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 |

_images/thunerseebrienzersee_city_labels.jpeg

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#

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#

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#

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()
_images/8613fa748c2252df48cbb9cd86e6c69d92354cfc37a9bb461c5f8f2e39b6dc7e.png

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#

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()
_images/50db97a4a59c5c23751c8a393cf4f488a0bd37001db0fff03f867f6ed1c25532.png

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)

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#

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#

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.

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.

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.

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#

_images/thunerseebrienzersee_location_labels.jpeg

Abb. 11.11 #

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#

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