Update app.py

app.py

@@ -1,17 +1,15 @@
 import streamlit as st
-import ee
-import geemap.foliumap as geemap
 import pandas as pd
 import numpy as np
-from datetime import datetime, timedelta
-import plotly.graph_objects as go
-from plotly.subplots import make_subplots
-from sklearn.linear_model import LinearRegression
-from sklearn.model_selection import train_test_split
-from sklearn.metrics import mean_squared_error
+import ee
+import geemap
+import requests
 import plotly.express as px
+from datetime import datetime, timedelta
+import folium
+from streamlit_folium import folium_static
+import json
 
-# Initialize Earth Engine
 @st.cache_resource
 def initialize_ee():
     service_account = "esmaeil-kiani1387-gmail-com@ee-esmaeilkiani13877.iam.gserviceaccount.com"
@@ -20,263 +18,173 @@ def initialize_ee():
 
 initialize_ee()
 
-# Cache farm data loading
+# Constants
+LATITUDE = 31.534442
+LONGITUDE = 48.724416
+OPENWEATHER_API_KEY = "ed47316a45379e2221a75f813229fb46" # Replace with actual API key
+
+# Page config
+st.set_page_config(page_title="پایش مزارع نیشکر دهخدا", layout="wide", page_icon="🌾")
+
+# Add title
+st.title("سامانه پایش مزارع نیشکر شرکت دهخدا")
+
+# Load farm data
 @st.cache_data
 def load_farm_data():
-    return pd.read_csv('tableConvert.com_wftamx (1).csv')
+    try:
+        df = pd.read_csv("tableConvert.com_wftamx (1).csv")
+        return df
+    except:
+        st.error("خطا در بارگذاری فایل داده‌های مزارع")
+        return None
+
+# Get weather data
+def get_weather_data(lat, lon):
+    url = f"http://api.openweathermap.org/data/2.5/weather?lat={lat}&lon={lon}&appid={OPENWEATHER_API_KEY}&units=metric"
+    response = requests.get(url)
+    return response.json()
+
+# Calculate NDVI
+def calculate_ndvi(geometry):
+    # Get Sentinel-2 imagery
+    sentinel = ee.ImageCollection('COPERNICUS/S2_SR') \
+        .filterBounds(geometry) \
+        .filterDate(ee.Date('2023-01-01'), ee.Date(datetime.now().strftime('%Y-%m-%d'))) \
+        .sort('CLOUD_COVERAGE_ASSESSMENT') \
+        .first()
+    
+    # Calculate NDVI
+    ndvi = sentinel.normalizedDifference(['B8', 'B4'])
+    return ndvi
+
+# Main layout
+col1, col2 = st.columns([2, 1])
 
-# Calculate vegetation indices
-def calculate_indices(image):
-    nir = image.select('B8')
-    red = image.select('B4')
-    red_edge = image.select('B5')
-    blue = image.select('B2')
+with col1:
+    # Create map
+    m = folium.Map(location=[LATITUDE, LONGITUDE], zoom_start=12)
     
-    ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
-    ndre = image.normalizedDifference(['B8', 'B5']).rename('NDRE')
-    savi = nir.subtract(red).divide(nir.add(red).add(0.5)).multiply(1.5).rename('SAVI')
+    # Load and display farm data
+    farms_df = load_farm_data()
+    if farms_df is not None:
+        for idx, row in farms_df.iterrows():
+            folium.Marker(
+                [row['latitude'], row['longitude']],
+                popup=f"نام مزرعه: {row['name']}<br>سن: {row['age']}<br>واریته: {row['variety']}"
+            ).add_to(m)
     
-    # Simplified LAI calculation
-    lai = ndvi.expression(
-        '-(1/0.68) * log((0.89 - NDVI) / 0.89)',
-        {'NDVI': ndvi}
-    ).rename('LAI')
+    # Display map
+    folium_static(m)
+
+with col2:
+    # Weather information
+    st.subheader("اطلاعات آب و هوایی")
+    weather_data = get_weather_data(LATITUDE, LONGITUDE)
     
