Seen und Fliessgewässer

Inhalt

Show code cell source Hide code cell source

# -*- coding: utf-8 -*-
# This is a report using the data from IQAASL.
# IQAASL was a project funded by the Swiss Confederation
# It produces a summary of litter survey results for a defined region.
# These charts serve as the models for the development of plagespropres.ch
# The data is gathered by volunteers.
# Please remember all copyrights apply, please give credit when applicable
# The repo is maintained by the community effective January 01, 2022
# There is ample opportunity to contribute, learn and teach
# contact dev@hammerdirt.ch

# Dies ist ein Bericht, der die Daten von IQAASL verwendet.
# IQAASL war ein von der Schweizerischen Eidgenossenschaft finanziertes Projekt.
# Es erstellt eine Zusammenfassung der Ergebnisse der Littering-Umfrage für eine bestimmte Region.
# Diese Grafiken dienten als Vorlage für die Entwicklung von plagespropres.ch.
# Die Daten werden von Freiwilligen gesammelt.
# Bitte denken Sie daran, dass alle Copyrights gelten, bitte geben Sie den Namen an, wenn zutreffend.
# Das Repo wird ab dem 01. Januar 2022 von der Community gepflegt.
# Es gibt reichlich Gelegenheit, etwas beizutragen, zu lernen und zu lehren.
# Kontakt dev@hammerdirt.ch

# Il s'agit d'un rapport utilisant les données de IQAASL.
# IQAASL était un projet financé par la Confédération suisse.
# Il produit un résumé des résultats de l'enquête sur les déchets sauvages pour une région définie.
# Ces tableaux ont servi de modèles pour le développement de plagespropres.ch
# Les données sont recueillies par des bénévoles.
# N'oubliez pas que tous les droits d'auteur s'appliquent, veuillez indiquer le crédit lorsque cela est possible.
# Le dépôt est maintenu par la communauté à partir du 1er janvier 2022.
# Il y a de nombreuses possibilités de contribuer, d'apprendre et d'enseigner.
# contact dev@hammerdirt.ch

# sys, file and nav packages:
import datetime as dt
from datetime import date, datetime, time
from babel.dates import format_date, format_datetime, format_time, get_month_names
import locale

# math packages:
import pandas as pd
import numpy as np
from math import pi
import scipy.stats as stats

# charting:
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from matplotlib import ticker
from matplotlib.ticker import MultipleLocator
import seaborn as sns
from matplotlib import colors as mplcolors

# build report
import reportlab
from reportlab.platypus.flowables import Flowable
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, Image, PageBreak, KeepTogether
from reportlab.lib.pagesizes import A4
from reportlab.rl_config import defaultPageSize
from reportlab.lib.units import inch, cm
from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.lib.colors import HexColor
from reportlab.platypus import Table, TableStyle
from reportlab.lib import colors

# the module that has all the methods for handling the data
import resources.featuredata as featuredata
from resources.featuredata import makeAList
# home brew utitilties
import resources.chart_kwargs as ck
import resources.sr_ut as sut

# images and display
from IPython.display import Markdown as md
from PIL import Image as PILImage
from myst_nb import glue

# chart style
sns.set_style("whitegrid")

# border and row shading for tables
a_color = "saddlebrown"
table_row = "saddlebrown"

# a place to save figures and a 
# method to choose formats
save_fig_prefix = "resources/output/"

# the arguments for formatting the image
save_figure_kwargs = {
    "fname": None,
    "dpi": 300.0,
    "format": "jpeg",
    "bbox_inches": None,
    "pad_inches": 0,
    "bbox_inches": 'tight',
    "facecolor": 'auto',
    "edgecolor": 'auto',
    "backend": None,
}

## !! Begin Note book variables !!

# There are two language variants: german and english
# change both: date_lang and language
date_lang =  'de_DE.utf8'
locale.setlocale(locale.LC_ALL, date_lang)

# the date format of the survey data is defined in the module
date_format = featuredata.date_format

# the language setting use lower case: en or de
# changing the language may require changing the unit label
language = "de"
unit_label = "p/100 m"

# the standard date format is "%Y-%m-%d" if your date column is
# not in this format it will not work.
# these dates cover the duration of the IQAASL project
start_date = "2020-03-01"
end_date ="2021-05-31"
start_end = [start_date, end_date]

# the fail rate used to calculate the most common codes is
# 50% it can be changed:
fail_rate = 50

# Changing these variables produces different reports
# Call the map image for the area of interest
bassin_map = "resources/maps/all_survey_areas_summary.jpeg"

# the label for the aggregation of all data in the region
top = "Alle Erhebungsgebiete"

# define the feature level and components
# the feature of interest is the all (all) at the river basin (river_bassin) level.
# the label for charting is called 'name'
this_feature = {'slug':'all', 'name':"Alle Erhebungsgebiete", 'level':'all'}

# these are the smallest aggregated components
# choices are water_name_slug=lake or river, city or location at the scale of a river bassin 
# water body or lake maybe the most appropriate
this_level = 'river_bassin'

# the doctitle is the unique name for the url of this document
doc_title = "lakes_rivers"


# # identify the lakes of interest for the survey area
# lakes_of_interest = ["neuenburgersee", "thunersee", "bielersee", "brienzersee"]   

# !! End note book variables !!
## data
# Survey location details (GPS, city, land use)
dfBeaches = pd.read_csv("resources/beaches_with_land_use_rates.csv")
# set the index of the beach data to location slug
dfBeaches.set_index("slug", inplace=True)

# Survey dimensions and weights
dfDims = pd.read_csv("resources/corrected_dims.csv")

# code definitions
dxCodes = pd.read_csv("resources/codes_with_group_names_2015.csv")
dxCodes.set_index("code", inplace=True)

# columns that need to be renamed. Setting the language will automatically
# change column names, code descriptions and chart annotations
columns={"% to agg":"% agg", "% to recreation": "% recreation", "% to woods":"% woods", "% to buildings":"% buildings", "p/100m":"p/100 m"}

# !key word arguments to construct feature data
# !Note the water type allows the selection of river or lakes
# if None then the data is aggregated together. This selection
# is only valid for survey-area reports or other aggregated data
# that may have survey results from both lakes and rivers.
fd_kwargs ={
    "filename": "resources/checked_sdata_eos_2020_21.csv",
    "feature_name": this_feature['slug'], 
    "feature_level": this_feature['level'], 
    "these_features": this_feature['slug'], 
    "component": this_level, 
    "columns": columns, 
    "language": 'de', 
    "unit_label": unit_label, 
    "fail_rate": fail_rate,
    "code_data":dxCodes,
    "date_range": start_end,
    "water_type": None,    
}

fdx = featuredata.Components(**fd_kwargs)

# call the reports and languages
fdx.adjustForLanguage()
fdx.makeFeatureData()
fdx.locationSampleTotals()
fdx.makeDailyTotalSummary()
fdx.materialSummary()
fdx.mostCommon()
fdx.codeGroupSummary()

# !this is the feature data!
fd = fdx.feature_data



# !keyword args to build period data
# the period data is all the data that was collected
# during the same period from all the other locations
# not included in the feature data. For a survey area
# or river bassin these_features = feature_parent and 
# feature_level = parent_level
period_kwargs = {
    "period_data": fdx.period_data,
    "these_features": this_feature['slug'],
    "feature_level":this_feature['level'],
    "feature_parent":this_feature['slug'],
    "parent_level": this_feature['level'],
    "period_name": top,
    "unit_label": unit_label,
    "most_common": fdx.most_common.index
}
period_data = featuredata.PeriodResults(**period_kwargs)

# the rivers are considered separately
# select only the results from rivers
fd_kwargs.update({"water_type":"r"})
fdr = featuredata.Components(**fd_kwargs)
fdr.makeFeatureData()
fdr.adjustForLanguage()
fdr.makeFeatureData()
fdr.locationSampleTotals()
fdr.makeDailyTotalSummary()
fdr.materialSummary()
fdr.mostCommon()

# collects the summarized values for the feature data
# use this to generate the summary data for the survey area
# and the section for the rivers
admin_kwargs = {
    "data":fd,
    "dims_data":dfDims,
    "label": this_feature["name"],
    "feature_component": this_level,
    "date_range":start_end,
    **{"dfBeaches":dfBeaches}
}
admin_details = featuredata.AdministrativeSummary(**admin_kwargs)
admin_summary = admin_details.summaryObject()

# update the admin kwargs with river data to make the river summary
admin_kwargs.update({"data":fdr.feature_data})
admin_r_details = featuredata.AdministrativeSummary(**admin_kwargs)
admin_r_summary = admin_r_details.summaryObject()

# this defines the css rules for the note-book table displays
header_row = {'selector': 'th:nth-child(1)', 'props': f'background-color: #FFF;text-align:right;'}
even_rows = {"selector": 'tr:nth-child(even)', 'props': f'background-color: rgba(139, 69, 19, 0.08);'}
odd_rows = {'selector': 'tr:nth-child(odd)', 'props': 'background: #FFF;'}
table_font = {'selector': 'tr', 'props': 'font-size: 12px;'}
table_data = {'selector': 'td', 'props': 'padding:6px;'}
table_css_styles = [even_rows, odd_rows, table_font, header_row, table_data]

# this defines the css rules for the note-book table displays
header_row = {'selector': 'th:nth-child(1)', 'props': f'background-color: #FFF;text-align:right;'}
table_font = {'selector': 'tr', 'props': 'font-size: 12px;'}
table_data = {'selector': 'td', 'props': 'padding:6px;'}
heat_map_css_styles = [table_font, header_row, table_data]

# pdf download is an option 
# the .pdf output is generated in parallel
# this is the same as if it were on the backend where we would
# have a specific api endpoint for .pdf requests. 
# reportlab is used to produce the document
# the components of the document are captured at run time
# the pdf link gives the name and location of the future doc
pdf_link = f'resources/pdfs/{this_feature["slug"]}_sa.pdf'

# the components are stored in an array and collected as the script runs
pdfcomponents = []

# pdf title and map
pdf_title = Paragraph(this_feature["name"], featuredata.title_style)
map_image =  Image(bassin_map, width=cm*19, height=20*cm, kind="proportional", hAlign= "CENTER")

map_caption = featuredata.defaultMapCaption(language="de")
f1cap = Paragraph(map_caption, featuredata.caption_style),
glue(f'{this_feature["slug"]}_city_map_caption', map_caption, display=False)
glue("blank_caption", " ", display=False)
def convertPixelToCm(file_name: str = None):
    im = PILImage.open(file_name)
    width, height = im.size
    dpi = im.info.get("dpi", (72, 72))
    width_cm = width / dpi[0] * 2.54
    height_cm = height / dpi[1] * 2.54
    
    return width_cm, height_cm

o_w, o_h = convertPixelToCm(bassin_map)

f1cap = Paragraph(map_caption, style=featuredata.caption_style)

figure_kwargs = {
    "image_file":bassin_map,
    "caption": f1cap, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 16,
    "caption_height":.75,
    "hAlign": "CENTER",
}

f1 = featuredata.figureAndCaptionTable(**figure_kwargs)


pdfcomponents = featuredata.addToDoc([
    pdf_title,    
    featuredata.small_space,
    f1
    
], pdfcomponents)

1. Seen und Fliessgewässer#

| Download | English |

Abb. 1.1 #

Abbildung 1.1: Die Erhebungsorte sind für die Analyse nach Erhebungsgebiet gruppiert. Die Grösse der Markierung gibt einen Hinweis auf die Anzahl Abfallobjekte, die gefunden wurden.

Im Zeitraum von März 2020 bis Mai 2021 wurden im Rahmen von 386 Datenerhebungen insgesamt 54 744 Objekte entfernt und identifiziert. Die Ergebnisse des Alle Erhebungsgebiete umfassen 143 Orte, 77 Gemeinden und eine Gesamtbevölkerung von etwa 1 735 991 Einwohnenden.

