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

# 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.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.lib import colors

from reportlab.platypus.flowables import Flowable
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak, KeepTogether, Image
from reportlab.lib.pagesizes import A4
from reportlab.lib.units import cm
from reportlab.platypus import Table, TableStyle

# the module that has all the methods for handling the data
import resources.featuredata as featuredata
from resources.featuredata import makeAList, small_space, large_space, aSingleStyledTable, smallest_space
from resources.featuredata import caption_style, subsection_title, title_style, block_quote_style, makeBibEntry
from resources.featuredata import figureAndCaptionTable, tableAndCaption, aStyledTableWithTitleRow
from resources.featuredata import sectionParagraphs, section_title, addToDoc, makeAParagraph, bold_block
from resources.featuredata import makeAList

# home brew utitilties
import resources.sr_ut as sut

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

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

# chart style
sns.set_style("whitegrid")

# 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/linth_city_labels.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 linth (linth) at the river basin (river_bassin) level.
# the label for charting is called 'name'
this_feature = {'slug':'linth', 'name':"Erhebungsgebiet Linth", 'level':'river_bassin'}

# the lake is in this survey area
this_bassin = "linth"
# label for survey area
bassin_label = "Erhebungsgebiet Linth"

# 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 = 'water_name_slug'

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

# identify the lakes of interest for the survey area
lakes_of_interest = ["zurichsee", "walensee", "vierwaldstättersee", "Zugersee"]

# !! 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")

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_bassin,
    "parent_level": "river_bassin",
    "period_name": bassin_label,
    "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
# this can be done by updating the fd_kwargs
fd_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 heatmap 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]

# this is the numeric formatting for the dimensions table
dims_table_formatter = {
    "Plastik (Kg)": lambda x: featuredata.replaceDecimal(x, language),
    "Gesamtgewicht (Kg)": lambda x: featuredata.replaceDecimal(x, language),
    "Fläche (m2)": lambda x: featuredata.thousandsSeparator(int(x), language),
    "Länge (m)": lambda x: featuredata.thousandsSeparator(int(x), language),
    "Erhebungen": lambda x: featuredata.thousandsSeparator(int(x), language),
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), language)
}

# formatting for mpl charts
months = mdates.MonthLocator(interval=1)
months_fmt = mdates.DateFormatter("%b")
days = mdates.DayLocator(interval=7)

# 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'

4. Linth

| Download | English |

Abb. 4.1

Abbildung 4.1: Die Erhebungsorte sind für die Analyse nach Erhebungsgebiet gruppiert. Die Grösse der Markierung gibt einen Hinweis auf die Anzahl Abfallobjekte, die gefunden wurden.

4.1. Erhebungsorte und Landnutzungsprofile

Show code cell source Hide code cell source

# the admin summary can be converted into a standard text
an_admin_summary = featuredata.makeAdminSummaryStateMent(start_date, end_date, this_feature["name"], admin_summary=admin_summary)

# pdf components
new_components = [    
    small_space,
    Paragraph("Erhebungsorte", section_title), 
    small_space,
    Paragraph(an_admin_summary , featuredata.p_style),
]

# add the admin summary to the pdf
pdfcomponents = addToDoc(new_components, pdfcomponents)
# end pdf

# collect component features and land marks
# this collects the components of the feature of interest (city, lake, river)
# a comma separated string of all the componenets and a heading for each component
# type is produced
feature_components = featuredata.collectComponentLandMarks(admin_details, language=language)

# markdown output
components_markdown = "".join([f'*{x[0]}*\n\n>{x[1]}\n\n' for x in feature_components])

# put that all together:
lake_string = F"""
{an_admin_summary}

{"".join(components_markdown)}
"""

# display the string
md(lake_string)

Im Zeitraum von März 2020 bis Mai 2021 wurden im Rahmen von 112 Datenerhebungen insgesamt 9 412 Objekte entfernt und identifiziert. Die Ergebnisse des Erhebungsgebiet Linth umfassen 40 Orte, 17 Gemeinden und eine Gesamtbevölkerung von etwa 612 111 Einwohnenden.

Seen

Zürichsee, Walensee, Vierwaldstättersee, Zugersee

Fliessgewässer

Jona, Dorfbach, Limmat, Linthkanal, Escherkanal, Reuss, Seez, Sihl

Gemeinden

Dietikon, Freienbach, Glarus Nord, Hünenberg, Küsnacht (ZH), Merenschwand, Quarten, Rapperswil-Jona, Richterswil, Schmerikon, Stäfa, Unterengstringen, Walenstadt, Weesen, Weggis, Zug, Zürich

4.1.1. Kumulative Gesamtmengen nach Gewässer

Show code cell source Hide code cell source

# the basic summary of dimensional data is available in the AdministrativeSummary class
dims_table = admin_details.dimensionalSummary()
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()

# pdf
# 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), language))
dims_table[replace_decimal] = dims_table[replace_decimal].applymap(lambda x: featuredata.replaceDecimal(str(round(x,2))))

# subsection title
subsection_title1 = Paragraph("Kumulative Gesamtmengen nach Gewässer", subsection_title)

# a caption for the figure
dims_table_caption = f'{this_feature["name"]}: kumulierten Gewichte  und Masse für die Gemeinden'
dims_table_captionpdf = Paragraph(dims_table_caption, style=caption_style)
# pdf table
colWidths=[3.5*cm, 3*cm, *[2.2*cm]*(len(dims_table.columns)-1)]
d_chart = aSingleStyledTable(dims_table, colWidths=colWidths)

atable = tableAndCaption(d_chart, dims_table_captionpdf, colWidths)

new_components = [
    small_space,
    subsection_title1,
    small_space,
    atable 
]
pdfcomponents = addToDoc(new_components, pdfcomponents)
# end pdf

# 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

# give the figure a name
figure_name=f'{this_feature["slug"]}_dims_table'

# use the caption from the .pdf for the online figure
glue("linth_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 for display
glue(figure_name, q, display=False)

	Gesamtgewicht (Kg)	Plastik (Kg)	Fläche (m2)	Länge (m)	Erhebungen	Objekte (St.)
Erhebungsgebiet Linth	35,96	12,77	25 637	5 323	112	9 412
Zürichsee	12,64	4,49	7 409	2 212	56	5 192
Walensee	10,99	6,69	13 236	2 225	31	3 694
Limmat	3,33	0,18	1 111	237	6	219
Linthkanal	2,84	0,06	797	106	2	84
Zugersee	0,35	0,14	412	104	3	62
Vierwaldstättersee	0,3	0,16	283	83	3	58
Seez	1,0	0,05	642	51	2	42
Jona	0,0	0,0	326	85	3	21
Sihl	1,97	0,0	152	42	2	15
Dorfbach	0,34	0,0	1 093	129	1	12
Escherkanal	1,0	1,0	39	11	1	10
Reuss	1,2	0,0	137	38	2	3

Abb. 4.2

Abbildung 4.2: Erhebungsgebiet Linth: kumulierten Gewichte und Masse für die Gemeinden

4.1.2. Landnutzungsprofil der Erhebungsorte

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.