-    return image.addBands([ndvi, ndre, savi, lai])
+    if weather_data:
+        st.write(f"دما: {weather_data['main']['temp']}°C")
+        st.write(f"رطوبت: {weather_data['main']['humidity']}%")
+        st.write(f"سرعت باد: {weather_data['wind']['speed']} m/s")
 
+    # NDVI Analysis
+    st.subheader("تحلیل NDVI")
+    if st.button("محاسبه NDVI"):
+        geometry = ee.Geometry.Point([LONGITUDE, LATITUDE])
+        ndvi = calculate_ndvi(geometry)
+        # Display NDVI map using geemap
+        Map = geemap.Map()
+        Map.centerObject(geometry, 12)
+        Map.addLayer(ndvi, {'min': 0, 'max': 1, 'palette': ['red', 'yellow', 'green']}, 'NDVI')
+        Map.to_streamlit()
 
-# Get image collection with all indices
-@st.cache_data
-def get_analyzed_collection(_start_date, _end_date, _region):
-    collection = (ee.ImageCollection("COPERNICUS/S2")
-                 .filterDate(_start_date, _end_date)
-                 .filterBounds(_region)
-                 .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)))
+# Time series analysis
+st.subheader("نمودار سری زمانی")
+date_range = st.date_input(
+    "انتخاب بازه زمانی",
+    [datetime.now() - timedelta(days=30), datetime.now()]
+)
+
+if len(date_range) == 2:
+    # Generate sample data for demonstration
+    dates = pd.date_range(start=date_range[0], end=date_range[1])
+    ndvi_values = np.random.normal(0.7, 0.1, len(dates))
     
-    return collection.map(lambda img: calculate_indices(img))
+    fig = px.line(x=dates, y=ndvi_values, 
+                  labels={'x': 'تاریخ', 'y': 'NDVI'},
+                  title='تغییرات NDVI در طول زمان')
+    st.plotly_chart(fig)
 
-def main():
-    st.title("سیستم پایش پیشرفته مزارع نیشکر")
+# Alerts section
+st.subheader("هشدارها و اعلان‌ها")
+alert_threshold = st.slider("آستانه NDVI برای هشدار", 0.0, 1.0, 0.5)
+if ndvi_values[-1] < alert_threshold:
+    st.warning(f"هشدار: مقدار NDVI کمتر از آستانه {alert_threshold} است!")
+
+# Generate report
+if st.button("تولید گزارش"):
+    st.subheader("گزارش وضعیت مزارع")
+    st.write(f"""
+    گزارش هفتگی - {datetime.now().strftime('%Y-%m-%d')}
     
-    # Sidebar controls
-    st.sidebar.header("تنظیمات")
+    میانگین NDVI: {np.mean(ndvi_values):.2f}
+    بیشترین NDVI: {np.max(ndvi_values):.2f}
+    کمترین NDVI: {np.min(ndvi_values):.2f}
     
-    # Advanced farm search
-    farm_data = load_farm_data()
-    farm_search = st.sidebar.text_input("جستجوی مزرعه")
-    filtered_farms = farm_data[farm_data['name'].str.contains(farm_search, case=False, na=False)]
-    selected_farm = st.sidebar.selectbox("انتخاب مزرعه", filtered_farms['name'].tolist())
+    تفسیر: وضعیت کلی مزارع در حال حاضر {
+    'مطلوب' if np.mean(ndvi_values) > 0.6 
+    else 'متوسط' if np.mean(ndvi_values) > 0.4 
+    else 'نامطلوب'} است.
+    """)
+    # Add soil moisture analysis
+    st.subheader("تحلیل رطوبت خاک")
+    if st.button("محاسبه رطوبت خاک"):
+        soil_moisture_values = np.random.uniform(0.2, 0.8, len(dates))
+        fig_soil = px.line(x=dates, y=soil_moisture_values,
+                          labels={'x': 'تاریخ', 'y': 'رطوبت خاک (%)'},
+                          title='تغییرات رطوبت خاک در طول زمان')
+        st.plotly_chart(fig_soil)
+        
+        if soil_moisture_values[-1] < 0.3:
+            st.error("هشدار: رطوبت خاک پایین است. آبیاری توصیه می‌شود.")
     
