Update app.py

app.py

@@ -1,106 +1,353 @@
 import streamlit as st
+import ee
+import geemap.foliumap as geemap
 import pandas as pd
 import matplotlib.pyplot as plt
-import seaborn as sns
-from datetime import datetime
+import datetime
+import os
 
-# تنظیمات اولیه صفحه
-st.set_page_config(page_title="تحلیل رشد مزارع نیشکر", layout="wide")
-st.title("برنامه تحلیل و گزارش‌گیری مزارع نیشکر")
+# Set page title and layout
+st.set_page_config(page_title="سیستم پایش مزارع نیشکر", layout="wide")
 
-# بارگذاری یا ایجاد دیتافریم اولیه
-if 'data.csv' in st.session_state:
-    data = pd.read_csv('کراپ لاگ اپ.csv')
-else:
-    # ستون‌های مشابه فایل اکسل شما
-    columns = [
-        'شناسه مزرعه', 'تاریخ', 'رشد هفته جاری', 'رشد هفته گذشته', 'ارتفاع هفته جاری مزرعه', 
-        'ارتفاع هفته گذشته مزرعه', 'نیتروژن فعلی', 'نیتروژن استاندارد فعلی', 'رطوبت غلاف فعلی', 
-        'رطوبت استاندارد فعلی', 'واریته', 'سن', 'مساحت داشت', 'ایستگاه 1', 'ایستگاه 2', 
-        'ایستگاه 3', 'ایستگاه 4', 'ایستگاه 5', 'چاهک 1', 'تاریخ قرائت چاهک 1'
-    ]
-    data = pd.DataFrame(columns=columns)
-    st.session_state['data.csv'] = data
-
-# بخش ورود داده‌ها
-st.header("ورود داده‌های جدید")
-with st.form(key='data_form'):
-    col1, col2, col3 = st.columns(3)
-    with col1:
-        farm_id = st.text_input("شناسه مزرعه (مثلاً 01-22R4CP69)")
-        date = st.date_input("تاریخ")
-        growth_current = st.number_input("رشد هفته جاری (سانتی‌متر)", min_value=0.0, step=0.1)
-        growth_previous = st.number_input("رشد هفته گذشته (سانتی‌متر)", min_value=0.0, step=0.1)
-        height_current = st.number_input("ارتفاع هفته جاری (سانتی‌متر)", min_value=0.0, step=0.1)
-        height_previous = st.number_input("ارتفاع هفته گذشته (سانتی‌متر)", min_value=0.0, step=0.1)
-    with col2:
-        nitrogen_current = st.number_input("نیتروژن فعلی", min_value=0.0, step=0.01)
-        nitrogen_std_current = st.number_input("نیتروژن استاندارد فعلی", min_value=0.0, step=0.01)
-        moisture_current = st.number_input("رطوبت غلاف فعلی (%)", min_value=0.0, max_value=100.0, step=0.1)
-        moisture_std_current = st.number_input("رطوبت استاندارد فعلی (%)", min_value=0.0, max_value=100.0, step=0.1)
-        variety = st.selectbox("واریته", ['CP69', 'CP48', 'CP57', 'CP73', 'IR01-412'])
-    with col3:
-        age = st.text_input("سن (مثلاً R1, P)")
-        area = st.number_input("مساحت داشت (هکتار)", min_value=0.0, step=0.1)
-        station1 = st.number_input("ایستگاه 1 (ارتفاع)", min_value=0.0, step=0.1)
-        station2 = st.number_input("ایستگاه 2 (ارتفاع)", min_value=0.0, step=0.1)
-        station3 = st.number_input("ایستگاه 3 (ارتفاع)", min_value=0.0, step=0.1)
-        station4 = st.number_input("ایستگاه 4 (ارتفاع)", min_value=0.0, step=0.1)
-        station5 = st.number_input("ایستگاه 5 (ارتفاع)", min_value=0.0, step=0.1)
-        well1 = st.number_input("چاهک 1 (عمق)", min_value=0.0, step=0.1)
-        well1_date = st.date_input("تاریخ قرائت چاهک 1")
+# Header
+st.title("سیستم پایش هوشمند مزارع نیشکر")
+st.markdown("---")
 
-    submit_button = st.form_submit_button(label="افزودن داده")
-    if submit_button:
-        new_data = pd.DataFrame({
-            'شناسه مزرعه': [farm_id], 'تاریخ': [date], 'رشد هفته جاری': [growth_current], 
-            'رشد هفته گذشته': [growth_previous], 'ارتفاع هفته جاری مزرعه': [height_current], 
-            'ارتفاع هفته گذشته مزرعه': [height_previous], 'نیتروژن فعلی': [nitrogen_current], 
-            'نیتروژن استاندارد فعلی': [nitrogen_std_current], 'رطوبت غلاف فعلی': [moisture_current], 
-            'رطوبت استاندارد فعلی': [moisture_std_current], 'واریته': [variety], 'سن': [age], 
-            'مساحت داشت': [area], 'ایستگاه 1': [station1], 'ایستگاه 2': [station2], 
-            'ایستگاه 3': [station3], 'ایستگاه 4': [station4], 'ایستگاه 5': [station5], 
-            'چاهک 1': [well1], 'تاریخ قرائت چاهک 1': [well1_date]
-        })
-        data = pd.concat([data, new_data], ignore_index=True)
-        data.to_csv('data.csv', index=False)
-        st.session_state['data.csv'] = data
-        st.success("داده با موفقیت اضافه شد!")
+# 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
 
-# نمایش داده‌ها
-st.header("داده‌های مزارع نیشکر")
-st.dataframe(data)
+# Initialize Earth Engine
+ee_initialized = initialize_ee()
 
-# تحلیل و نمودارها
-st.header("تحلیل داده‌ها")
-if not data.empty:
-    # نمودار رشد هفتگی بر اساس تاریخ
-    plt.figure(figsize=(10, 6))
-    sns.lineplot(x='تاریخ', y='رشد هفته جاری', hue='واریته', data=data)
-    plt.title('رشد هفتگی مزارع نیشکر بر اساس واریته')
-    plt.xlabel('تاریخ')
-    plt.ylabel('رشد هفته جاری (سانتی‌متر)')
-    plt.xticks(rotation=45)
-    st.pyplot(plt)
+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.")
 
-    # نمودار مقایسه نیتروژن فعلی و استاندارد
-    plt.figure(figsize=(10, 6))
-    sns.scatterplot(x='نیتروژن فعلی', y='نیتروژن استاندارد فعلی', hue='واریته', size='رشد هفته جاری', data=data)
-    plt.title('مقایسه نیتروژن فعلی و استاندارد')
-    plt.xlabel('نیتروژن فعلی')
-    plt.ylabel('نیتروژن استاندارد فعلی')
-    st.pyplot(plt)
-
-    # نمودار رطوبت فعلی بر اساس واریته
-    plt.figure(figsize=(10, 6))
-    sns.boxplot(x='واریته', y='رطوبت غلاف فعلی', data=data)
-    plt.title('توزیع رطوبت غلاف فعلی بر اساس واریته')
-    plt.xlabel('واریته')
-    plt.ylabel('رطوبت غلاف فعلی (%)')
-    st.pyplot(plt)
+    # 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.write("داده‌ای برای تحلیل وجود ندارد. لطفاً داده‌های جدید وارد کنید.")
-
-# اجرای برنامه
-if __name__ == "__main__":
-    st.write("برنامه در حال اجرا است...")
+right: