver_vor_land_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen") %>%
replace_na(list(Veränderungen = 0)),
by = c("Land", "Baumartengruppe", "Einheit")
)
```
### Vorrat Baumarten und Altersklassen
<!--TODO: irgendwie passen die Daten nicht -->
```{r}
# TODO: Daten für 2022 ...
bb_vor_bhd_akl_22_long <- vor$bb_vor_bhd_akl_22 %>%
filter(Baumart == "all") %>%
select(-Einheit, -Baumart, -'alle Baumaltersklassen') %>%
filter(Brusthöhendurchmesser != "alle BHD-Stufen") %>%
pivot_longer(
cols = `1 - 20 Jahre`:`> 160 Jahre`, # Angepasst an deine tatsächlichen Spaltennamen
names_to = "Altersklasse",
values_to = "Volumen"
) %>%
mutate(Volumen = replace_na(Volumen, 0))
#bb_vor_bhd_akl_22_long
```
## Zuwachs
```{r}
zuw_sheet_names <- excel_sheets("../data/zuwachs.xlsx")
zuw <- lapply(zuw_sheet_names, function(sheet) {
read_excel("../data/zuwachs.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(zuw) <- zuw_sheet_names
```
### Zuwachs Länder-Baumartengruppe-m³/ha*a
```{r}
zuw_land_bagr_qm_ha_a <- zuw$zuw_land_bagr_qm_ha_a %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Zuwachs") %>%
replace_na(list(Zuwachs = 0))
```
## Abgang/Nutzung
```{r}
abgang_nutz_sheet_names <- excel_sheets("../data/abgang_nutzung.xlsx")
abgang_nutz <- lapply(abgang_nutz_sheet_names, function(sheet) {
read_excel("../data/abgang_nutzung.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(abgang_nutz) <- abgang_nutz_sheet_names
```
### Abgang
```{r}
ausgesbest <- abgang_nutz$ausg_best_land_bagr_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Ba_Gruppe",
values_to = "Abgang")
ausgesbest
```
### Abgangsgrund
```{r}
abgangsgrund <- abgang_nutz$abgangsgrund_bb_bagr_22 %>%
pivot_longer(cols = -c(Abgangsgrund, Einheit),
names_to = "Ba_Gruppe",
values_to = "Vorrat") %>%
mutate(Vorrat = replace_na(Vorrat, 0)) # Ersetzt NA in der Spalte Vorrat durch 0
```
### Nutzung
```{r}
nutz_land_qm_ha_ideell <- abgang_nutz$nutz_land_qm_ha_ideell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Nutzung") %>%
replace_na(list(Nutzung = 0))
```
## Struktur
### Waldaufbau
```{r}
stuktbeim_sheet_names <- excel_sheets("../data/strukt_beim_besttyp.xlsx")
struktbeim <- lapply(stuktbeim_sheet_names, function(sheet) {
read_excel("../data/strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(struktbeim) <- stuktbeim_sheet_names
```
### Waldaufbauveränderung
```{r}
ver_stuktbeim_sheet_names <- excel_sheets("../data/ver_strukt_beim_besttyp.xlsx")
ver_struktbeim <- lapply(ver_stuktbeim_sheet_names, function(sheet) {
read_excel("../data/ver_strukt_beim_besttyp.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
names(ver_struktbeim) <- ver_stuktbeim_sheet_names
```
#### Land-Bestockungsaufbau ha-proz
```{r}
# Ergebnistabellen zusammenführen und neue Datenzeile "mehrschichtig" aus Summe hinzufügen
land_bestaufbau <-
struktbeim$land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$land_bestaufbau_proz %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Land", "Bestockungsaufbau")) %>%
filter(Bestockungsaufbau %in% c("zweischichtig", "mehrschichtig oder plenterartig")) %>%
group_by(Land, Einheit.x, Einheit.y) %>%
summarise(
Bestockungsaufbau = "mehrschichtig",
Fläche = sum(Fläche),
Anteil = sum(Anteil),
.groups = "drop"
) %>%
bind_rows(struktbeim$land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$land_bestaufbau_proz %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Land", "Bestockungsaufbau"))
)
```
#### Waldtyp-Bestockungsaufbau ha-proz
```{r}
waldtyp_bestaufbau_bb_ha_proz_ver <- struktbeim$waldtyp_bestaufbau_bb_ha %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
inner_join(
struktbeim$waldtyp_bestaufbau_bb_proz %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Anteil"), by = c("Laub-/Nadel-Waldtyp","Bestockungsaufbau")) %>%
inner_join(ver_struktbeim$ver_waldtyp_bestaufbau_bb_ha %>%
pivot_longer(cols = -c("Laub-/Nadel-Waldtyp", Einheit),