Seen

Zürichsee, Lac Léman, Lago Maggiore, Thunersee, Bielersee, Lago di Lugano, Neuenburgersee, Walensee, Brienzersee, Vierwaldstättersee, Zugersee

Fliessgewässer

Aare, Nidau-Büren-Kanal, Ticino, Cassarate, Jona, Dorfbach, La Thièle, Rhône, Limmat, Linthkanal, Escherkanal, Reuss, Maggia, Schüss, Emme, Seez, Sihl

Gemeinden

Aarau, Allaman, Ascona, Beatenberg, Bellinzona, Bern, Biel/Bienne, Boudry, Bourg-en-Lavaux, Brienz (BE), Brissago, Brugg, Brügg, Burgdorf, Bönigen, Cheyres-Châbles, Cudrefin, Dietikon, Erlach, Estavayer, Freienbach, Gals, Gambarogno, Gebenstorf, Genève, Gland, Glarus Nord, Grandson, Hauterive (NE), Hünenberg, Kallnach, Köniz, Küsnacht (ZH), La Tour-de-Peilz, Lausanne, Lavey-Morcles, Le Landeron, Leuk, Ligerz, Locarno, Lugano, Luterbach, Lüscherz, Merenschwand, Minusio, Montreux, Neuchâtel, Nidau, Port, Préverenges, Quarten, Rapperswil-Jona, Richterswil, Riddes, Rubigen, Saint-Gingolph, Saint-Sulpice (VD), Salgesch, Schmerikon, Sion, Solothurn, Spiez, Stäfa, Thun, Tolochenaz, Unterengstringen, Unterseen, Versoix, Vevey, Vinelz, Walenstadt, Walperswil, Weesen, Weggis, Yverdon-les-Bains, Zug, Zürich

1.1. Landnutzungsprofil#

Die Erhebungsgebiete sind nach Flusseinzugsgebieten gruppiert. In diesem Bericht werden mehrere Einzugsgebiete zusammengefasst, um regionale Trends zu analysieren:

Aare: Emme, Aare
Linth: Reuss, Linth, Limmat
Rhône: Rhône
Tessin/Ceresio: Tessin, Luganersee, Lago Maggiore

Das Landnutzungsprofil zeigt, welche Nutzungen innerhalb eines Radius von 1500 m um jeden Erhebungsort dominieren. Flächen werden einer von den folgenden vier Kategorien zugewiesen:.

Fläche, die von Gebäuden eingenommen wird in %
Fläche, die dem Wald vorbehalten ist in %
Fläche, die für Aktivitäten im Freien genutzt wird in %
Fläche, die von der Landwirtschaft genutzt wird in %

Strassen (inkl. Wege) werden als Gesamtzahl der Strassenkilometer innerhalb eines Radius von 1500 m angegeben.

Es wird zudem angegeben, wie viele Flüsse innerhalb eines Radius von 1500 m um den Erhebungsort herum in das Gewässer münden.

Das Verhältnis der gefundenen Abfallobjekte unterscheidet sich je nach Landnutzungsprofil. Das Verhältnis gibt daher einen Hinweis auf die ökologischen und wirtschaftlichen Bedingungen um den Erhebungsort.

Weitere Informationen gibt es im Kapitel Landnutzungsprofil

Verteilung der Landnutzungsmerkmale

Show code cell source Hide code cell source

# the land use data per location (for all locations) for a radius of 1 500 m is
# available woth the survey results. Using the period data gets the land use 
# rates for all locations (not just the feature of interest)
land_use_kwargs = {
    "data": period_data.period_data,
    "index_column":"loc_date",
    "these_features": this_feature['slug'],
    "feature_level":this_level   
}

# the landuse profile of the project
project_profile = featuredata.LandUseProfile(**land_use_kwargs).byIndexColumn()

# change the data in the land_use_kargs to get different rates
# update the kwargs for the feature data
land_use_kwargs.update({"data":fdx.feature_data})

# build the landuse profile of the feature
feature_profile = featuredata.LandUseProfile(**land_use_kwargs)

# this is the component features of the report
feature_landuse = feature_profile.featureOfInterest()

fig, axs = plt.subplots(2, 3, figsize=(9,8), sharey="row")

for i, n in enumerate(featuredata.default_land_use_columns):
    r = i%2
    c = i%3
    ax=axs[r,c]
    
    # the value of land use feature n
    # for each element of the feature
    for element in feature_landuse:
        # the land use data for a feature
        data = element[n].values
        # the name of the element
        element_name = element[feature_profile.feature_level].unique()
        # proper name for chart
        label = featuredata.river_basin_de[element_name[0]]
        # cumulative distribution        
        xs, ys = featuredata.empiricalCDF(data)
        # the plot of landuse n for this element
        sns.lineplot(x=xs, y=ys, ax=ax, label=label, color=featuredata.bassin_pallette[element_name[0]])
    
    # the value of the land use feature n for the project
    testx, testy = featuredata.empiricalCDF(project_profile[n].values)
    sns.lineplot(x=testx, y=testy, ax=ax, label=top, color="magenta")
    
    # get the median landuse for the feature
    the_median = np.median(data)
    
    # plot the median and drop horizontal and vertical lines
    ax.scatter([the_median], 0.5, color="red",s=40, linewidth=1, zorder=100, label="Median")
    ax.vlines(x=the_median, ymin=0, ymax=0.5, color="red", linewidth=1)
    ax.hlines(xmax=the_median, xmin=0, y=0.5, color="red", linewidth=1)
    
    if i <= 3:
        if c == 0:            
            ax.yaxis.set_major_locator(MultipleLocator(.1))
        ax.xaxis.set_major_formatter(ticker.PercentFormatter(1.0, 0, "%"))        
    else:
        pass      
    
    handles, labels = ax.get_legend_handles_labels()
    ax.get_legend().remove()    
    ax.set_title(featuredata.luse_de[n], loc='left')
    
plt.tight_layout()
plt.subplots_adjust(top=.91, hspace=.5)
plt.suptitle("Landnutzung im Umkries von 1 500 m um den Erhebungsort", ha="center", y=1, fontsize=16)
fig.legend(handles, labels, bbox_to_anchor=(.5,.5), loc="upper center", ncol=6) 
figure_caption = [
    f"Die Erhebungen in den Gebieten Rhône und Linth wiesen mit {'47 %'} bzw. {'40 %'} im ",
    f"Median den grössten Anteil an bebauter Fläche (Gebäude) und mit {'5 %'} bzw. {'8 %'} ",
    "den geringsten Anteil an Wald auf. Im Erhebungsgebiet Aare war der Medianwert der ",
    f"bebauten Fläche (Gebäude) mit {'16 %'} am niedrigsten und der Anteil der landwirtschaftlich ",
    f"genutzten Fläche mit {'30 %'} am höchsten. Bei den Flächen, die den Aktivitäten im Freien ",
    "zugeordnet werden, handelt es sich um Sportplätze, öffentliche Strände und andere öffentliche Versammlungsorte."
]

land_use_figure_caption = ''.join(figure_caption)

figure_name = "all_survey_area_landuse"
land_use_file_name = f"{save_fig_prefix}{figure_name}.jpeg"
save_figure_kwargs.update({"fname":land_use_file_name})
print(land_use_file_name)
plt.tight_layout()
plt.subplots_adjust(top=.91, hspace=.4)
plt.savefig(**save_figure_kwargs)

# capture the output
glue( f'{this_feature["slug"]}_survey_area_landuse', fig, display=False)
glue(f'{this_feature["slug"]}_land_use_caption', land_use_figure_caption, display=False)
plt.close() 

resources/output/all_survey_area_landuse.jpeg

_images/f9e78968839cf2edc5d2b7b2ffb9cd51e3f09fc1746f4c034e064af1732b2cc4.png

Abb. 1.2 #

Abbildung 1.2: Die Erhebungen in den Gebieten Rhône und Linth wiesen mit 47 % bzw. 40 % im Median den grössten Anteil an bebauter Fläche (Gebäude) und mit 5 % bzw. 8 % den geringsten Anteil an Wald auf. Im Erhebungsgebiet Aare war der Medianwert der bebauten Fläche (Gebäude) mit 16 % am niedrigsten und der Anteil der landwirtschaftlich genutzten Fläche mit 30 % am höchsten. Bei den Flächen, die den Aktivitäten im Freien zugeordnet werden, handelt es sich um Sportplätze, öffentliche Strände und andere öffentliche Versammlungsorte.

1.1.1. Gesamtergebnisse nach Erhebungsgebiet#

Show code cell source Hide code cell source

# the dimensional data
dims_table = admin_details.dimensionalSummary()

# a method to update the place names from slug to proper name
name_map = featuredata.river_basin_de

# the order in which they are charted
name_order = list(name_map.keys())

# sort by quantity
dims_table.sort_values(by=["quantity"], ascending=False, inplace=True)

# apply language settings
dims_table.rename(columns=featuredata.dims_table_columns_de, inplace=True)

# convert to kilos
dims_table["Plastik (Kg)"] = dims_table["Plastik (Kg)"]/1000

# save a copy of the dims_table for working
# formatting to pdf will turn the numerics to strings
# which eliminates any further calclations
dims_df =  dims_table.copy()

# these columns need formatting for locale
thousands_separated = ["Fläche (m2)", "Länge (m)", "Erhebungen", "Objekte (St.)"]
replace_decimal = ["Plastik (Kg)", "Gesamtgewicht (Kg)"]

# format the dimensional summary for .pdf and add to components
dims_table[thousands_separated] = dims_table[thousands_separated].applymap(lambda x: featuredata.thousandsSeparator(int(x), "de"))
dims_table[replace_decimal] = dims_table[replace_decimal].applymap(lambda x: featuredata.replaceDecimal(str(round(x,2))))

# subsection title
subsection_title = Paragraph("Gesamtergebnisse nach Erhebungsgebiet", featuredata.subsection_title)

# a caption for the figure
caption_kwargs = {
        "name": "caption_style",
        "fontSize": 9,
        "fontName": "Times-Italic",
        "leftIndent":6
       
    }
new_caption_style = ParagraphStyle(**caption_kwargs)

dims_table_caption = [
    "Summen der Ergebnisse für alle Erhebungsgebiete. Im Gebiet Aare ist die ",
    "Anzahl Erhebungen am grössten. Gleichzeitig ist dort die Anzahl gesammelter ",
    "Objekte pro Fläche am geringsten."
]

# pdf table out
dims_table_caption = ''.join(dims_table_caption)
col_widths = [3.5*cm, 3*cm, *[2.2*cm]*(len(dims_table.columns)-1)]

dims_pdf_table = featuredata.aSingleStyledTable(dims_table, colWidths=col_widths, style=featuredata.default_table_style)
dims_pdf_table_caption = Paragraph(dims_table_caption, new_caption_style)

dims_pdf_table_and_caption = featuredata.tableAndCaption(dims_pdf_table, dims_pdf_table_caption,col_widths)

new_components = [
    featuredata.large_space,
    subsection_title,
    featuredata.small_space,
    dims_pdf_table_and_caption       
]
pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)
# end pdf table

# this formats the table through the data frame
dims_df["Plastik (Kg)"] = dims_df["Plastik (Kg)"].round(2)
dims_df["Gesamtgewicht (Kg)"] = dims_df["Gesamtgewicht (Kg)"].round(2)
dims_df[thousands_separated] = dims_df[thousands_separated].astype("int")

# set the index name to None so it doesn't show in the columns
dims_df.index.name = None
dims_df.columns.name = None

# this applies formatting to the specifc column based on
# the language.
dims_table_formatter = {
    "Plastik (Kg)": lambda x: featuredata.replaceDecimal(x, "de"),
    "Gesamtgewicht (Kg)": lambda x: featuredata.replaceDecimal(x, "de"),
    "Fläche (m2)": lambda x: featuredata.thousandsSeparator(int(x), "de"),
    "Länge (m)": lambda x: featuredata.thousandsSeparator(int(x), "de"),
    "Erhebungen": lambda x: featuredata.thousandsSeparator(int(x), "de"),
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), "de")
}

# use the caption from the .pdf for the online figure
glue(f'{this_feature["slug"]}_dims_table_caption',dims_table_caption, display=False)

# apply formatting and styles to dataframe
q = dims_df.style.format(formatter=dims_table_formatter).set_table_styles(table_css_styles)

# capture the figure before display and give it a reference number and caption
figure_name=f'{this_feature["slug"]}_dims_table'
glue(figure_name, q, display=False)

	Gesamtgewicht (Kg)	Plastik (Kg)	Fläche (m2)	Länge (m)	Erhebungen	Objekte (St.)
Alle Erhebungsgebiete	305,51	94,21	96 616	19 722	386	54 744
rhone	151,31	45,97	25 986	4 911	106	28 454
aare	71,98	31,45	37 017	7 971	140	13 847
linth	35,96	12,77	25 637	5 323	112	9 412
ticino	46,26	4,03	7 974	1 517	28	3 031

Abb. 1.3 #

Abbildung 1.3: Summen der Ergebnisse für alle Erhebungsgebiete. Im Gebiet Aare ist die Anzahl Erhebungen am grössten. Gleichzeitig ist dort die Anzahl gesammelter Objekte pro Fläche am geringsten.

1.2. Erhebungsergebnisse für alle Objekte#

Verteilung der Erhebungsergebnisse. Die Werte werden als Anzahl der identifizierten Abfallobjekte pro 100 Meter (p/100 m) dargestellt.

Show code cell source Hide code cell source

# the sample totals of the parent feautre
dx = period_data.parentSampleTotals(parent=False)

# get the monthly or quarterly results for the feature
rsmp = fdx.sample_totals.set_index("date")
resample_plot, rate = featuredata.quarterlyOrMonthlyValues(rsmp, this_feature["name"], vals=unit_label)

fig, axs = plt.subplots(1,2, figsize=(11,5))

ax = axs[0]

# axis notations
months = mdates.MonthLocator(interval=1)
months_fmt = mdates.DateFormatter("%b")
days = mdates.DayLocator(interval=7)

# adjust the pallette
bassin_pallette = {k:v for k, v in featuredata.bassin_pallette.items() if k in fdx.sample_totals.river_bassin.unique()}
name_order = bassin_pallette.keys()

# feature surveys
sns.scatterplot(data=fdx.sample_totals, x="date", y=unit_label, hue='river_bassin', hue_order=name_order, palette=bassin_pallette, s=34, ec="white", ax=ax)

# monthly or quaterly plot
sns.lineplot(data=resample_plot, x=resample_plot.index, y=resample_plot, label=F"{this_feature['name']}: monatlicher Medianwert", color="magenta", ax=ax)

# label the yaxis
ax.set_ylabel(unit_label, **{'labelpad':10, 'fontsize':12})

# label the xaxis
ax.set_xlabel("")

# format ticks and locations
ax.xaxis.set_minor_locator(days)
ax.xaxis.set_major_formatter(months_fmt)
ax.set_ylim(-50, 1500)

# the legend labels need to be changed to proper names
h, l = ax.get_legend_handles_labels()
new_labels = [*[name_map[x] for x in l[:-1]], l[-1]]

# apply new labels and legend
ax.legend(h, new_labels, bbox_to_anchor=(0, .98), loc="upper left", ncol=1, framealpha=.6)

# the cumlative distributions:
axtwo = axs[1]

# for each survey area:
for basin in name_map.keys():
    # filter the data for the element
    mask = fdx.sample_totals.river_bassin == basin
    ecdf_data = fdx.sample_totals[mask]
    # make the ECDF and make the plot
    feature_ecd = featuredata.ecdfOfAColumn(ecdf_data, unit_label)    
    sns.lineplot(x=feature_ecd["x"], y=feature_ecd["y"], color=featuredata.bassin_pallette[basin], ax=axtwo, label=name_map[basin])

# the ecdf of the parent element
other_features = featuredata.ecdfOfAColumn(dx, unit_label)
sns.lineplot(x=other_features["x"], y=other_features["y"], color="magenta", label=top, linewidth=1, ax=axtwo)

# the axist labels
axtwo.set_xlabel(unit_label, **ck.xlab_k14)
axtwo.set_ylabel("Verhältnis der Erhebungen", **ck.xlab_k14)

# set the limit of the xaxis, other wise it can go on forever
axtwo.set_xlim(0, 3000)

# set and locate the ticks on the x and y axis
axtwo.xaxis.set_major_locator(MultipleLocator(500))
axtwo.xaxis.set_minor_locator(MultipleLocator(100))
axtwo.yaxis.set_major_locator(MultipleLocator(.1))

# format the minor gridlines
axtwo.grid(which="minor", visible=True, axis="x", linestyle="--", linewidth=1)
axtwo.legend(bbox_to_anchor=(.4,.5), loc="upper left")

plt.tight_layout()


figure_name = f"{this_feature['slug']}_sample_totals"
sample_totals_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":sample_totals_file_name})
plt.savefig(**save_figure_kwargs)

# figure caption
sample_total_notes = [    
    "Links: Alle Erhebungen zwischen März 2020 bis Mai 2021, gruppiert nach ",
    f"Erhebungsgebiet und aggregiert zum monatlichen Median. Werte über {'1 778 '}{unit_label} ",
    "sind nicht dargestellt. Rechts: Die empirische Verteilungsfunktion der Gesamtwerte ",
    "der Erhebungen." 
]

sample_total_notes = ''.join(sample_total_notes)

glue(f'{this_feature["slug"]}_sample_total_notes', sample_total_notes, display=False)
glue(f'{this_feature["slug"]}_sample_totals', fig, display=False)

plt.close()

_images/06f1f6d19bf23b20a28847644fbf04527930f29f282523071736d946365fa3cb.png

Abb. 1.4 #

Abbildung 1.4: Links: Alle Erhebungen zwischen März 2020 bis Mai 2021, gruppiert nach Erhebungsgebiet und aggregiert zum monatlichen Median. Werte über 1 778 p/100 m sind nicht dargestellt. Rechts: Die empirische Verteilungsfunktion der Gesamtwerte der Erhebungen.

Abfall nach Materialarten im Überblick

Show code cell source Hide code cell source

# the summary of the sample totals
csx = fdx.sample_summary.copy()

# format for the current language
combined_summary =[(x, featuredata.thousandsSeparator(int(csx[x]), language)) for x in csx.index]

# the materials table
fd_mat_totals = fdx.material_summary.copy()
fd_mat_totals = featuredata.fmtPctOfTotal(fd_mat_totals, around=0)

# applly new column names for printing
cols_to_use = {"material":"Material","quantity":"Objekte (St.)", "% of total":"Anteil"}
fd_mat_t = fd_mat_totals[cols_to_use.keys()].values
fd_mat_t = [(x[0], featuredata.thousandsSeparator(int(x[1]), language), x[2]) for x in fd_mat_t]

# make tables
fig, axs = plt.subplots(1,2)

# names for the table columns
a_col = [this_feature["name"], "Total"]

axone = axs[0]
sut.hide_spines_ticks_grids(axone)

table_two = sut.make_a_table(axone, combined_summary,  colLabels=a_col, colWidths=[.75,.25],  bbox=[0,0,1,1], **{"loc":"lower center"})
table_two.get_celld()[(0,0)].get_text().set_text(" ")
table_two.set_fontsize(12)

# material table
axtwo = axs[1]
axtwo.set_xlabel(" ")
sut.hide_spines_ticks_grids(axtwo)

table_three = sut.make_a_table(axtwo, fd_mat_t,  colLabels=list(cols_to_use.values()), colWidths=[.4, .4,.2],  bbox=[0,0,1,1], **{"loc":"lower center"})
table_three.get_celld()[(0,0)].get_text().set_text(" ")
table_three.set_fontsize(12)
plt.tight_layout()
plt.subplots_adjust(wspace=0.05)
# figure caption
summary_of_survey_totals = [
    "Links: Zusammenfassung der Resultate für alle Erhebungsgebiete. ",
    "Rechts: Materialarten in Stückzahlen und als Prozentsatz an der ",
    "Gesamtmenge (Stückzahl) für alle Erhebungsgebiete."
]
 
summary_of_survey_totals = ''.join(summary_of_survey_totals)
glue(f'{this_feature["slug"]}_sample_summaries_caption', summary_of_survey_totals, display=False)

figure_name = f'{this_feature["slug"]}_sample_summaries'
sample_summaries_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":sample_summaries_file_name})

plt.savefig(**save_figure_kwargs)
glue(f'{this_feature["slug"]}_survey_area_sample_material_tables', fig, display=False)
plt.close()

_images/ae24961102057e76e011c0fbacfb77317bb276e66cd63efc5d65be412a767d8a.png

Abb. 1.5 #

Abbildung 1.5: Links: Zusammenfassung der Resultate für alle Erhebungsgebiete. Rechts: Materialarten in Stückzahlen und als Prozentsatz an der Gesamtmenge (Stückzahl) für alle Erhebungsgebiete.

1.3. Die am häufigsten gefundenen Gegenstände#

Die am häufigsten gefundenen Objekte sind die zehn mengenmässig am meisten vorkommenden Objekte und/oder Objekte, die in mindestens 50 % aller Datenerhebungen identifiziert wurden (Häufigkeitsrate).

Show code cell source Hide code cell source

# add new section to pdf
mc_section_title = Paragraph("Die am häufigsten gefundenen Gegenstände", featuredata.section_title)
para_g =  [
    "Die am häufigsten gefundenen Objekte sind die zehn mengenmässig am meisten ",
    f"vorkommenden Objekte und/oder Objekte, die in mindestens 50 % aller ",
    "Datenerhebungen identifiziert wurden (Häufigkeitsrate)"
]

para_g = ''.join(para_g)
mc_section_para = Paragraph(para_g, featuredata.p_style)

# the most common objects results
most_common_display = fdx.most_common

# language appropriate columns
cols_to_use = featuredata.most_common_objects_table_de
cols_to_use.update({unit_label:unit_label})

# data for display
most_common_display.rename(columns=cols_to_use, inplace=True)
most_common_display = most_common_display[cols_to_use.values()].copy()
most_common_display = most_common_display.set_index("Objekte", drop=True)

# .pdf output
data = most_common_display.copy()
data["Anteil"] = data["Anteil"].map(lambda x: f"{int(x)}%")
data['Objekte (St.)'] = data['Objekte (St.)'].map(lambda x:featuredata.thousandsSeparator(x, language))
data['Häufigkeitsrate'] = data['Häufigkeitsrate'].map(lambda x: f"{x}%")
data[unit_label] = data[unit_label].map(lambda x: featuredata.replaceDecimal(round(x,1)))

dxi = data.copy()
# make caption
# get percent of total to make the caption string
mc_caption_string = [
    "Die häufigsten Objekte für alle Erhebungsgebiete. Die Häufigkeitsrate gibt an, wie oft ein Objekt "
    "in den Erhebungen im Verhältnis zu allen Erhebungen identifiziert wurde: Zigarettenfilter ",
    f"beispielsweise wurden in {'87'} {'%'} der Erhebungen gefunden. Zusammengenommen machen die häufigsten ",
    f"Objekte {'68'} {'%'} aller gefundenen Objekte aus."
]
   
mc_caption_string = "".join(mc_caption_string)
col_widths = [4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm]

mc_table = featuredata.aSingleStyledTable(data, colWidths=col_widths)
mc_table_caption = Paragraph(mc_caption_string, new_caption_style)

t_and_c = featuredata.tableAndCaption(mc_table, mc_table_caption,col_widths)

new_components = [
    KeepTogether([
        mc_section_title,
        featuredata.small_space,
        mc_section_para
    ]),
    featuredata.small_space,
    t_and_c
       
]
pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

most_common_display.index.name = None
most_common_display.columns.name = None

# set pandas display
aformatter = {
    "Anteil":lambda x: f"{int(x)}%",
    f"{unit_label}": lambda x: featuredata.replaceDecimal(x, "de"),
    "Häufigkeitsrate": lambda x: f"{int(x)}%",   
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), "de")
}

mcd = most_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue(f'{this_feature["slug"]}_most_common_caption', mc_caption_string, display=False)
glue(f'{this_feature["slug"]}_most_common_tables', mcd, display=False)

	Objekte (St.)	Anteil	Häufigkeitsrate	p/100 m
Zigarettenfilter	8 485	15%	87%	20,0
Fragmentierte Kunststoffe	7 400	13%	86%	18,0
Expandiertes Polystyrol	5 563	10%	68%	5,0
Snack-Verpackungen	3 325	6%	85%	9,0
Industriefolie (Kunststoff)	2 534	4%	69%	5,0
Getränkeflaschen aus Glas, Glasfragmente	2 136	3%	65%	3,0
Industriepellets (Nurdles)	1 968	3%	30%	0,0
Schaumstoffverpackungen/Isolierung	1 702	3%	53%	1,0
Wattestäbchen/Tupfer	1 406	2%	50%	1,0
Styropor < 5mm	1 209	2%	25%	0,0
Kunststoff-Bauabfälle	992	1%	52%	1,0
Kronkorken, Lasche von Dose/Ausfreisslachen	700	1%	52%	1,0

Abb. 1.6 #

Abbildung 1.6: Die häufigsten Objekte für alle Erhebungsgebiete. Die Häufigkeitsrate gibt an, wie oft ein Objekt in den Erhebungen im Verhältnis zu allen Erhebungen identifiziert wurde: Zigarettenfilter beispielsweise wurden in 87 % der Erhebungen gefunden. Zusammengenommen machen die häufigsten Objekte 68 % aller gefundenen Objekte aus.

