decoupage prompt etienne

app.py

@@ -78,6 +78,17 @@ with gr.Blocks() as demo:
             scale=7,
         )
 
+    gr.Markdown("""Quel est l'objectif principal de la prochaine rotation""")
+    with gr.Row():
+        objective = gr.CheckboxGroup( label='Objectif',
+                                     choices=["Maximiser mes revenus.", "Réduire mes intrants.", "Stocker plus de carbone dans le sol."]
+        )
+    
+    gr.Markdown("""Avez-vous la possibilité d'irriguer votre culture ?""")
+    with gr.Row():
+        irrigation = gr.Checkbox(label = 'Irrigation possible'
+        )
+
     with gr.Row():
         process_data_btn = gr.Button(value="Process data ✅", interactive=True)
 
@@ -93,7 +104,7 @@ with gr.Blocks() as demo:
 
     process_data_btn.click(
         fn=OmbreaQueryEngine.setup_data,
-        inputs=[latitude, longitude, previous_crop, issues, area],
+        inputs=[latitude, longitude, previous_crop, issues, objective, irrigation, area],
         outputs=prompt,
     )
     prompt.submit(respond, [prompt, chatbot], [chatbot])

data/rendement.py

@@ -24,6 +24,8 @@ def get_rendement(lat, lon):
             "year": "annee",
         }
     )
+    df['espece'] = df['espece'].apply(lambda x:x.split('-')[1])
+    df = df.loc[~df.espece.str.contains("Autre"), :]
     df = df.dropna(axis=0)
     df["surface (hectare)"] = (
         df["surface (hectare)"].apply(lambda x: x.replace(" ", "")).astype("int")
@@ -38,3 +40,50 @@ def get_rendement(lat, lon):
 
     df = df.loc[df.dep.str.contains(str(dep)), :]
     return df[["espece", "annee", "rendement (quintaux par hectare)"]]
+
+def get_species_surf_min(lat, lon):
+
+    df = pd.read_csv(
+        "./data/SAA_2010-2022_définitives_donnees_departementales.csv", skiprows=5
+    )
+    df = df.loc[~df.LIB_CODE.str.contains("Total"), :]
+    df = df.drop(["LIB_REG2"], axis=1)
+
+    df = pd.wide_to_long(
+        df, ["SURF_", "PROD_", "REND_"], i=["LIB_DEP", "LIB_CODE"], j="year"
+    ).reset_index()
+    df = df.rename(
+        columns={
+            "LIB_DEP": "dep",
+            "LIB_CODE": "espece",
+            "SURF_": "surface (hectare)",
+            "REND_": "rendement (quintaux par hectare)",
+            "PROD_": "production (quintaux)",
+            "year": "annee",
+        }
+    )
+    df['espece'] = df['espece'].apply(lambda x:x.split('-')[1])
+    df = df.loc[~df.espece.str.contains("Autre"), :]
+    df = df.dropna(axis=0)
+    df["surface (hectare)"] = (
+        df["surface (hectare)"].apply(lambda x: x.replace(" ", "")).astype("int")
+    )
+    df = df.loc[df["surface (hectare)"] > 0, :]
+    df["production (quintaux)"] = (
+        df["production (quintaux)"].apply(lambda x: x.replace(" ", "")).astype("int")
+    )
+
+    dep = gpd.read_file("./data/departement.geojson")
+    point = Point(lon, lat)
+    inclusion = dep.contains(point)
+
+    dep = int(dep[inclusion].code.values[0])
+
+    df = df.loc[df.dep.str.contains(str(dep)), :]
+
+    df = df.groupby('espece').agg({'production (quintaux)':'mean', 'surface (hectare)':'mean'}).reset_index()
+
+    df = df.loc[df['surface (hectare)']>1000,'espece']
+
+    return df
+

rag/prompt_processing.py

@@ -2,7 +2,7 @@ import geopandas as gpd
 from shapely.geometry import Point
 
 from data.climatic_data import get_tmy, get_open_meteo, climatic_indicators
-from data.rendement import get_rendement
+from data.rendement import get_rendement, get_species_surf_min
 from data.sol_data import get_soil_types
 import pandas as pd
 
@@ -20,7 +20,7 @@ def process_localisation(latitude, longitude):
 def process_meteo_tmy(latitude, longitude):
     tmy = get_tmy(latitude, longitude)
     meteo = (
-        tmy.resample("M")
+        tmy.resample("ME")
         .agg({"temp_min": "mean", "temp_max": "mean", "rain": "sum", 'irradiance':'sum'})
         .rename(
             columns={
@@ -63,4 +63,55 @@ def process_rendement(latitude, longitude):
 