names_to = "Bestockungsaufbau",
values_to = "Veränderung"), by = c("Laub-/Nadel-Waldtyp","Bestockungsaufbau"))
```
#### ver-Land-Bestockungsaufbau ha-proz
```{r}
ver_land_bestaufbau_ha <-
ver_struktbeim$ver_land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche") %>%
filter(Bestockungsaufbau %in% c("zweischichtig", "mehrschichtig oder plenterartig")) %>%
group_by(Land, Einheit) %>%
summarise(
Bestockungsaufbau = "mehrschichtig",
Fläche = sum(Fläche),
.groups = "drop"
) %>%
bind_rows(ver_struktbeim$ver_land_bestaufbau_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Bestockungsaufbau",
values_to = "Fläche")
)
```
### Verjüngung
```{r imp_strukt, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
strukt_sheet_names <- excel_sheets("../data/struktur_verj.xlsx")
struktjung <- lapply(strukt_sheet_names, function(sheet) {
read_excel("../data/struktur_verj.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(struktjung) <- strukt_sheet_names
```
#### Jungbestockungsfläche
```{r}
jungbestfl <- struktjung$verj_ha %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Fläche") %>%
replace_na(list(Fläche = 0))
jungbestfl
```
#### Jungbestockungsanteil
```{r}
# Anteil der Fläche an der Gesamtfläche Wald+Nichtwald [%] nach Land und Bestockungsschicht der Jungbestockung
jungbestant <- struktjung$verj_anteil %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Landesanteil") %>%
replace_na(list(Anteil = 0))
jungbestant
```
#### Jungbestandsfläche join Waldfläche und Landesflächenanteil
```{r}
jungbestflant <- jungbestfl %>%
inner_join(waldfl_spez_long, by = "Land", suffix = c("_jungfl", "_waldfl")) %>%
filter(!Kategorie %in% c("Blöße", "Nichtholzboden")) %>%
mutate(Waldflächenanteil = round((Fläche_jungfl / Fläche_waldfl) * 100, 2)) %>%
inner_join(jungbestant, by = c("Land", "Jungbestockung")) %>%
select(Land, Jungbestockung, Fläche_jungfl, Kategorie, Fläche_waldfl, Waldflächenanteil, Landesanteil)
```
```{r bb_jungbest_22, include=FALSE}
# Daten vorbereiten
# Baumartenanteile Jungbestockung Gesamtwald!
jungbest_ba_22_long <- struktjung$bb_jungbest_art_22 %>%
filter(Verjüngungsart == "alle Verjüngungsarten") %>%
pivot_longer(cols = -c(Einheit, Verjüngungsart,"alle Baumarten"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche = 0))
```
#### Verjüngungspflanzen pro Hektar
```{r}
jung_ba_22 <- struktjung$jung_ba_22 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Anzahl")
```
#### Verjüngungskreis - Verbissprozent Baumarten
```{r}
nproz_verb_ba_bb <- struktjung$jung_nproz_verb_ba_bb %>%
pivot_longer(cols = -c(Baumartengruppe,Einheit, "mit oder ohne Verbiss"),
names_to = "Verbissart",
values_to = "Verbissprozent")
```
#### Verjüngungskreis - nBA pro Hektar
```{r}
jung_nha_verb_ba_bb <- struktjung$jung_nha_verb_ba_bb %>%
pivot_longer(cols = -c(Baumartengruppe,Einheit, "mit oder ohne Verbiss"),
names_to = "Verbissart",
values_to = "nBA")
```
#### Veränderung Jung
```{r}
verjung_sheet_names <- excel_sheets("../data/ver_jung.xlsx")
verjung <- lapply(verjung_sheet_names, function(sheet) {
read_excel("../data/ver_jung.xlsx", sheet = sheet, skip = 5, na = "NaN")
})
# Namen der Liste anpassen
names(verjung) <- verjung_sheet_names
```
##### Veränderung Jungbestockung
```{r}
ver_waldflindex_jung_bestschicht <- verjung$ver_waldflindex_jung_bestschich %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Indexänderungen") %>%
replace_na(list(Flächenänderungen = 0))
ver_waldflindex_jung_bestschicht
```
```{r}
ver_jungbestfl <- verjung$ver_waldfl_jung_bestschicht %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Jungbestockung",
values_to = "Flächenänderungen") %>%
replace_na(list(Flächenänderungen = 0)) %>%
inner_join(ver_waldflindex_jung_bestschicht, by = c("Land", "Jungbestockung"), suffix = c("_ver", "_index")) %>%
mutate(Veränderungsanteil = Indexänderungen - 100)