Häufigste Objekte im Median p/100 m nach Erhebungsgebiet

Show code cell source Hide code cell source

mc_heat_map_caption = [
    f'Der Median {unit_label} der häufigsten Objekte für alle Erhebungsgebiete. Die Werte ',
    'für die jeweiligen Erhebungsgebiete unterscheiden sich deutlich.'
]
mc_heat_map_caption = ''.join(mc_heat_map_caption)

# calling componentsMostCommon gets the results for the most common codes
# at the component level
components = fdx.componentMostCommonPcsM()

# map to proper names for features
feature_names = featuredata.river_basin_de

# pivot that and quash the hierarchal column index that is created when the table is pivoted
mc_comp = components[["item", unit_label, this_level]].pivot(columns=this_level, index="item")
mc_comp.columns = mc_comp.columns.get_level_values(1)

# insert the proper columns names for display
proper_column_names = {x : feature_names[x] for x in mc_comp.columns}
mc_comp.rename(columns = proper_column_names, inplace=True)

# the aggregated total of the feature is taken from the most common objects table
mc_feature = fdx.most_common[unit_label]
mc_feature = featuredata.changeSeriesIndexLabels(mc_feature, {x:fdx.dMap.loc[x] for x in mc_feature.index})

# the aggregated totals of all the period data
mc_period = period_data.parentMostCommon(parent=False)
mc_period = featuredata.changeSeriesIndexLabels(mc_period, {x:fdx.dMap.loc[x] for x in mc_period.index})

# add the feature, bassin_label and period results to the components table
mc_comp["Alle Erhebungsgebiete"]= mc_feature
# mc_comp[top] = mc_period

# pdf out put
def splitTableWidth(data, caption_prefix: str = None, caption: str = None, gradient=False,  
                    this_feature: str = None, vertical_header: bool = False, colWidths=[4*cm, *[None]*len(data.columns)]):
        
    if len(data.columns) > 13:
        tables = featuredata.aStyledTableExtended(data, gradient=gradient, caption_prefix=caption_prefix, vertical_header=vertical_header, colWidths=colWidths)
    else:
        
        mc_table = featuredata.aSingleStyledTable(data, colWidths=col_widths, vertical_header=True, gradient=gradient)
        mc_table_caption = Paragraph(caption, new_caption_style)

        table = featuredata.tableAndCaption(mc_table, mc_table_caption,col_widths)
           
    return table

caption_prefix =  f'Median {unit_label} der häufigsten Objekte am '
col_widths=[4.5*cm, *[1.2*cm]*(len(mc_comp.columns)-1)]
mc_heatmap_title = Paragraph(f"Häufigste Objekte im Median {unit_label} nach Erhebungsgebiet", featuredata.bold_block)
tables = splitTableWidth(mc_comp, gradient=True, caption_prefix=caption_prefix, caption=mc_heat_map_caption,
                    this_feature=this_feature["name"], vertical_header=True, colWidths=col_widths)

# identify the tables variable as either a list or a Flowable:
if isinstance(tables, list):
    grouped_pdf_components = [*tables]
else:
    grouped_pdf_components = [tables]
    

new_components = [
    featuredata.small_space,
    mc_heatmap_title,
    featuredata.small_space,
    *grouped_pdf_components
]

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

# notebook display style
aformatter = {x: featuredata.replaceDecimal for x in mc_comp.columns}
mcd = mc_comp.style.format(aformatter).set_table_styles(heat_map_css_styles)
mcd = mcd.background_gradient(axis=None, vmin=mc_comp.min().min(), vmax=mc_comp.max().max(), cmap="YlOrBr")

# remove the index name and column name labels
mcd.index.name = None
mcd.columns.name = None

# rotate the text on the header row
# the .applymap_index method in the
# df.styler module is used for this
mcd = mcd.applymap_index(featuredata.rotateText, axis=1)

# display markdown html
glue(f'{this_feature["slug"]}_mc_heat_map_caption', mc_heat_map_caption, display=False)

glue(f'{this_feature["slug"]}_most_common_heat_map', mcd, display=False)

	Aare	Linth	Rhone	Ticino	Alle Erhebungsgebiete
Getränkeflaschen aus Glas, Glasfragmente	3,0	4,0	2,0	8,0	3,0
Expandiertes Polystyrol	4,0	3,0	17,5	6,0	5,0
Fragmentierte Kunststoffe	18,5	10,5	48,0	9,5	18,0
Industriefolie (Kunststoff)	5,0	2,0	9,0	3,5	5,0
Industriepellets (Nurdles)	0,0	0,0	0,0	0,0	0,0
Kronkorken, Lasche von Dose/Ausfreisslachen	0,0	1,0	3,0	1,0	1,0
Kunststoff-Bauabfälle	0,0	0,0	5,5	2,5	1,0
Schaumstoffverpackungen/Isolierung	0,0	0,0	7,0	3,0	1,0
Snack-Verpackungen	8,0	6,0	19,0	4,0	9,0
Styropor < 5mm	0,0	0,0	0,0	0,0	0,0
Wattestäbchen/Tupfer	0,0	0,0	10,5	0,0	1,0
Zigarettenfilter	11,0	23,0	41,5	15,5	20,0

Abb. 1.7 #

Abbildung 1.7: Der Median p/100 m der häufigsten Objekte für alle Erhebungsgebiete. Die Werte für die jeweiligen Erhebungsgebiete unterscheiden sich deutlich.

Häufigste Objekte im Monatsdurchschnitt

Show code cell source Hide code cell source

# collect the survey results of the most common objects
# and aggregate code with groupname for each sample
# use the index from the most common codes to select from the feature data
# the aggregation method and the columns to keep
agg_pcs_quantity = {unit_label:"sum", "quantity":"sum"}
groups = ["loc_date","date","code", "groupname"]
# make the range for one calendar year
start_date = "2020-04-01"
end_date = "2021-03-31"
# aggregate
m_common_m = fd[(fd.code.isin(fdx.most_common.index))].groupby(groups, as_index=False).agg(agg_pcs_quantity)
# set the index to the date column and sort values within the date rage
m_common_m.set_index("date", inplace=True)
m_common_m = m_common_m.sort_index().loc[start_date:end_date]

# set the order of the chart, group the codes by groupname columns and collect the respective object codes
an_order = m_common_m.groupby(["code","groupname"], as_index=False).quantity.sum().sort_values(by="groupname")["code"].values

# use the order array and resample each code for the monthly value
# store in a dict
mgr = {}
for a_code in an_order:
    # resample by month
    a_cell = m_common_m[(m_common_m.code==a_code)][unit_label].resample("M").mean().fillna(0)
    a_cell = round(a_cell, 1)
    this_group = {a_code:a_cell}
    mgr.update(this_group)

# make df form dict and collect the abbreviated month name set that to index
by_month = pd.DataFrame.from_dict(mgr)
by_month["month"] = by_month.index.map(lambda x: get_month_names('abbreviated', locale=date_lang)[x.month])
by_month.set_index('month', drop=True, inplace=True)

# transpose to get months on the columns and set index to the object description
by_month = by_month.T
by_month["Objekt"] = by_month.index.map(lambda x: fdx.dMap.loc[x])
by_month.set_index("Objekt", drop=True, inplace=True)

mc_monthly_title = Paragraph("Häufigste Objekte im Monatsdurchschnitt", featuredata.subsection_title)
monthly_data_caption = f'Monatliches Durchschnittsergebnis der Erhebungen als {unit_label} der häufigsten Objekte für alle Erhebungsgebiete.'
figure_caption = Paragraph(monthly_data_caption, featuredata.caption_style)

# apply formatting to df for pdf figure/*
col_widths = [4.5*cm, *[1*cm]*(len(mc_comp.columns)-1)]

# make pdf table
col_widths = [4.5*cm, *[1.2*cm]*(len(mc_comp.columns)-1)]

monthly_table = featuredata.aSingleStyledTable(by_month, colWidths=col_widths, gradient=True)
monthly_table_caption = Paragraph(monthly_data_caption, new_caption_style)
monthly_table_and_caption = featuredata.tableAndCaption(monthly_table, monthly_table_caption, col_widths)

new_components = [
    KeepTogether([
        featuredata.large_space,
        mc_monthly_title,
        featuredata.large_space,
        monthly_table_and_caption
    ])
]

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

# remove the index names for .html display
by_month.index.name = None
by_month.columns.name = None

aformatter = {x: featuredata.replaceDecimal for x in by_month.columns}

mcdm = by_month.style.format(aformatter).set_table_styles(heat_map_css_styles).background_gradient(axis=None, cmap="YlOrBr", vmin=by_month.min().min(), vmax=by_month.max().max())
glue(f'{this_feature["slug"]}_monthly_results_caption', monthly_data_caption, display=False)
glue(f'{this_feature["slug"]}_monthly_results', mcdm, display=False)

	Apr.	Mai	Juni	Juli	Aug.	Sept.	Okt.	Nov.	Dez.	Jan.	Feb.	März
Wattestäbchen/Tupfer	4,6	11,0	22,8	23,4	12,1	8,0	10,1	3,4	10,9	11,5	6,6	11,1
Kronkorken, Lasche von Dose/Ausfreisslachen	3,6	4,9	7,8	7,3	4,8	3,0	2,5	1,5	2,2	3,1	9,4	2,5
Getränkeflaschen aus Glas, Glasfragmente	2,5	13,3	10,8	11,2	11,9	24,4	20,9	8,2	22,8	22,1	18,3	14,6
Snack-Verpackungen	29,5	18,0	37,5	38,0	21,7	31,9	20,8	11,2	12,1	17,6	20,9	46,6
Schaumstoffverpackungen/Isolierung	1,1	4,8	21,7	30,8	36,4	14,7	10,4	12,7	7,4	6,6	4,0	8,4
Kunststoff-Bauabfälle	14,5	10,6	7,6	11,5	8,9	5,2	5,9	2,4	5,8	7,2	6,9	8,4
Expandiertes Polystyrol	42,2	32,3	73,7	55,1	66,2	44,7	51,7	77,1	23,2	17,6	22,7	23,4
Industriefolie (Kunststoff)	29,7	15,4	20,5	29,9	17,0	25,0	16,9	10,8	7,7	14,2	18,0	46,2
Industriepellets (Nurdles)	0,7	1,3	49,2	40,4	6,2	5,8	12,4	7,6	10,8	4,5	7,2	3,7
Styropor < 5mm	1,1	2,9	11,1	24,9	4,6	4,7	3,4	19,0	10,2	6,2	13,7	1,5
Fragmentierte Kunststoffe	43,8	50,5	147,8	100,1	89,4	66,3	36,2	22,7	71,4	50,1	28,1	47,6
Zigarettenfilter	79,3	54,8	97,2	98,9	91,9	87,3	26,4	15,3	15,0	22,5	37,9	42,2

Abb. 1.8 #

Abbildung 1.8: Monatliches Durchschnittsergebnis der Erhebungen als p/100 m der häufigsten Objekte für alle Erhebungsgebiete.

1.4. Erhebungsergebnisse und Landnutzung#

Das Landnutzungsprofil ist eine Darstellung der Art und des Umfangs der wirtschaftlichen Aktivität und der Umweltbedingungen rund um den Erhebungsort. Die Schlüsselindikatoren aus den Ergebnissen der Datenerhebungen werden mit dem Landnutzungsprofil für einen Radius von 1500 m um den Erhebungsort verglichen.

Eine Assoziation ist eine Beziehung zwischen den Ergebnissen der Datenerhebungen und dem Landnutzungsprofil, die nicht auf Zufall beruht. Das Ausmass der Beziehung ist weder definiert noch linear.

Die Rangkorrelation ist ein nicht-parametrischer Test, um festzustellen, ob ein statistisch signifikanter Zusammenhang zwischen der Landnutzung und den bei einer Abfallobjekte-Erhebung identifizierten Objekten besteht.

Die verwendete Methode ist der Spearmans Rho oder Spearmans geordneter Korrelationskoeffizient. Die Testergebnisse werden bei p < 0,05 für alle gültigen Erhebungen an Seen im Untersuchungsgebiet ausgewertet.