 def process_area(area):
     prompt_area = "La Superficie de ma parcelle est: " + str(area) + ' ha \n'
-    return prompt_area
+    return prompt_area
+
+def process_species_with_surf_min(latitude, longitude):
+    rendement = get_species_surf_min(latitude, longitude)
+    str_rendement = f"Les espèces cultivables dans mon département sont les suivantes : \n {rendement}\n"
+    return str_rendement
+
+
+def call_list_of_species(latitude, longitude):
+        from rag.query_engines import OmbreaQueryEngine
+
+        # department_prompt = process_localisation(latitude, longitude)
+        meteo_prompt = process_meteo_indic(latitude, longitude)
+        prompt_species_with_surf_min = process_species_with_surf_min(latitude, longitude)
+        
+        prompt = f"Je suis agriculteur français et je m'interroge sur quelle culture semer pour ma prochaine rotation de culture. \
+        En utilisant les informations que tu as, les données d'espèces cultivées dans mon département que je vais te renseigner et la météo typique que je vais te renseigner, peux-tu me sortir la liste des espèces que je peux cultiver sur ma parcelle. \
+             Donne moi la liste, sans explication, avec les espèces séparées par des virgules : \
+            {prompt_species_with_surf_min} \
+            {meteo_prompt} \
+                "
+        
+        response = OmbreaQueryEngine.run_mistral(prompt, model='mistral-small')
+
+        return response
+
+def call_list_of_rotations(prompt_list_species, irrigation, previous_crop):
+    from rag.query_engines import OmbreaQueryEngine
+     
+    prompt_irrigation = "Concernant l'irrigation des cultures, je peux irriguer mes cultures" if irrigation else "Concernant l'irrigation des cultures, je ne peux pas irriguer mes cultures"
+    prompt_previous = f"Voici les espèces qui étaient dans ma dernière rotation : {previous_crop}"
+
+    context = f"Je suis un agriculteur français qui fait de la rotation de culture céréalière sur sa parcelle. \
+                Base toi sur tes connaissances, ne propose que des cultures qui sont dans cette liste : {prompt_list_species} \
+                Et en te basant sur les informations de contexte que je vais te donner, je voudrais un ensemble de propositions de cultures avec les avantages et inconvénients de chacune d'entre elles. \
+                Voici quelques éléments de contexte : \n"
+    prompt = (
+            context
+            # + department_prompt
+            # + meteo_prompt
+            # + soil_prompt
+            + '\n'
+            + prompt_previous
+            + "\n"
+            + prompt_irrigation
+            # + rendmt_prompt
+            + "\n Réponds en français s'il te plait."
+        )
+    
+    response = OmbreaQueryEngine.run_mistral(prompt, model='mistral-small')
+
+    return response

rag/query_engines.py

@@ -14,6 +14,9 @@ from rag.prompt_processing import (
     process_meteo_indic,
     process_rendement,
     process_soil,
+    process_species_with_surf_min,
+    call_list_of_species,
+    call_list_of_rotations,
     process_area
 )
 
@@ -44,34 +47,20 @@ class OmbreaQueryEngine(CustomQueryEngine):
         nodes = self.retriever.retrieve(query_str)
         response_obj = self.response_synthesizer.synthesize(query_str, nodes)
         return response_obj
-
+    
     @staticmethod
-    def setup_data(latitude: float, longitude: float, previous_crop: str, issues: str, area: int):
-        # process meteo
-        context = "Je suis un agriculteur français qui fait de la rotation de culture céréalière sur sa parcelle. \
-Je souhaite trouver la prochaine itération de ma rotation de culture afin de maximiser mon rendement. \
-Je voudrais un ensemble de propositions avec les avantages et inconvénients de chacune d'entre elles. \
-Voici quelques éléments de contexte : \n"
-
-        department_prompt = process_localisation(latitude, longitude)
-        meteo_prompt = process_meteo_indic(latitude, longitude)
+    def setup_data(latitude: float, longitude: float, previous_crop: str, issues: str, objective: str, irrigation: bool, area: int, soil_type: str):
+        
         area_prompt = process_area(area)
-        #soil_prompt = process_soil(latitude, longitude)
-        rendmt_prompt = process_rendement(latitude, longitude)
-
-        prompt = (
-            context
-            + department_prompt
-            + area_prompt
-            + meteo_prompt
-            #+ soil_prompt
-            + previous_crop
-            + "\n"
-            + issues
-            + "\n"
-            + rendmt_prompt
-            + "\n Réponds en français s'il te plait."
-        )
+        
+        response_list_species = call_list_of_species(latitude, longitude)
+
+        response_list_rotations = call_list_of_rotations(response_list_species, irrigation, previous_crop)
+
+        prompt = f" Je suis agriculteur français, et je me demande quelle culture planter pour poursuivre ma rotation de culture. \
+        Je t'ai demandé précédemment de me recommander des cultures à planter pour poursuivre ma rotation. \
+            Je vais te fournir la liste des cultures que tu m'as conseillées avec les avantages et inconvénients associés, et tu vas m'adapter cette recommandation en prenant en compte les objectifs de ma prochaine rotation qui sont les suivants : {objective}. \
+        Voici la liste des rotations que tu m'as conseillé : {response_list_rotations}"
 
         return prompt