app.py

import streamlit as st
import ee
import folium
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from streamlit_folium import folium_static
from datetime import date, timedelta
import json
import geemap.foliumap as geemap
from fpdf import FPDF
import io
import base64
from PIL import Image
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import plotly.express as px
from streamlit_plotly_events import plotly_events

# تنظیمات اولیه
st.set_page_config(page_title="سامانه پایش هوشمند مزارع نیشکر", layout="wide", initial_sidebar_state="expanded")

# تنظیمات ظاهری برای متون فارسی
st.markdown("""
    <style>
        @font-face {
            font-family: 'Vazir';
            src: url('https://cdn.jsdelivr.net/gh/rastikerdar/vazir-font@v27.2.2/dist/Vazir-Regular.woff2');
        }
        .css-1d391kg, .css-1lcbmhc {
            font-family: 'Vazir', sans-serif;
        }
    </style>
""", unsafe_allow_html=True)

# تنظیمات Earth Engine
service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
key_json = {
  "type": "service_account",
  "project_id": "ee-esmaeilkiani13877",
  "private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f",
  "private_key": "-----BEGIN PRIVATE KEY-----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\nLa4DJE9BagGdVNTDtynBhKhZ\n-----END PRIVATE KEY-----\n",
  "client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com",
  "client_id": "113062529451626176784",
  "auth_uri": "https://accounts.google.com/o/oauth2/auth",
  "token_uri": "https://oauth2.googleapis.com/token",
  "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
  "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
  "universe_domain": "googleapis.com"
}


# تبدیل دیکشنری به رشته JSON
key_json_str = json.dumps(key_json)

# ایجاد اعتبارنامه و راه‌اندازی Earth Engine
credentials = ee.ServiceAccountCredentials(service_account, key_data=key_json_str)
ee.Initialize(credentials)

# تعریف توابع کمکی
@st.cache_data
def load_farm_data():
    """بارگذاری اطلاعات مزارع"""
    try:
        return pd.read_csv("tableConvert.com_wftamx (1).csv")
    except Exception as e:
        st.error(f"خطا در بارگذاری اطلاعات مزارع: {str(e)}")
        return None

@st.cache_data
def get_safe_index_value(_image, index_type, band_selection, _farm_geometry, image_date, farm_coords):
    """محاسبه ایمن شاخص‌های گیاهی"""
    if _image is None:
        return None
    try:
        if index_type == "MSAVI":
            index_image = _image.expression(
                "(2 * NIR + 1 - sqrt((2 * NIR + 1) ** 2 - 8 * (NIR - RED))) / 2",
                {"NIR": _image.select("B8"), "RED": _image.select("B4")}
            ).rename("MSAVI")
        else:
            index_image = _image.normalizedDifference(band_selection[index_type]).rename(index_type)
        
        mean_value = index_image.reduceRegion(
            reducer=ee.Reducer.mean(),
            geometry=_farm_geometry,
            scale=10
        ).get(index_type if index_type != "MSAVI" else "MSAVI").getInfo()
        
        return mean_value if mean_value is not None else 0
    except Exception as e:
        st.error(f"خطا در محاسبه شاخص {index_type} برای تاریخ {image_date}: {str(e)}")
        return 0

def calculate_lai(ndvi):
    """محاسبه شاخص سطح برگ"""
    return -1.325 + 6.331 * ndvi - 2.239 * (ndvi ** 2)

@st.cache_data
def get_weekly_average_ndvi(_farm_geometry, start_date, end_date, farm_coords):
    """محاسبه میانگین هفتگی NDVI"""
    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
        .filterDate(start_date, end_date) \
        .filterBounds(_farm_geometry) \
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

    def calculate_ndvi(image):
        ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
        return image.addBands(ndvi)

    ndvi_collection = s2_collection.map(calculate_ndvi)

    weekly_ndvi = ndvi_collection.select('NDVI').mean()

    mean_ndvi = weekly_ndvi.reduceRegion(
        reducer=ee.Reducer.mean(),
        geometry=_farm_geometry,
        scale=10
    ).get('NDVI').getInfo()