Für weitere Informationen siehe Landnutzungsprofil

Show code cell source Hide code cell source

# this gets all land use the data for the project
# the land use profile at 1500 m is stored with 
# location data and the survey data
land_use_kwargs = {
    "data": period_data.period_data,
    "index_column":"loc_date",
    "these_features": this_feature['slug'],
    "feature_level":this_feature['level']   
}

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

# 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')
    
# filename and figure tag
figure_name = "linth_survey_area_landuse"
land_use_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":land_use_file_name})
    
plt.subplots_adjust(top=.91, hspace=.4)
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=3)

plt.tight_layout()
plt.subplots_adjust(top=.91, hspace=.4)

# save figure
plt.savefig(**save_figure_kwargs)

# capture the output
figure_caption = "Landnutzungsprofil der Erhebungsorte. Verteilung der Erhebungen in Bezug auf die Landnutzung."
glue(figure_name, fig, display=False)
glue(f"{this_feature['slug']}_land_use_caption", figure_caption, display=False)

plt.close()

Abb. 4.3

Abbildung 4.3: Landnutzungsprofil der Erhebungsorte. Verteilung der Erhebungen in Bezug auf die Landnutzung.

4.1.3. Verteilung der Erhebungsergebnisse

Show code cell source Hide code cell source

# pdf
o_w, o_h = convertPixelToCm(land_use_file_name)
f3cap = Paragraph(figure_caption, caption_style)
figure_kwargs = {
    "image_file":land_use_file_name,
    "caption": f3cap, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 14,
    "caption_height":1,
    "hAlign": "CENTER",
}

f3 = figureAndCaptionTable(**figure_kwargs)

new_components = [
    small_space,
    f3
]

pdfcomponents = addToDoc(new_components, pdfcomponents)
# end pdf

# the sample totals of all other locations than the feature data
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=(10,5))

ax = axs[0]

# feature surveys
sns.scatterplot(data=dx, x="date", y=unit_label, label=top, color="black", alpha=0.4,  ax=ax)
# all other surveys
sns.scatterplot(data=fdx.sample_totals, x="date", y=unit_label, label=this_feature["name"], color="red", 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)

ax.set_ylabel(unit_label, **featuredata.xlab_k14)

ax.set_xlabel("")
ax.xaxis.set_minor_locator(days)
ax.xaxis.set_major_formatter(months_fmt)
ax.set_ylim(-50, 2000)

ax.legend()

# the cumlative distributions:
axtwo = axs[1]

# the feature of interest
feature_ecd = featuredata.ecdfOfAColumn(fdx.sample_totals, unit_label)    
sns.lineplot(x=feature_ecd["x"], y=feature_ecd["y"], color="darkblue", ax=axtwo, label=this_feature["name"])

# the other features
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)

axtwo.set_xlabel(unit_label, **featuredata.xlab_k14)
axtwo.set_ylabel("Verhältnis der Erhebungen", **featuredata.xlab_k14)
axtwo.set_xlim(0, 3000)
axtwo.legend(bbox_to_anchor=(.4,.5), loc="upper left")
axtwo.xaxis.set_major_locator(MultipleLocator(500))
axtwo.xaxis.set_minor_locator(MultipleLocator(100))
axtwo.yaxis.set_major_locator(MultipleLocator(.1))
axtwo.grid(which="minor", visible=True, axis="x", linestyle="--", linewidth=1)

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 = [
    f'Links: {this_feature["name"]}, {featuredata.dateToYearAndMonth(datetime.strptime(start_date, date_format), lang=date_lang)} ',
    f'bis {featuredata.dateToYearAndMonth(datetime.strptime(end_date, date_format), lang=date_lang)}, n = {admin_summary["loc_date"]}. ',
    f'Rechts: empirische Verteilungsfunktion der Erhebungsergebnisse {this_feature["name"]}.'
]

sample_total_notes = ''.join(sample_total_notes)

glue(f'{this_feature["slug"]}_sample_total_notes', sample_total_notes, display=False)
glue("linth_sample_totals", fig, display=False)
plt.close()

Abb. 4.4

Abbildung 4.4: Links: Erhebungsgebiet Linth, März 2020 bis Mai 2021, n = 112. Rechts: empirische Verteilungsfunktion der Erhebungsergebnisse Erhebungsgebiet Linth.

4.1.4. Zusammengefasste Daten und Materialarten

Show code cell source Hide code cell source

csx = fdx.sample_summary.copy()


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)

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

axone = axs[0]
featuredata.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(" ")
featuredata.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=0.2)

# figure caption
summary_of_survey_totals = [
    f'Zusammenfassung der Daten aller Erhebungen am {this_feature["name"]}. ',
    f'Gefunden Materialarten am {this_feature["name"]} in Stückzahlen und ',
    f'als prozentuale Anteile (stückzahlbezogen).'
]

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('linth_survey_area_sample_material_tables', fig, display=False)
plt.close()

Abb. 4.5

Abbildung 4.5: Zusammenfassung der Daten aller Erhebungen am Erhebungsgebiet Linth. Gefunden Materialarten am Erhebungsgebiet Linth in Stückzahlen und als prozentuale Anteile (stückzahlbezogen).

4.2. Die am häufigsten gefundenen Objekte

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 summary tables to pdf
sample_summary_subsection = Paragraph("Verteilung der Erhebungsergebnisse", subsection_title)

sample_total_notes_pdf = [
    f'<b>Links:</b> {this_feature["name"]}, {featuredata.dateToYearAndMonth(datetime.strptime(start_date, date_format), lang=date_lang)} ',
    f'bis {featuredata.dateToYearAndMonth(datetime.strptime(end_date, date_format), lang=date_lang)}, n = {admin_summary["loc_date"]}. ',
    f'<b>Rechts:</b> empirische Verteilungsfunktion der Erhebungsergebnisse {this_feature["name"]}.'
]
s_totals_caption = makeAParagraph(sample_total_notes_pdf, style=caption_style)

samp_mat_subsection = Paragraph("Zusammengefasste Daten und Materialarten", style=subsection_title)
samp_material_caption = Paragraph(summary_of_survey_totals, style=caption_style)

o_w, o_h = convertPixelToCm(sample_totals_file_name)

figure_kwargs = {
    "image_file":sample_totals_file_name,
    "caption": s_totals_caption, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 15,
    "caption_height":1,
    "hAlign": "CENTER",
}

f4 = figureAndCaptionTable(**figure_kwargs)

o_w, o_h = convertPixelToCm(sample_summaries_file_name)

figure_kwargs = {
    "image_file":sample_summaries_file_name,
    "caption": samp_material_caption, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 11,
    "caption_height":1,
    "hAlign": "CENTER",
}

f5 = figureAndCaptionTable(**figure_kwargs)


new_components = [
    PageBreak(),
    sample_summary_subsection,
    small_space,
    f4,
    small_space,
    samp_mat_subsection,
    small_space,
    f5,
    PageBreak()
]

pdfcomponents = addToDoc(new_components, pdfcomponents)

# 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)))

# make caption
# get percent of total to make the caption string
m_common_percent_of_total = fdx.most_common['Objekte (St.)'].sum()/fdx.code_summary['quantity'].sum()

mc_caption_string = [
    f'Häufigste Objekte im {this_feature["name"]}: ',
    'd. h. Objekte mit einer Häufigkeitsrate von mindestens 50% und/oder ',
    f'Top Ten nach Anzahl. Zusammengenommen machen die häufigsten Objekte {int(m_common_percent_of_total*100)}% ',
    f'aller gefundenen Objekte aus. Anmerkung: {unit_label} = Medianwert der Erhebung.'
]

mc_caption_string = "".join(mc_caption_string)

colwidths = [4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm]

mc_caption_string = "".join(mc_caption_string)
d_chart = aSingleStyledTable(data, colWidths=colwidths)
d_capt = featuredata.makeAParagraph(mc_caption_string, style=caption_style)
mc_table = tableAndCaption(d_chart, d_capt, colwidths)

