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

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

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

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

# math packages:
import pandas as pd
import numpy as np

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

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

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

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

# home brew utitilties
import resources.sr_ut as sut

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

def convertPixelToCm(file_name: str = None):
    im = PILImage.open(file_name)
    width, height = im.size
    dpi = im.info.get("dpi", (72, 72))
    width_cm = width / dpi[0] * 2.54
    height_cm = height / dpi[1] * 2.54
    
    return width_cm, height_cm

# chart style
sns.set_style("whitegrid")

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

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

## !! Begin Note book variables !!

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

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

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

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

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

# Changing these variables produces different reports
# Call the map image for the area of interest
bassin_map = "resources/maps/ticino_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 ticino (ticino) at the river basin (river_bassin) level.
# the label for charting is called 'name'
this_feature = {'slug':'ticino', 'name':"Erhebungsgebiet Ticino", 'level':'river_bassin'}

# the lake is in this survey area
this_bassin = "ticino"
# label for survey area
bassin_label = "Erhebungsgebiet Ticino"

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

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

# identify the lakes of interest for the survey area
lakes_of_interest = ['lago-di-lugano','lago-maggiore']

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

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

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

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

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

fdx = featuredata.Components(**fd_kwargs)

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

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

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

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

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

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

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

# this defines the css rules for the note-book 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)

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

6. Ticino#

| Download | English |

_images/ticino_city_labels.jpeg

Abb. 6.1 #

Abbildung 6.1: Die Erhebungsorte sind für die Analyse nach Erhebungsgebiet gruppiert. Die Grösse der Markierung gibt einen Hinweis auf die Anzahl Abfallobjekte, die gefunden wurden.

6.1. Erhebungsorte und Landnutzungsprofile#

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

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

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

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

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

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

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

# display the string
md(lake_string)

Im Zeitraum von März 2020 bis Mai 2021 wurden im Rahmen von 28 Datenerhebungen insgesamt 3 031 Objekte entfernt und identifiziert. Die Ergebnisse des Erhebungsgebiet Ticino umfassen 20 Orte, 7 Gemeinden und eine Gesamtbevölkerung von etwa 141 943 Einwohnenden.

Seen

Lago Maggiore, Lago di Lugano

Fliessgewässer

Ticino, Cassarate, Maggia

Gemeinden

Ascona, Bellinzona, Brissago, Gambarogno, Locarno, Lugano, Minusio

6.1.1. Kumulative Gesamtmengen nach Gewässer#

Hide code cell source
# the basic summary of dimensional data is available in the AdministrativeSummary class
dims_table = admin_details.dimensionalSummary()
dims_table.sort_values(by=["quantity"], ascending=False, inplace=True)

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

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

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

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

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

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

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

atable = tableAndCaption(d_chart, dims_table_captionpdf, colWidths)

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

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

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

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

# use the caption from the .pdf for the online figure
glue("ticino_dims_table_caption",dims_table_caption, display=False)

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

# capture the figure for display
glue(figure_name, q, display=False)
  Gesamtgewicht (Kg) Plastik (Kg) Fläche (m2) Länge (m) Erhebungen Objekte (St.)
Erhebungsgebiet Ticino 46,26 4,03 7 974 1 517 28 3 031
Lago Maggiore 28,11 1,98 4 767 1 118 18 1 810
Lago di Lugano 5,56 1,01 338 108 4 925
Ticino 7,4 0,98 1 265 161 4 187
Maggia 4,9 0,01 900 60 1 55
Cassarate 0,29 0,05 704 70 1 54

Abb. 6.2 #

Abbildung 6.2: Erhebungsgebiet Ticino: kumulierten Gewichte und Masse für die Gemeinden

6.1.2. Landnutzungsprofil der Erhebungsorte#

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

  • Fläche, die von Gebäuden eingenommen wird in %

  • Fläche, die dem Wald vorbehalten ist in %

  • Fläche, die für Aktivitäten im Freien genutzt wird in %

  • Fläche, die von der Landwirtschaft genutzt wird in %

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

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

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

Für weitere Informationen siehe Landnutzungsprofil

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

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

# update the kwargs for the feature data
land_use_kwargs.update({"data":fdx.feature_data})

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

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

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

for i, n in enumerate(featuredata.default_land_use_columns):
    r = i%2
    c = i%3
    ax=axs[r,c]
    
    # the value of land use feature n
    # for each element of the feature
    for element in feature_landuse:
        # the land use data for a feature
        data = element[n].values
        # the name of the element
        element_name = element[feature_profile.feature_level].unique()
        # proper name for chart
        label = featuredata.river_basin_de[element_name[0]]
        # cumulative distribution        
        xs, ys = featuredata.empiricalCDF(data)
        # the plot of landuse n for this element
        sns.lineplot(x=xs, y=ys, ax=ax, label=label, color=featuredata.bassin_pallette[element_name[0]])
    
    # the value of the land use feature n for the project
    testx, testy = featuredata.empiricalCDF(project_profile[n].values)
    sns.lineplot(x=testx, y=testy, ax=ax, label=top, color="magenta")
    
    # get the median landuse for the feature
    the_median = np.median(data)
    
    # plot the median and drop horizontal and vertical lines
    ax.scatter([the_median], 0.5, color="red",s=40, linewidth=1, zorder=100, label="Median")
    ax.vlines(x=the_median, ymin=0, ymax=0.5, color="red", linewidth=1)
    ax.hlines(xmax=the_median, xmin=0, y=0.5, color="red", linewidth=1)
    
    if i <= 3:
        if c == 0:            
            ax.yaxis.set_major_locator(MultipleLocator(.1))
        ax.xaxis.set_major_formatter(ticker.PercentFormatter(1.0, 0, "%"))        
    else:
        pass      
    
    handles, labels = ax.get_legend_handles_labels()
    ax.get_legend().remove()    
    ax.set_title(featuredata.luse_de[n], loc='left')
    
# filename and figure tag
figure_name = "ticino_survey_area_landuse"
land_use_file_name = f'{save_fig_prefix}{figure_name}.jpeg'
save_figure_kwargs.update({"fname":land_use_file_name})
    
plt.subplots_adjust(top=.91, hspace=.4)
plt.suptitle("Landnutzung im Umkries von 1 500 m um den Erhebungsort", ha="center", y=1, fontsize=16)
fig.legend(handles, labels, bbox_to_anchor=(.5,.5), loc="upper center", ncol=3)

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

# save figure
plt.savefig(**save_figure_kwargs)

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

plt.close()
_images/1990d280b4596fe14c404125a9ac80a1146a5e728cbcb4a8c214a3bba8d846b4.png

Abb. 6.3 #

Abbildung 6.3: Landnutzungsprofil der Erhebungsorte. Verteilung der Erhebungen in Bezug auf die Landnutzung.

6.1.3. Verteilung der Erhebungsergebnisse#

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

f3 = figureAndCaptionTable(**figure_kwargs)

new_components = [
    small_space,
    f3
]

pdfcomponents = addToDoc(new_components, pdfcomponents)
# end pdf

# the sample totals of all other locations than the feature data
dx = period_data.parentSampleTotals(parent=False)

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

fig, axs = plt.subplots(1,2, figsize=(10,5))

ax = axs[0]

# feature surveys
sns.scatterplot(data=dx, x="date", y=unit_label, label=top, color="black", alpha=0.4,  ax=ax)
# all other surveys
sns.scatterplot(data=fdx.sample_totals, x="date", y=unit_label, label=this_feature["name"], color="red", s=34, ec="white", ax=ax)
# monthly or quaterly plot
sns.lineplot(data=resample_plot, x=resample_plot.index, y=resample_plot, label=F"{this_feature['name']}: monatlicher Medianwert", color="magenta", ax=ax)

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

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

ax.legend()

# the cumlative distributions:
axtwo = axs[1]

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

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

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

plt.tight_layout()

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

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

sample_total_notes = ''.join(sample_total_notes)

glue(f'{this_feature["slug"]}_sample_total_notes', sample_total_notes, display=False)
glue("ticino_sample_totals", fig, display=False)
plt.close()
_images/d8df1b8c87417926b47d03142fcd77324fa68dd10b03f77f5f2c7dba577c2b26.png

Abb. 6.4 #

Abbildung 6.4: Links: Erhebungsgebiet Ticino, März 2020 bis Mai 2021, n = 28. Rechts: empirische Verteilungsfunktion der Erhebungsergebnisse Erhebungsgebiet Ticino.

6.1.4. Zusammengefasste Daten und Materialarten#

Hide code cell source
csx = fdx.sample_summary.copy()


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

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

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

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

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

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

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

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

table_three = sut.make_a_table(axtwo, fd_mat_t,  colLabels=list(cols_to_use.values()), colWidths=[.4, .4,.2],  bbox=[0,0,1,1], **{"loc":"lower center"})
table_three.get_celld()[(0,0)].get_text().set_text(" ")
table_three.set_fontsize(12)
plt.tight_layout()
plt.subplots_adjust(wspace=0.2)

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

summary_of_survey_totals = ''.join(summary_of_survey_totals)
glue(f'{this_feature["slug"]}_sample_summaries_caption', summary_of_survey_totals, display=False)

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

plt.savefig(**save_figure_kwargs)
glue('ticino_survey_area_sample_material_tables', fig, display=False)
plt.close()
_images/3517b0c8498399d30ed2e7f3374de685a2dacb7e69b22542ac2f855d3d0892ce.png

Abb. 6.5 #

Abbildung 6.5: Zusammenfassung der Daten aller Erhebungen am Erhebungsgebiet Ticino. Gefunden Materialarten am Erhebungsgebiet Ticino in Stückzahlen und als prozentuale Anteile (stückzahlbezogen).

6.2. 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", subsection_title)

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

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

o_w, o_h = convertPixelToCm(sample_totals_file_name)

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

f4 = figureAndCaptionTable(**figure_kwargs)

o_w, o_h = convertPixelToCm(sample_summaries_file_name)

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

f5 = figureAndCaptionTable(**figure_kwargs)


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

pdfcomponents = addToDoc(new_components, pdfcomponents)

# the most common objects results
most_common_display = fdx.most_common

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

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

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

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

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

mc_caption_string = "".join(mc_caption_string)

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

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

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

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

mcd = most_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue('ticino_most_common_caption', mc_caption_string, display=False)
glue('ticino_most_common_tables', mcd, display=False)
  Objekte (St.) Anteil Häufigkeitsrate p/100 m
Zigarettenfilter 743 24% 96% 15,5
Getränkeflaschen aus Glas, Glasfragmente 274 9% 85% 8,0
Fragmentierte Kunststoffe 259 8% 85% 9,5
Industriepellets (Nurdles) 247 8% 17% 0,0
Expandiertes Polystyrol 237 7% 57% 6,0
Snack-Verpackungen 130 4% 71% 4,0
Industriefolie (Kunststoff) 80 2% 82% 3,5
Verpackungsfolien, nicht für Lebensmittel 72 2% 57% 2,5
Styropor < 5mm 65 2% 32% 0,0
Schaumstoffverpackungen/Isolierung 64 2% 67% 3,0
Kronkorken, Lasche von Dose/Ausfreisslachen 54 1% 50% 1,0
Kunststoff-Bauabfälle 42 1% 57% 2,5

Abb. 6.6 #

Abbildung 6.6: Häufigste Objekte im Erhebungsgebiet Ticino: d. h. Objekte mit einer Häufigkeitsrate von mindestens 50% und/oder Top Ten nach Anzahl. Zusammengenommen machen die häufigsten Objekte 74% aller gefundenen Objekte aus. Anmerkung: p/100 m = Medianwert der Erhebung.

