app.py

import streamlit as st
import ee
import geemap.foliumap as geemap
import pandas as pd
import matplotlib.pyplot as plt
import datetime
import os

# Set page title and layout
st.set_page_config(page_title="سیستم پایش مزارع نیشکر", layout="wide")

# Header
st.title("سیستم پایش هوشمند مزارع نیشکر")
st.markdown("---")

# Initialize Earth Engine
@st.cache_resource
def initialize_ee():
    try:
        # Path to your service account key file
        service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
        credentials_path = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
        
        # Check if credentials file exists
        if os.path.exists(credentials_path):
            credentials = ee.ServiceAccountCredentials(service_account, credentials_path)
            ee.Initialize(credentials)
            return True
        else:
            st.error("فایل احراز هویت یافت نشد. لطفا مسیر فایل را بررسی کنید.")
            return False
    except Exception as e:
        st.error(f"خطا در اتصال به Google Earth Engine: {str(e)}")
        return False

# Initialize Earth Engine
ee_initialized = initialize_ee()

if ee_initialized:
    # Define coordinates for the area of interest
    LATITUDE = 31.534442
    LONGITUDE = 48.724416
    
    # Create a point geometry
    point = ee.Geometry.Point([LONGITUDE, LATITUDE])
    
    # Create a buffer around the point (5 km radius)
    aoi = point.buffer(5000)
    
    # Sidebar for controls
    with st.sidebar:
        st.header("تنظیمات")
        
        # Date selection
        st.subheader("انتخاب بازه زمانی")
        today = datetime.datetime.now()
        default_start_date = today - datetime.timedelta(days=365)
        start_date = st.date_input("تاریخ شروع", default_start_date)
        end_date = st.date_input("تاریخ پایان", today)
        
        # Convert dates to strings
        start_date_str = start_date.strftime("%Y-%m-%d")
        end_date_str = end_date.strftime("%Y-%m-%d")
        
        # Cloud cover filter
        cloud_cover = st.slider("حداکثر درصد ابر", 0, 100, 10)
        
        # Index selection
        index_options = {
            "NDVI (شاخص تفاضل نرمال شده پوشش گیاهی)": "NDVI",
            "EVI (شاخص پوشش گیاهی بهبود یافته)": "EVI",
            "SAVI (شاخص پوشش گیاهی تعدیل شده خاک)": "SAVI",
            "NDMI (شاخص رطوبت تفاضل نرمال شده)": "NDMI"
        }
        selected_index = st.selectbox("انتخاب شاخص", list(index_options.keys()))
        index_code = index_options[selected_index]
        
        # Analysis type
        analysis_type = st.selectbox(
            "نوع تحلیل",
            ["پایش سلامت و رشد", "مدیریت آبیاری", "مدیریت آفات", "مدیریت برداشت", "مدیریت زمین"]
        )
        
        st.markdown("---")
        st.info("برای بهترین نتیجه، تصاویر با درصد ابر کمتر از 10 درصد توصیه می‌شود.")

    # Main content
    col1, col2 = st.columns([2, 1])
    
    with col1:
        st.subheader("نقشه پایش مزارع نیشکر")
        
        # Get Sentinel-2 collection
        sentinel = ee.ImageCollection('COPERNICUS/S2_SR') \
            .filterDate(start_date_str, end_date_str) \
            .filterBounds(aoi) \
            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', cloud_cover))
        
        # Sort by cloud cover and get the most recent image
        recent_image = sentinel.sort('CLOUDY_PIXEL_PERCENTAGE').first()
        
        # Check if we have an image
        if recent_image:
            # Function to calculate indices
            def calculate_index(image, index_name):
                if index_name == 'NDVI':
                    # NDVI = (NIR - Red) / (NIR + Red)
                    return image.normalizedDifference(['B8', 'B4']).rename('NDVI')
                elif index_name == 'EVI':
                    # EVI = 2.5 * ((NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1))
                    return image.expression(
                        '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
                            'NIR': image.select('B8'),
                            'RED': image.select('B4'),
                            'BLUE': image.select('B2')
                        }).rename('EVI')
                elif index_name == 'SAVI':
                    # SAVI = ((NIR - Red) / (NIR + Red + L)) * (1 + L), where L = 0.5
                    return image.expression(
                        '((NIR - RED) / (NIR + RED + 0.5)) * 1.5', {
                            'NIR': image.select('B8'),
                            'RED': image.select('B4')
                        }).rename('SAVI')
                elif index_name == 'NDMI':
                    # NDMI = (NIR - SWIR1) / (NIR + SWIR1)
                    return image.normalizedDifference(['B8', 'B11']).rename('NDMI')
            