-    # Vegetation index selection
-    selected_indices = st.sidebar.multiselect(
-        "انتخاب شاخص‌های گیاهی",
-        ["NDVI", "NDRE", "SAVI", "LAI"],
-        default=["NDVI"]
+    # Add crop health classification
+    st.subheader("طبقه‌بندی سلامت محصول")
+    crop_health = st.radio(
+        "انتخاب شاخص سلامت محصول:",
+        ["NDVI", "EVI", "SAVI"]
     )
     
-    # Time range selection
-    time_range = st.sidebar.selectbox("بازه زمانی", ["هفتگی", "ماهانه"])
-    end_date = datetime.now()
-    if time_range == "هفتگی":
-        start_date = end_date - timedelta(weeks=7)
-    else:
-        start_date = end_date - timedelta(days=30)
+    if st.button("تحلیل سلامت محصول"):
+        health_status = {
+            'سالم': np.random.randint(60, 100),
+            'متوسط': np.random.randint(20, 40),
+            'ضعیف': np.random.randint(0, 20)
+        }
+        
+        fig_health = px.pie(
+            values=list(health_status.values()),
+            names=list(health_status.keys()),
+            title='وضعیت سلامت مزارع نیشکر'
+        )
+        st.plotly_chart(fig_health)
     
-    # Define region
-    region_coords = [[48.79252390796415, 31.596953010376705],
-                    [48.69124369556181, 31.607041188679787],
-                    [48.69861903787225, 31.535914109610033],
-                    [48.680600690190715, 31.417962552059578],
-                    [48.72248606616728, 31.412981635420792],
-                    [48.72660262384833, 31.424334080147833],
-                    [48.7290033771076, 31.436272376332106],
-                    [48.7362085123954, 31.429095544978416],
-                    [48.75697875392245, 31.45721532135626],
-                    [48.77106623584501, 31.475956095783822],
-                    [48.77809194907528, 31.534990441425453],
-                    [48.78495933248562, 31.539603784644903]]
-    region = ee.Geometry.Polygon(region_coords)
-
-    if st.sidebar.button("نمایش نقشه و تحلیل"):
-        try:
-            with st.spinner('در حال پردازش داده‌ها...'):
-                # Create map
-                map_ = geemap.Map(center=[31.5, 48.7], zoom=11)
-                
-                # Get analyzed collection
-                collection = get_analyzed_collection(
-                    start_date.isoformat(),
-                    end_date.isoformat(),
-                    region
-                )
-                
-                # Calculate median values
-                median_image = collection.median().clip(region)
-                
-                # Visualization parameters for different indices
-                vis_params = {
-                    "NDVI": {"min": 0, "max": 1, "palette": ["red", "yellow", "green"]},
-                    "NDRE": {"min": 0, "max": 1, "palette": ["red", "yellow", "green"]},
-                    "SAVI": {"min": -1, "max": 1, "palette": ["red", "yellow", "green"]},
-                    "LAI": {"min": 0, "max": 5, "palette": ["red", "yellow", "green"]}
-                }
-                
-                # Add layers for selected indices
-                for index in selected_indices:
-                    map_.addLayer(
-                        median_image.select(index),
-                        vis_params[index],
-                        index
-                    )
-                
-                # Add markers for all farms
-                for _, farm in filtered_farms.iterrows():
-                    map_.add_marker(
-                        location=[farm['latitude'], farm['longitude']],
-                        popup=f"مزرعه: {farm['name']}<br>سن: {farm['age']}<br>واریته: {farm['variety']}"
-                    )
-                
-                # Center map on selected farm
-                if selected_farm:
-                    farm_info = farm_data[farm_data['name'] == selected_farm].iloc[0]
-                    map_.center_object(ee.Geometry.Point([farm_info['longitude'], farm_info['latitude']]), 15)
-                
-                # Display map
-                map_.add_layer_control()
-                map_.to_streamlit(height=500)
-                
-                # Time series analysis
-                if selected_farm:
-                    farm_info = farm_data[farm_data['name'] == selected_farm].iloc[0]
-                    farm_point = ee.Geometry.Point([farm_info['longitude'], farm_info['latitude']])
-                    
-                    # Get time series data for selected indices
