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

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

# 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/thunerseebrienzersee_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 Aare (aare) at the river basin (river_bassin) level.
# the label for charting is called 'name'
this_feature = {'slug':'thunerseebrienzersee', 'name':"Thunersee/Brienzersee", 'level':'water_name_slug'}

# the lake is in this survey area
this_bassin = "aare"
# label for survey area
bassin_label = "Erhebungsgebiet Aare"

# 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 = 'city'

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

# identify the lakes of interest for the survey area
lakes_of_interest = ["thunersee","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": ["thunersee","brienzersee"], 
    "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": ["thunersee","brienzersee"],
    "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()

# 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]

# 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)

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


# pdf download is an option 
# reportlab is used to produce the document
# the arguments for the document are captured at run time
# capture for pdf content
pdf_link = f'resources/pdfs/{this_feature["slug"]}.pdf'
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")


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

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

11. Thunersee/Brienzersee

| Download | English |

Abb. 11.1

Abbildung 11.1: Die Erhebungsorte sind für die Analyse nach Erhebungsgebiet gruppiert. Die Grösse der Markierung gibt einen Hinweis auf die Anzahl Abfallobjekte, die gefunden wurden.

11.1. Erhebungsorte

Show code cell source Hide code cell source

an_admin_summary = featuredata.makeAdminSummaryStateMent(start_date, end_date, this_feature["name"], admin_summary=admin_summary)
                      
# collect component features and land marks
feature_components = featuredata.collectComponentLandMarks(admin_details, language="de")

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

# add the admin summary to the pdf
pdfcomponents = featuredata.addToDoc([
    featuredata.smallest_space,
    Paragraph("Erhebungsorte", featuredata.section_title), 
    featuredata.small_space,
    Paragraph(an_admin_summary , featuredata.p_style)    
], pdfcomponents)

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

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

Im Zeitraum von März 2020 bis Mai 2021 wurden im Rahmen von 36 Datenerhebungen insgesamt 3 764 Objekte entfernt und identifiziert. Die Ergebnisse des Thunersee/Brienzersee umfassen 10 Orte, 6 Gemeinden und eine Gesamtbevölkerung von etwa 69 120 Einwohnenden.

Seen

Thunersee, Brienzersee

Gemeinden

Beatenberg, Brienz (BE), Bönigen, Spiez, Thun, Unterseen

11.1.1. Kumulative Gesamtmengen nach Gemeinden

Show code cell source Hide code cell source

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

# apply language
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
# formattinr 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))))

# a caption for the figure
dims_table_caption = f'{this_feature["name"]}: kumulierten Gewichte  und Masse für die Gemeinden'

# pdf components                 
d_chart = featuredata.aSingleStyledTable(dims_table, colWidths=[3.5*cm, 3*cm, *[2.2*cm]*(len(dims_table.columns)-1)])
d_capt = Paragraph(dims_table_caption, featuredata.caption_style)
a_dims_table = featuredata.tableAndCaption(d_chart, d_capt, [3.5*cm, 3*cm, *[2.2*cm]*(len(dims_table.columns)-2)])

new_components = [
    featuredata.smallest_space,
    a_dims_table
]
pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

# 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


# use the caption from the .pdf for the online figure
glue("thunerseebrienzersee_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.)
Thunersee/Brienzersee	22,25	7,86	10 656	2 396	36	3 764
Unterseen	2,19	1,18	3 728	1 045	12	1 879
Brienz (BE)	1,86	1,61	672	144	3	697
Spiez	14,09	1,36	3 156	871	14	531
Bönigen	0,41	0,36	471	86	2	277
Thun	3,4	3,21	1 824	206	3	276
Beatenberg	0,3	0,14	805	44	2	104

Abb. 11.2

Abbildung 11.2: Thunersee/Brienzersee: kumulierten Gewichte und Masse für die Gemeinden

11.1.2. Verteilung der Erhebungsergebnisse

Show code cell source Hide code cell source

# figure caption
sample_total_notes = f'Links: {this_feature["name"]}, {featuredata.dateToYearAndMonth(datetime.strptime(start_date, date_format), lang=date_lang)} bis {featuredata.dateToYearAndMonth(datetime.strptime(end_date, date_format), lang=date_lang)}, n = {admin_summary["loc_date"]}. Rechts: empirische Verteilungsfunktion der Erhebungsergebnisse {this_feature["name"]}.'
glue(f'{this_feature["slug"]}_sample_total_notes', sample_total_notes, display=False)

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))

# the survey totals by day
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)
# axis formatting
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)
# call the legend
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.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)

figure_name = "thunerseebrienzersee_sample_totals"
sample_totals_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":sample_totals_file_name})

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

Abb. 11.3

Abbildung 11.3: Links: Thunersee/Brienzersee, März 2020 bis Mai 2021, n = 36. Rechts: empirische Verteilungsfunktion der Erhebungsergebnisse Thunersee/Brienzersee.

11.1.3. Zusammengefasste Daten und Materialarten

Show code cell source Hide code cell source

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

# add to pdf
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, figsize=(7, len(combined_summary)*.4))

# summary table
# 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(10)

# 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(10)
plt.tight_layout()
plt.subplots_adjust(wspace=0.1)
plt.margins(0, 0)
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"]}_sample_summaries_caption', summary_of_survey_totals, display=False)
glue(figure_name, fig, display=False)
plt.close()

Abb. 11.4

Abbildung 11.4: Zusammenfassung der Daten aller Erhebungen am Thunersee/Brienzersee. Gefundene Materialarten am Thunersee/Brienzersee in Stückzahlen und als prozentuale Anteile (stückzahlbezogen).

11.2. 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", featuredata.subsection_title)
s_totals = Image(sample_totals_file_name, width=16*cm, height=10*cm, kind="proportional", hAlign= "CENTER")
s_totals_caption = Paragraph(sample_total_notes, featuredata.caption_style)
samp_mat_subsection = Paragraph("Zusammengefasste Daten und Materialarten", featuredata.subsection_title)
samp_material_table = Image(sample_summaries_file_name , width=12*cm, height=10*cm, kind="proportional", hAlign= "CENTER")
samp_material_caption = Paragraph(summary_of_survey_totals, featuredata.caption_style)

o_w, o_h = convertPixelToCm(sample_totals_file_name)

f2cap = Paragraph(sample_total_notes, featuredata.caption_style)

figure_kwargs = {
    "image_file":sample_totals_file_name,
    "caption": f2cap, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 15,
    "caption_height":.75,
    "hAlign": "CENTER",
}

f2 = featuredata.figureAndCaptionTable(**figure_kwargs)

o_w, o_h = convertPixelToCm(sample_summaries_file_name)

f3cap = Paragraph(summary_of_survey_totals, featuredata.caption_style)

figure_kwargs = {
    "image_file":sample_summaries_file_name,
    "caption": f3cap, 
    "original_width":o_w,
    "original_height":o_h,
    "desired_width": 12,
    "caption_height":.75,
    "hAlign": "CENTER",
}

f3 = featuredata.figureAndCaptionTable(**figure_kwargs)

new_components = [KeepTogether([
    featuredata.small_space,
    sample_summary_subsection,
    featuredata.small_space,
    f2,
    featuredata.small_space,
    samp_mat_subsection,
    featuredata.small_space,
    f3,
    
]), PageBreak()]

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

# the most common 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]

# pdf_mc_table  = featuredata.aStyledTable(data, caption=mc_caption_string, colWidths=[4.5*cm, 2.2*cm, 2*cm, 2.8*cm, 2*cm])
d_chart = featuredata.aSingleStyledTable(data, colWidths=colwidths)
d_capt = Paragraph(mc_caption_string, featuredata.caption_style)
mc_table = featuredata.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, "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('thunerseebrienzersee_most_common_caption', mc_caption_string, display=False)
glue('thunerseebrienzersee_most_common_tables', mcd, display=False)

	Objekte (St.)	Anteil	Häufigkeitsrate	p/100 m
Zigarettenfilter	748	19%	88%	14,0
Fragmentierte Kunststoffe	515	13%	91%	17,0
Industriefolie (Kunststoff)	352	9%	83%	8,0
Expandiertes Polystyrol	281	7%	83%	10,5
Snack-Verpackungen	228	6%	77%	5,0
Schaumstoffverpackungen/Isolierung	158	4%	66%	2,5
Getränkeflaschen aus Glas, Glasfragmente	141	3%	72%	2,5
Industriepellets (Nurdles)	115	3%	11%	0,0
Verpackungsfolien, nicht für Lebensmittel	83	2%	44%	0,0
Kunststoff-Bauabfälle	65	1%	50%	0,5
Wattestäbchen/Tupfer	35	0%	52%	1,0

Abb. 11.5

Abbildung 11.5: Häufigste Objekte im Thunersee/Brienzersee: d. h. Objekte mit einer Häufigkeitsrate von mindestens 50% und/oder Top Ten nach Anzahl. Zusammengenommen machen die häufigsten Objekte 72% aller gefundenen Objekte aus. Anmerkung: p/100 m = Medianwert der Erhebung.

11.2.1. Die am häufigsten gefundenen Objekte nach Gemeinden

Show code cell source Hide code cell source

# add new section to pdf
mc_section_title = Paragraph("Die am häufigsten gefundenen Objekte", featuredata.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)
mc_table_cap = Paragraph(mc_caption_string, featuredata.caption_style)



new_components = [
    KeepTogether([
        mc_section_title,
        featuredata.small_space,
        mc_section_para,
        featuredata.large_space,
        mc_table
        ])
]
pdfcomponents = featuredata.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()

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

# 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})

# aggregated totals of the parent this is derived from the arguments in kwargs
mc_parent = period_data.parentMostCommon(parent=True)
mc_parent = featuredata.changeSeriesIndexLabels(mc_parent, {x:fdx.dMap.loc[x] for x in mc_parent.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[bassin_label] = mc_parent
mc_comp[top] = mc_period

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("Die am häufigsten gefundenen Objekte nach Gemeinden", featuredata.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 = [mc_heatmap_title, featuredata.large_space, *tables]
else:
    grouped_pdf_components = [mc_heatmap_title, featuredata.large_space, tables]
    

new_components = [
    featuredata.small_space,
    KeepTogether(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('thunerseebrienzersee_most_common_heat_map', mcd, display=False)

