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