6.2.1. Die am häufigsten gefundenen Objekte nach Gewässer#

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

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

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

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

# map to proper names for features
feature_names = admin_details.makeFeatureNameMap()

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

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

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

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

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

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

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

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

pdfcomponents = addToDoc(new_components, pdfcomponents)

# notebook display style
aformatter = {x: featuredata.replaceDecimal for x in mc_comp.columns}

mcd = mc_comp.style.format(aformatter).set_table_styles(heat_map_css_styles)
mcd = mcd.background_gradient(axis=None, vmin=mc_comp.min().min(), vmax=mc_comp.max().max(), cmap="YlOrBr")

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

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

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

glue(f'{this_feature["slug"]}_most_common_heat_map', mcd, display=False)
  Cassarate Lago di Lugano Lago Maggiore Maggia Ticino Erhebungsgebiet Ticino Alle Erhebungsgebiete
Getränkeflaschen aus Glas, Glasfragmente 9,0 9,5 6,0 0,0 24,5 8,0 3,0
Expandiertes Polystyrol 0,0 2,0 9,5 0,0 0,0 6,0 5,0
Fragmentierte Kunststoffe 2,0 40,5 12,5 3,0 1,0 9,5 18,0
Industriefolie (Kunststoff) 6,0 4,5 2,5 5,0 2,5 3,5 5,0
Industriepellets (Nurdles) 0,0 153,0 0,0 0,0 0,0 0,0 0,0
Kronkorken, Lasche von Dose/Ausfreisslachen 4,0 8,5 0,0 0,0 4,5 1,0 1,0
Kunststoff-Bauabfälle 0,0 8,0 2,5 0,0 0,0 2,5 1,0
Schaumstoffverpackungen/Isolierung 0,0 5,0 3,5 7,0 0,0 3,0 1,0
Snack-Verpackungen 3,0 24,0 7,0 0,0 0,0 4,0 9,0
Styropor < 5mm 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Verpackungsfolien, nicht für Lebensmittel 6,0 6,5 0,0 3,0 4,5 2,5 0,0
Zigarettenfilter 20,0 242,0 9,5 15,0 13,0 15,5 20,0

Abb. 6.7 #

Abbildung 6.7: Median p/100 m der häufigsten Objekte am Erhebungsgebiet Ticino.

6.2.2. 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
# use the index from the most common codes to select from the feature data
# the aggregation method and the columns to keep
agg_pcs_quantity = {unit_label:"sum", "quantity":"sum"}
groups = ["loc_date","date","code", "groupname"]
# make the range for one calendar year
start_date = "2020-04-01"
end_date = "2021-03-31"
# aggregate
m_common_m = fd[(fd.code.isin(fdx.most_common.index))].groupby(groups, as_index=False).agg(agg_pcs_quantity)
# set the index to the date column and sort values within the date rage
m_common_m.set_index("date", inplace=True)
m_common_m = m_common_m.sort_index().loc[start_date:end_date]

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

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

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

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

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

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

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

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

pdfcomponents = addToDoc(new_components, pdfcomponents)

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

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

mcdm = by_month.style.format(aformatter).set_table_styles(heat_map_css_styles).background_gradient(axis=None, cmap="YlOrBr", vmin=by_month.min().min(), vmax=by_month.max().max())
glue("ticino_monthly_results_caption", monthly_data_caption, display=False)
glue("ticino_monthly_results", mcdm, display=False)
  Mai Juni Juli Aug. Sept. Okt. Nov. Dez. Jan. Feb. März
Kronkorken, Lasche von Dose/Ausfreisslachen 2,0 0,0 0,0 1,8 0,0 0,0 1,7 0,0 0,0 0,0 3,2
Getränkeflaschen aus Glas, Glasfragmente 16,7 0,0 0,0 10,7 0,0 0,0 12,7 0,0 0,0 0,0 7,2
Snack-Verpackungen 9,7 0,0 0,0 10,2 0,0 0,0 15,3 0,0 0,0 0,0 6,2
Schaumstoffverpackungen/Isolierung 6,7 0,0 0,0 8,5 0,0 7,0 6,3 0,0 0,0 0,0 2,0
Kunststoff-Bauabfälle 4,7 0,0 0,0 3,3 0,0 0,0 2,3 0,0 0,0 0,0 3,0
Expandiertes Polystyrol 16,3 0,0 0,0 7,2 0,0 0,0 59,3 0,0 0,0 0,0 32,5
Industriefolie (Kunststoff) 4,3 0,0 0,0 5,5 0,0 5,0 8,7 0,0 0,0 0,0 8,5
Industriepellets (Nurdles) 0,0 0,0 0,0 1,2 0,0 0,0 0,7 0,0 0,0 0,0 0,0
Styropor < 5mm 1,3 0,0 0,0 2,8 0,0 0,0 26,0 0,0 0,0 0,0 0,2
Fragmentierte Kunststoffe 18,0 0,0 0,0 35,7 0,0 3,0 31,0 0,0 0,0 0,0 6,5
Zigarettenfilter 60,3 0,0 0,0 72,8 0,0 15,0 12,7 0,0 0,0 0,0 8,5
Verpackungsfolien, nicht für Lebensmittel 0,0 0,0 0,0 8,0 0,0 3,0 3,3 0,0 0,0 0,0 5,2

Abb. 6.8 #

Abbildung 6.8: Erhebungsgebiet Ticino, monatliche Durchschnittsergebnisse p/100 m

6.3. Erhebungsergebnisse und Landnutzung#

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

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

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

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

  1. Rot/Rosa steht für eine positive Assoziation

  2. Gelb steht für eine negative Assoziation

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

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

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

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


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

spearmans = ''.join(caption_spearmans)
glue(f'{this_feature["slug"]}_spearmans_caption', spearmans, display=False)

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

plt.savefig(**save_figure_kwargs)
glue('ticino_survey_area_spearmans', fig, display=False)
plt.close()
_images/74e795f37c7058c6f9b2318ccea706922c0be8de72b25f99befaa41eb9cb59d4.png

Abb. 6.9 #

Abbildung 6.9: Ausgewertete Korrelationen der am häufigsten gefundenen Objekte in Bezug auf das Landnutzungsprofil im Erhebungsgebiet Rhône. Für alle gültigen Erhebungen an Seen n=28. Legende: wenn p > 0,05 = weiss, wenn p < 0,05 und Rho > 0 = rot, wenn p < 0,05 und Rho < 0 = gelb.