	Beatenberg	Brienz (BE)	Bönigen	Spiez	Thun	Unterseen	Thunersee/Brienzersee	Erhebungsgebiet Aare	Alle Erhebungsgebiete
Getränkeflaschen aus Glas, Glasfragmente	2,0	0,0	0,0	13,0	0,0	2,0	2,5	3,0	3,0
Expandiertes Polystyrol	18,5	22,0	6,5	6,5	16,0	10,5	10,5	4,0	5,0
Fragmentierte Kunststoffe	44,0	39,0	101,0	4,5	24,0	20,5	17,0	18,5	18,0
Industriefolie (Kunststoff)	2,5	67,0	15,0	1,5	13,0	13,0	8,0	5,0	5,0
Industriepellets (Nurdles)	2,5	0,0	3,5	0,0	0,0	0,0	0,0	0,0	0,0
Kunststoff-Bauabfälle	0,0	0,0	4,5	0,0	0,0	1,5	0,5	0,0	1,0
Schaumstoffverpackungen/Isolierung	42,5	4,0	10,0	0,0	0,0	9,0	2,5	0,0	1,0
Snack-Verpackungen	12,0	39,0	6,0	0,0	9,0	10,5	5,0	8,0	9,0
Verpackungsfolien, nicht für Lebensmittel	4,0	6,0	0,0	0,0	0,0	3,0	0,0	0,5	0,0
Wattestäbchen/Tupfer	4,5	6,0	5,5	0,0	1,0	2,0	1,0	0,0	1,0
Zigarettenfilter	54,5	0,0	118,5	4,5	23,0	54,5	14,0	11,0	20,0

Abb. 11.6

Abbildung 11.6: Median p/100 m der häufigsten Objekte am Thunersee/Brienzersee.

11.2.2. 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
agg_pcs_quantity = {unit_label:"sum", "quantity":"sum"}
groups = ["loc_date","date","code", "groupname"]

# use the index from the most common codes to select from the feature data
m_common_m = fd[(fd.code.isin(fdx.most_common.index))].groupby(groups, as_index=False).agg(agg_pcs_quantity)
start_date = "2020-04-01"
end_date = "2021-03-31"

# set the index to the date column
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", featuredata.subsection_title)
monthly_data_caption = f'{this_feature["name"]}, monatliche Durchschnittsergebnisse p/100 m'


col_widths = [4*cm, *[1.15*cm]*(len(mc_comp.columns))]

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

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("thunerseebrienzersee_monthly_results", mcdm, display=False)

	Apr.	Mai	Juni	Juli	Aug.	Sept.	Okt.	Nov.	Dez.	Jan.	Feb.	März
Wattestäbchen/Tupfer	0,0	2,0	3,0	1,5	2,3	3,0	0,7	2,4	0,5	0,5	2,2	1,0
Getränkeflaschen aus Glas, Glasfragmente	0,0	14,0	7,0	18,5	8,0	5,0	11,7	2,4	0,5	3,0	4,5	6,0
Snack-Verpackungen	2,0	6,0	9,0	9,0	18,3	11,5	1,7	10,7	2,5	10,0	19,5	13,0
Schaumstoffverpackungen/Isolierung	0,0	1,0	15,7	6,5	35,7	7,5	2,0	0,7	4,0	3,0	3,2	18,0
Kunststoff-Bauabfälle	0,0	3,0	1,7	5,0	5,0	1,8	0,7	0,0	1,5	1,0	10,2	1,0
Expandiertes Polystyrol	40,0	13,5	11,7	10,0	14,0	13,5	3,3	25,4	4,0	2,0	6,0	19,0
Industriefolie (Kunststoff)	2,0	8,5	9,3	21,5	11,0	25,2	1,7	13,6	1,0	20,5	39,0	15,0
Industriepellets (Nurdles)	0,0	0,0	1,7	0,0	1,7	0,5	0,0	25,6	0,0	0,0	0,0	0,0
Fragmentierte Kunststoffe	12,0	15,0	25,0	25,5	31,7	53,5	8,3	29,9	4,5	13,0	20,5	37,0
Zigarettenfilter	2,0	29,0	75,7	77,0	66,7	44,2	20,3	17,3	5,0	10,5	11,2	57,0
Verpackungsfolien, nicht für Lebensmittel	0,0	0,0	0,0	0,0	1,0	2,2	1,0	3,3	2,5	8,0	4,2	14,0

Abb. 11.7

Abbildung 11.7: Thunersee/Brienzersee, monatliche Durchschnittsergebnisse p/100 m.