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, language),
    "Häufigkeitsrate": lambda x: f"{int(x)}%",   
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), language)
}

mcd = most_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue('linth_most_common_caption', mc_caption_string, display=False)
glue('linth_most_common_tables', mcd, display=False)

	Objekte (St.)	Anteil	Häufigkeitsrate	p/100 m
Zigarettenfilter	2 012	21%	87%	23,0
Fragmentierte Kunststoffe	917	9%	75%	10,5
Expandiertes Polystyrol	898	9%	65%	3,0
Getränkeflaschen aus Glas, Glasfragmente	621	6%	66%	4,0
Snack-Verpackungen	558	5%	85%	6,0
Industriefolie (Kunststoff)	462	4%	55%	2,0
Verpackungsfolien, nicht für Lebensmittel	238	2%	39%	0,0
Schaumstoffverpackungen/Isolierung	228	2%	38%	0,0
Tabak; Kunststoffverpackungen, Behälter	178	1%	48%	0,0
Kronkorken, Lasche von Dose/Ausfreisslachen	173	1%	52%	1,0

Abb. 4.6

Abbildung 4.6: Häufigste Objekte im Erhebungsgebiet Linth: d. h. Objekte mit einer Häufigkeitsrate von mindestens 50% und/oder Top Ten nach Anzahl. Zusammengenommen machen die häufigsten Objekte 66% aller gefundenen Objekte aus. Anmerkung: p/100 m = Medianwert der Erhebung.

4.2.1. Die am häufigsten gefundenen Objekte nach Gewässer

Show code cell source Hide code cell source

# add new section to pdf
mc_section_title = Paragraph("Die am häufigsten gefundenen Objekte", section_title)
para_g = "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)"
mc_section_para = Paragraph(para_g, featuredata.p_style)

new_components = [
    KeepTogether([
        mc_section_title,
        small_space,
        mc_section_para
    ]),
    small_space,
    mc_table,
       
]
pdfcomponents = addToDoc(new_components, pdfcomponents)

mc_heat_map_caption = f'Median {unit_label} der häufigsten Objekte am {this_feature["name"]}.'

# 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 = admin_details.makeFeatureNameMap()

# 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.loc[x, 'water_name'] 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[this_feature["name"]]= mc_feature
mc_comp[top] = mc_period

caption_prefix =  f'Median {unit_label} der häufigsten Objekte am '
col_widths=[4.5*cm, *[1*cm]*(len(mc_comp.columns))]
mc_heatmap_title = Paragraph("Die am häufigsten gefundenen Objekte nach Gewässer", subsection_title)
tables = featuredata.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, np.ndarray)):
    grouped_pdf_components = [*tables]
else:
    grouped_pdf_components = [tables]
    

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

pdfcomponents = 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)

	Dorfbach	Escherkanal	Jona	Limmat	Linthkanal	Reuss	Seez	Sihl	Vierwaldstättersee	Walensee	Zugersee	Zürichsee	Erhebungsgebiet Linth	Alle Erhebungsgebiete
Getränkeflaschen aus Glas, Glasfragmente	0,0	0,0	0,0	8,5	10,5	0,0	0,0	7,0	0,0	1,0	0,0	10,5	4,0	3,0
Expandiertes Polystyrol	0,0	0,0	0,0	0,0	0,5	0,0	12,5	0,0	4,0	9,0	0,0	3,0	3,0	5,0
Fragmentierte Kunststoffe	0,0	0,0	3,0	2,0	7,0	0,0	7,5	0,0	0,0	12,0	0,0	18,0	10,5	18,0
Industriefolie (Kunststoff)	0,0	9,0	0,0	0,0	5,5	0,0	0,0	0,0	0,0	5,0	0,0	3,0	2,0	5,0
Kronkorken, Lasche von Dose/Ausfreisslachen	0,0	0,0	0,0	5,0	0,5	0,0	0,0	1,5	0,0	1,0	0,0	4,0	1,0	1,0
Schaumstoffverpackungen/Isolierung	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	4,0	0,0	0,0	0,0	1,0
Snack-Verpackungen	1,0	18,0	5,0	6,0	5,5	0,0	1,0	0,0	5,0	6,0	3,0	11,5	6,0	9,0
Tabak; Kunststoffverpackungen, Behälter	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	3,0	0,0	0,0
Verpackungsfolien, nicht für Lebensmittel	0,0	0,0	0,0	0,0	0,0	0,0	0,0	0,0	4,0	0,0	7,0	2,0	0,0	0,0
Zigarettenfilter	1,0	0,0	3,0	9,0	0,5	0,0	3,5	0,0	8,0	19,0	13,0	40,0	23,0	20,0

Abb. 4.7

Abbildung 4.7: Median p/100 m der häufigsten Objekte am Erhebungsgebiet Linth.

4.2.2. Die am häufigsten gefundenen Objekte im monatlichen Durchschnitt

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)

# pdf components
# gradient background for .pdf table
monthly_heat_map_gradient = featuredata.colorGradientTable(by_month)

# subsection title and figure caption
mc_monthly_title = Paragraph("Die am häufigsten gefundenen Objekte im monatlichen Durchschnitt", subsection_title)
monthly_data_caption = f'{this_feature["name"]}, monatliche Durchschnittsergebnisse p/100 m'
figure_caption = Paragraph(monthly_data_caption, caption_style)

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

d_chart = aSingleStyledTable(by_month, vertical_header=True, gradient=True, colWidths=col_widths)
d_capt = featuredata.makeAParagraph(monthly_data_caption, style=caption_style)
mc_table = tableAndCaption(d_chart, d_capt, colwidths)
new_components = [
    KeepTogether([
        featuredata.large_space,
        mc_monthly_title,
        featuredata.large_space,
        mc_table
    ])
]

pdfcomponents = 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("linth_monthly_results_caption", monthly_data_caption, display=False)
glue("linth_monthly_results", mcdm, display=False)

	Apr.	Mai	Juni	Juli	Aug.	Sept.	Okt.	Nov.	Dez.	Jan.	Feb.	März
Kronkorken, Lasche von Dose/Ausfreisslachen	5,3	5,2	9,9	9,1	8,6	6,6	1,4	1,8	0,7	1,6	1,4	1,6
Getränkeflaschen aus Glas, Glasfragmente	0,3	18,2	11,0	14,9	12,3	31,4	7,3	14,0	59,0	58,4	9,3	10,4
Snack-Verpackungen	19,2	18,3	16,0	26,6	11,4	40,5	11,4	6,4	8,8	10,8	8,0	4,2
Schaumstoffverpackungen/Isolierung	2,0	9,2	13,6	3,9	10,0	14,5	1,8	3,4	2,5	0,6	3,4	1,2
Expandiertes Polystyrol	41,2	37,8	54,4	10,0	9,4	42,8	12,0	6,5	5,4	6,2	10,6	2,0
Industriefolie (Kunststoff)	3,8	8,8	11,9	6,0	8,0	15,9	14,8	12,1	4,3	2,1	16,7	6,8
Fragmentierte Kunststoffe	24,3	39,9	36,0	39,0	24,0	64,8	14,5	6,6	9,1	8,1	12,0	8,0
Tabak; Kunststoffverpackungen, Behälter	10,8	3,4	2,8	12,4	2,7	13,8	1,3	1,5	2,5	7,6	3,4	2,5
Zigarettenfilter	53,7	68,4	89,1	69,0	85,9	125,9	20,0	13,5	17,0	31,4	17,1	26,8
Verpackungsfolien, nicht für Lebensmittel	0,0	0,0	0,0	2,9	6,4	39,5	4,0	1,6	3,2	15,4	5,9	5,8

Abb. 4.8

Abbildung 4.8: Erhebungsgebiet Linth, monatliche Durchschnittsergebnisse p/100 m

4.3. 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.

1. Rot/Rosa steht für eine positive Assoziation

2. Gelb steht für eine negative Assoziation

3. Weiss bedeutet, dass keine statistische Grundlage für die Annahme eines Zusammenhangs besteht

Show code cell source Hide code cell source

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

# 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", va="center", labelpad=10, fontsize=12)
            ax.set_xlabel(" ")
        else:
            ax.set_xlabel(" ")
            ax.set_ylabel(" ")
        # run test
        ax = featuredata.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 ",
    f'im Erhebungsgebiet Linth. Für alle gültigen Erhebungen an Seen n={str(admin_summary["loc_date"])}. 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)
glue(f'{this_feature["slug"]}_spearmans_caption', spearmans, display=False)

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('linth_survey_area_spearmans', fig, display=False)
plt.close()

Abb. 4.9

Abbildung 4.9: Ausgewertete Korrelationen der am häufigsten gefundenen Objekte in Bezug auf das Landnutzungsprofil im Erhebungsgebiet Linth. Für alle gültigen Erhebungen an Seen n=112. Legende: wenn p > 0,05 = weiss, wenn p < 0,05 und Rho > 0 = rot, wenn p < 0,05 und Rho < 0 = gelb.

4.4. 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 befindet sich die vollständige Liste der identifizierten Objekte, einschliesslich Beschreibungen und Gruppenklassifizierung. Das Kapitel 16 Codegruppen beschreibt jede Codegruppe im Detail und bietet eine umfassende Liste aller Objekte in einer Gruppe.

Show code cell source Hide code cell source

# the results are a callable for the components
components = fdx.componentCodeGroupResults()

# pivot that and reomve any hierarchal column index
pt_comp = components[[this_level, "groupname", '% of total' ]].pivot(columns=this_level, index="groupname")
pt_comp.columns = pt_comp.columns.get_level_values(1)
pt_comp.rename(columns = proper_column_names, inplace=True)

# the aggregated codegroup results from the feature
pt_feature = fdx.codegroup_summary["% of total"]
pt_comp[this_feature["name"]] = pt_feature

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

# caption
code_group_percent_caption = [
    'Verwendungszweck oder Beschreibung der identifizierten Objekte in % der ',
    f'Gesamtzahl nach Gemeinden im Erhebungsgebiet {this_feature["name"]}. '
    'Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, ',
    'werden weiterhin nach ihrer Grösse klassifiziert.'
]

code_group_percent_caption = ''.join(code_group_percent_caption)

# format for data frame
pt_comp.index.name = None
pt_comp.columns.name = None
aformatter = {x: '{:.0%}' for x in pt_comp.columns}
ptd = pt_comp.style.format(aformatter).set_table_styles(heat_map_css_styles).background_gradient(axis=None, vmin=pt_comp.min().min(), vmax=pt_comp.max().max(), cmap="YlOrBr")
ptd = ptd.applymap_index(featuredata.rotateText, axis=1)

# the caption prefix is used in the case where the table needs to be split horzontally
caption_prefix =  'Verwendungszweck oder Beschreibung der identifizierten Objekte in % der Gesamtzahl nach Gemeinden: '

col_widths = [4.5*cm, *[1*cm]*(len(pt_comp.columns))]
cgpercent_tables = featuredata.splitTableWidth(pt_comp.mul(100).astype(int), gradient=True, caption_prefix=caption_prefix, caption= code_group_percent_caption,
                    this_feature=this_feature["name"], vertical_header=True, colWidths=col_widths, rowends=-2)

if isinstance(tables, (list, np.ndarray)):
    grouped_pdf_components = [*tables]
else:
    grouped_pdf_components = [tables]


glue("linth_codegroup_percent_caption", code_group_percent_caption, display=False)
glue("linth_codegroup_percent", ptd, display=False)

	Dorfbach	Escherkanal	Jona	Limmat	Linthkanal	Reuss	Seez	Sihl	Vierwaldstättersee	Walensee	Zugersee	Zürichsee	Erhebungsgebiet Linth	Alle Erhebungsgebiete
Abwasser	33%	0%	0%	0%	1%	0%	2%	0%	2%	2%	2%	3%	2%	5%
Essen und Trinken	8%	40%	38%	36%	40%	33%	12%	67%	36%	13%	19%	27%	22%	19%
Freizeit und Erholung	0%	20%	0%	2%	2%	0%	2%	0%	3%	4%	2%	6%	5%	4%
Infrastruktur	0%	0%	19%	4%	29%	33%	38%	13%	14%	27%	8%	7%	15%	18%
Landwirtschaft	0%	30%	10%	1%	5%	0%	0%	13%	0%	10%	0%	4%	6%	6%
Mikroplastik (< 5mm)	0%	0%	0%	0%	0%	0%	12%	0%	0%	6%	0%	2%	3%	8%
Persönliche Gegenstände	42%	0%	0%	9%	5%	0%	5%	0%	7%	2%	6%	5%	4%	3%
Plastikfragmente	0%	0%	10%	6%	6%	0%	17%	0%	2%	12%	0%	9%	10%	14%
Tabakwaren	8%	0%	24%	30%	1%	0%	7%	0%	19%	19%	40%	27%	24%	17%
Verpackungen ohne Lebensmittel/Tabak	8%	0%	0%	11%	4%	0%	0%	0%	14%	4%	18%	9%	7%	5%
nicht klassifiziert	0%	10%	0%	1%	7%	33%	5%	7%	3%	1%	5%	1%	1%	1%

Abb. 4.10

Abbildung 4.10: Verwendungszweck oder Beschreibung der identifizierten Objekte in % der Gesamtzahl nach Gemeinden im Erhebungsgebiet Erhebungsgebiet Linth. Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.

Show code cell source Hide code cell source

# pivot that
grouppcs_comp = components[[this_level, "groupname", unit_label ]].pivot(columns=this_level, 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 codegroup results from the feature
pt_feature = fdx.codegroup_summary[unit_label]
grouppcs_comp[this_feature["name"]] = pt_feature

# 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 = [
    f'Verwendungszweck der gefundenen Objekte Median {unit_label} am ',
    f'{this_feature["name"]}. Fragmentierte Objekte, die nicht eindeutig ',
    'identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.'
]
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*cm]*(len(grouppcs_comp.columns))]
cgpcsm_tables = featuredata.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 = 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("linth_codegroup_pcsm_caption", code_group_pcsm_caption, display=False)
glue("linth_codegroup_pcsm", cgp, display=False)