6.4. Verwendungszweck der gefundenen Objekte#

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

  • Abwasser: Objekte, die aus Kläranlagen freigesetzt werden, sprich Objekte, die wahrscheinlich über die Toilette entsorgt werden

  • Mikroplastik (< 5 mm): fragmentierte Kunststoffe und Kunststoffharze aus der Vorproduktion

  • Infrastruktur: Artikel im Zusammenhang mit dem Bau und der Instandhaltung von Gebäuden, Strassen und der Wasser-/Stromversorgung

  • Essen und Trinken: alle Materialien, die mit dem Konsum von Essen und Trinken in Zusammenhang stehen

  • Landwirtschaft: Materialien z. B. für Mulch und Reihenabdeckungen, Gewächshäuser, Bodenbegasung, Ballenverpackungen. Einschliesslich Hartkunststoffe für landwirtschaftliche Zäune, Blumentöpfe usw.

  • Tabakwaren: hauptsächlich Zigarettenfilter, einschliesslich aller mit dem Rauchen verbundenen Materialien

  • Freizeit und Erholung: Objekte, die mit Sport und Freizeit zu tun haben, z. B. Angeln, Jagen, Wandern usw.

  • Verpackungen ausser Lebensmittel und Tabak: Verpackungsmaterial, das nicht lebensmittel- oder tabakbezogen ist

  • Plastikfragmente: Plastikteile unbestimmter Herkunft oder Verwendung

  • Persönliche Gegenstände: Accessoires, Hygieneartikel und Kleidung

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

Hide code cell source
# the results are a callable for the components
components = fdx.componentCodeGroupResults()

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

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

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

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

code_group_percent_caption = ''.join(code_group_percent_caption)

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

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

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

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


glue("ticino_codegroup_percent_caption", code_group_percent_caption, display=False)
glue("ticino_codegroup_percent", ptd, display=False)
  Cassarate Lago di Lugano Lago Maggiore Maggia Ticino Erhebungsgebiet Ticino Alle Erhebungsgebiete
Abwasser 6% 2% 2% 4% 2% 2% 5%
Essen und Trinken 22% 11% 25% 0% 45% 21% 19%
Freizeit und Erholung 2% 1% 3% 2% 7% 2% 4%
Infrastruktur 9% 3% 23% 51% 6% 16% 18%
Landwirtschaft 7% 2% 4% 15% 6% 4% 6%
Mikroplastik (< 5mm) 0% 28% 3% 0% 0% 10% 8%
Persönliche Gegenstände 9% 1% 4% 2% 7% 3% 3%
Plastikfragmente 4% 5% 11% 4% 1% 9% 14%
Tabakwaren 28% 44% 18% 20% 12% 26% 17%
Verpackungen ohne Lebensmittel/Tabak 9% 2% 7% 4% 13% 6% 5%
nicht klassifiziert 4% 0% 0% 0% 1% 0% 1%

Abb. 6.10 #

Abbildung 6.10: Verwendungszweck oder Beschreibung der identifizierten Objekte in % der Gesamtzahl nach Gemeinden im Erhebungsgebiet Erhebungsgebiet Ticino. Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.

Hide code cell source
# pivot that
grouppcs_comp = components[[this_level, "groupname", unit_label ]].pivot(columns=this_level, index="groupname")

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

# the aggregated codegroup results from the feature
pt_feature = fdx.codegroup_summary[unit_label]
grouppcs_comp[this_feature["name"]] = pt_feature

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

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

# pdf and display output
code_group_pcsm_caption = [
    f'Verwendungszweck der gefundenen Objekte Median {unit_label} am ',
    f'{this_feature["name"]}. Fragmentierte Objekte, die nicht eindeutig ',
    'identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.'
]
code_group_pcsm_caption = ''.join(code_group_pcsm_caption)

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

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

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


glue("ticino_codegroup_pcsm_caption", code_group_pcsm_caption, display=False)
glue("ticino_codegroup_pcsm", cgp, display=False)
  Cassarate Lago di Lugano Lago Maggiore Maggia Ticino Erhebungsgebiet Ticino Alle Erhebungsgebiete
Abwasser 4,0 9,0 2,0 3,0 0,0 2,0 3,0
Essen und Trinken 17,0 98,0 26,5 0,0 43,5 29,0 37,0
Freizeit und Erholung 1,0 6,0 3,5 2,0 8,0 3,5 6,0
Infrastruktur 7,0 26,0 31,0 47,0 6,0 22,5 20,0
Landwirtschaft 6,0 14,5 2,5 13,0 4,5 6,0 7,0
Mikroplastik (< 5mm) 0,0 206,0 1,0 0,0 0,0 0,0 1,0
Persönliche Gegenstände 7,0 10,0 6,0 2,0 4,5 6,5 6,0
Plastikfragmente 2,0 40,5 12,5 3,0 1,0 9,5 18,0
Tabakwaren 21,0 272,5 12,5 18,0 15,5 18,0 25,0
Verpackungen ohne Lebensmittel/Tabak 7,0 23,5 4,5 3,0 14,5 5,5 9,0
nicht klassifiziert 3,0 0,0 0,0 0,0 1,0 0,0 0,0

Abb. 6.11 #

Abbildung 6.11: Verwendungszweck der gefundenen Objekte Median p/100 m am Erhebungsgebiet Ticino. Fragmentierte Objekte, die nicht eindeutig identifiziert werden können, werden weiterhin nach ihrer Grösse klassifiziert.