11.3. 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 3.6.3) 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[["city", "groupname", '% of total' ]].pivot(columns="city", index="groupname")
pt_comp.columns = pt_comp.columns.get_level_values(1)

# 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 parent level
pt_parent = period_data.parentGroupTotals(parent=True, percent=True)
pt_comp[bassin_label] = pt_parent

# 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)

caption_prefix =  'Verwendungszweck oder Beschreibung der identifizierten Objekte in % der Gesamtzahl nach Gemeinden: '


col_widths = [4.5*cm, *[1.2*cm]*(len(pt_comp.columns)-1)]
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) 


glue("thunerseebrienzersee_codegroup_percent_caption", code_group_percent_caption, display=False)
glue("thunerseebrienzersee_codegroup_percent", ptd, display=False)

	Beatenberg	Brienz (BE)	Bönigen	Spiez	Thun	Unterseen	Thunersee/Brienzersee	Erhebungsgebiet Aare	Alle Erhebungsgebiete
Abwasser	4%	2%	2%	1%	1%	2%	2%	4%	5%
Essen und Trinken	12%	18%	5%	30%	15%	14%	16%	19%	19%
Freizeit und Erholung	2%	5%	2%	4%	6%	4%	4%	5%	4%
Infrastruktur	27%	14%	10%	29%	14%	15%	17%	13%	18%
Landwirtschaft	3%	20%	5%	5%	18%	10%	11%	7%	6%
Mikroplastik (< 5mm)	1%	19%	1%	1%	0%	3%	5%	5%	8%
Persönliche Gegenstände	0%	1%	4%	2%	3%	2%	2%	3%	3%
Plastikfragmente	18%	9%	32%	12%	18%	12%	14%	14%	14%
Tabakwaren	25%	1%	36%	8%	16%	30%	21%	20%	17%
Verpackungen ohne Lebensmittel/Tabak	9%	5%	3%	2%	8%	7%	6%	7%	5%
nicht klassifiziert	0%	6%	1%	6%	0%	1%	2%	1%	1%

Abb. 11.8

Abbildung 11.8: Verwendungszweck oder Beschreibung der identifizierten Objekte in % der Gesamtzahl nach Gemeinden im Erhebungsgebiet Thunersee/Brienzersee. 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[["city", "groupname", unit_label ]].pivot(columns="city", index="groupname")

# quash the hierarchal column index
grouppcs_comp.columns = grouppcs_comp.columns.get_level_values(1)

# 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 parent level
pt_parent = period_data.parentGroupTotals(parent=True, percent=False)
grouppcs_comp[bassin_label] = pt_parent

# 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, *[1.2*cm]*(len(grouppcs_comp.columns)-1)]
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 = [
        *cgpercent_tables,    
        featuredata.larger_space,
        *cgpcsm_tables,
        featuredata.larger_space
    ]
else:
    new_components = [
    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("thunerseebrienzersee_codegroup_pcsm_caption", code_group_pcsm_caption, display=False)
glue("thunerseebrienzersee_codegroup_pcsm", cgp, display=False)

	Beatenberg	Brienz (BE)	Bönigen	Spiez	Thun	Unterseen	Thunersee/Brienzersee	Erhebungsgebiet Aare	Alle Erhebungsgebiete
Abwasser	8,5	12,0	5,5	0,0	3,0	4,0	3,0	3,0	3,0
Essen und Trinken	27,5	84,0	16,5	24,5	24,0	26,5	25,0	27,0	37,0
Freizeit und Erholung	4,5	24,0	5,0	1,5	6,0	7,0	4,5	6,0	6,0
Infrastruktur	67,5	71,0	30,5	13,5	21,0	27,0	22,5	15,0	20,0
Landwirtschaft	7,0	78,0	15,0	2,0	13,0	15,0	9,5	6,0	7,0
Mikroplastik (< 5mm)	2,5	28,0	3,5	0,0	0,0	4,5	1,0	1,0	1,0
Persönliche Gegenstände	0,0	0,0	11,0	0,0	3,0	4,5	2,0	4,0	6,0
Plastikfragmente	44,0	39,0	101,0	4,5	24,0	20,5	17,0	18,5	18,0
Tabakwaren	59,5	7,0	118,5	4,5	25,0	58,0	14,0	15,0	25,0
Verpackungen ohne Lebensmittel/Tabak	21,5	14,0	9,0	1,5	8,0	8,5	4,5	7,5	9,0
nicht klassifiziert	0,0	2,0	2,0	2,5	0,0	0,5	0,5	0,0	0,0

Abb. 11.9

Abbildung 11.9: Verwendungszweck der gefundenen Objekte Median p/100 m am Thunersee/Brienzersee. Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.

11.4. Anhang

11.4.1. 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", 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 = [
    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, "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("thunerseebrienzersee_frag_table_caption", frag_captions, display=False)
glue("thunerseebrienzersee_frags_table", frags_table, display=False)

# pdf components
col_widths = [7*cm, *[2*cm]*len(data.columns)]
d_chart = featuredata.aSingleStyledTable(data, colWidths=col_widths)
d_capt = Paragraph(frag_captions, featuredata.caption_style)
a_dims_table = featuredata.tableAndCaption(d_chart, d_capt, col_widths)





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

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

	p/100 m	Objekte (St.)	Anteil
Schaumstoffverpackungen/Isolierung	0,0	32	1%
Objekte aus Kunststoff/Polystyrol 0,5 - 2,5 cm	0,0	5	0%
Objekte aus Kunststoff/Polystyrol 2,5 - 50 cm	0,0	1	0%
Objekte aus Kunststoff 0,5 - 2,5 cm	8,0	280	7%
Objekte aus Kunststoff 2,5 - 50 cm	7,5	228	6%
Objekte aus Kunststoff > 50 cm	0,0	1	0%
Objekte aus expandiertem Polystyrol 0,5 - 2,5 cm	5,5	174	5%
Objekte aus expandiertem Polystyrol 2,5 - 50 cm	2,5	107	3%
Objekte aus expandiertem Polystyrol > 50 cm	0,0	0	0%

Abb. 11.10

Abbildung 11.10: Fragmentierte und geschäumte Kunststoffe nach Grösse am Thunersee/BrienzerseeMedian p/100 m, Anzahl der gefundenen Objekte und Prozent der Gesamtmenge.