	Dorfbach	Escherkanal	Jona	Limmat	Linthkanal	Reuss	Seez	Sihl	Vierwaldstättersee	Walensee	Zugersee	Zürichsee	Erhebungsgebiet Linth	Alle Erhebungsgebiete
Abwasser	3,0	0,0	0,0	0,0	0,5	0,0	1,0	0,0	0,0	1,0	0,0	2,0	0,5	3,0
Essen und Trinken	1,0	36,0	9,0	27,5	26,5	3,0	5,0	17,0	12,0	20,0	12,0	52,0	30,5	37,0
Freizeit und Erholung	0,0	18,0	0,0	1,0	1,0	0,0	1,0	0,0	3,0	5,0	0,0	6,5	4,0	6,0
Infrastruktur	0,0	0,0	3,0	4,0	12,0	3,0	18,0	3,0	9,0	20,0	3,0	13,5	12,5	20,0
Landwirtschaft	0,0	27,0	3,0	0,0	11,0	0,0	0,0	3,0	0,0	8,0	0,0	4,0	3,0	7,0
Mikroplastik (< 5mm)	0,0	0,0	0,0	0,0	0,0	0,0	5,5	0,0	0,0	3,0	0,0	0,0	0,0	1,0
Persönliche Gegenstände	5,0	0,0	0,0	4,0	6,5	0,0	17,0	0,0	6,0	4,0	3,0	6,0	4,0	6,0
Plastikfragmente	0,0	0,0	3,0	2,0	7,0	0,0	7,5	0,0	0,0	12,0	0,0	18,0	10,5	18,0
Tabakwaren	1,0	0,0	3,0	11,5	0,5	0,0	3,5	0,0	8,0	20,0	16,0	50,0	26,5	25,0
Verpackungen ohne Lebensmittel/Tabak	1,0	0,0	0,0	7,5	6,0	0,0	0,0	0,0	12,0	5,0	10,0	17,5	10,0	9,0
nicht klassifiziert	0,0	9,0	0,0	0,0	3,0	2,5	2,0	4,0	4,0	1,0	3,0	0,0	0,0	0,0

Abb. 4.11

Abbildung 4.11: Verwendungszweck der gefundenen Objekte Median p/100 m am Erhebungsgebiet Linth. Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.

4.5. Fliessgewässer

Show code cell source Hide code cell source

# summary of sample totals
csx = fdr.sample_summary.copy()
combined_summary =[(x, featuredata.thousandsSeparator(int(csx[x]), language)) for x in csx.index]

# the lake and river sample totals
rivers = fdr.sample_totals
lakes = fdx.sample_totals

# make the charts
fig = plt.figure(figsize=(11,6))

aspec = fig.add_gridspec(ncols=11, nrows=3)

ax = fig.add_subplot(aspec[:, :6])

line_label = F"{rate} median:{top}"

sns.scatterplot(data=lakes, x="date", y=unit_label, color="black", alpha=0.4, label="Seen", ax=ax)
sns.scatterplot(data=rivers, x="date", y=unit_label, color="red", s=34, ec="white",label="Fliessgewässer", ax=ax)

ax.set_ylabel(unit_label, labelpad=10, fontsize=14)

ax.set_xlabel("")
ax.xaxis.set_minor_locator(days)
ax.xaxis.set_major_formatter(months_fmt)
# ax.margins(x=.05, y=.05)
ax.set_ylim(-50, 2000)

a_col = [this_feature["name"], "Total"]

axone = fig.add_subplot(aspec[:, 6:])
featuredata.hide_spines_ticks_grids(axone)

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

rivers_caption = [
    f'Links: {this_feature["name"]} Fliessgewässer, {featuredata.dateToYearAndMonth(datetime.strptime(start_date, date_format), lang=date_lang)} ',
    f'bis {featuredata.dateToYearAndMonth(datetime.strptime(end_date, date_format), lang=date_lang)}, n = {len(rivers.loc_date.unique())}. ',
    'Rechts: Zusammenfassung der Daten.'
]

rivers_caption = ''.join(rivers_caption)


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

plt.tight_layout()
plt.savefig(**save_figure_kwargs)

glue('linth_survey_area_rivers_summary_caption', rivers_caption, display=False)

glue('linth_survey_area_rivers_summary', fig, display=False)
plt.close()

Abb. 4.12

Abbildung 4.12: Links: Erhebungsgebiet Linth Fliessgewässer, April 2020 bis März 2021, n = 19. Rechts: Zusammenfassung der Daten.

4.5.1. Die an Fliessgewässern am häufigsten gefundenen Objekte

Show code cell source Hide code cell source

# the most common objects results
most_common_display = fdr.most_common.copy()

# 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)))

# make caption
# get percent of total to make the caption string
m_common_percent_of_total = fdx.most_common['Objekte (St.)'].sum()/fdx.code_summary['quantity'].sum()

mc_caption_string = f'Häufigste Objekte p/100 m an Fliessgewässern im {this_feature["name"]}: Medianwert der Erhebung.'


# pdf_mc_table  = featuredata.aStyledTable(data, caption=mc_caption_string, colWidths=[4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm])

col_widths = [4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm]

d_chart = aSingleStyledTable(data, vertical_header=False, gradient=False, colWidths=col_widths)
d_capt = featuredata.makeAParagraph([monthly_data_caption], style=caption_style)
pdf_mc_table = tableAndCaption(d_chart, d_capt, colwidths)

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, language),
    "Häufigkeitsrate": lambda x: f"{int(x)}%",   
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), language)
}

mcd = most_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue('linth_rivers_most_common_caption', mc_caption_string, display=False)
glue('linth_rivers_most_common_tables', mcd, display=False)

	Objekte (St.)	Anteil	Häufigkeitsrate	p/100 m
Zigarettenfilter	72	17%	57%	1,0
Getränkeflaschen aus Glas, Glasfragmente	51	12%	42%	0,0
Snack-Verpackungen	28	6%	68%	2,0
Fragmentierte Kunststoffe	27	6%	47%	0,0
Kronkorken, Lasche von Dose/Ausfreisslachen	17	4%	31%	0,0
Industrieschrott	15	3%	26%	0,0
Expandiertes Polystyrol	13	3%	15%	0,0
Geschirr aus Keramik oder Glas, Tassen, Teller, Stücke	13	3%	10%	0,0
Zeitungen oder Zeitschriften	12	2%	10%	0,0
Verpackungen aus Aluminiumfolie	10	2%	31%	0,0

Abb. 4.13

Abbildung 4.13: Häufigste Objekte p/100 m an Fliessgewässern im Erhebungsgebiet Linth: Medianwert der Erhebung.

4.6. Anhang

4.6.1. Schaumstoffe und Kunststoffe nach Grösse

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.

Show code cell source Hide code cell source

annex_title = Paragraph("Anhang", section_title)
frag_sub_title = Paragraph("Schaumstoffe und Kunststoffe nach Grösse", 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 = [
    f'Fragmentierte und geschäumte Kunststoffe nach Grösse am {this_feature["name"]}',
    f'Median {unit_label}, Anzahl der gefundenen Objekte und Prozent 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, language),
    "Objekte (St.)": lambda x: featuredata.thousandsSeparator(int(x), language),
    "Anteil":'{:.0%}'   
}

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

glue("linth_frag_table_caption", frag_captions, display=False)
glue("linth_frags_table", frags_table, display=False)

# frag_table = featuredata.aStyledTable(data, caption=frag_captions, colWidths=[7*cm, *[2*cm]*(len(dims_table.columns)-1)])
col_widths = [7*cm, *[2*cm]*(len(data.columns)-1)]

d_chart = aSingleStyledTable(data, vertical_header=False, gradient=False, colWidths=col_widths)
d_capt = featuredata.makeAParagraph(frag_caption, style=caption_style)
pdf_mc_table = tableAndCaption(d_chart, d_capt, colwidths)