Rot/Rosa steht für eine positive Assoziation
Gelb steht für eine negative Assoziation
Weiss bedeutet, dass keine statistische Grundlage für die Annahme eines Zusammenhangs besteht

Show code cell source Hide code cell source

# add the river bassin to fd
# this needs to be updated directly
rb_map = admin_details.makeFeatureNameMap()
fd_copy = fd.copy()

fd_qq = fd[fd.water_name_slug == 'quatre-cantons'].copy()
fd_qq['water_name_slug'] = 'vierwaldstattersee'

fd = pd.concat([fd[fd.water_name_slug != 'quatre-cantons'], fd_qq])

fd["water_name"] = fd.water_name_slug.apply(lambda x: rb_map.loc[x])

corr_data = fd[(fd.code.isin(fdx.most_common.index))&(fd.water_name.isin(admin_details.lakes_of_interest))].copy()
land_use_columns = featuredata.default_land_use_columns
code_description_map = fdx.dMap

def make_plot_with_spearmans(data, ax, n, unit_label="p/100m"):
    """Gets Spearmans ranked correlation and make A/B scatter plot. Must proived a
    matplotlib axis object.
    """
    corr, a_p = stats.spearmanr(data[n], data[unit_label])
    
    if a_p < 0.05:
        if corr > 0:
            ax.patch.set_facecolor("salmon")
            ax.patch.set_alpha(0.5)
        else:
            ax.patch.set_facecolor("palegoldenrod")
            ax.patch.set_alpha(0.5)

    return ax, corr, a_p

# chart the results of test for association
fig, axs = plt.subplots(len(fdx.most_common.index),len(land_use_columns), figsize=(len(land_use_columns)*.5,len(fdx.most_common.index)*.5), sharey="row")

# the test is conducted on the survey results for each code
for i,code in enumerate(fdx.most_common.index):
    # slice the data
    data = corr_data[corr_data.code == code]
    
    # run the test on for each land use feature
    for j, n in enumerate(land_use_columns):       
        # assign ax and set some parameters
        ax=axs[i, j]
        ax.grid(False)
        ax.tick_params(axis="both", which="both",bottom=False,top=False,labelbottom=False, labelleft=False, left=False)
        
        # check the axis and set titles and labels       
        if i == 0:
            ax.set_title(f"{featuredata.luse_de[n]}", rotation=90, ha="left", fontsize=12)
        else:
            pass
        
        if j == 0:
            ax.set_ylabel(f"{code_description_map[code]}", rotation=0, ha="right", labelpad=10, fontsize=12)
            ax.set_xlabel(" ")
        else:
            ax.set_xlabel(" ")
            ax.set_ylabel(" ")
        # run test
        ax = make_plot_with_spearmans(data, ax, n, unit_label=unit_label)


plt.subplots_adjust(wspace=0, hspace=0)
# figure caption
caption_spearmans = [
    "Ausgewertete Korrelationen der am häufigsten gefundenen Objekte in Bezug auf das Landnutzungsprofil ",
    "im Erhebungsgebiet all. Für alle gültigen Erhebungen an Seen n=118. Legende: wenn p > 0,05 = weiss,  ",
    "wenn p < 0,05 und Rho > 0 = rot, wenn p < 0,05 und Rho < 0 = gelb.",  
]

spearmans = ''.join(caption_spearmans)


figure_name = f'{this_feature["slug"]}_survey_area_spearmans'
sample_summaries_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":sample_summaries_file_name})

plt.savefig(**save_figure_kwargs)
glue(f'{this_feature["slug"]}_spearmans_caption', spearmans, display=False)
glue(f'{this_feature["slug"]}_survey_area_spearmans', fig, display=False)
plt.close()

_images/adc23105da87fadcf57d2be01ac8f2dc8e664ef20a05dbdcfa0eeeedcdf253bd.png

Abb. 1.9 #

Abbildung 1.9: Ausgewertete Korrelationen der am häufigsten gefundenen Objekte in Bezug auf das Landnutzungsprofil im Erhebungsgebiet all. Für alle gültigen Erhebungen an Seen n=118. Legende: wenn p > 0,05 = weiss, wenn p < 0,05 und Rho > 0 = rot, wenn p < 0,05 und Rho < 0 = gelb.

1.5. Verwendungszweck der gefundenen Objekte#

Der Verwendungszweck basiert auf der Verwendung des Objekts, bevor es weggeworfen wurde, oder auf der Artikelbeschreibung, wenn die ursprüngliche Verwendung unbestimmt ist. Identifizierte Objekte werden einer der 260 vordefinierten Kategorien zugeordnet. Die Kategorien werden je nach Verwendung oder Artikelbeschreibung gruppiert.

Abwasser: Objekte, die aus Kläranlagen freigesetzt werden, sprich Objekte, die wahrscheinlich über die Toilette entsorgt werden
Mikroplastik (< 5 mm): fragmentierte Kunststoffe und Kunststoffharze aus der Vorproduktion
Infrastruktur: Artikel im Zusammenhang mit dem Bau und der Instandhaltung von Gebäuden, Strassen und der Wasser-/Stromversorgung
Essen und Trinken: alle Materialien, die mit dem Konsum von Essen und Trinken in Zusammenhang stehen
Landwirtschaft: Materialien z. B. für Mulch und Reihenabdeckungen, Gewächshäuser, Bodenbegasung, Ballenverpackungen. Einschliesslich Hartkunststoffe für landwirtschaftliche Zäune, Blumentöpfe usw.
Tabakwaren: hauptsächlich Zigarettenfilter, einschliesslich aller mit dem Rauchen verbundenen Materialien
Freizeit und Erholung: Objekte, die mit Sport und Freizeit zu tun haben, z. B. Angeln, Jagen, Wandern usw.
Verpackungen ausser Lebensmittel und Tabak: Verpackungsmaterial, das nicht lebensmittel- oder tabakbezogen ist
Plastikfragmente: Plastikteile unbestimmter Herkunft oder Verwendung
Persönliche Gegenstände: Accessoires, Hygieneartikel und Kleidung

Im Anhang (Kapitel 1.8.3) befindet sich die vollständige Liste der identifizierten Objekte, einschliesslich Beschreibungen und Gruppenklassifizierung. Das Kapitel Codegruppen beschreibt jede Codegruppe im Detail und bietet eine umfassende Liste aller Objekte in einer Gruppe.

	Aare	Linth	Rhone	Ticino	Alle Erhebungsgebiete
Abwasser	4%	2%	6%	2%	5%
Essen und Trinken	19%	22%	18%	21%	19%
Freizeit und Erholung	5%	5%	4%	2%	4%
Infrastruktur	13%	15%	22%	16%	18%
Landwirtschaft	7%	6%	5%	4%	6%
Mikroplastik (< 5mm)	5%	3%	10%	10%	8%
Persönliche Gegenstände	3%	4%	2%	3%	3%
Plastikfragmente	14%	10%	15%	9%	14%
Tabakwaren	20%	24%	12%	26%	17%
Verpackungen ohne Lebensmittel/Tabak	7%	7%	4%	6%	5%
nicht klassifiziert	1%	1%	1%	0%	1%

Abb. 1.10 #

Abbildung 1.10: Prozentuale Verteilung der identifizierten Objekte nach Verwendungszweck.

Show code cell source Hide code cell source

# pivot that
grouppcs_comp = components[["river_bassin", "groupname", unit_label ]].pivot(columns="river_bassin", index="groupname")

# quash the hierarchal column index
grouppcs_comp.columns = grouppcs_comp.columns.get_level_values(1)
grouppcs_comp.rename(columns = proper_column_names, inplace=True)

# the aggregated totals for the period
pt_period = period_data.parentGroupTotals(parent=False, percent=False)
grouppcs_comp[top] = pt_period

# color gradient of restults
code_group_pcsm_gradient = featuredata.colorGradientTable(grouppcs_comp)
grouppcs_comp.index.name = None
grouppcs_comp.columns.name = None

# pdf and display output
code_group_pcsm_caption = [
    "Das Erhebungsgebiet Rhône weist die höchsten Medianwerte für ",
    "die jeweiligen Verwendungszwecke auf. Allerdings ist der prozentuale ",
    "Anteil von Objekten, die mit Tabakwaren, Essen und Trinken zu tun haben, ",
    "geringer als der von Objekten, die mit der Infrastruktur zu tun haben."
]
code_group_pcsm_caption = ''.join(code_group_pcsm_caption)

caption_prefix =  f'Verwendungszweck der gefundenen Objekte Median {unit_label} am '
col_widths = [4.5*cm, *[1.2*cm]*(len(grouppcs_comp.columns)-1)]
cgpcsm_tables = splitTableWidth(grouppcs_comp, gradient=True, caption_prefix=caption_prefix, caption=code_group_pcsm_caption,
                    this_feature=this_feature["name"], vertical_header=True, colWidths=col_widths)

if isinstance(cgpcsm_tables, (list, np.ndarray)):
    new_components = [
        featuredata.large_space,
        *cgpercent_tables,    
        featuredata.larger_space,
        *cgpcsm_tables,
        featuredata.larger_space
    ]
else:
    new_components = [
    featuredata.large_space,
    cgpercent_tables,    
    featuredata.larger_space,
    cgpcsm_tables,
    featuredata.larger_space
    ]
    
pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

aformatter = {x: featuredata.replaceDecimal for x in grouppcs_comp.columns}
cgp = grouppcs_comp.style.format(aformatter).set_table_styles(heat_map_css_styles).background_gradient(axis=None, vmin=grouppcs_comp.min().min(), vmax=grouppcs_comp.max().max(), cmap="YlOrBr")
cgp= cgp.applymap_index(featuredata.rotateText, axis=1)

glue(f'{this_feature["slug" ]}_codegroup_pcsm_caption', code_group_pcsm_caption, display=False)
glue(f'{this_feature["slug" ]}_codegroup_pcsm', cgp, display=False)

	Aare	Linth	Rhone	Ticino	Alle Erhebungsgebiete
Abwasser	3,0	0,5	19,0	2,0	3,0
Essen und Trinken	27,0	30,5	76,0	29,0	37,0
Freizeit und Erholung	6,0	4,0	16,5	3,5	6,0
Infrastruktur	15,0	12,5	55,5	22,5	20,0
Landwirtschaft	6,0	3,0	14,0	6,0	7,0
Mikroplastik (< 5mm)	1,0	0,0	11,5	0,0	1,0
Persönliche Gegenstände	4,0	4,0	10,0	6,5	6,0
Plastikfragmente	18,5	10,5	48,0	9,5	18,0
Tabakwaren	15,0	26,5	50,0	18,0	25,0
Verpackungen ohne Lebensmittel/Tabak	7,5	10,0	13,0	5,5	9,0
nicht klassifiziert	0,0	0,0	2,0	0,0	0,0

Abb. 1.11 #

Abbildung 1.11: Das Erhebungsgebiet Rhône weist die höchsten Medianwerte für die jeweiligen Verwendungszwecke auf. Allerdings ist der prozentuale Anteil von Objekten, die mit Tabakwaren, Essen und Trinken zu tun haben, geringer als der von Objekten, die mit der Infrastruktur zu tun haben.

1.6. Fliessgewässer#

_images/2d39fd86fb8de9be830752c50758096b1893e497a5c524c161434b03c68a232a.png

Abb. 1.12 #

Abbildung 1.12: Links: Gesamtergebnisse der Erhebungen an Fliessgewässern für alle Erhebungsgebiete von März 2020 bis Mai 2021, n=55. Werte über 2000 p/100 m m sind nicht dargestellt. Rechts: Zusammenfassende Daten zu Fliessgewässern.