            # Calculate the selected index
            index_image = calculate_index(recent_image, index_code)
            
            # Create a map
            Map = geemap.Map()
            Map.centerObject(aoi, 13)
            
            # Add the index layer with appropriate visualization parameters
            if index_code == 'NDVI' or index_code == 'EVI' or index_code == 'SAVI':
                vis_params = {'min': 0, 'max': 1, 'palette': ['FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901', '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01', '012E01', '011D01', '011301']}
            elif index_code == 'NDMI':
                vis_params = {'min': -1, 'max': 1, 'palette': ['red', 'orange', 'yellow', 'green', 'cyan', 'blue']}
            
            Map.addLayer(index_image, vis_params, f'{index_code} Index')
            
            # Add true color layer
            true_color_vis = {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 3000}
            Map.addLayer(recent_image, true_color_vis, 'True Color', False)
            
            # Add AOI
            Map.addLayer(aoi, {'color': 'red'}, 'Area of Interest')
            
            # Display the map
            Map.to_streamlit(height=600)
            
            # Display image metadata
            image_date = ee.Date(recent_image.get('system:time_start')).format('YYYY-MM-dd').getInfo()
            cloud_percentage = recent_image.get('CLOUDY_PIXEL_PERCENTAGE').getInfo()
            
            st.info(f"تاریخ تصویر: {image_date} | درصد ابر: {cloud_percentage:.2f}%")
        else:
            st.error("هیچ تصویری با شرایط مورد نظر یافت نشد. لطفا محدوده زمانی یا درصد ابر را تغییر دهید.")
    
    with col2:
        st.subheader("تحلیل و توصیه‌ها")
        
        if recent_image:
            # Calculate statistics for the index
            stats = index_image.reduceRegion(
                reducer=ee.Reducer.mean().combine(
                    reducer2=ee.Reducer.stdDev(),
                    sharedInputs=True
                ).combine(
                    reducer2=ee.Reducer.minMax(),
                    sharedInputs=True
                ),
                geometry=aoi,
                scale=10,
                maxPixels=1e9
            ).getInfo()
            
            # Display statistics
            if index_code in stats:
                mean_val = stats[f'{index_code}_mean']
                std_val = stats[f'{index_code}_stdDev']
                min_val = stats[f'{index_code}_min']
                max_val = stats[f'{index_code}_max']
                
                st.write(f"**میانگین {index_code}:** {mean_val:.4f}")
                st.write(f"**انحراف معیار:** {std_val:.4f}")
                st.write(f"**حداقل:** {min_val:.4f}")
                st.write(f"**حداکثر:** {max_val:.4f}")
                
                # Interpretation based on index and analysis type
                st.markdown("### تفسیر و توصیه‌ها")
                
                if index_code == 'NDVI':
                    if mean_val > 0.7:
                        health_status = "عالی"
                        color = "green"
                    elif mean_val > 0.5:
                        health_status = "خوب"
                        color = "lightgreen"
                    elif mean_val > 0.3:
                        health_status = "متوسط"
                        color = "orange"
                    else:
                        health_status = "ضعیف"
                        color = "red"
                    
                    st.markdown(f"**وضعیت سلامت گیاه:** <span style='color:{color}'>{health_status}</span>", unsafe_allow_html=True)
                    
                    if analysis_type == "پایش سلامت و رشد":
                        if mean_val > 0.7:
                            st.success("گیاهان در وضعیت سلامت عالی قرار دارند. رشد مطلوب است.")
                        elif mean_val > 0.5:
                            st.info("گیاهان در وضعیت سلامت خوبی قرار دارند. نظارت منظم توصیه می‌شود.")
                        elif mean_val > 0.3:
                            st.warning("سلامت گیاهان متوسط است. بررسی عوامل محدودکننده رشد توصیه می‌شود.")
                        else:
                            st.error("سلامت گیاهان ضعیف است. بررسی فوری عوامل تنش‌زا ضروری است.")
                    
                    elif analysis_type == "مدیریت آبیاری":
                        if mean_val < 0.4:
                            st.error("احتمال تنش آبی وجود دارد. افزایش آبیاری توصیه می‌شود.")
                        elif mean_val > 0.7:
                            st.success("وضعیت آبیاری مطلوب است.")
                        else:
                            st.info("وضعیت آبیاری قابل قبول است. نظارت منظم توصیه می‌شود.")
                
                elif index_code == 'NDMI':
                    if mean_val > 0.4:
                        moisture_status = "بالا"
                        color = "blue"
                    elif mean_val > 0.2:
                        moisture_status = "مناسب"
                        color = "green"
                    elif mean_val > 0:
                        moisture_status = "متوسط"
                        color = "orange"
                    else:
                        moisture_status = "پایین"
                        color = "red"
                    
                    st.markdown(f"**وضعیت رطوبت:** <span style='color:{color}'>{moisture_status}</span>", unsafe_allow_html=True)
                    
                    if analysis_type == "مدیریت آبیاری":
                        if mean_val < 0:
                            st.error("رطوبت خاک پایین است. افزایش آبیاری توصیه می‌شود.")
                        elif mean_val > 0.4:
                            st.warning("رطوبت خاک بالاست. کاهش آبیاری توصیه می‌شود.")
                        else:
                            st.success("رطوبت خاک در محدوده مناسبی قرار دارد.")
                