6.5. Fliessgewässer#

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

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

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

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

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

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

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

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

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

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

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

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

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

rivers_caption = ''.join(rivers_caption)


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

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

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

glue('ticino_survey_area_rivers_summary', fig, display=False)
plt.close()
_images/50048ee1947fd05269a8ea2417f03ae0f53bfab62cdae7d448dfd94993db7672.png

Abb. 6.12 #

Abbildung 6.12: Links: Erhebungsgebiet Ticino Fliessgewässer, April 2020 bis März 2021, n = 6. Rechts: Zusammenfassung der Daten.

6.5.1. Die an Fliessgewässern am häufigsten gefundenen Objekte#

Hide code cell source
# the most common objects results
most_common_display = fdr.most_common.copy()

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

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

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

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

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


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

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

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

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

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

mcd = most_common_display.style.format(aformatter).set_table_styles(table_css_styles)
glue('ticino_rivers_most_common_caption', mc_caption_string, display=False)
glue('ticino_rivers_most_common_tables', mcd, display=False)
  Objekte (St.) Anteil Häufigkeitsrate p/100 m
Getränkeflaschen aus Glas, Glasfragmente 56 18% 66% 10,0
Zigarettenfilter 42 14% 100% 15,5
Verpackungsfolien, nicht für Lebensmittel 16 5% 83% 4,5
Industriefolie (Kunststoff) 16 5% 83% 4,0
Papierbecher, Lebensmittelverpackungen aus Papier/ Karton 11 3% 50% 4,0
Kronkorken, Lasche von Dose/Ausfreisslachen 10 3% 66% 3,5
Kabelbinder 10 3% 33% 0,0
Industrieschrott 9 3% 50% 1,0
Taschentücher, Toilettenpapier, Servietten, Papierhandtücher 8 2% 50% 1,0
Getränkedosen (Dosen, Getränke) 6 2% 50% 1,0
Windeln – Feuchttücher 6 2% 50% 1,0
Fragmentierte Kunststoffe 6 2% 66% 2,0
Schnur < 1cm 5 1% 50% 1,0
Robidog Hundekot-Säcklein, andere Hundekotsäcklein 4 1% 50% 0,5
Papier &Karton;Zigarettenschachteln, Papier/Karton Verpackung für Tabakwaren 4 1% 50% 1,0
Papierfragmente 3 1% 50% 0,5

Abb. 6.13 #

Abbildung 6.13: Häufigste Objekte p/100 m an Fliessgewässern im Erhebungsgebiet Ticino: Medianwert der Erhebung.

6.6. Anhang#

6.6.1. Schaumstoffe und Kunststoffe nach Grösse#

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

Hide code cell source
annex_title = Paragraph("Anhang", section_title)
frag_sub_title = Paragraph("Schaumstoffe und Kunststoffe nach Grösse", subsection_title)

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

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

frag_caption = [
    f'Fragmentierte und geschäumte Kunststoffe nach Grösse am {this_feature["name"]}',
    f'Median {unit_label}, Anzahl der gefundenen Objekte und Prozent der Gesamtmenge.'
]
frag_captions = ''.join(frag_caption)

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

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

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

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

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

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

glue("ticino_frag_table_caption", frag_captions, display=False)
glue("ticino_frags_table", frags_table, display=False)

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

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

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

pdfcomponents = addToDoc(new_components, pdfcomponents)
  p/100 m Objekte (St.) Anteil
Schaumstoffverpackungen/Isolierung 0,0 11 0%
Objekte aus Kunststoff/Polystyrol 0,5 - 2,5 cm 0,0 28 1%
Objekte aus Kunststoff/Polystyrol 2,5 - 50 cm 0,0 2 0%
Objekte aus Kunststoff 0,5 - 2,5 cm 1,5 121 4%
Objekte aus Kunststoff 2,5 - 50 cm 3,5 108 4%
Objekte aus Kunststoff > 50 cm 0,0 0 0%
Objekte aus expandiertem Polystyrol 0,5 - 2,5 cm 2,0 164 5%
Objekte aus expandiertem Polystyrol 2,5 - 50 cm 0,0 73 2%
Objekte aus expandiertem Polystyrol > 50 cm 0,0 0 0%

Abb. 6.14 #

Abbildung 6.14: Fragmentierte und geschäumte Kunststoffe nach Grösse am Erhebungsgebiet TicinoMedian p/100 m, Anzahl der gefundenen Objekte und Prozent der Gesamtmenge.

6.6.2. Die Erhebungsorte#

_images/ticino_location_labels.jpeg

Abb. 6.15 #

Hide code cell source
# display the survey locations
disp_columns = ["latitude", "longitude", "city"]
disp_beaches = admin_details.df_beaches.loc[admin_summary["locations_of_interest"]][disp_columns]
disp_beaches.reset_index(inplace=True)
disp_beaches.rename(columns={"city":"stat", "slug":"standort"}, inplace=True)
disp_beaches.set_index("standort", inplace=True, drop=True)

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

disp_beaches
latitude longitude stat
standort
caprino 45.987963 8.986241 Lugano
foce-del-cassarate 46.002411 8.961477 Lugano
lido 46.002004 8.962156 Lugano
lugano-centro 46.002627 8.950724 Lugano
spiaggia-parco-ciani 46.002510 8.960820 Lugano
via-brunari-spiaggia 46.202350 9.016910 Bellinzona
golene-gudo 46.170655 8.946657 Bellinzona
isole-di-brissago-porto 46.132760 8.735030 Brissago
magadino-lido 46.149349 8.855663 Gambarogno
rivapiana 46.172079 8.813255 Minusio
via-mirasole-spiaggia 46.199530 9.014930 Bellinzona
sentiero-giro-del-golf-spiaggia 46.145770 8.790430 Ascona
vira-gambarogno 46.143343 8.838759 Gambarogno
canale-saleggi 46.200625 9.015853 Bellinzona
route-13 46.162521 8.782579 Locarno
ascona-traghetto-spiaggia 46.153882 8.768480 Ascona
pacha-mama-gerra 46.123473 8.783508 Gambarogno
gerra-gambarogno 46.123366 8.785786 Gambarogno
san-nazzaro-gambarogno 46.130443 8.798657 Gambarogno
vira-spiaggia-left-of-river 46.142900 8.838407 Gambarogno