11.4.2. Die Erhebungsorte

Abb. 11.11

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)

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
weissenau-neuhaus	46.676583	7.817528	Unterseen
thun-strandbad	46.739939	7.633520	Thun
oben-am-see	46.744451	8.049921	Brienz (BE)
thunersee_spiez_meierd_1	46.704437	7.657882	Spiez
delta-park	46.720078	7.635304	Spiez
sundbach-strand	46.684386	7.794768	Beatenberg
wycheley	46.740370	8.048640	Brienz (BE)
camping-gwatt-strand	46.727140	7.629620	Thun
augustmutzenbergstrandweg	46.686640	7.689760	Spiez
hafeli	46.690283	7.898592	Bönigen

11.4.3. 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["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", featuredata.subsection_title)
col_widths=[1.2*cm, 5.5*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/thunerseebrienzersee_location_labels.jpeg', width=cm*14, height=11*cm, kind="proportional", hAlign= "CENTER")
new_components = [
    KeepTogether([
        featuredata.large_space,
        location_subsection,
        featuredata.small_space,
        new_map_image,
        featuredata.small_space,        
        pdf_table,
        
    ]),
    featuredata.large_space,
    inventory_table
]
    

pdfcomponents = featuredata.addToDoc(new_components, pdfcomponents)

complete_inventory.sort_values(by="Objekte (St.)", ascending=False)

	Objekte	Objekte (St.)	Anteil	p/100 m	Häufigkeitsrate	Material
code
G905	Haarspangen, Haargummis, persönliche Accessoir...	9	0	0	16	Plastik
G941	Verpackungsfolien, nicht für Lebensmittel	83	2	0	44	Plastik
G22	Deckel für Chemikalien, Reinigungsmittel (Ohne...	8	0	0	8	Plastik
G100	Medizin; Behälter/Röhrchen/Verpackungen	8	0	0	16	Plastik
G65	Eimer	8	0	0	8	Plastik
G48	Seile, synthetische	8	0	0	13	Plastik
G928	Bänder und Schleifen	8	0	0	8	Plastik
G33	Einwegartikel; Tassen/Becher & Deckel	8	0	0	16	Plastik
G27	Zigarettenfilter	748	19	14	88	Plastik
G159	Kork	7	0	0	16	Holz
G175	Getränkedosen (Dosen, Getränke)	7	0	0	13	Metall
G89	Kunststoff-Bauabfälle	65	1	0	50	Plastik
G198	Andere Metallteile < 50 cm	6	0	0	16	Metall
G73	Gegenstände aus Schaumstoff & Teilstücke (nich...	6	0	0	13	Plastik
Gfrags	Fragmentierte Kunststoffe	515	13	17	91	Plastik
G148	Kartonkisten und Stücke	5	0	0	8	Papier
G34	Besteck, Teller und Tabletts	5	0	0	13	Plastik
G4	Kleine Plastikbeutel; Gefrierbeutel, Zippsäckc...	5	0	0	11	Plastik
G191	Draht und Gitter	5	0	0	11	Metall
G155	Feuerwerkspapierhülsen und -fragmente	5	0	0	13	Papier
G125	Luftballons und Luftballonstäbchen	5	0	0	11	Gummi
G170	Holz (verarbeitet)	5	0	0	13	Holz
G931	(Absperr)band für Absperrungen, Polizei, Baust...	5	0	0	5	Plastik
G917	Blähton	5	0	0	11	Glas
G940	Schaumstoff EVA (flexibler Kunststoff)	5	0	0	5	Plastik
G194	Kabel, Metalldraht oft in Gummi- oder Kunststo...	4	0	0	8	Metall
G96	Hygienebinden/Höscheneinlagen/Tampons und Appl...	4	0	0	11	Plastik
G925	Pakete: Trockenmittel/Feuchtigkeitsabsorber, m...	4	0	0	5	Plastik
G59	Monofile Angelschnur (Angeln)	4	0	0	8	Plastik
G904	Feuerwerkskörper; Raketenkappen	39	1	0	38	Plastik
G21	Getränke-Deckel, Getränkeverschluss	38	1	0	38	Plastik
G117	Styropor < 5mm	36	0	0	33	Plastik
G67	Industriefolie (Kunststoff)	352	9	8	83	Plastik
G95	Wattestäbchen/Tupfer	35	0	1	52	Plastik
G156	Papierfragmente	35	0	0	22	Papier
G944	Pelletmasse aus dem Spritzgussverfahren	34	0	0	8	Plastik
G106	Kunststofffragmente eckig <5mm	34	0	0	25	Plastik
G23	unidentifizierte Deckel	30	0	0	30	Plastik
G176	Konservendosen (Lebensmitteldosen)	3	0	0	5	Metall
G158	Sonstige Gegenstände aus Papier	3	0	0	8	Papier
G146	Papier, Karton	3	0	0	2	Papier
G913	Schnuller	3	0	0	8	Plastik
G165	Glacestengel (Eisstiele), Zahnstocher, Essstäb...	3	0	0	8	Holz
G933	Taschen, Etuis für Zubehör, Brillen, Elektroni...	3	0	0	8	Plastik
G914	Büroklammern, Wäscheklammern, Gebrauchsgegenst...	3	0	0	8	Plastik
G37	Netzbeutel, Netztasche, Netzsäcke	3	0	0	8	Plastik
G6	Flaschen und Behälter aus Kunststoff, nicht fü...	3	0	0	2	Plastik
G134	Sonstiges Gummi	3	0	0	5	Gummi
G921	Keramikfliesen und Bruchstücke	3	0	0	8	Glas
Gfoam	Expandiertes Polystyrol	281	7	10	83	Plastik
G24	Ringe von Plastikflaschen/Behältern	28	0	0	36	Plastik
G213	Paraffinwachs	27	0	0	33	Chemikalien
G936	Folien für Gewächshäuser	26	0	0	22	Plastik
G177	Verpackungen aus Aluminiumfolie	26	0	0	36	Metall
G50	Schnur < 1cm	25	0	0	33	Plastik
G922	Etiketten, Strichcodes	24	0	0	33	Plastik
G30	Snack-Verpackungen	228	6	5	77	Plastik
G153	Papierbecher, Lebensmittelverpackungen aus Pap...	21	0	0	11	Papier
G186	Industrieschrott	20	0	0	25	Metall
G49	Seile > 1cm	2	0	0	5	Plastik
G918	Sicherheitsnadeln, Büroklammern, kleine Gebrau...	2	0	0	5	Metall
G2	Säcke, Taschen	2	0	0	2	Plastik
G174	Aerosolspraydosen	2	0	0	5	Metall
G26	Feuerzeug	2	0	0	5	Plastik
G103	Kunststofffragmente rund <5mm	2	0	0	5	Plastik
G124	Andere Kunststoff	2	0	0	5	Plastik
G101	Robidog Hundekot-Säcklein, andere Hundekotsäck...	2	0	0	5	Plastik
G133	Kondome einschließlich Verpackungen	2	0	0	5	Gummi
G25	Tabak; Kunststoffverpackungen, Behälter	19	0	0	27	Plastik
G10	Lebensmittelbehälter zum einmaligen Gebrauch a...	18	0	0	27	Plastik
G201	Gläser, einschliesslich Stücke	18	0	0	16	Glas
G211	Sonstiges medizinisches Material	17	0	0	27	Plastik
G35	Strohhalme und Rührstäbchen	17	0	0	30	Plastik
G87	Abdeckklebeband/Verpackungsklebeband	16	0	0	19	Plastik
G31	Schleckstengel, Stengel von Lutscher	16	0	0	33	Plastik
G32	Spielzeug und Partyartikel	16	0	0	25	Plastik
G908	Klebeband; elektrisch, isolierend	16	0	0	22	Plastik
G91	Bio-Filtermaterial / Trägermaterial aus Kunst...	16	0	0	27	Plastik
G74	Schaumstoffverpackungen/Isolierung	158	4	2	66	Plastik
G200	Getränkeflaschen aus Glas, Glasfragmente	141	3	2	72	Glas
G66	Umreifungsbänder; Hartplastik für Verpackung f...	14	0	0	33	Plastik
G178	Kronkorken, Lasche von Dose/Ausfreisslachen	14	0	0	25	Metall
G943	Zäune Landwirtschaft, Kunststoff	14	0	0	8	Plastik
G204	Baumaterial; Ziegel, Rohre, Zement	14	0	0	16	Glas
G208	Glas oder Keramikfragmente >2.5 cm	14	0	0	11	Glas
G927	Plastikschnur von Rasentrimmern, die zum Schne...	13	0	0	16	Plastik
G70	Schrotflintenpatronen	13	0	0	22	Plastik
G210	Sonstiges Glas/Keramik Materialien	12	0	0	5	Glas
G90	Blumentöpfe aus Plastik	12	0	0	19	Plastik
G112	Industriepellets (Nurdles)	115	3	0	11	Plastik
G942	Kunststoffspäne von Drehbänken, CNC-Bearbeitung	11	0	0	11	Plastik
G3	Einkaufstaschen, Shoppingtaschen	11	0	0	19	Plastik
G98	Windeln – Feuchttücher	10	0	0	19	Plastik
G923	Taschentücher, Toilettenpapier, Servietten, Pa...	10	0	0	19	Papier
G149	Papierverpackungen	10	0	0	11	Papier
G203	Geschirr aus Keramik oder Glas, Tassen, Teller...	10	0	0	11	Glas
G152	Papier &Karton;Zigarettenschachteln, Papier/Ka...	10	0	0	16	Papier
G131	Gummibänder	10	0	0	19	Gummi
G29	Kämme, Bürsten und Sonnenbrillen	1	0	0	2	Plastik
G28	Stifte, Deckel, Druckbleistifte usw.	1	0	0	2	Plastik
G43	Sicherheitsetiketten, Siegel für Fischerei ode...	1	0	0	2	Plastik
G138	Schuhe und Sandalen	1	0	0	2	Stoff
G114	Folien <5mm	1	0	0	2	Plastik
G36	Säcke aus strapazierfähigem Kunststoff für 25 ...	1	0	0	2	Plastik
G919	Nägel, Schrauben, Bolzen usw.	1	0	0	2	Metall
G135	Kleidung, Fussbekleidung, Kopfbedeckung, Hands...	1	0	0	2	Stoff
G12	Kosmetika, Behälter für Körperpflegeprodukte, ...	1	0	0	2	Plastik
G129	Schläuche und Gummiplatten	1	0	0	2	Gummi
G901	Medizinische Masken, synthetische	1	0	0	2	Plastik
G64	Kotflügel	1	0	0	2	Plastik
G926	Kaugummi, enthält oft Kunststoffe	1	0	0	2	Plastik
G71	Schuhe Sandalen	1	0	0	2	Plastik
G214	Öl/Teer	1	0	0	2	Chemikalien
G11	Kosmetika für den Strand, z.B. Sonnencreme	1	0	0	2	Plastik
G938	Zahnstocher, Zahnseide Kunststoff	1	0	0	2	Plastik
G182	Angeln; Haken, Gewichte, Köder, Senkblei, usw.	1	0	0	2	Metall
G161	Verarbeitetes Holz	1	0	0	2	Holz
G939	Kunststoffblumen, Kunststoffpflanzen	1	0	0	2	Plastik
G197	sonstiges Metall	1	0	0	2	Metall
G111	Kugelförmige Pellets < 5mm	1	0	0	2	Plastik
G190	Farbtöpfe, Farbbüchsen, ( Farbeimer)	1	0	0	2	Metall
G97	Behälter von Toilettenerfrischer	1	0	0	2	Plastik
G167	Streichhölzer oder Feuerwerke	1	0	0	2	Holz
G20	Laschen und Deckel	1	0	0	2	Plastik
G202	Glühbirnen	1	0	0	2	Glas
G930	Schaumstoff-Ohrstöpsel	1	0	0	2	Plastik
G93	Kabelbinder	1	0	0	2	Plastik
G902	Medizinische Masken, Stoff	0	0	0	0	Stoff
G945	Rasierklingen	0	0	0	0	Metall
G900	Handschuhe Latex, persönliche Schutzausrüstung	0	0	0	0	Gummi
G903	Behälter und Packungen für Handdesinfektionsmi...	0	0	0	0	Plastik
G104	Kunststofffragmente abgerundet / rundlich <5m...	0	0	0	0	Plastik
G88	Telefon inkl. Teile	0	0	0	0	Plastik
G102	Flip-Flops	0	0	0	0	Plastik
G9	Flaschen und Behälter für Reinigungsmittel und...	0	0	0	0	Plastik
G123	Polyurethan-Granulat < 5mm	0	0	0	0	Plastik
G99	Spritzen - Nadeln	0	0	0	0	Plastik
G84	CD oder CD-Hülle	0	0	0	0	Plastik
G8	Getränkeflaschen > 0,5L	0	0	0	0	Plastik
G999	Keine Gegenstände bei dieser Erhebung/Studie g...	0	0	0	0	Unbekannt
G713	Skiförderband	0	0	0	0	Plastik
G712	Skihandschuhe	0	0	0	0	Stoff
G122	Kunststofffragmente (>1mm)	0	0	0	0	Plastik
G119	Folienartiger Kunststoff (>1mm)	0	0	0	0	Plastik