    return mean_ndvi

@st.cache_data
def perform_clustering(_farm_geometry, start_date, end_date, farm_coords):
    """انجام خوشه‌بندی بر اساس NDVI"""
    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
        .filterDate(start_date, end_date) \
        .filterBounds(_farm_geometry) \
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

    composite = s2_collection.median()
    ndvi = composite.normalizedDifference(['B8', 'B4']).rename('NDVI')

    training = ndvi.sample(
        region=_farm_geometry,
        scale=10,
        numPixels=100
    )

    clusterer = ee.Clusterer.wekaKMeans(3).train(training)
    result = ndvi.cluster(clusterer)

    return result

def create_heatmap(df, index_type):
    """ایجاد نقشه حرارتی برای شاخص مورد نظر"""
    pivot_df = df.pivot("name", "date", index_type)
    fig = px.imshow(pivot_df, 
                    labels=dict(x="تاریخ", y="نام مزرعه", color=index_type),
                    x=pivot_df.columns,
                    y=pivot_df.index)
    fig.update_layout(title=f"نقشه حرارتی {index_type}")
    return fig

def create_comparison_chart(df, farm1, farm2, index_type):
    """ایجاد نمودار مقایسه‌ای بین دو مزرعه"""
    df_farm1 = df[df['name'] == farm1]
    df_farm2 = df[df['name'] == farm2]

    fig = go.Figure()
    fig.add_trace(go.Scatter(x=df_farm1['date'], y=df_farm1[index_type], name=farm1))
    fig.add_trace(go.Scatter(x=df_farm2['date'], y=df_farm2[index_type], name=farm2))

    fig.update_layout(title=f"مقایسه {index_type} بین {farm1} و {farm2}",
                      xaxis_title="تاریخ",
                      yaxis_title=index_type)
    return fig

def generate_pdf_report(farm_info, index_values, lai_values, date_list):
    """تولید گزارش PDF"""
    pdf = FPDF()
    pdf.add_page()
    pdf.add_font('Vazir', '', 'Vazir-Regular.ttf', uni=True)
    pdf.set_font('Vazir', '', 14)

    pdf.cell(200, 10, txt="گزارش وضعیت مزرعه", ln=True, align='C')
    pdf.cell(200, 10, txt=f"نام مزرعه: {farm_info['name']}", ln=True)
    pdf.cell(200, 10, txt=f"سن مزرعه: {farm_info['age']} سال", ln=True)
    pdf.cell(200, 10, txt=f"نوع محصول: {farm_info['variety']}", ln=True)

    # اضافه کردن نمودارها
    for index in index_values.keys():
        plt.figure(figsize=(10, 6))
        plt.plot(date_list, index_values[index], marker='o')
        plt.title(f"روند تغییرات {index}")
        plt.xlabel("تاریخ")
        plt.ylabel("مقدار شاخص")
        plt.xticks(rotation=45)
        img_buffer = io.BytesIO()
        plt.savefig(img_buffer, format='png')
        img_buffer.seek(0)
        pdf.image(img_buffer, x=10, y=None, w=190)
        plt.close()

    # اضافه کردن توضیحات تحلیلی
    pdf.cell(200, 10, txt="تحلیل وضعیت مزرعه:", ln=True)
    latest_ndvi = index_values['NDVI'][-1]
    latest_ndwi = index_values['NDWI'][-1]
    
    if latest_ndvi > 0.5:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی مطلوب است.", ln=True)
    elif latest_ndvi > 0.3:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی متوسط است.", ln=True)
    else:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی نامطلوب است.", ln=True)

    if latest_ndwi > 0.2:
        pdf.cell(200, 10, txt="وضعیت آب گیاه مطلوب است.", ln=True)
    elif latest_ndwi > 0:
        pdf.cell(200, 10, txt="وضعیت آب گیاه متوسط است.", ln=True)
    else:
        pdf.cell(200, 10, txt="احتمال تنش آبی وجود دارد.", ln=True)

    return pdf.output(dest='S').encode('latin-1')

