summary_test.py

import pandas as pd
import pandas as pd
import numpy as np

from utils.summary import get_meterological_summary, get_agricultural_yield_comparison

# Générer des dates sur 5 ans (historique) + 5 ans (prévision)
dates_past = pd.date_range(
    start="2023-01-01", periods=36, freq="ME"
)  # 3 ans d'historique
dates_future = pd.date_range(
    start="2023-01-01", periods=60, freq="ME"
)  # 5 ans de prévisions


# Température: Tendance à la hausse selon le scénario
def generate_temperature_trend(scenario):
    base_temp = 10 + 10 * np.sin(
        np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future))
    )
    if scenario == "optimiste":
        trend = base_temp + np.linspace(0, 1, len(base_temp))  # Faible réchauffement
    elif scenario == "modéré":
        trend = base_temp + np.linspace(0, 2, len(base_temp))  # Réchauffement moyen
    else:  # pessimiste
        trend = base_temp + np.linspace(0, 3, len(base_temp))  # Fort réchauffement
    return trend


# Précipitations: Variation selon le scénario
def generate_precipitation_trend(scenario):
    base_rain = 50 + 20 * np.cos(
        np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future))
    )
    if scenario == "optimiste":
        trend = base_rain - np.linspace(0, 5, len(base_rain))  # Légère baisse
    elif scenario == "modéré":
        trend = base_rain - np.linspace(0, 10, len(base_rain))  # Baisse moyenne
    else:  # pessimiste
        trend = base_rain - np.linspace(0, 15, len(base_rain))  # Forte baisse
    return trend


# Irradiance: Augmentation progressive
def generate_irradiance_trend(scenario):
    base_irradiance = 200 + 50 * np.sin(
        np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future))
    )
    if scenario == "optimiste":
        trend = base_irradiance + np.linspace(
            0, 5, len(base_irradiance)
        )  # Faible augmentation
    elif scenario == "modéré":
        trend = base_irradiance + np.linspace(
            0, 10, len(base_irradiance)
        )  # Augmentation modérée
    else:  # pessimiste
        trend = base_irradiance + np.linspace(
            0, 20, len(base_irradiance)
        )  # Forte augmentation
    return trend


def get_mocked_summary(scenario):
    # Choix du scénario
    # scenario = "modéré"  # Changer entre "optimiste", "modéré" et "pessimiste"

    # Créer les DataFrames
    temperature_df = pd.DataFrame(
        {
            "Date": dates_past.tolist() + dates_future.tolist(),
            "Température (°C)": generate_temperature_trend(scenario),
        }
    )

    rain_df = pd.DataFrame(
        {
            "Date": dates_past.tolist() + dates_future.tolist(),
            "Précipitations (mm)": generate_precipitation_trend(scenario),
        }
    )

    irradiation_df = pd.DataFrame(
        {
            "Date": dates_past.tolist() + dates_future.tolist(),
            "Irradiance (W/m²)": generate_irradiance_trend(scenario),
        }
    )
    return temperature_df, rain_df, irradiation_df


def get_not_shaded_summary():
    scenario = "pessimiste"
    temperature_df, rain_df, irradiance_df = get_mocked_summary(scenario)
    summary = get_meterological_summary(
        scenario, temperature_df, rain_df, irradiance_df
    )
    return summary


# Example usage
def get_shaded_summary():
    import pandas as pd
    import numpy as np

    from utils.soil_utils import find_nearest_point

    city = "Bourgogne Franche Comté"
    closest_soil_features = find_nearest_point(city)
    print(closest_soil_features)

    # Définir la période de 4 ans dans le passé + 15 ans dans le futur (19 ans)
    start_date = "2010-01"
    end_date = "2029-12"

    # Générer une série de dates mensuelles
    dates = pd.date_range(start=start_date, end=end_date, freq="M")

    # Générer des données fictives de rendement (en tonnes par hectare)
    np.random.seed(42)  # Pour reproductibilité

    # Tendance générale du rendement sans ombrage (augmentation progressive)
    trend = np.linspace(2.5, 3.2, len(dates))  # Augmente légèrement sur les années

    # Ajout de variations saisonnières et aléatoires
    seasonality = 0.3 * np.sin(
        np.linspace(0, 12 * np.pi, len(dates))
    )  # Effet saisonnier
    random_variation = np.random.normal(0, 0.1, len(dates))  # Bruit aléatoire

    # Calcul du rendement sans ombrage
    yield_no_shade = trend + seasonality + random_variation

    # Appliquer un effet d'ombrage (réduction de 10-20% du rendement)
    shade_factor = np.random.uniform(
        0.1, 0.2, len(dates)
    )  # Entre 10% et 20% de réduction
    yield_with_shade = yield_no_shade * (1 - shade_factor)

    # Créer le DataFrame
    df = pd.DataFrame(
        {
            "date": dates,
            "yield_no_shade": yield_no_shade,
            "yield_with_shade": yield_with_shade,
        }
    )
    water_deficit_data = pd.DataFrame()
    climate_data = pd.DataFrame()

    summary = get_agricultural_yield_comparison(
        culture="orge",
        region="bourgogne franche comté",
        water_df=water_deficit_data,
        climate_df=climate_data,
        soil_df=closest_soil_features,
        agri_yield_df=df,
    )
    return summary