6.6.3. Inventar der Objekte#

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

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

pdfcomponents = addToDoc(new_components, pdfcomponents)

complete_inventory
Objekte Objekte (St.) Anteil p/100 m Häufigkeitsrate Material
code
G27 Zigarettenfilter 743 24 15 96 Plastik
G200 Getränkeflaschen aus Glas, Glasfragmente 274 9 8 85 Glas
Gfrags Fragmentierte Kunststoffe 259 8 9 85 Plastik
G112 Industriepellets (Nurdles) 247 8 0 17 Plastik
Gfoam Expandiertes Polystyrol 237 7 6 57 Plastik
G30 Snack-Verpackungen 130 4 4 71 Plastik
G67 Industriefolie (Kunststoff) 80 2 3 82 Plastik
G941 Verpackungsfolien, nicht für Lebensmittel 72 2 2 57 Plastik
G117 Styropor < 5mm 65 2 0 32 Plastik
G74 Schaumstoffverpackungen/Isolierung 64 2 3 67 Plastik
G178 Kronkorken, Lasche von Dose/Ausfreisslachen 54 1 1 50 Metall
G89 Kunststoff-Bauabfälle 42 1 2 57 Plastik
G149 Papierverpackungen 36 1 0 14 Papier
G921 Keramikfliesen und Bruchstücke 34 1 0 35 Glas
G10 Lebensmittelbehälter zum einmaligen Gebrauch a... 30 0 0 32 Plastik
G153 Papierbecher, Lebensmittelverpackungen aus Pap... 27 0 0 28 Papier
G177 Verpackungen aus Aluminiumfolie 26 0 0 39 Metall
G95 Wattestäbchen/Tupfer 23 0 0 39 Plastik
G923 Taschentücher, Toilettenpapier, Servietten, Pa... 22 0 0 39 Papier
G21 Getränke-Deckel, Getränkeverschluss 20 0 0 28 Plastik
G152 Papier &Karton;Zigarettenschachteln, Papier/Ka... 18 0 0 28 Papier
G156 Papierfragmente 18 0 0 42 Papier
G66 Umreifungsbänder; Hartplastik für Verpackung f... 17 0 0 32 Plastik
G186 Industrieschrott 17 0 0 25 Metall
G25 Tabak; Kunststoffverpackungen, Behälter 16 0 0 35 Plastik
G73 Gegenstände aus Schaumstoff & Teilstücke (nich... 16 0 0 28 Plastik
G3 Einkaufstaschen, Shoppingtaschen 15 0 0 21 Plastik
G137 Kleidung, Handtücher und Lappen 15 0 0 17 Stoff
G98 Windeln – Feuchttücher 15 0 0 35 Plastik
G93 Kabelbinder 15 0 0 17 Plastik
G24 Ringe von Plastikflaschen/Behältern 14 0 0 25 Plastik
G203 Geschirr aus Keramik oder Glas, Tassen, Teller... 14 0 0 21 Glas
G22 Deckel für Chemikalien, Reinigungsmittel (Ohne... 13 0 0 17 Plastik
G922 Etiketten, Strichcodes 12 0 0 17 Plastik
G100 Medizin; Behälter/Röhrchen/Verpackungen 12 0 0 21 Plastik
G33 Einwegartikel; Tassen/Becher & Deckel 12 0 0 21 Plastik
G32 Spielzeug und Partyartikel 12 0 0 28 Plastik
G194 Kabel, Metalldraht oft in Gummi- oder Kunststo... 11 0 0 21 Metall
G50 Schnur < 1cm 11 0 0 21 Plastik
G198 Andere Metallteile < 50 cm 10 0 0 21 Metall
G35 Strohhalme und Rührstäbchen 10 0 0 21 Plastik
G70 Schrotflintenpatronen 10 0 0 14 Plastik
G191 Draht und Gitter 9 0 0 10 Metall
G159 Kork 9 0 0 28 Holz
G211 Sonstiges medizinisches Material 9 0 0 21 Plastik
G31 Schleckstengel, Stengel von Lutscher 9 0 0 7 Plastik
G148 Kartonkisten und Stücke 8 0 0 10 Papier
G146 Papier, Karton 8 0 0 3 Papier
G204 Baumaterial; Ziegel, Rohre, Zement 7 0 0 10 Glas
G101 Robidog Hundekot-Säcklein, andere Hundekotsäck... 7 0 0 21 Plastik
G23 unidentifizierte Deckel 6 0 0 14 Plastik
G87 Abdeckklebeband/Verpackungsklebeband 6 0 0 14 Plastik
G175 Getränkedosen (Dosen, Getränke) 6 0 0 10 Metall
G908 Klebeband; elektrisch, isolierend 6 0 0 10 Plastik
G142 Seil, Schnur oder Netze 6 0 0 21 Stoff
G914 Büroklammern, Wäscheklammern, Gebrauchsgegenst... 6 0 0 17 Plastik
G96 Hygienebinden/Höscheneinlagen/Tampons und Appl... 5 0 0 14 Plastik
G90 Blumentöpfe aus Plastik 5 0 0 17 Plastik
G135 Kleidung, Fussbekleidung, Kopfbedeckung, Hands... 5 0 0 14 Stoff
G927 Plastikschnur von Rasentrimmern, die zum Schne... 5 0 0 14 Plastik
G157 Papier 5 0 0 14 Papier
G936 Folien für Gewächshäuser 5 0 0 10 Plastik
G943 Zäune Landwirtschaft, Kunststoff 4 0 0 10 Plastik