ver_jungbestfl
```
```{r bb_ver_jungbest_22, include=FALSE}
# Daten vorbereiten
# Veränderung Baumartenanteile Jungbestockung Gesamtwald!
ver_jungbest_ba_22_long <- verjung$bb_ver_jungbest_art_22 %>%
filter(Verjüngungsart == "alle Verjüngungsarten") %>%
pivot_longer(cols = -c(Einheit, Verjüngungsart, "alle Baumarten"),
names_to = "Baumartengruppe",
values_to = "Waldfläche") %>%
replace_na(list(Waldfläche = 0))
```
## Totholz
```{r imp_struktur_tot, include=FALSE}
# Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# Namen der Blätter automatisch auslesen
tot_sheet_names <- excel_sheets("../data/struktur_tot.xlsx")
tot <- lapply(tot_sheet_names, function(sheet) {
read_excel("../data/struktur_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
# Namen der Liste anpassen
names(tot) <- tot_sheet_names
```
### Totholz m³/ha*a Land-Baumartengruppe - reell
```{r}
tot_land_qm_ha_reell <- tot$tot_land_qm_ha_reell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Totholz")
```
### Veränderung Totholz
```{r}
ver_tot_sheet_names <- excel_sheets("../data/ver_tot.xlsx")
ver_tot <- lapply(ver_tot_sheet_names, function(sheet) {
read_excel("../data/ver_tot.xlsx", sheet = sheet, skip = 5, na = c("NaN"))
})
# Namen der Liste anpassen
names(ver_tot) <- ver_tot_sheet_names
```
#### Veränderung Totholz m³/ha*a Land-Baumartengruppe - reell
```{r}
ver_tot_land_qm_ha_reell <- ver_tot$ver_tot_land_qm_ha_reell %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Veränderungen")
```
#### Veränderung Waldfläche mit Totholz Index BWI2012=100 Land-Baumartengruppe - reell
```{r}
ver_tot_index_2012_2022 <- ver_tot$ver_tot_index_waldfl_2012_2022 %>%
pivot_longer(cols = -c(Land, Einheit),
names_to = "Baumartengruppe",
values_to = "Indexänderungen")
```
### Naturnähe, Stammschaden und öko. Baummerkmale {.hidden .unnumbered .unlisted}
```{r imp_naturnaehe, include=FALSE}
# # Excel-Datei einlesen und NaN-Werte als "nan" behandeln
# # Namen der Blätter automatisch auslesen
# naturnaehe_sheet_names <- excel_sheets("../struktur_naturnaehe_schad.xlsx")
# naturnaehe <- lapply(naturnaehe_sheet_names, function(sheet) {
# read_excel("../struktur_naturnaehe_schad.xlsx", sheet = sheet, skip = 5, na = "NaN")
# })
# # Namen der Liste anpassen
# names(naturnaehe) <- naturnaehe_sheet_names
```
### Zeitpläne
```{r}
# zeitplan_sheet_names <- excel_sheets("../zeitplanung.xlsx")
# zeitplan <- lapply(zeitplan_sheet_names, function(sheet) {
# read_excel("../zeitplanung.xlsx", sheet = sheet, skip = 5
# #,na = ""# "NaN"
# )
# })
# names(zeitplan) <- zeitplan_sheet_names
```
:::