G105	Kunststofffragmente subangulär <5mm	0	0	0	0	Plastik
G108	Scheibenförmige Pellets <5mm	0	0	0	0	Plastik
G711	Handwärmer	0	0	0	0	Plastik
G929	Elektronik und Teile; Sensoren, Headsets usw.	0	0	0	0	Metall
G113	Fäden <5mm	0	0	0	0	Plastik
G932	Bio-Beads, Mikroplastik für die Abwasserbehand...	0	0	0	0	Plastik
G109	Flache Pellets <5mm	0	0	0	0	Plastik
G934	Sandsäcke, Kunststoff für Hochwasser- und Eros...	0	0	0	0	Plastik
G935	Gummi-Puffer für Geh- und Wanderstöcke und Tei...	0	0	0	0	Plastik
G92	Köderbehälter	0	0	0	0	Plastik
G115	Schaumstoff <5mm	0	0	0	0	Plastik
G906	Kaffeekapseln Aluminium	0	0	0	0	Metall
G937	Pheromonköder für Weinberge	0	0	0	0	Plastik
G116	Granulat <5mm	0	0	0	0	Plastik
G916	Bleistifte und Bruchstücke	0	0	0	0	Holz
G915	Reflektoren, Mobilitätsartikel aus Kunststoff	0	0	0	0	Plastik
G118	Kleine Industrielle Kügelchen <5mm	0	0	0	0	Plastik
G94	Tischtuch	0	0	0	0	Plastik
G107	Zylindrische Pellets <5mm	0	0	0	0	Plastik
G907	Kaffeekapseln aus Kunststoff	0	0	0	0	Plastik
G162	Kisten	0	0	0	0	Holz
G62	Schwimmer für Netze	0	0	0	0	Plastik
G710	Ski / Snowboards (Ski, Befestigungen und ander...	0	0	0	0	Plastik
G709	Teller von Skistock (runder Teil aus Plastik u...	0	0	0	0	Plastik
G141	Teppiche	0	0	0	0	Stoff
G142	Seil, Schnur oder Netze	0	0	0	0	Stoff
G143	Segel und Segeltuch	0	0	0	0	Stoff
G144	Tampons	0	0	0	0	Stoff
G207	Tonkrüge zum Fangen von Kraken	0	0	0	0	Glas
G205	Leuchtstoffröhren	0	0	0	0	Glas
G145	Andere Textilien	0	0	0	0	Stoff
G199	Andere Metallteile > 50 cm	0	0	0	0	Metall
G147	Papiertragetaschen, (Papiertüten)	0	0	0	0	Papier
G196	Grosse metallische Gegenstände	0	0	0	0	Metall
G195	Batterien (Haushalt)	0	0	0	0	Metall
G193	Teile von Autos und Autobatterien	0	0	0	0	Metall
G150	Milchkartons, Tetrapack	0	0	0	0	Papier
G19	Autoteile	0	0	0	0	Plastik
G188	Andere Kanister/Behälter < 4 L	0	0	0	0	Metall
G151	Tetrapack, Kartons	0	0	0	0	Papier
G185	Behälter mittlerer Grösse	0	0	0	0	Metall
G183	Teile von Angelhaken	0	0	0	0	Metall
G181	Geschirr aus Metall, Tassen, Besteck usw.	0	0	0	0	Metall
G180	Haushaltsgeräte	0	0	0	0	Metall
G179	Einweg Grill	0	0	0	0	Metall
G154	Zeitungen oder Zeitschriften	0	0	0	0	Papier
G157	Papier	0	0	0	0	Papier
G160	Paletten	0	0	0	0	Holz
G173	Sonstiges	0	0	0	0	Holz
G172	Sonstiges Holz > 50 cm	0	0	0	0	Holz
G171	Sonstiges Holz < 50cm	0	0	0	0	Holz
G17	Kartuschen von Kartuschen-spritzpistolen	0	0	0	0	Plastik
G168	Holzbretter	0	0	0	0	Holz
G140	Sack oder Beutel (Tragetasche), Jute oder Hanf	0	0	0	0	Stoff
G14	Flaschen für Motoröl (Motorölflaschen)	0	0	0	0	Plastik
G139	Rucksäcke	0	0	0	0	Stoff
G61	Sonstiges Angelzubehör	0	0	0	0	Plastik
G708	Skistöcke	0	0	0	0	Metall
G707	Skiausrüstungsetikett	0	0	0	0	Plastik
G706	Skiabonnement	0	0	0	0	Plastik
G705	Schrauben und Bolzen	0	0	0	0	Metall
G704	Seilbahnbürsten	0	0	0	0	Plastik
G703	Pistenmarkierungspfosten (Plastik)	0	0	0	0	Plastik
G702	Pistenmarkierungspfosten (Holz)	0	0	0	0	Holz
G7	Getränkeflaschen < = 0,5 l	0	0	0	0	Plastik
G68	Fiberglas-Fragmente	0	0	0	0	Plastik
G126	Bälle	0	0	0	0	Gummi
G128	Reifen und Antriebsriemen	0	0	0	0	Gummi
G63	Bojen	0	0	0	0	Plastik
G166	Farbpinsel	0	0	0	0	Holz
G60	Lichtstab, Knicklicht, Glow-sticks	0	0	0	0	Plastik
G137	Kleidung, Handtücher und Lappen	0	0	0	0	Stoff
G13	Flaschen, Behälter, Fässer zum Transportieren ...	0	0	0	0	Plastik
G56	Verhedderte Netze	0	0	0	0	Plastik
G55	Angelschnur (verwickelt)	0	0	0	0	Plastik
G53	Netze und Teilstücke < 50cm	0	0	0	0	Plastik
G52	Netze und Teilstücke	0	0	0	0	Plastik
G51	Fischernetz	0	0	0	0	Plastik
G5	Plastiksäcke/ Plastiktüten	0	0	0	0	Plastik
G132	Schwimmer (Angeln)	0	0	0	0	Gummi
G41	Handschuhe Industriell/Professionell	0	0	0	0	Plastik
G40	Handschuhe Haushalt/Garten	0	0	0	0	Plastik
G39	Handschuhe	0	0	0	0	Plastik
G38	Abdeckungen; Kunststoffverpackungen, Folien zu...	0	0	0	0	Plastik
G136	Schuhe	0	0	0	0	Stoff
G1	Sixpack-Ringe	0	0	0	0	Plastik