                # Add more specific recommendations based on analysis type
                st.markdown("### اقدامات پیشنهادی")
                if analysis_type == "پایش سلامت و رشد":
                    st.write("1. بررسی منظم وضعیت سلامت گیاه")
                    st.write("2. نمونه‌برداری از خاک برای بررسی وضعیت مواد مغذی")
                    st.write("3. بررسی علائم بیماری‌ها و آفات در مناطق با NDVI پایین")
                
                elif analysis_type == "مدیریت آبیاری":
                    st.write("1. تنظیم برنامه آبیاری بر اساس شاخص‌های رطوبتی")
                    st.write("2. نصب سنسورهای رطوبت خاک در مناطق بحرانی")
                    st.write("3. بررسی سیستم زهکشی در مناطق با رطوبت بالا")
                
                elif analysis_type == "مدیریت آفات":
                    st.write("1. بازرسی دقیق مناطق با NDVI پایین برای شناسایی آفات")
                    st.write("2. برنامه‌ریزی سم‌پاشی هدفمند در مناطق آلوده")
                    st.write("3. پایش مستمر مناطق مستعد آلودگی")
                
                elif analysis_type == "مدیریت برداشت":
                    st.write("1. اولویت‌بندی مناطق برای برداشت بر اساس شاخص بلوغ")
                    st.write("2. برنامه‌ریزی مسیرهای بهینه برداشت")
                    st.write("3. تخمین عملکرد محصول بر اساس شاخص‌های گیاهی")
                
                elif analysis_type == "مدیریت زمین":
                    st.write("1. شناسایی مناطق با پتانسیل بهبود")
                    st.write("2. برنامه‌ریزی کوددهی بر اساس نقشه‌های شاخص گیاهی")
                    st.write("3. ارزیابی تأثیر روش‌های مدیریتی مختلف")
            else:
                st.error(f"خطا در محاسبه آمار {index_code}")
        
        # Historical trend analysis section
        if recent_image:
            st.markdown("---")
            st.subheader("تحلیل روند تاریخی")
            
            # Get historical data for the selected index
            def get_historical_data():
                # Create a time series of the selected index
                def calculate_index_for_collection(image):
                    index = calculate_index(image, index_code)
                    mean = index.reduceRegion(
                        reducer=ee.Reducer.mean(),
                        geometry=aoi,
                        scale=30,
                        maxPixels=1e9
                    ).get(index_code)
                    
                    return image.set('date', image.date().format('YYYY-MM-dd')).set('index_mean', mean)
                
                # Get a 12-month collection
                collection = sentinel.map(calculate_index_for_collection)
                
                # Get the dates and index values
                dates = collection.aggregate_array('date').getInfo()
                values = collection.aggregate_array('index_mean').getInfo()
                
                # Create a dataframe
                data = {'date': dates, 'value': values}
                df = pd.DataFrame(data)
                df = df.dropna()  # Remove any NaN values
                
                # Convert to datetime
                df['date'] = pd.to_datetime(df['date'])
                
                # Sort by date
                df = df.sort_values('date')
                
                return df
            
            # Get the historical data
            try:
                hist_data = get_historical_data()
                
                if not hist_data.empty:
                    # Plot the data
                    fig, ax = plt.subplots(figsize=(10, 4))
                    ax.plot(hist_data['date'], hist_data['value'], marker='o', linestyle='-')
                    ax.set_title(f'روند تغییرات {index_code} در طول زمان')
                    ax.set_xlabel('تاریخ')
                    ax.set_ylabel(index_code)
                    ax.grid(True)
                    
                    # Display the plot
                    st.pyplot(fig)
                    
                    # Trend analysis
                    if len(hist_data) > 1:
                        first_value = hist_data['value'].iloc[0]
                        last_value = hist_data['value'].iloc[-1]
                        change = ((last_value - first_value) / first_value) * 100 if first_value != 0 else 0
                        
                        if change > 10:
                            st.success(f"روند صعودی: افزایش {change:.2f}% در شاخص {index_code} از ابتدای دوره")
                        elif change < -10:
                            st.error(f"روند نزولی: کاهش {abs(change):.2f}% در شاخص {index_code} از ابتدای دوره")
                        else:
                            st.info(f"روند ثابت: تغییر {change:.2f}% در شاخص {index_code} از ابتدای دوره")
                else:
                    st.warning("داده‌های کافی برای تحلیل روند تاریخی وجود ندارد.")
            except Exception as e:
                st.error(f"خطا در تحلیل روند تاریخی: {str(e)}")
else:
    st.error("اتصال به Google Earth Engine برقرار نشد. لطفا تنظیمات احراز هویت را بررسی کنید.")