Update app.py

app.py

@@ -1,91 +1,208 @@
 import streamlit as st
 import pandas as pd
-import matplotlib.pyplot as plt
+import numpy as np
+import ee
+import geemap
+import geopandas as gpd
+from datetime import datetime, timedelta
+import folium
+from streamlit_folium import folium_static
 import plotly.express as px
+import io
 import requests
-import json
-from datetime import datetime
 
-# تنظیمات اولیه
-st.set_page_config(page_title="تجزیه و تحلیل سری زمانی", layout="wide")
+# Initialize Earth Engine
+def initialize_ee():
+    try:
+        service_account = 'earth-engine-service-account@ee-esmaeilkiani1387.iam.gserviceaccount.com'
+        credentials = ee.ServiceAccountCredentials(service_account, 'ee-esmaeilkiani1387-1b2c5e812a1d.json')
+        ee.Initialize(credentials)
+        return True
+    except Exception as e:
+        st.error(f"خطا در راه‌اندازی Earth Engine: {str(e)}")
+        return False
+
+# Set page config
+st.set_page_config(
+    page_title="تحلیل پوشش گیاهی مزارع",
+    layout="wide",
+    initial_sidebar_state="expanded"
+)
+
+# Custom styling
+st.markdown("""
+<style>
+    .main {
+        background-color: #f5f5f5;
+    }
+    .stButton>button {
+        background-color: #2E4057;
+        color: white;
+        border-radius: 8px;
+        padding: 0.75rem 1.5rem;
+        font-weight: 600;
+    }
+    .stSelectbox {
+        background-color: white;
+        border-radius: 8px;
+    }
+    .plot-container {
+        background-color: white;
+        border-radius: 15px;
+        padding: 1rem;
+        box-shadow: 0 4px 6px rgba(0,0,0,0.1);
+    }
+    body {
+        direction: rtl;
+        font-family: 'Vazirmatn', sans-serif;
+    }
+</style>
+""", unsafe_allow_html=True)
+
+# Constants
+DEFAULT_LOCATION = {
+    "latitude": 31.534442,
+    "longitude": 48.724416,
+    "name": "شرکت کشت و صنعت نیشکر دهخدا"
+}
+
+NDVI_PALETTE = [
+    '#d73027', '#f46d43', '#fdae61', '#fee08b', '#ffffbf',
+    '#d9ef8b', '#a6d96a', '#66bd63', '#1a9850'
+]
 
-# تابع برای خواندن داده‌ها
 @st.cache_data
-def load_data():
-    # اینجا می‌توانید داده‌ها را از Hugging Face بارگذاری کنید
-    data = pd.read_json("tableConvert.com_w440rj.json")
-    data['Date'] = pd.to_datetime(data['Date'] + ' ' + data['time'])
-    data.drop(columns=['time'], inplace=True)
-    return data
-
-# تابع برای دریافت پیش‌بینی از OpenWeatherMap API
-def get_weather_forecast(api_key, lat, lon):
-    url = f"http://api.openweathermap.org/data/2.5/forecast?lat={lat}&lon={lon}&appid={api_key}&units=metric"
-    response = requests.get(url)
-    data = response.json()
-    forecast = []
-    for item in data['list']:
-        forecast.append({
-            'Date': datetime.fromtimestamp(item['dt']),
-            'Temperature': item['main']['temp'],
-            'Humidity': item['main']['humidity'],
-            'Wind Speed': item['wind']['speed'],
-            'Weather': item['weather'][0]['description']
-        })
-    return pd.DataFrame(forecast)
-
-# بارگذاری داده‌ها
-data = load_data()
-
-# صفحه اصلی
-st.title("تجزیه و تحلیل سری زمانی")
-
-# نمایش داده‌ها به صورت جدول
-st.subheader("داده‌ها")
-st.write(data)
-
-# فیلترها
-st.sidebar.header("فیلترها")
-start_date = st.sidebar.date_input("تاریخ شروع", data['Date'].min())
-end_date = st.sidebar.date_input("تاریخ پایان", data['Date'].max())
-filtered_data = data[(data['Date'] >= pd.to_datetime(start_date)) & (data['Date'] <= pd.to_datetime(end_date))]
-
-# نمایش داده‌های فیلتر شده
-st.subheader("داده‌های فیلتر شده")
-st.write(filtered_data)
-
-# نمودار خطی
-st.subheader("نمودار خطی دما در طول زمان")
-fig = px.line(filtered_data, x='Date', y='T[°C]', title='تغییرات دما در طول زمان')
-st.plotly_chart(fig)
-
-# هیستوگرام
-st.subheader("هیستوگرام دما")
-fig = px.histogram(filtered_data, x='T[°C]', nbins=20, title='توزیع دما')
-st.plotly_chart(fig)
-
-# تجزیه و تحلیل آماری
-st.subheader("تجزیه و تحلیل آماری")
-st.write(f"میانگین دما: {filtered_data['T[°C]'].mean():.2f} °C")
-st.write(f"حداقل دما: {filtered_data['T[°C]'].min()} °C")
-st.write(f"حداکثر دما: {filtered_data['T[°C]'].max()} °C")
-st.write(f"انحراف معیار دما: {filtered_data['T[°C]'].std():.2f}")
-
-# پیش‌بینی با استفاده از OpenWeatherMap API
-st.subheader("پیش‌بینی آب و هوا")
-api_key = "ed47316a45379e2221a75f813229fb46"
-lat = 31.534442
-lon = 48.724416
-forecast_data = get_weather_forecast(api_key, lat, lon)
-st.write(forecast_data)
-
-# نمودار پیش‌بینی
-st.subheader("نمودار پیش‌بینی دما")
-fig = px.line(forecast_data, x='Date', y='Temperature', title='پیش‌بینی دما برای 5 روز آینده')
-st.plotly_chart(fig)
-
-# ذخیره گزارش
-st.subheader("ذخیره گزارش")
-if st.button("دانلود گزارش به صورت CSV"):
-    filtered_data.to_csv("report.csv", index=False)
-    st.success("گزارش با موفقیت ذخیره شد.")
+def load_farm_data():
+    try:
+        CSV_URL = "https://hebbkx1anhila5yf.public.blob.vercel-storage.com/tableConvert.com_wftamx-1UC3HLMMTZ9WN2ePEhHQLU2Knn0ACl.csv"
+        response = requests.get(CSV_URL)
+        response.raise_for_status()
+        csv_content = response.content.decode('utf-8')
+        df = pd.read_csv(io.StringIO(csv_content))
+        return df
+    except Exception as e:
+        st.error(f"خطا در بارگیری داده‌های مزارع: {str(e)}")
+        return None
+
+def calculate_ndvi(image):
+    ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
+    return image.addBands(ndvi)
+
+def get_sentinel_collection(start_date, end_date, geometry):
+    return (ee.ImageCollection('COPERNICUS/S2_SR')
+            .filterDate(start_date, end_date)
+            .filterBounds(geometry)
+            .map(calculate_ndvi)
+            .select('NDVI'))
+
+def create_ndvi_visualization(start_date, end_date, wheat_only=False):
+    try:
+        # Create geometry from default location
+        point = ee.Geometry.Point([DEFAULT_LOCATION['longitude'], DEFAULT_LOCATION['latitude']])
+        region = point.buffer(5000)  # 5km buffer
+
+        # Get Sentinel-2 collection
+        collection = get_sentinel_collection(start_date, end_date, region)
+        
+        # Calculate mean NDVI
+        ndvi = collection.mean()
+
+        # Visualization parameters
+        vis_params = {
+            'min': -1,
+            'max': 1,
+            'palette': NDVI_PALETTE
+        }
+
+        if wheat_only:
+            # Load wheat farm locations
+            farms_df = load_farm_data()
+            wheat_farms = farms_df[farms_df['crop_type'] == 'wheat']
+            
+            # Create mask for wheat farms
+            wheat_mask = ee.FeatureCollection(
+                wheat_farms.apply(
+                    lambda x: ee.Feature(
+                        ee.Geometry.Point([x['longitude'], x['latitude']])
+                    ),
+                    axis=1
+                ).tolist()
+            ).geometry().buffer(100)  # 100m buffer around wheat farms
+            
+            # Apply mask
+            ndvi = ndvi.updateMask(wheat_mask)
+
+        # Create the map
+        Map = geemap.Map(center=[DEFAULT_LOCATION['latitude'], DEFAULT_LOCATION['longitude']], zoom=12)
+        Map.add_layer(ndvi, vis_params, 'NDVI')
+        
+        # Add legend
+        Map.add_legend(title="NDVI Values", colors=NDVI_PALETTE,
+                      labels=[f"{i:.1f}" for i in np.linspace(-1, 1, len(NDVI_PALETTE))])
+        
+        return Map
+
+    except Exception as e:
+        st.error(f"خطا در محاسبه NDVI: {str(e)}")
+        return None
+
+def main():
+    # Initialize Earth Engine
+    if not initialize_ee():
+        return
+
+    st.title("تحلیل شاخص NDVI مزارع")
+
+    # Date selection
+    col1, col2 = st.columns(2)
+    with col1:
+        start_date = st.date_input(
+            "تاریخ شروع",
+            datetime.now() - timedelta(days=30),
+            help="تاریخ شروع برای محاسبه NDVI"
+        )
+    with col2:
+        end_date = st.date_input(
+            "تاریخ پایان",
+            datetime.now(),
+            help="تاریخ پایان برای محاسبه NDVI"
+        )
+
+    # Wheat farms filter
+    wheat_only = st.checkbox("نمایش فقط مزارع گندم", help="فیلتر کردن نقشه برای نمایش فقط مزارع گندم")
+
+    if st.button("محاسبه NDVI"):
+        with st.spinner("در حال محاسبه NDVI..."):
+            start_time = datetime.now()
+            
+            # Create NDVI visualization
+            Map = create_ndvi_visualization(
+                start_date.strftime("%Y-%m-%d"),
+                end_date.strftime("%Y-%m-%d"),
+                wheat_only
+            )
+            
+            if Map:
+                # Display the map
+                Map.to_streamlit(height=600)
+                
+                # Display processing time
+                end_time = datetime.now()
+                processing_time = (end_time - start_time).total_seconds()
+                st.info(f"زمان پردازش: {processing_time:.2f} ثانیه")
+                
+                # Display NDVI information
+                st.markdown("""
+                <div class="plot-container">
+                    <h3>راهنمای تفسیر NDVI</h3>
+                    <ul>
+                        <li>مقادیر نزدیک به 1 (سبز تیره): پوشش گیاهی متراکم</li>
+                        <li>مقادیر متوسط (زرد تا سبز روشن): پوشش گیاهی متوسط</li>
+                        <li>مقادیر نزدیک به 0 (نارنجی): پوشش گیاهی کم یا خاک لخت</li>
+                        <li>مقادیر منفی (قرمز): آب یا ابر</li>
+                    </ul>
+                </div>
+                """, unsafe_allow_html=True)
+
+if __name__ == "__main__":
+    main()