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

pdfcomponents = addToDoc(new_components, pdfcomponents)

	p/100 m	Objekte (St.)	Anteil
Schaumstoffverpackungen/Isolierung	0,0	30	0%
Objekte aus Kunststoff/Polystyrol 0,5 - 2,5 cm	0,0	2	0%
Objekte aus Kunststoff/Polystyrol 2,5 - 50 cm	0,0	17	0%
Objekte aus Kunststoff 0,5 - 2,5 cm	3,5	455	5%
Objekte aus Kunststoff 2,5 - 50 cm	4,5	442	5%
Objekte aus Kunststoff > 50 cm	0,0	1	0%
Objekte aus expandiertem Polystyrol 0,5 - 2,5 cm	1,0	506	5%
Objekte aus expandiertem Polystyrol 2,5 - 50 cm	0,0	390	4%
Objekte aus expandiertem Polystyrol > 50 cm	0,0	2	0%

Abb. 4.14

Abbildung 4.14: Fragmentierte und geschäumte Kunststoffe nach Grösse am Erhebungsgebiet LinthMedian p/100 m, Anzahl der gefundenen Objekte und Prozent der Gesamtmenge.

4.6.2. Die Erhebungsorte

Abb. 4.15

Show code cell source Hide code cell source

# display the survey locations
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)

# make this into a pdf table
location_subsection = Paragraph("Die Erhebungsorte und Inventar der Objekte", 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
limmat_dietikon_keiserp	47.407989	8.409540	Dietikon
zugerseecholler_cham_blarerm	47.178216	8.480013	Zug
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
sihl_zuerich_eggerskoehlingera	47.381898	8.538328	Zürich
gasi-strand	47.128442	9.110831	Weesen
rastplatz-stampf	47.215177	8.844286	Rapperswil-Jona
zuerichsee_richterswil_benkoem_2	47.217646	8.698713	Richterswil
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)
zurichsee_wollishofen_langendorfm	47.345890	8.536155	Zürich
untertenzen	47.115260	9.254780	Quarten
zurcher-strand	47.364200	8.537420	Zürich
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
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
murg-bad	47.115307	9.215691	Quarten
schmerikon-bahnhof-strand	47.224780	8.944180	Schmerikon
aabach	47.220989	8.940365	Schmerikon
sihl_zuerich_eichenbergerd	47.339588	8.516697	Zürich
kusnachter-dorfbach-tobelweg-1-4	47.317770	8.588258	Küsnacht (ZH)
flibach-river-right-bank	47.133742	9.105461	Weesen
linth_route9brucke	47.125730	9.117340	Glarus Nord
seez_spennwiesenbrucke	47.114948	9.310123	Walenstadt
linth_mollis	47.131370	9.094768	Glarus Nord
seez	47.119830	9.300251	Walenstadt
limmat_zuerich_suterdglauserp	47.394539	8.513443	Zürich
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

4.6.3. Inventar der Objekte

Show code cell source Hide code cell source

pd.set_option("display.max_rows", None)
complete_inventory = fdx.code_summary.copy()
complete_inventory.sort_values(by="quantity", ascending=False, inplace=True)
complete_inventory["quantity"] = complete_inventory["quantity"].map(lambda x: featuredata.thousandsSeparator(x, language))
complete_inventory["% of total"] = complete_inventory["% of total"].astype(int)
complete_inventory[unit_label] = complete_inventory[unit_label].astype(int)
complete_inventory.rename(columns=featuredata.inventory_table_de, inplace=True)
    
inventory_subsection = Paragraph("Inventar der Objekte", subsection_title)
col_widths=[1.2*cm, 4.5*cm, 2.2*cm, 1.5*cm, 1.5*cm, 2.4*cm, 1.5*cm]
inventory_table = aStyledTableWithTitleRow(complete_inventory, title="Inventar der Objekte", colWidths=col_widths)

new_map_image =  Image('resources/maps/linth_location_labels.jpeg', width=cm*16, height=12*cm, kind="proportional", hAlign= "CENTER")
new_components = [
    KeepTogether([
        featuredata.large_space,
        location_subsection,
        small_space,
        new_map_image,
        Paragraph(map_caption, caption_style),
        featuredata.smaller_space,
        pdf_table,
        
    ]),
    featuredata.large_space,
    inventory_table
]    

pdfcomponents = addToDoc(new_components, pdfcomponents)

complete_inventory

	Objekte	Objekte (St.)	Anteil	p/100 m	Häufigkeitsrate	Material
code
G27	Zigarettenfilter	2 012	21	23	87	Plastik
Gfrags	Fragmentierte Kunststoffe	917	9	10	75	Plastik
Gfoam	Expandiertes Polystyrol	898	9	3	65	Plastik
G200	Getränkeflaschen aus Glas, Glasfragmente	621	6	4	66	Glas
G30	Snack-Verpackungen	558	5	6	85	Plastik
G67	Industriefolie (Kunststoff)	462	4	2	55	Plastik
G941	Verpackungsfolien, nicht für Lebensmittel	238	2	0	39	Plastik
G74	Schaumstoffverpackungen/Isolierung	228	2	0	38	Plastik
G25	Tabak; Kunststoffverpackungen, Behälter	178	1	0	48	Plastik
G178	Kronkorken, Lasche von Dose/Ausfreisslachen	173	1	1	52	Metall
G156	Papierfragmente	151	1	0	41	Papier
G117	Styropor < 5mm	134	1	0	18	Plastik
G89	Kunststoff-Bauabfälle	117	1	0	41	Plastik
G177	Verpackungen aus Aluminiumfolie	112	1	0	39	Metall
G923	Taschentücher, Toilettenpapier, Servietten, Pa...	106	1	0	28	Papier
G73	Gegenstände aus Schaumstoff & Teilstücke (nich...	95	1	0	11	Plastik
G96	Hygienebinden/Höscheneinlagen/Tampons und Appl...	93	0	0	13	Plastik
G24	Ringe von Plastikflaschen/Behältern	85	0	0	38	Plastik
G21	Getränke-Deckel, Getränkeverschluss	80	0	0	34	Plastik
G112	Industriepellets (Nurdles)	72	0	0	19	Plastik
G211	Sonstiges medizinisches Material	71	0	0	25	Plastik
G155	Feuerwerkspapierhülsen und -fragmente	70	0	0	9	Papier
G95	Wattestäbchen/Tupfer	70	0	0	32	Plastik
G31	Schleckstengel, Stengel von Lutscher	63	0	0	30	Plastik
G23	unidentifizierte Deckel	61	0	0	29	Plastik
G904	Feuerwerkskörper; Raketenkappen	59	0	0	24	Plastik
G153	Papierbecher, Lebensmittelverpackungen aus Pap...	58	0	0	23	Papier
G106	Kunststofffragmente eckig <5mm	58	0	0	13	Plastik
G10	Lebensmittelbehälter zum einmaligen Gebrauch a...	56	0	0	21	Plastik
G922	Etiketten, Strichcodes	54	0	0	22	Plastik
G125	Luftballons und Luftballonstäbchen	50	0	0	23	Gummi
G35	Strohhalme und Rührstäbchen	49	0	0	31	Plastik
G32	Spielzeug und Partyartikel	47	0	0	27	Plastik
G940	Schaumstoff EVA (flexibler Kunststoff)	46	0	0	8	Plastik
G928	Bänder und Schleifen	43	0	0	9	Plastik
G66	Umreifungsbänder; Hartplastik für Verpackung f...	41	0	0	25	Plastik
G148	Kartonkisten und Stücke	38	0	0	11	Papier
G159	Kork	38	0	0	15	Holz
G203	Geschirr aus Keramik oder Glas, Tassen, Teller...	38	0	0	11	Glas
G936	Folien für Gewächshäuser	37	0	0	12	Plastik
G50	Schnur < 1cm	36	0	0	24	Plastik
G115	Schaumstoff <5mm	34	0	0	4	Plastik
G165	Glacestengel (Eisstiele), Zahnstocher, Essstäb...	31	0	0	13	Holz
G208	Glas oder Keramikfragmente >2.5 cm	29	0	0	13	Glas
G33	Einwegartikel; Tassen/Becher & Deckel	28	0	0	16	Plastik
G91	Bio-Filtermaterial / Trägermaterial aus Kunst...	28	0	0	12	Plastik
G186	Industrieschrott	28	0	0	15	Metall
G131	Gummibänder	26	0	0	16	Gummi
G87	Abdeckklebeband/Verpackungsklebeband	26	0	0	16	Plastik
G917	Blähton	23	0	0	6	Glas
G146	Papier, Karton	23	0	0	10	Papier
G3	Einkaufstaschen, Shoppingtaschen	22	0	0	13	Plastik
G34	Besteck, Teller und Tabletts	22	0	0	14	Plastik
G157	Papier	22	0	0	5	Papier
G905	Haarspangen, Haargummis, persönliche Accessoir...	21	0	0	10	Plastik
G152	Papier &Karton;Zigarettenschachteln, Papier/Ka...	20	0	0	9	Papier
G98	Windeln – Feuchttücher	20	0	0	13	Plastik
G22	Deckel für Chemikalien, Reinigungsmittel (Ohne...	19	0	0	10	Plastik
G942	Kunststoffspäne von Drehbänken, CNC-Bearbeitung	18	0	0	8	Plastik
G154	Zeitungen oder Zeitschriften	18	0	0	5	Papier
G135	Kleidung, Fussbekleidung, Kopfbedeckung, Hands...	16	0	0	8	Stoff
G149	Papierverpackungen	16	0	0	4	Papier
G100	Medizin; Behälter/Röhrchen/Verpackungen	15	0	0	8	Plastik
G137	Kleidung, Handtücher und Lappen	14	0	0	10	Stoff
G90	Blumentöpfe aus Plastik	14	0	0	8	Plastik
G170	Holz (verarbeitet)	14	0	0	5	Holz
G201	Gläser, einschliesslich Stücke	13	0	0	8	Glas
G210	Sonstiges Glas/Keramik Materialien	12	0	0	3	Glas
G213	Paraffinwachs	12	0	0	5	Chemikalien
G921	Keramikfliesen und Bruchstücke	12	0	0	6	Glas
G26	Feuerzeug	12	0	0	9	Plastik
G142	Seil, Schnur oder Netze	12	0	0	9	Stoff
G191	Draht und Gitter	11	0	0	9	Metall
G175	Getränkedosen (Dosen, Getränke)	11	0	0	8	Metall
G59	Monofile Angelschnur (Angeln)	11	0	0	8	Plastik
G4	Kleine Plastikbeutel; Gefrierbeutel, Zippsäckc...	11	0	0	7	Plastik
G198	Andere Metallteile < 50 cm	10	0	0	8	Metall
G93	Kabelbinder	10	0	0	8	Plastik
G925	Pakete: Trockenmittel/Feuchtigkeitsabsorber, m...	9	0	0	7	Plastik
G20	Laschen und Deckel	9	0	0	4	Plastik
G927	Plastikschnur von Rasentrimmern, die zum Schne...	9	0	0	6	Plastik
G919	Nägel, Schrauben, Bolzen usw.	9	0	0	3	Metall
G194	Kabel, Metalldraht oft in Gummi- oder Kunststo...	9	0	0	4	Metall
G28	Stifte, Deckel, Druckbleistifte usw.	9	0	0	6	Plastik
G943	Zäune Landwirtschaft, Kunststoff	9	0	0	4	Plastik
G161	Verarbeitetes Holz	8	0	0	6	Holz
G914	Büroklammern, Wäscheklammern, Gebrauchsgegenst...	8	0	0	5	Plastik
G167	Streichhölzer oder Feuerwerke	8	0	0	2	Holz
G134	Sonstiges Gummi	8	0	0	6	Gummi
G7	Getränkeflaschen < = 0,5 l	8	0	0	6	Plastik
G65	Eimer	8	0	0	4	Plastik
G933	Taschen, Etuis für Zubehör, Brillen, Elektroni...	8	0	0	5	Plastik
G101	Robidog Hundekot-Säcklein, andere Hundekotsäck...	8	0	0	7	Plastik
G908	Klebeband; elektrisch, isolierend	7	0	0	6	Plastik
G126	Bälle	7	0	0	5	Gummi
G124	Andere Kunststoff	7	0	0	5	Plastik
G929	Elektronik und Teile; Sensoren, Headsets usw.	6	0	0	5	Metall
G926	Kaugummi, enthält oft Kunststoffe	6	0	0	4	Plastik
G197	sonstiges Metall	5	0	0	4	Metall
G68	Fiberglas-Fragmente	5	0	0	4	Plastik
G103	Kunststofffragmente rund <5mm	5	0	0	2	Plastik
G204	Baumaterial; Ziegel, Rohre, Zement	5	0	0	3	Glas
G901	Medizinische Masken, synthetische	5	0	0	4	Plastik
G171	Sonstiges Holz < 50cm	4	0	0	1	Holz
G930	Schaumstoff-Ohrstöpsel	4	0	0	2	Plastik
G119	Folienartiger Kunststoff (>1mm)	4	0	0	1	Plastik