# تابع اصلی برنامه
def main():
    st.title("سامانه پایش هوشمند مزارع نیشکر")
    
    # بارگذاری اطلاعات مزارع
    df = load_farm_data()
    if df is None:
        return

    # تعریف شاخص‌ها و باندها
    band_selection = {
        "NDVI": ["B8", "B4"],
        "NDRE": ["B8", "B5"],
        "NDWI": ["B3", "B8"],
        "NDMI": ["B8", "B11"],
        "MSAVI": ["B8", "B4"]
    }

    # تعریف اطلاعات شاخص‌ها
    index_info = {
        "NDVI": {
            "description": "شاخص تفاضل نرمال شده پوشش گیاهی",
            "ranges": [
                {"range": "کمتر از 0.1", "meaning": "خاک لخت یا آب", "color": "قرمز"},
                {"range": "0.1 تا 0.3", "meaning": "پوشش گیاهی کم", "color": "نارنجی"},
                {"range": "0.3 تا 0.5", "meaning": "پوشش گیاهی متوسط", "color": "زرد"},
                {"range": "0.5 تا 0.7", "meaning": "پوشش گیاهی خوب", "color": "سبز روشن"},
                {"range": "بیشتر از 0.7", "meaning": "پوشش گیاهی بسیار خوب", "color": "سبز تیره"}
            ],
            "palette": ['red', 'orange', 'yellow', 'lightgreen', 'darkgreen']
        },
        # سایر شاخص‌ها مشابه NDVI تعریف می‌شوند
    }

    # انتخاب مزرعه
    selected_farm = st.selectbox("انتخاب مزرعه", df["name"].unique())
    farm_info = df[df["name"] == selected_farm].iloc[0]
    
    # تعریف هندسه مزرعه با استفاده از طول و عرض جغرافیایی
    farm_geometry = ee.Geometry.Point([farm_info['longitude'], farm_info['latitude']])
    farm_coords = f"{farm_info['longitude']},{farm_info['latitude']}"
    
    # ایجاد یک بافر اطراف نقطه مرکزی مزرعه (مثلاً به شعاع 100 متر)
    farm_geometry = farm_geometry.buffer(100)

    # انتخاب شاخص
    index_type = st.selectbox("انتخاب شاخص گیاهی", list(band_selection.keys()))

    if st.button("نمایش نقشه و تحلیل"):
        try:
            # محاسبه تاریخ‌های مورد نیاز
            end_date = date.today()
            start_date = end_date - timedelta(days=30)  # افزایش بازه زمانی به یک ماه
            date_list = [start_date + timedelta(days=x) for x in range(31)]

            # دریافت تصاویر و محاسبه شاخص‌ها
            with st.spinner('در حال پردازش اطلاعات...'):
                index_values = {index: [] for index in band_selection.keys()}
                
                for single_date in date_list:
                    date_str = single_date.strftime("%Y-%m-%d")
                    next_date = (single_date + timedelta(days=1)).strftime("%Y-%m-%d")
                    
                    try:
                        s2_collection = ee.ImageCollection("COPERNICUS/S2")\
                            .filterDate(date_str, next_date)\
                            .filterBounds(farm_geometry)\
                            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                        
                        if s2_collection.size().getInfo() > 0:
                            s2 = s2_collection.first()
                            for index in band_selection.keys():
                                value = get_safe_index_value(s2, index, band_selection, farm_geometry, date_str, farm_coords)
                                index_values[index].append(value)
                        else:
                            for index in band_selection.keys():
                                index_values[index].append(0)
                    except Exception as e:
                        st.error(f"خطا در پردازش تاریخ {date_str}: {str(e)}")
                        for index in band_selection.keys():
                            index_values[index].append(0)

                # محاسبه میانگین هفتگی NDVI
                weekly_ndvi = get_weekly_average_ndvi(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"), farm_coords)
                st.write(f"میانگین هفتگی NDVI: {weekly_ndvi:.2f}")

                # انجام خوشه‌بندی
                clustering_result = perform_clustering(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"), farm_coords)

                # نمایش نمودارها و نقشه NDVI
                col1, col2 = st.columns(2)
                
                with col1:
                    st.subheader("روند تغییرات شاخص‌ها")
                    fig = make_subplots(rows=len(band_selection), cols=1, shared_xaxes=True)
                    for i, (index, values) in enumerate(index_values.items(), start=1):
                        fig.add_trace(go.Scatter(x=date_list, y=values, name=index), row=i, col=1)
                        fig.update_yaxes(title_text=index, row=i, col=1)
                    fig.update_layout(height=600, width=800, title_text="روند تغییرات شاخص‌ها")
                    st.plotly_chart(fig)

                with col2:
                    st.subheader("شاخص سطح برگ (LAI)")
                    lai_values = [calculate_lai(ndvi) for ndvi in index_values['NDVI']]
                    fig = px.line(x=date_list, y=lai_values, labels={'x': 'تاریخ', 'y': 'LAI'})
                    fig.update_layout(title_text="روند تغییرات شاخص سطح برگ")
                    st.plotly_chart(fig)

                # تحلیل وضعیت
                st.subheader("تحلیل وضعیت مزرعه")
                latest_ndvi = index_values['NDVI'][-1]
                latest_ndwi = index_values['NDWI'][-1]
                
                status_text = ""
                if latest_ndvi > 0.5:
                    status_text += "🟢 وضعیت پوشش گیاهی مطلوب است. "
                elif latest_ndvi > 0.3:
                    status_text += "🟡 وضعیت پوشش گیاهی متوسط است. "
                else:
                    status_text += "🔴 وضعیت پوشش گیاهی نامطلوب است. "

                if latest_ndwi > 0.2:
                    status_text += "💧 وضعیت آب گیاه مطلوب است."
                elif latest_ndwi > 0:
                    status_text += "💧 وضعیت آب گیاه متوسط است."
                else:
                    status_text += "⚠️ احتمال تنش آبی وجود دارد."

                st.info(status_text)

                # نمایش نقشه NDVI
                st.subheader("نقشه NDVI")
                Map = geemap.Map(center=[farm_info['latitude'], farm_info['longitude']], zoom=15)
                
                # محاسبه NDVI برای آخرین تصویر
                last_image = s2_collection.sort('system:time_start', False).first()
                ndvi = last_image.normalizedDifference(['B8', 'B4']).rename('NDVI')
                
                # تنظیمات نمایش NDVI
                vis_params = {
                    'min': 0,
                    'max': 1,
                    'palette': ['red', 'yellow', 'green']
                }
                
                # اضافه کردن لایه NDVI به نقشه
                Map.addLayer(ndvi.clip(farm_geometry.buffer(500)), vis_params, 'NDVI')
                
                # اضافه کردن نشانگر مزرعه
                Map.add_marker(location=[farm_info['latitude'], farm_info['longitude']], popup=farm_info['name'])
                
                # نمایش نقشه
                Map.to_streamlit(height=400)

                # نمایش نقشه حرارتی
                st.subheader("نقشه حرارتی وضعیت مزارع")
                heatmap_fig = create_heatmap(df, index_type)
                st.plotly_chart(heatmap_fig)

                # مقایسه بین مزارع
                st.subheader("مقایسه بین مزارع")
                farm1 = st.selectbox("انتخاب مزرعه اول", df["name"].unique())
                farm2 = st.selectbox("انتخاب مزرعه دوم", df["name"].unique())
                comparison_fig = create_comparison_chart(df, farm1, farm2, index_type)
                st.plotly_chart(comparison_fig)

                # تولید گزارش PDF
                st.subheader("دریافت گزارش PDF")
                if st.button("تولید گزارش PDF"):
                    pdf_report = generate_pdf_report(farm_info, index_values, lai_values, date_list)
                    st.download_button(
                        label="دانلود گزارش PDF",
                        data=pdf_report,
                        file_name=f"گزارش_{farm_info['name']}.pdf",
                        mime="application/pdf"
                    )

        except Exception as e:
            st.error(f"خطا در پردازش اطلاعات: {str(e)}")

if __name__ == "__main__":
    main()