G34 Besteck, Teller und Tabletts 4 0 0 14 Plastik
G154 Zeitungen oder Zeitschriften 4 0 0 7 Papier
G7 Getränkeflaschen < = 0,5 l 4 0 0 10 Plastik
G28 Stifte, Deckel, Druckbleistifte usw. 3 0 0 7 Plastik
G919 Nägel, Schrauben, Bolzen usw. 3 0 0 3 Metall
G931 (Absperr)band für Absperrungen, Polizei, Baust... 3 0 0 3 Plastik
G208 Glas oder Keramikfragmente >2.5 cm 3 0 0 7 Glas
G36 Säcke aus strapazierfähigem Kunststoff für 25 ... 3 0 0 7 Plastik
G65 Eimer 3 0 0 10 Plastik
G903 Behälter und Packungen für Handdesinfektionsmi... 3 0 0 7 Plastik
G901 Medizinische Masken, synthetische 3 0 0 10 Plastik
G928 Bänder und Schleifen 3 0 0 7 Plastik
G26 Feuerzeug 3 0 0 10 Plastik
G125 Luftballons und Luftballonstäbchen 3 0 0 10 Gummi
G170 Holz (verarbeitet) 3 0 0 10 Holz
G106 Kunststofffragmente eckig <5mm 3 0 0 7 Plastik
G53 Netze und Teilstücke < 50cm 2 0 0 3 Plastik
G201 Gläser, einschliesslich Stücke 2 0 0 7 Glas
G904 Feuerwerkskörper; Raketenkappen 2 0 0 3 Plastik
G195 Batterien (Haushalt) 2 0 0 3 Metall
G906 Kaffeekapseln Aluminium 2 0 0 3 Metall
G19 Autoteile 2 0 0 3 Plastik
G49 Seile > 1cm 2 0 0 3 Plastik
G182 Angeln; Haken, Gewichte, Köder, Senkblei, usw. 2 0 0 7 Metall
G40 Handschuhe Haushalt/Garten 2 0 0 7 Plastik
G165 Glacestengel (Eisstiele), Zahnstocher, Essstäb... 2 0 0 3 Holz
G136 Schuhe 2 0 0 7 Stoff
G155 Feuerwerkspapierhülsen und -fragmente 1 0 0 3 Papier
G925 Pakete: Trockenmittel/Feuchtigkeitsabsorber, m... 1 0 0 3 Plastik
G929 Elektronik und Teile; Sensoren, Headsets usw. 1 0 0 3 Metall
G905 Haarspangen, Haargummis, persönliche Accessoir... 1 0 0 3 Plastik
G6 Flaschen und Behälter aus Kunststoff, nicht fü... 1 0 0 3 Plastik
G907 Kaffeekapseln aus Kunststoff 1 0 0 3 Plastik
G115 Schaumstoff <5mm 1 0 0 3 Plastik
G145 Andere Textilien 1 0 0 3 Stoff
G91 Bio-Filtermaterial / Trägermaterial aus Kunst... 1 0 0 3 Plastik
G141 Teppiche 1 0 0 3 Stoff
G92 Köderbehälter 1 0 0 3 Plastik
G52 Netze und Teilstücke 1 0 0 3 Plastik
G138 Schuhe und Sandalen 1 0 0 3 Stoff
G37 Netzbeutel, Netztasche, Netzsäcke 1 0 0 3 Plastik
G918 Sicherheitsnadeln, Büroklammern, kleine Gebrau... 1 0 0 3 Metall
G4 Kleine Plastikbeutel; Gefrierbeutel, Zippsäckc... 1 0 0 3 Plastik
G41 Handschuhe Industriell/Professionell 1 0 0 3 Plastik
G62 Schwimmer für Netze 1 0 0 3 Plastik
G902 Medizinische Masken, Stoff 1 0 0 3 Stoff
G197 sonstiges Metall 1 0 0 3 Metall
G128 Reifen und Antriebsriemen 1 0 0 3 Gummi
G172 Sonstiges Holz > 50 cm 1 0 0 3 Holz
G942 Kunststoffspäne von Drehbänken, CNC-Bearbeitung 1 0 0 3 Plastik
G933 Taschen, Etuis für Zubehör, Brillen, Elektroni... 1 0 0 3 Plastik
G107 Zylindrische Pellets <5mm 1 0 0 3 Plastik
G99 Spritzen - Nadeln 1 0 0 3 Plastik
G2 Säcke, Taschen 1 0 0 3 Plastik
G124 Andere Kunststoff 1 0 0 3 Plastik
G939 Kunststoffblumen, Kunststoffpflanzen 1 0 0 3 Plastik
G131 Gummibänder 1 0 0 3 Gummi
G167 Streichhölzer oder Feuerwerke 1 0 0 3 Holz
G129 Schläuche und Gummiplatten 1 0 0 3 Gummi
G132 Schwimmer (Angeln) 1 0 0 3 Gummi
G134 Sonstiges Gummi 1 0 0 3 Gummi
G84 CD oder CD-Hülle 0 0 0 0 Plastik
G8 Getränkeflaschen > 0,5L 0 0 0 0 Plastik
G913 Schnuller 0 0 0 0 Plastik
G122 Kunststofffragmente (>1mm) 0 0 0 0 Plastik
G126 Bälle 0 0 0 0 Gummi
G88 Telefon inkl. Teile 0 0 0 0 Plastik
G9 Flaschen und Behälter für Reinigungsmittel und... 0 0 0 0 Plastik
G12 Kosmetika, Behälter für Körperpflegeprodukte, ... 0 0 0 0 Plastik
G900 Handschuhe Latex, persönliche Schutzausrüstung 0 0 0 0 Gummi
G123 Polyurethan-Granulat < 5mm 0 0 0 0 Plastik
G119 Folienartiger Kunststoff (>1mm) 0 0 0 0 Plastik
G176 Konservendosen (Lebensmitteldosen) 0 0 0 0 Metall
G915 Reflektoren, Mobilitätsartikel aus Kunststoff 0 0 0 0 Plastik
G916 Bleistifte und Bruchstücke 0 0 0 0 Holz
G102 Flip-Flops 0 0 0 0 Plastik
G999 Keine Gegenstände bei dieser Erhebung/Studie g... 0 0 0 0 Unbekannt
G103 Kunststofffragmente rund <5mm 0 0 0 0 Plastik
G97 Behälter von Toilettenerfrischer 0 0 0 0 Plastik
G104 Kunststofffragmente abgerundet / rundlich <5m... 0 0 0 0 Plastik
G105 Kunststofffragmente subangulär <5mm 0 0 0 0 Plastik
G945 Rasierklingen 0 0 0 0 Metall
G944 Pelletmasse aus dem Spritzgussverfahren 0 0 0 0 Plastik
G940 Schaumstoff EVA (flexibler Kunststoff) 0 0 0 0 Plastik
G94 Tischtuch 0 0 0 0 Plastik
G938 Zahnstocher, Zahnseide Kunststoff 0 0 0 0 Plastik
G937 Pheromonköder für Weinberge 0 0 0 0 Plastik
G108 Scheibenförmige Pellets <5mm 0 0 0 0 Plastik
G935 Gummi-Puffer für Geh- und Wanderstöcke und Tei... 0 0 0 0 Plastik
G934 Sandsäcke, Kunststoff für Hochwasser- und Eros... 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
G930 Schaumstoff-Ohrstöpsel 0 0 0 0 Plastik
G11 Kosmetika für den Strand, z.B. Sonnencreme 0 0 0 0 Plastik
G111 Kugelförmige Pellets < 5mm 0 0 0 0 Plastik
G113 Fäden <5mm 0 0 0 0 Plastik
G926 Kaugummi, enthält oft Kunststoffe 0 0 0 0 Plastik
G114 Folien <5mm 0 0 0 0 Plastik
G712 Skihandschuhe 0 0 0 0 Stoff
G116 Granulat <5mm 0 0 0 0 Plastik
G118 Kleine Industrielle Kügelchen <5mm 0 0 0 0 Plastik
G917 Blähton 0 0 0 0 Glas
G713 Skiförderband 0 0 0 0 Plastik
G68 Fiberglas-Fragmente 0 0 0 0 Plastik
G711 Handwärmer 0 0 0 0 Plastik
G202 Glühbirnen 0 0 0 0 Glas
G150 Milchkartons, Tetrapack 0 0 0 0 Papier
G151 Tetrapack, Kartons 0 0 0 0 Papier
G158 Sonstige Gegenstände aus Papier 0 0 0 0 Papier
G160 Paletten 0 0 0 0 Holz
G161 Verarbeitetes Holz 0 0 0 0 Holz
G214 Öl/Teer 0 0 0 0 Chemikalien
G213 Paraffinwachs 0 0 0 0 Chemikalien
G162 Kisten 0 0 0 0 Holz
G210 Sonstiges Glas/Keramik Materialien 0 0 0 0 Glas
G166 Farbpinsel 0 0 0 0 Holz
G207 Tonkrüge zum Fangen von Kraken 0 0 0 0 Glas
G205 Leuchtstoffröhren 0 0 0 0 Glas
G168 Holzbretter 0 0 0 0 Holz
G17 Kartuschen von Kartuschen-spritzpistolen 0 0 0 0 Plastik
G29 Kämme, Bürsten und Sonnenbrillen 0 0 0 0 Plastik
G20 Laschen und Deckel 0 0 0 0 Plastik
G199 Andere Metallteile > 50 cm 0 0 0 0 Metall
G196 Grosse metallische Gegenstände 0 0 0 0 Metall
G171 Sonstiges Holz < 50cm 0 0 0 0 Holz
G193 Teile von Autos und Autobatterien 0 0 0 0 Metall
G190 Farbtöpfe, Farbbüchsen, ( Farbeimer) 0 0 0 0 Metall
G188 Andere Kanister/Behälter < 4 L 0 0 0 0 Metall
G173 Sonstiges 0 0 0 0 Holz
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
G147 Papiertragetaschen, (Papiertüten) 0 0 0 0 Papier
G144 Tampons 0 0 0 0 Stoff
G710 Ski / Snowboards (Ski, Befestigungen und ander... 0 0 0 0 Plastik
G63 Bojen 0 0 0 0 Plastik
G71 Schuhe Sandalen 0 0 0 0 Plastik
G709 Teller von Skistock (runder Teil aus Plastik u... 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
G13 Flaschen, Behälter, Fässer zum Transportieren ... 0 0 0 0 Plastik
G174 Aerosolspraydosen 0 0 0 0 Metall
G133 Kondome einschließlich Verpackungen 0 0 0 0 Gummi
G64 Kotflügel 0 0 0 0 Plastik
G61 Sonstiges Angelzubehör 0 0 0 0 Plastik
G143 Segel und Segeltuch 0 0 0 0 Stoff
G60 Lichtstab, Knicklicht, Glow-sticks 0 0 0 0 Plastik
G59 Monofile Angelschnur (Angeln) 0 0 0 0 Plastik
G56 Verhedderte Netze 0 0 0 0 Plastik
G55 Angelschnur (verwickelt) 0 0 0 0 Plastik
G51 Fischernetz 0 0 0 0 Plastik
G5 Plastiksäcke/ Plastiktüten 0 0 0 0 Plastik
G48 Seile, synthetische 0 0 0 0 Plastik
G43 Sicherheitsetiketten, Siegel für Fischerei ode... 0 0 0 0 Plastik
G39 Handschuhe 0 0 0 0 Plastik
G38 Abdeckungen; Kunststoffverpackungen, Folien zu... 0 0 0 0 Plastik
G139 Rucksäcke 0 0 0 0 Stoff
G14 Flaschen für Motoröl (Motorölflaschen) 0 0 0 0 Plastik
G140 Sack oder Beutel (Tragetasche), Jute oder Hanf 0 0 0 0 Stoff
G1 Sixpack-Ringe 0 0 0 0 Plastik