G133	Kondome einschließlich Verpackungen	4	0	0	2	Gummi
G49	Seile > 1cm	4	0	0	2	Plastik
G43	Sicherheitsetiketten, Siegel für Fischerei ode...	4	0	0	2	Plastik
G48	Seile, synthetische	4	0	0	2	Plastik
G70	Schrotflintenpatronen	4	0	0	3	Plastik
G29	Kämme, Bürsten und Sonnenbrillen	4	0	0	3	Plastik
G931	(Absperr)band für Absperrungen, Polizei, Baust...	4	0	0	2	Plastik
G114	Folien <5mm	3	0	0	2	Plastik
G11	Kosmetika für den Strand, z.B. Sonnencreme	3	0	0	2	Plastik
G145	Andere Textilien	3	0	0	1	Stoff
G939	Kunststoffblumen, Kunststoffpflanzen	3	0	0	2	Plastik
G99	Spritzen - Nadeln	3	0	0	2	Plastik
G916	Bleistifte und Bruchstücke	3	0	0	2	Holz
G938	Zahnstocher, Zahnseide Kunststoff	3	0	0	2	Plastik
G6	Flaschen und Behälter aus Kunststoff, nicht fü...	3	0	0	1	Plastik
G5	Plastiksäcke/ Plastiktüten	3	0	0	1	Plastik
G36	Säcke aus strapazierfähigem Kunststoff für 25 ...	3	0	0	2	Plastik
G12	Kosmetika, Behälter für Körperpflegeprodukte, ...	3	0	0	2	Plastik
G128	Reifen und Antriebsriemen	2	0	0	1	Gummi
G8	Getränkeflaschen > 0,5L	2	0	0	1	Plastik
G111	Kugelförmige Pellets < 5mm	2	0	0	1	Plastik
G176	Konservendosen (Lebensmitteldosen)	2	0	0	1	Metall
G2	Säcke, Taschen	2	0	0	0	Plastik
G934	Sandsäcke, Kunststoff für Hochwasser- und Eros...	2	0	0	0	Plastik
G108	Scheibenförmige Pellets <5mm	2	0	0	1	Plastik
G107	Zylindrische Pellets <5mm	2	0	0	0	Plastik
G38	Abdeckungen; Kunststoffverpackungen, Folien zu...	2	0	0	1	Plastik
G999	Keine Gegenstände bei dieser Erhebung/Studie g...	2	0	0	1	Unbekannt
G138	Schuhe und Sandalen	2	0	0	1	Stoff
G918	Sicherheitsnadeln, Büroklammern, kleine Gebrau...	2	0	0	1	Metall
G118	Kleine Industrielle Kügelchen <5mm	2	0	0	1	Plastik
G900	Handschuhe Latex, persönliche Schutzausrüstung	1	0	0	0	Gummi
G913	Schnuller	1	0	0	0	Plastik
G902	Medizinische Masken, Stoff	1	0	0	0	Stoff
G903	Behälter und Packungen für Handdesinfektionsmi...	1	0	0	0	Plastik
G92	Köderbehälter	1	0	0	0	Plastik
G109	Flache Pellets <5mm	1	0	0	0	Plastik
G71	Schuhe Sandalen	1	0	0	0	Plastik
G935	Gummi-Puffer für Geh- und Wanderstöcke und Tei...	1	0	0	0	Plastik
G173	Sonstiges	1	0	0	0	Holz
G907	Kaffeekapseln aus Kunststoff	1	0	0	0	Plastik
G129	Schläuche und Gummiplatten	1	0	0	0	Gummi
G172	Sonstiges Holz > 50 cm	1	0	0	0	Holz
G144	Tampons	1	0	0	0	Stoff
G185	Behälter mittlerer Grösse	1	0	0	0	Metall
G214	Öl/Teer	1	0	0	0	Chemikalien
G147	Papiertragetaschen, (Papiertüten)	1	0	0	0	Papier
G140	Sack oder Beutel (Tragetasche), Jute oder Hanf	1	0	0	0	Stoff
G14	Flaschen für Motoröl (Motorölflaschen)	1	0	0	0	Plastik
G139	Rucksäcke	1	0	0	0	Stoff
G39	Handschuhe	1	0	0	0	Plastik
G40	Handschuhe Haushalt/Garten	1	0	0	0	Plastik
G41	Handschuhe Industriell/Professionell	1	0	0	0	Plastik
G195	Batterien (Haushalt)	1	0	0	0	Metall
G190	Farbtöpfe, Farbbüchsen, ( Farbeimer)	1	0	0	0	Metall
G132	Schwimmer (Angeln)	1	0	0	0	Gummi
G52	Netze und Teilstücke	1	0	0	0	Plastik
G53	Netze und Teilstücke < 50cm	1	0	0	0	Plastik
G151	Tetrapack, Kartons	1	0	0	0	Papier
G17	Kartuschen von Kartuschen-spritzpistolen	1	0	0	0	Plastik
G61	Sonstiges Angelzubehör	1	0	0	0	Plastik
G179	Einweg Grill	1	0	0	0	Metall
G94	Tischtuch	0	0	0	0	Plastik
G196	Grosse metallische Gegenstände	0	0	0	0	Metall
G113	Fäden <5mm	0	0	0	0	Plastik
G174	Aerosolspraydosen	0	0	0	0	Metall
G160	Paletten	0	0	0	0	Holz
G207	Tonkrüge zum Fangen von Kraken	0	0	0	0	Glas
G205	Leuchtstoffröhren	0	0	0	0	Glas
G162	Kisten	0	0	0	0	Holz
G202	Glühbirnen	0	0	0	0	Glas
G166	Farbpinsel	0	0	0	0	Holz
G102	Flip-Flops	0	0	0	0	Plastik
G199	Andere Metallteile > 50 cm	0	0	0	0	Metall
G97	Behälter von Toilettenerfrischer	0	0	0	0	Plastik
G183	Teile von Angelhaken	0	0	0	0	Metall
G180	Haushaltsgeräte	0	0	0	0	Metall
G104	Kunststofffragmente abgerundet / rundlich <5m...	0	0	0	0	Plastik
G945	Rasierklingen	0	0	0	0	Metall
G932	Bio-Beads, Mikroplastik für die Abwasserbehand...	0	0	0	0	Plastik
G193	Teile von Autos und Autobatterien	0	0	0	0	Metall
G944	Pelletmasse aus dem Spritzgussverfahren	0	0	0	0	Plastik
G181	Geschirr aus Metall, Tassen, Besteck usw.	0	0	0	0	Metall
G158	Sonstige Gegenstände aus Papier	0	0	0	0	Papier
G188	Andere Kanister/Behälter < 4 L	0	0	0	0	Metall
G105	Kunststofffragmente subangulär <5mm	0	0	0	0	Plastik
G182	Angeln; Haken, Gewichte, Köder, Senkblei, usw.	0	0	0	0	Metall
G937	Pheromonköder für Weinberge	0	0	0	0	Plastik
G168	Holzbretter	0	0	0	0	Holz
G19	Autoteile	0	0	0	0	Plastik
G64	Kotflügel	0	0	0	0	Plastik
G150	Milchkartons, Tetrapack	0	0	0	0	Papier
G711	Handwärmer	0	0	0	0	Plastik
G13	Flaschen, Behälter, Fässer zum Transportieren ...	0	0	0	0	Plastik
G62	Schwimmer für Netze	0	0	0	0	Plastik
G60	Lichtstab, Knicklicht, Glow-sticks	0	0	0	0	Plastik
G56	Verhedderte Netze	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
G707	Skiausrüstungsetikett	0	0	0	0	Plastik
G708	Skistöcke	0	0	0	0	Metall
G709	Teller von Skistock (runder Teil aus Plastik u...	0	0	0	0	Plastik
G55	Angelschnur (verwickelt)	0	0	0	0	Plastik
G710	Ski / Snowboards (Ski, Befestigungen und ander...	0	0	0	0	Plastik
G712	Skihandschuhe	0	0	0	0	Stoff
G116	Granulat <5mm	0	0	0	0	Plastik
G713	Skiförderband	0	0	0	0	Plastik
G51	Fischernetz	0	0	0	0	Plastik
G84	CD oder CD-Hülle	0	0	0	0	Plastik
G88	Telefon inkl. Teile	0	0	0	0	Plastik
G123	Polyurethan-Granulat < 5mm	0	0	0	0	Plastik
G9	Flaschen und Behälter für Reinigungsmittel und...	0	0	0	0	Plastik
G122	Kunststofffragmente (>1mm)	0	0	0	0	Plastik
G37	Netzbeutel, Netztasche, Netzsäcke	0	0	0	0	Plastik
G136	Schuhe	0	0	0	0	Stoff
G906	Kaffeekapseln Aluminium	0	0	0	0	Metall
G141	Teppiche	0	0	0	0	Stoff
G143	Segel und Segeltuch	0	0	0	0	Stoff
G63	Bojen	0	0	0	0	Plastik
G915	Reflektoren, Mobilitätsartikel aus Kunststoff	0	0	0	0	Plastik
G1	Sixpack-Ringe	0	0	0	0	Plastik