Die an Fliessgewässern am häufigsten gefundenen Objekte

Show code cell source Hide code cell source

# the most common objects results
rmost_common_display = fdr.most_common.copy()
cols_to_use = featuredata.most_common_objects_table_de
cols_to_use.update({unit_label:unit_label})
rmost_common_display.rename(columns=cols_to_use, inplace=True)
rmost_common_display = rmost_common_display[cols_to_use.values()].copy()
rmost_common_display.set_index("Objekte", drop=True, inplace=True)

# format the data for .pdf
data = rmost_common_display.copy()
data["Anteil"] = data["Anteil"].map(lambda x: f"{int(x)}%")
data['Objekte (St.)'] = data['Objekte (St.)'].map(lambda x:featuredata.thousandsSeparator(x, language))
data['Häufigkeitsrate'] = data['Häufigkeitsrate'].map(lambda x: f"{x}%")
data[unit_label] = data[unit_label].map(lambda x: featuredata.replaceDecimal(round(x,1)))

# make caption text
mc_caption_string = [
    "Die häufigsten Objekte aus Erhebungen an Fliessgewässern. Windeln, Feuchttücher und Taschen/Tüten aus Kunststoff resp. ",
    "Fragmente davon gehören nur entlang von Fliessgewässern zu den häufigsten Objekten, nicht jedoch an Ufern von Seen. "
]
mc_caption_string = ''.join(mc_caption_string)

# make .pdf table and caption
col_widths = [4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm]
r_mc_table = featuredata.aSingleStyledTable(data, colWidths=col_widths)
r_mc_table_caption = Paragraph(mc_caption_string, new_caption_style)
r_t_and_c = featuredata.tableAndCaption(r_mc_table, r_mc_table_caption, col_widths)

rmost_common_display.index.name = None
rmost_common_display.columns.name = None

# set pandas display
aformatter = {
    "Anteil":lambda x: f"{int(x)}%",
    f"{unit_label}": lambda x: featuredata.replaceDecimal(x, "de"),
    "Häufigkeitsrate": lambda x: f"{int(x)}%",   
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), "de")
}

mcd = rmost_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue(f'{this_feature["slug" ]}_rivers_most_common_caption', mc_caption_string, display=False)
glue(f'{this_feature["slug" ]}_rivers_most_common_tables', mcd, display=False)

	Objekte (St.)	Anteil	Häufigkeitsrate	p/100 m
Windeln – Feuchttücher	305	12%	23%	0,0
Zigarettenfilter	300	12%	63%	4,0
Getränkeflaschen aus Glas, Glasfragmente	181	7%	34%	0,0
Industriefolie (Kunststoff)	176	7%	40%	0,0
Snack-Verpackungen	130	5%	61%	2,0
Fragmentierte Kunststoffe	109	4%	54%	2,0
Verpackungsfolien, nicht für Lebensmittel	87	3%	29%	0,0
Kronkorken, Lasche von Dose/Ausfreisslachen	80	3%	32%	0,0
Einkaufstaschen, Shoppingtaschen	60	2%	21%	0,0
Expandiertes Polystyrol	53	2%	20%	0,0

Abb. 1.13 #

Abbildung 1.13: Die häufigsten Objekte aus Erhebungen an Fliessgewässern. Windeln, Feuchttücher und Taschen/Tüten aus Kunststoff resp. Fragmente davon gehören nur entlang von Fliessgewässern zu den häufigsten Objekten, nicht jedoch an Ufern von Seen.

1.7. Anhang#

1.7.1. Schaumstoffe und Kunststoffe nach Grösse#

Die folgende Tabelle enthält die Komponenten «Gfoam» und «Gfrags», die für die Analyse gruppiert wurden. Objekte, die als Schaumstoffe gekennzeichnet sind, werden als Gfoam gruppiert und umfassen alle geschäumten Polystyrol-Kunststoffe > 0,5 cm. Kunststoffteile und Objekte aus kombinierten Kunststoff- und Schaumstoffmaterialien > 0,5 cm werden für die Analyse als Gfrags gruppiert.

Show code cell source Hide code cell source

annex_title = Paragraph("Anhang", featuredata.section_title)
frag_sub_title = Paragraph("Schaumstoffe und Kunststoffe nach Grösse", featuredata.subsection_title)

frag_paras = [
    "Die folgende Tabelle enthält die Komponenten «Gfoam» und «Gfrag», die für die Analyse gruppiert wurden. ",
    "Objekte, die als Schaumstoffe gekennzeichnet sind, werden als Gfoam gruppiert und umfassen alle geschäumten ",
    "Polystyrol-Kunststoffe > 0,5 cm. Kunststoffteile und Objekte aus kombinierten Kunststoff - und Schaumstoffmaterialien > 0,5 ",
    "cm werden für die Analyse als Gfrags gruppiert."
]

frag_p = "".join(frag_paras)
frag = Paragraph(frag_p, featuredata.p_style)

frag_caption = [
    "Fragmentierte Kunststoffe und geschäumte Kunststoffe verschiedener ",
    f"Grössenordnungen nach Median {unit_label}, Anzahl der gefundenen Objekte ",
    "und prozentualer Anteil an der Gesamtmenge."
]
frag_captions = ''.join(frag_caption)


# collect the data before aggregating foams for all locations in the survye area
# group by loc_date and code
# Combine the different sizes of fragmented plastics and styrofoam
# the codes for the foams
before_agg = pd.read_csv("resources/checked_before_agg_sdata_eos_2020_21.csv")
some_foams = ["G81", "G82", "G83", "G74"]
before_agg.rename(columns={"p/100m":unit_label}, inplace=True)

# the codes for the fragmented plastics
some_frag_plas = list(before_agg[before_agg.groupname == "plastic pieces"].code.unique())
mask = ((before_agg.code.isin([*some_frag_plas, *some_foams]))&(before_agg.location.isin(admin_summary["locations_of_interest"])))
agg_pcs_median = {unit_label:"median", "quantity":"sum"}

fd_frags_foams = before_agg[mask].groupby(["loc_date","code"], as_index=False).agg(agg_pcs_quantity)
fd_frags_foams = fd_frags_foams.groupby("code").agg(agg_pcs_median)
fd_frags_foams["item"] = fd_frags_foams.index.map(lambda x: fdx.dMap.loc[x])
fd_frags_foams["% of total"] = (fd_frags_foams.quantity/fd.quantity.sum()).round(2)

# table data
data = fd_frags_foams[["item",unit_label, "quantity", "% of total"]]
data.rename(columns={"item":"Objekt", "quantity":"Objekte (St.)", "% of total":"Anteil"}, inplace=True)
data.set_index("Objekt", inplace=True, drop=True)
data.index.name = None

aformatter = {
    f"{unit_label}": lambda x: featuredata.replaceDecimal(x, "de"),
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), "de"),
    "Anteil":'{:.0%}',
   
}

frags_table = data.style.format(aformatter).set_table_styles(table_css_styles)

glue("all_frag_table_caption", frag_captions, display=False)
glue("all_frags_table", frags_table, display=False)

col_widths = [7*cm, *[2*cm]*(len(dims_table.columns)-1)]

frag_table = featuredata.aSingleStyledTable(data, colWidths=col_widths)
frags_table_caption = Paragraph(frag_captions, new_caption_style)
frag_table_and_caption = featuredata.tableAndCaption(frag_table, frags_table_caption, col_widths)

new_components = [
    KeepTogether([
        annex_title,
        featuredata.small_space,
        frag_sub_title,
        featuredata.smaller_space,
        frag,
        featuredata.small_space
    ]),
    frag_table_and_caption
]

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

	p/100 m	Objekte (St.)	Anteil
Schaumstoffverpackungen/Isolierung	0,0	203	0%
Objekte aus Kunststoff/Polystyrol 0,5 - 2,5 cm	0,0	495	1%
Objekte aus Kunststoff/Polystyrol 2,5 - 50 cm	0,0	111	0%
Objekte aus Kunststoff 0,5 - 2,5 cm	7,0	3 662	7%
Objekte aus Kunststoff 2,5 - 50 cm	7,0	3 130	6%
Objekte aus Kunststoff > 50 cm	0,0	2	0%
Objekte aus expandiertem Polystyrol 0,5 - 2,5 cm	2,0	3 713	7%
Objekte aus expandiertem Polystyrol 2,5 - 50 cm	1,0	1 843	3%
Objekte aus expandiertem Polystyrol > 50 cm	0,0	7	0%

Abb. 1.14 #

Abbildung 1.14: Fragmentierte Kunststoffe und geschäumte Kunststoffe verschiedener Grössenordnungen nach Median p/100 m, Anzahl der gefundenen Objekte und prozentualer Anteil an der Gesamtmenge.

1.7.2. Beteiligte Organisationen:#

Precious Plastic Léman
Association pour la Sauvegarde du Léman
Geneva international School
Teilnehmende am Kurs zu Abfalltechnik (Solid waste engineering), Eidgenössische Technische Hochschule Lausanne
Summit Foundation
Ostschweizer Fachhochschule OST
Hackuarium
hammerdirt

1.7.3. Die Erhebungsorte#

Show code cell source Hide code cell source

# display the survey locations
pd.set_option("display.max_rows", None)
disp_columns = ["latitude", "longitude", "city"]
disp_beaches = admin_details.df_beaches.loc[admin_summary["locations_of_interest"]][disp_columns]
disp_beaches.reset_index(inplace=True)
disp_beaches.rename(columns={"city":"stat", "slug":"standort"}, inplace=True)
disp_beaches.set_index("standort", inplace=True, drop=True)

def aStyledTableWithTitleRow(data, header_style: Paragraph = featuredata.styled_table_header, title: str = None,
                 data_style: Paragraph = featuredata.table_style_centered, colWidths: list = None, style: list = None):
    table_data = data.reset_index()
   
    headers = [Paragraph(str(x), header_style)  for x in data.columns]
    headers = [Paragraph(" ", data_style) , *headers]
    
    if style is None:
        style = featuredata.default_table_style

    new_rows = []
    for a_row in table_data.values.tolist():
        
        if isinstance(a_row[0], str):
            row_index = Paragraph(a_row[0], featuredata.table_style_right)
            row_data = [Paragraph(str(x), data_style) for x in a_row[1:]]
            new_row = [row_index, *row_data]
            new_rows.append(new_row)
        else:
            row_data = [Paragraph(str(x), data_style) for x in a_row[1:]]
            new_rows.append(row_data)
            
    table_title_style = [
            ('FONTNAME', (0,0), (-1,-1), 'Helvetica'),
            ('FONTSIZE', (0, 0), (-1, -1), 12),
            ('ROWBACKGROUND', (0,0), (-1,-1), [colors.white]),
            ('TOPPADDING', (0, 0), (-1, -1), 3),
            ('BOTTOMPADDING', (0, 0), (-1, -1), 3)
    
        ]
        
    table_title = Table([[title]], style=table_title_style, colWidths=sum(colWidths))
    new_table = [[table_title], headers, *new_rows]
    table = Table(new_table, style=style, colWidths=colWidths, repeatRows=2)
    
    return table
    

# make this into a pdf table
location_subsection = Paragraph("Die Erhebungsorte und Inventar der Objekte", featuredata.subsection_title)
col_widths = [6*cm, 2.2*cm, 2.2*cm, 3*cm]
pdf_table = aStyledTableWithTitleRow(disp_beaches, title="Die Erhebungsorte", colWidths=col_widths)

disp_beaches

	latitude	longitude	stat
standort
maladaire	46.446296	6.876960	La Tour-de-Peilz
preverenges	46.512690	6.527657	Préverenges
caprino	45.987963	8.986241	Lugano
foce-del-cassarate	46.002411	8.961477	Lugano
lido	46.002004	8.962156	Lugano
lugano-centro	46.002627	8.950724	Lugano
spiaggia-parco-ciani	46.002510	8.960820	Lugano
via-brunari-spiaggia	46.202350	9.016910	Bellinzona
golene-gudo	46.170655	8.946657	Bellinzona
isole-di-brissago-porto	46.132760	8.735030	Brissago
magadino-lido	46.149349	8.855663	Gambarogno
rivapiana	46.172079	8.813255	Minusio
via-mirasole-spiaggia	46.199530	9.014930	Bellinzona
aare-port	47.116170	7.269550	Port
limmat_dietikon_keiserp	47.407989	8.409540	Dietikon
schutzenmatte	47.057666	7.634001	Burgdorf
zugerseecholler_cham_blarerm	47.178216	8.480013	Zug
la-petite-plage	46.785054	6.656877	Yverdon-les-Bains
vidy-ruines	46.516221	6.596279	Lausanne
baby-plage-geneva	46.208558	6.162923	Genève
grand-clos	46.387746	6.843686	Saint-Gingolph
weissenau-neuhaus	46.676583	7.817528	Unterseen
evole-plage	46.989477	6.923920	Neuchâtel
oberi-chlihochstetten	46.896025	7.532114	Rubigen
plage-de-serriere	46.984850	6.913450	Neuchâtel
mullermatte	47.133339	7.227907	Biel/Bienne
limmat_unterengstringen_oggierbuhrer	47.409400	8.446933	Unterengstringen
limmat_zuerich_wagnerc	47.403496	8.477770	Zürich
limmat_zurich_mortensena_meiera	47.400252	8.485411	Zürich
quai-maria-belgia	46.460156	6.836718	Vevey
sihl_zuerich_eggerskoehlingera	47.381898	8.538328	Zürich
bielersee_vinelz_fankhausers	47.038398	7.108311	Vinelz
erlach-camping-strand	47.047159	7.097854	Erlach
anarchy-beach	46.447216	6.859612	La Tour-de-Peilz
gasi-strand	47.128442	9.110831	Weesen
rastplatz-stampf	47.215177	8.844286	Rapperswil-Jona
zuerichsee_richterswil_benkoem_2	47.217646	8.698713	Richterswil
sentiero-giro-del-golf-spiaggia	46.145770	8.790430	Ascona
vira-gambarogno	46.143343	8.838759	Gambarogno
canale-saleggi	46.200625	9.015853	Bellinzona
gummligrabbe	46.989290	7.250730	Kallnach
mannewil	46.996382	7.239024	Kallnach
lavey-les-bains-2	46.207726	7.011685	Lavey-Morcles
schusspark-strand	47.146500	7.268620	Biel/Bienne
walensee_walenstadt_wysse	47.121828	9.299552	Walenstadt
pfafikon-bad	47.206766	8.774182	Freienbach
zurichsee_kusnachterhorn_thirkell-whitej	47.317685	8.576860	Küsnacht (ZH)
plage-de-cheyres	46.818689	6.782256	Cheyres-Châbles
leuk-mattenstrasse	46.314754	7.622521	Leuk
thun-strandbad	46.739939	7.633520	Thun
zurichsee_wollishofen_langendorfm	47.345890	8.536155	Zürich
pont-sous-terre	46.202960	6.131577	Genève
oben-am-see	46.744451	8.049921	Brienz (BE)
thunersee_spiez_meierd_1	46.704437	7.657882	Spiez
cully-plage	46.488887	6.741396	Bourg-en-Lavaux
preverenges-le-sout	46.508905	6.534526	Préverenges
la-pecherie	46.463919	6.385732	Allaman
villa-barton	46.222350	6.152500	Genève
untertenzen	47.115260	9.254780	Quarten
zurcher-strand	47.364200	8.537420	Zürich
oyonne	46.456682	6.852262	La Tour-de-Peilz
lavey-la-source	46.200804	7.021866	Lavey-Morcles
lavey-les-bains	46.205159	7.012722	Lavey-Morcles
spackmatt	47.223749	7.576711	Luterbach
luscherz-plage	47.047955	7.151242	Lüscherz
strandboden-biel	47.132510	7.233142	Biel/Bienne
jona-river-rastplatz	47.216100	8.844430	Rapperswil-Jona
reuss_hunenberg_eberhardy	47.232976	8.401012	Hünenberg
reuss_ottenbach_schoenenbergerl	47.278354	8.394224	Merenschwand
zuerichsee_staefa_hennm	47.234643	8.769881	Stäfa
signalpain	46.786200	6.647360	Yverdon-les-Bains
baby-plage-ii-geneve	46.208940	6.164330	Genève
pointe-dareuse	46.946190	6.870970	Boudry
les-glariers	46.176736	7.228925	Riddes
nidau-strand	47.127196	7.232613	Nidau
tiger-duck-beach	46.518256	6.582546	Saint-Sulpice (VD)
linthdammweg	47.131790	9.091910	Weesen
mols-rocks	47.114343	9.288174	Quarten
seeflechsen	47.130223	9.103400	Glarus Nord
seemuhlestrasse-strand	47.128640	9.295100	Walenstadt
muhlehorn-dorf	47.118448	9.172124	Glarus Nord
zuerichsee_waedenswil_colomboc_1	47.219547	8.691961	Richterswil
camp-des-peches	47.052812	7.074053	Le Landeron
delta-park	46.720078	7.635304	Spiez
le-pierrier	46.439727	6.888968	Montreux
pecos-plage	46.803590	6.636650	Grandson
beich	47.048495	7.200528	Walperswil
aare_suhrespitz_badert	47.405669	8.066018	Aarau
tschilljus	46.304399	7.580262	Salgesch
sundbach-strand	46.684386	7.794768	Beatenberg
wycheley	46.740370	8.048640	Brienz (BE)
aare_koniz_hoppej	46.934588	7.458170	Köniz
camping-gwatt-strand	46.727140	7.629620	Thun
bern-tiergarten	46.933157	7.452004	Bern
boiron	46.491030	6.480162	Tolochenaz
rocky-plage	46.209737	6.164952	Genève
lacleman_gland_lecoanets	46.402811	6.281959	Gland
route-13	46.162521	8.782579	Locarno
murg-bad	47.115307	9.215691	Quarten
schmerikon-bahnhof-strand	47.224780	8.944180	Schmerikon
aabach	47.220989	8.940365	Schmerikon
la-thiele_le-mujon_confluence	46.775340	6.630900	Yverdon-les-Bains
nouvelle-plage	46.856646	6.848428	Estavayer
baye-de-montreux-g	46.430834	6.908778	Montreux
les-vieux-ronquoz	46.222049	7.361664	Sion
sihl_zuerich_eichenbergerd	47.339588	8.516697	Zürich
versoix	46.289194	6.170569	Versoix
augustmutzenbergstrandweg	46.686640	7.689760	Spiez
parc-des-pierrettes	46.515215	6.575531	Saint-Sulpice (VD)
plage-de-st-sulpice	46.513265	6.570977	Saint-Sulpice (VD)
aare_bern_gerberm	46.989363	7.452098	Bern
brugg-be-buren-bsg-standort	47.122220	7.281410	Brügg
kusnachter-dorfbach-tobelweg-1-4	47.317770	8.588258	Küsnacht (ZH)
ruisseau-de-la-croix-plage	46.813920	6.774700	Cheyres-Châbles
ligerz-strand	47.083979	7.135894	Ligerz
hafeli	46.690283	7.898592	Bönigen
aare-solothurn-lido-strand	47.196949	7.521643	Solothurn
bern-fahrstrasse	46.975866	7.444210	Bern
gals-reserve	47.046272	7.085007	Gals
ascona-traghetto-spiaggia	46.153882	8.768480	Ascona
pacha-mama-gerra	46.123473	8.783508	Gambarogno
gerra-gambarogno	46.123366	8.785786	Gambarogno
san-nazzaro-gambarogno	46.130443	8.798657	Gambarogno
hauterive-petite-plage	47.010797	6.980304	Hauterive (NE)
flibach-river-right-bank	47.133742	9.105461	Weesen
aare-limmatspitz	47.501060	8.237371	Gebenstorf
aare_brugg_buchie	47.494855	8.236558	Brugg
linth_route9brucke	47.125730	9.117340	Glarus Nord
seez_spennwiesenbrucke	47.114948	9.310123	Walenstadt
bain-des-dames	46.450507	6.858092	La Tour-de-Peilz
luscherz-two	47.047519	7.152829	Lüscherz
impromptu_cudrefin	46.964496	7.027936	Cudrefin
vira-spiaggia-left-of-river	46.142900	8.838407	Gambarogno
linth_mollis	47.131370	9.094768	Glarus Nord
seez	47.119830	9.300251	Walenstadt
tolochenaz	46.497509	6.482875	Tolochenaz
limmat_zuerich_suterdglauserp	47.394539	8.513443	Zürich
aare_post	47.116665	7.271953	Port
aare_bern_scheurerk	46.970967	7.452586	Bern
strandbeiz	47.215862	8.843098	Rapperswil-Jona
vierwaldstattersee_weggis_schoberls_1	47.044532	8.418569	Weggis
vierwaldstattersee_weggis_schoberls_2	47.043953	8.417308	Weggis
vierwaldstattersee_weggis_schoberls_3	47.029957	8.410801	Weggis

1.7.4. Inventar der Objekte#

	Objekte	Objekte (St.)	Anteil	p/100 m	Häufigkeitsrate	Material
code
G27	Zigarettenfilter	8 485	15	20	87	Plastik
Gfrags	Fragmentierte Kunststoffe	7 400	13	18	86	Plastik
Gfoam	Expandiertes Polystyrol	5 563	10	5	68	Plastik
G30	Snack-Verpackungen	3 325	6	9	85	Plastik
G67	Industriefolie (Kunststoff)	2 534	4	5	69	Plastik
G200	Getränkeflaschen aus Glas, Glasfragmente	2 136	3	3	65	Glas
G112	Industriepellets (Nurdles)	1 968	3	0	30	Plastik
G74	Schaumstoffverpackungen/Isolierung	1 702	3	1	53	Plastik
G95	Wattestäbchen/Tupfer	1 406	2	1	50	Plastik
G117	Styropor < 5mm	1 209	2	0	25	Plastik
G89	Kunststoff-Bauabfälle	992	1	1	52	Plastik
G941	Verpackungsfolien, nicht für Lebensmittel	894	1	0	38	Plastik
G178	Kronkorken, Lasche von Dose/Ausfreisslachen	700	1	1	52	Metall
G25	Tabak; Kunststoffverpackungen, Behälter	649	1	0	46	Plastik
G21	Getränke-Deckel, Getränkeverschluss	623	1	0	37	Plastik
G106	Kunststofffragmente eckig <5mm	592	1	0	20	Plastik
G98	Windeln – Feuchttücher	588	1	0	26	Plastik
G24	Ringe von Plastikflaschen/Behältern	541	0	0	42	Plastik
G177	Verpackungen aus Aluminiumfolie	521	0	0	47	Metall
G10	Lebensmittelbehälter zum einmaligen Gebrauch a...	448	0	0	31	Plastik
G23	unidentifizierte Deckel	423	0	0	35	Plastik
G156	Papierfragmente	420	0	0	32	Papier
G35	Strohhalme und Rührstäbchen	419	0	0	42	Plastik
G70	Schrotflintenpatronen	391	0	0	21	Plastik
G31	Schleckstengel, Stengel von Lutscher	381	0	0	37	Plastik
G73	Gegenstände aus Schaumstoff & Teilstücke (nich...	335	0	0	23	Plastik
G33	Einwegartikel; Tassen/Becher & Deckel	328	0	0	34	Plastik
G32	Spielzeug und Partyartikel	320	0	0	38	Plastik
G904	Feuerwerkskörper; Raketenkappen	301	0	0	28	Plastik
G3	Einkaufstaschen, Shoppingtaschen	285	0	0	18	Plastik
G22	Deckel für Chemikalien, Reinigungsmittel (Ohne...	257	0	0	19	Plastik
G211	Sonstiges medizinisches Material	256	0	0	31	Plastik
G922	Etiketten, Strichcodes	252	0	0	27	Plastik
G66	Umreifungsbänder; Hartplastik für Verpackung f...	248	0	0	32	Plastik
G100	Medizin; Behälter/Röhrchen/Verpackungen	244	0	0	28	Plastik
G923	Taschentücher, Toilettenpapier, Servietten, Pa...	241	0	0	25	Papier
G103	Kunststofffragmente rund <5mm	238	0	0	3	Plastik
G921	Keramikfliesen und Bruchstücke	231	0	0	13	Glas
G96	Hygienebinden/Höscheneinlagen/Tampons und Appl...	215	0	0	18	Plastik
G50	Schnur < 1cm	205	0	0	29	Plastik
G153	Papierbecher, Lebensmittelverpackungen aus Pap...	201	0	0	19	Papier
G125	Luftballons und Luftballonstäbchen	170	0	0	20	Gummi
G91	Bio-Filtermaterial / Trägermaterial aus Kunst...	162	0	0	19	Plastik
G159	Kork	162	0	0	21	Holz
G38	Abdeckungen; Kunststoffverpackungen, Folien zu...	160	0	0	4	Plastik
G940	Schaumstoff EVA (flexibler Kunststoff)	158	0	0	7	Plastik
G208	Glas oder Keramikfragmente >2.5 cm	145	0	0	10	Glas
G186	Industrieschrott	141	0	0	15	Metall
G213	Paraffinwachs	138	0	0	13	Chemikalien
G165	Glacestengel (Eisstiele), Zahnstocher, Essstäb...	126	0	0	15	Holz
G204	Baumaterial; Ziegel, Rohre, Zement	125	0	0	9	Glas
G155	Feuerwerkspapierhülsen und -fragmente	124	0	0	6	Papier
G93	Kabelbinder	121	0	0	16	Plastik
G149	Papierverpackungen	121	0	0	8	Papier
G152	Papier &Karton;Zigarettenschachteln, Papier/Ka...	120	0	0	13	Papier
G90	Blumentöpfe aus Plastik	119	0	0	14	Plastik
G137	Kleidung, Handtücher und Lappen	118	0	0	13	Stoff
G908	Klebeband; elektrisch, isolierend	117	0	0	15	Plastik
G203	Geschirr aus Keramik oder Glas, Tassen, Teller...	115	0	0	11	Glas
G936	Folien für Gewächshäuser	110	0	0	12	Plastik
G34	Besteck, Teller und Tabletts	109	0	0	16	Plastik
G905	Haarspangen, Haargummis, persönliche Accessoir...	105	0	0	18	Plastik
G198	Andere Metallteile < 50 cm	104	0	0	16	Metall
G914	Büroklammern, Wäscheklammern, Gebrauchsgegenst...	99	0	0	12	Plastik
G131	Gummibänder	94	0	0	16	Gummi
G191	Draht und Gitter	90	0	0	12	Metall
G28	Stifte, Deckel, Druckbleistifte usw.	88	0	0	13	Plastik
G115	Schaumstoff <5mm	88	0	0	4	Plastik
G124	Andere Kunststoff	87	0	0	8	Plastik
G87	Abdeckklebeband/Verpackungsklebeband	87	0	0	14	Plastik
G148	Kartonkisten und Stücke	85	0	0	8	Papier
G928	Bänder und Schleifen	84	0	0	8	Plastik
G26	Feuerzeug	83	0	0	14	Plastik
G146	Papier, Karton	82	0	0	6	Papier
G175	Getränkedosen (Dosen, Getränke)	76	0	0	11	Metall
G157	Papier	66	0	0	6	Papier
G7	Getränkeflaschen < = 0,5 l	65	0	0	9	Plastik
G4	Kleine Plastikbeutel; Gefrierbeutel, Zippsäckc...	64	0	0	8	Plastik
G142	Seil, Schnur oder Netze	62	0	0	10	Stoff
G135	Kleidung, Fussbekleidung, Kopfbedeckung, Hands...	61	0	0	9	Stoff
G105	Kunststofffragmente subangulär <5mm	59	0	0	2	Plastik
G927	Plastikschnur von Rasentrimmern, die zum Schne...	57	0	0	8	Plastik
G201	Gläser, einschliesslich Stücke	55	0	0	7	Glas
G942	Kunststoffspäne von Drehbänken, CNC-Bearbeitung	53	0	0	8	Plastik
G194	Kabel, Metalldraht oft in Gummi- oder Kunststo...	52	0	0	10	Metall
G939	Kunststoffblumen, Kunststoffpflanzen	49	0	0	6	Plastik
G20	Laschen und Deckel	48	0	0	6	Plastik
G65	Eimer	48	0	0	6	Plastik
G943	Zäune Landwirtschaft, Kunststoff	47	0	0	5	Plastik
G144	Tampons	46	0	0	3	Stoff
G48	Seile, synthetische	46	0	0	8	Plastik
G134	Sonstiges Gummi	45	0	0	8	Gummi
G210	Sonstiges Glas/Keramik Materialien	43	0	0	3	Glas
G170	Holz (verarbeitet)	43	0	0	6	Holz
G937	Pheromonköder für Weinberge	38	0	0	4	Plastik
G101	Robidog Hundekot-Säcklein, andere Hundekotsäck...	37	0	0	8	Plastik
G917	Blähton	36	0	0	4	Glas
G59	Monofile Angelschnur (Angeln)	35	0	0	6	Plastik
G944	Pelletmasse aus dem Spritzgussverfahren	34	0	0	0	Plastik
G2	Säcke, Taschen	32	0	0	4	Plastik
G12	Kosmetika, Behälter für Körperpflegeprodukte, ...	31	0	0	5	Plastik
G126	Bälle	30	0	0	5	Gummi
G207	Tonkrüge zum Fangen von Kraken	30	0	0	0	Glas
G901	Medizinische Masken, synthetische	29	0	0	6	Plastik
G931	(Absperr)band für Absperrungen, Polizei, Baust...	28	0	0	3	Plastik
G99	Spritzen - Nadeln	28	0	0	6	Plastik
G918	Sicherheitsnadeln, Büroklammern, kleine Gebrau...	28	0	0	5	Metall
G158	Sonstige Gegenstände aus Papier	27	0	0	2	Papier
G919	Nägel, Schrauben, Bolzen usw.	27	0	0	3	Metall
G167	Streichhölzer oder Feuerwerke	26	0	0	2	Holz
G933	Taschen, Etuis für Zubehör, Brillen, Elektroni...	26	0	0	4	Plastik
G154	Zeitungen oder Zeitschriften	25	0	0	2	Papier
G6	Flaschen und Behälter aus Kunststoff, nicht fü...	25	0	0	2	Plastik
G161	Verarbeitetes Holz	24	0	0	4	Holz
G182	Angeln; Haken, Gewichte, Köder, Senkblei, usw.	23	0	0	3	Metall
G8	Getränkeflaschen > 0,5L	23	0	0	3	Plastik
G114	Folien <5mm	22	0	0	1	Plastik
G145	Andere Textilien	22	0	0	4	Stoff
G43	Sicherheitsetiketten, Siegel für Fischerei ode...	21	0	0	2	Plastik
G68	Fiberglas-Fragmente	20	0	0	4	Plastik
G133	Kondome einschließlich Verpackungen	20	0	0	4	Gummi
G929	Elektronik und Teile; Sensoren, Headsets usw.	20	0	0	4	Metall
G930	Schaumstoff-Ohrstöpsel	20	0	0	4	Plastik
G925	Pakete: Trockenmittel/Feuchtigkeitsabsorber, m...	19	0	0	4	Plastik
G176	Konservendosen (Lebensmitteldosen)	19	0	0	3	Metall
G938	Zahnstocher, Zahnseide Kunststoff	18	0	0	4	Plastik
G926	Kaugummi, enthält oft Kunststoffe	18	0	0	3	Plastik
G36	Säcke aus strapazierfähigem Kunststoff für 25 ...	18	0	0	2	Plastik
G118	Kleine Industrielle Kügelchen <5mm	17	0	0	2	Plastik
G11	Kosmetika für den Strand, z.B. Sonnencreme	17	0	0	3	Plastik
G123	Polyurethan-Granulat < 5mm	17	0	0	0	Plastik
G64	Kotflügel	16	0	0	1	Plastik
G119	Folienartiger Kunststoff (>1mm)	16	0	0	1	Plastik
G49	Seile > 1cm	14	0	0	2	Plastik
G113	Fäden <5mm	14	0	0	1	Plastik
G199	Andere Metallteile > 50 cm	13	0	0	1	Metall
G197	sonstiges Metall	13	0	0	3	Metall
G29	Kämme, Bürsten und Sonnenbrillen	13	0	0	3	Plastik
G195	Batterien (Haushalt)	12	0	0	2	Metall
G128	Reifen und Antriebsriemen	12	0	0	2	Gummi
G916	Bleistifte und Bruchstücke	12	0	0	2	Holz
G136	Schuhe	11	0	0	2	Stoff
G37	Netzbeutel, Netztasche, Netzsäcke	11	0	0	2	Plastik
G900	Handschuhe Latex, persönliche Schutzausrüstung	10	0	0	2	Gummi
G906	Kaffeekapseln Aluminium	10	0	0	1	Metall
G61	Sonstiges Angelzubehör	9	0	0	2	Plastik
G913	Schnuller	8	0	0	2	Plastik
G129	Schläuche und Gummiplatten	7	0	0	1	Gummi
G104	Kunststofffragmente abgerundet / rundlich <5m...	7	0	0	1	Plastik
G17	Kartuschen von Kartuschen-spritzpistolen	7	0	0	1	Plastik
G122	Kunststofffragmente (>1mm)	7	0	0	0	Plastik
G19	Autoteile	7	0	0	1	Plastik
G40	Handschuhe Haushalt/Garten	7	0	0	1	Plastik
G147	Papiertragetaschen, (Papiertüten)	6	0	0	1	Papier
G151	Tetrapack, Kartons	6	0	0	1	Papier
G915	Reflektoren, Mobilitätsartikel aus Kunststoff	6	0	0	1	Plastik
G181	Geschirr aus Metall, Tassen, Besteck usw.	6	0	0	1	Metall
G97	Behälter von Toilettenerfrischer	6	0	0	1	Plastik
G141	Teppiche	6	0	0	1	Stoff
G171	Sonstiges Holz < 50cm	6	0	0	1	Holz
G5	Plastiksäcke/ Plastiktüten	6	0	0	1	Plastik
G107	Zylindrische Pellets <5mm	6	0	0	1	Plastik
G71	Schuhe Sandalen	5	0	0	1	Plastik
G138	Schuhe und Sandalen	5	0	0	1	Stoff
G108	Scheibenförmige Pellets <5mm	5	0	0	1	Plastik
G92	Köderbehälter	5	0	0	1	Plastik
G903	Behälter und Packungen für Handdesinfektionsmi...	5	0	0	1	Plastik
G172	Sonstiges Holz > 50 cm	4	0	0	1	Holz
G907	Kaffeekapseln aus Kunststoff	4	0	0	1	Plastik
G13	Flaschen, Behälter, Fässer zum Transportieren ...	4	0	0	0	Plastik
G39	Handschuhe	4	0	0	0	Plastik
G62	Schwimmer für Netze	4	0	0	0	Plastik
G53	Netze und Teilstücke < 50cm	4	0	0	0	Plastik
G52	Netze und Teilstücke	4	0	0	1	Plastik
G111	Kugelförmige Pellets < 5mm	4	0	0	1	Plastik
G945	Rasierklingen	4	0	0	1	Metall
G934	Sandsäcke, Kunststoff für Hochwasser- und Eros...	3	0	0	0	Plastik
G116	Granulat <5mm	3	0	0	0	Plastik
G109	Flache Pellets <5mm	3	0	0	0	Plastik
G102	Flip-Flops	3	0	0	0	Plastik
G174	Aerosolspraydosen	3	0	0	0	Metall
G902	Medizinische Masken, Stoff	3	0	0	0	Stoff
G63	Bojen	3	0	0	0	Plastik
G179	Einweg Grill	3	0	0	0	Metall
G202	Glühbirnen	3	0	0	0	Glas
G150	Milchkartons, Tetrapack	3	0	0	0	Papier
G143	Segel und Segeltuch	3	0	0	0	Stoff
G140	Sack oder Beutel (Tragetasche), Jute oder Hanf	3	0	0	0	Stoff
G139	Rucksäcke	3	0	0	0	Stoff
G41	Handschuhe Industriell/Professionell	3	0	0	0	Plastik
G14	Flaschen für Motoröl (Motorölflaschen)	3	0	0	0	Plastik
G935	Gummi-Puffer für Geh- und Wanderstöcke und Tei...	2	0	0	0	Plastik
G173	Sonstiges	2	0	0	0	Holz
G999	Keine Gegenstände bei dieser Erhebung/Studie g...	2	0	0	0	Unbekannt
G214	Öl/Teer	2	0	0	0	Chemikalien
G185	Behälter mittlerer Grösse	2	0	0	0	Metall
G132	Schwimmer (Angeln)	2	0	0	0	Gummi
G188	Andere Kanister/Behälter < 4 L	2	0	0	0	Metall
G55	Angelschnur (verwickelt)	2	0	0	0	Plastik
G932	Bio-Beads, Mikroplastik für die Abwasserbehand...	2	0	0	0	Plastik
G190	Farbtöpfe, Farbbüchsen, ( Farbeimer)	2	0	0	0	Metall
G9	Flaschen und Behälter für Reinigungsmittel und...	1	0	0	0	Plastik
G166	Farbpinsel	1	0	0	0	Holz
G84	CD oder CD-Hülle	1	0	0	0	Plastik
G196	Grosse metallische Gegenstände	1	0	0	0	Metall
G51	Fischernetz	1	0	0	0	Plastik
G193	Teile von Autos und Autobatterien	1	0	0	0	Metall
G60	Lichtstab, Knicklicht, Glow-sticks	1	0	0	0	Plastik
G183	Teile von Angelhaken	1	0	0	0	Metall
G94	Tischtuch	1	0	0	0	Plastik
G205	Leuchtstoffröhren	0	0	0	0	Glas
G168	Holzbretter	0	0	0	0	Holz
G180	Haushaltsgeräte	0	0	0	0	Metall
G88	Telefon inkl. Teile	0	0	0	0	Plastik
G708	Skistöcke	0	0	0	0	Metall
G162	Kisten	0	0	0	0	Holz
G160	Paletten	0	0	0	0	Holz
G707	Skiausrüstungsetikett	0	0	0	0	Plastik
G713	Skiförderband	0	0	0	0	Plastik
G712	Skihandschuhe	0	0	0	0	Stoff
G711	Handwärmer	0	0	0	0	Plastik
G710	Ski / Snowboards (Ski, Befestigungen und ander...	0	0	0	0	Plastik
G56	Verhedderte Netze	0	0	0	0	Plastik
G709	Teller von Skistock (runder Teil aus Plastik u...	0	0	0	0	Plastik
G702	Pistenmarkierungspfosten (Holz)	0	0	0	0	Holz
G703	Pistenmarkierungspfosten (Plastik)	0	0	0	0	Plastik
G704	Seilbahnbürsten	0	0	0	0	Plastik
G705	Schrauben und Bolzen	0	0	0	0	Metall
G706	Skiabonnement	0	0	0	0	Plastik
G1	Sixpack-Ringe	0	0	0	0	Plastik