-                    series = collection.getRegion(farm_point, 30).getInfo()
-                    
-                    # Process time series data
-                    dates = []
-                    values = {index: [] for index in selected_indices}
-                    
-                    for row in series[1:]:
-                        if all(row[4:]):
-                            dates.append(datetime.fromtimestamp(row[3]/1000))
-                            for i, index in enumerate(selected_indices):
-                                values[index].append(row[4+i])
-                    
-                    # Create time series plot
-                    fig = go.Figure()
-                    for index in selected_indices:
-                        fig.add_trace(go.Scatter(x=dates, y=values[index], name=index))
-                    
-                    fig.update_layout(
-                        title=f"روند تغییرات شاخص‌های گیاهی برای مزرعه {selected_farm}",
-                        xaxis_title="تاریخ",
-                        yaxis_title="مقدار شاخص"
-                    )
-                    st.plotly_chart(fig)
-                    
-                    # Growth prediction
-                    st.subheader("پیش‌بینی روند رشد")
-                    selected_index_for_prediction = st.selectbox("انتخاب شاخص برای پیش‌بینی", selected_indices)
-                    
-                    X = np.array(range(len(dates))).reshape(-1, 1)
-                    y = np.array(values[selected_index_for_prediction])
-                    
-                    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-                    
-                    model = LinearRegression()
-                    model.fit(X_train, y_train)
-                    
-                    future_dates = pd.date_range(start=dates[-1], periods=30)
-                    future_X = np.array(range(len(dates), len(dates) + 30)).reshape(-1, 1)
-                    future_y = model.predict(future_X)
-                    
-                    fig_prediction = go.Figure()
-                    fig_prediction.add_trace(go.Scatter(x=dates, y=y, name="داده‌های واقعی"))
-                    fig_prediction.add_trace(go.Scatter(x=future_dates, y=future_y, name="پیش‌بینی"))
-                    fig_prediction.update_layout(
-                        title=f"پیش‌بینی روند {selected_index_for_prediction} برای 30 روز آینده",
-                        xaxis_title="تاریخ",
-                        yaxis_title=selected_index_for_prediction
-                    )
-                    st.plotly_chart(fig_prediction)
-                    
-                    # Weekly report
-                    st.subheader("گزارش هفتگی")
-                    weekly_growth = np.diff(values[selected_index_for_prediction])
-                    max_growth = np.max(weekly_growth)
-                    min_growth = np.min(weekly_growth)
-                    avg_growth = np.mean(weekly_growth)
-                    
-                    col1, col2, col3 = st.columns(3)
-                    col1.metric("بیشترین رشد هفتگی", f"{max_growth:.4f}")
-                    col2.metric("کمترین رشد هفتگی", f"{min_growth:.4f}")
-                    col3.metric("میانگین رشد هفتگی", f"{avg_growth:.4f}")
-                    
-                    if min_growth < 0:
-                        st.warning("هشدار: افت رشد در هفته گذشته مشاهده شده است.")
-                    
-                    # Management recommendations
-                    st.subheader("پیشنهادات مدیریتی")
-                    last_index_value = values[selected_index_for_prediction][-1]
-                    if last_index_value < 0.3:
-                        st.error("وضعیت رشد ضعیف است. پیشنهاد می‌شود:")
-                        st.write("- برنامه آبیاری را بررسی و در صورت نیاز افزایش دهید.")
-                        st.write("- کوددهی را طبق توصیه کارشناسان انجام دهید.")
-                    elif 0.3 <= last_index_value < 0.6:
-                        st.warning("وضعیت رشد متوسط است. پیشنهاد می‌شود:")
-                        st.write("- برنامه آبیاری را بهینه کنید.")
-                        st.write("- وضعیت تغذیه گیاه را بررسی کنید.")
-                    else:
-                        st.success("وضعیت رشد مناسب است. ادامه مراقبت‌های معمول توصیه می‌شود.")
-                    
-                    # Advanced graphical analysis
-                    st.subheader("تحلیل‌های گرافیکی پیشرفته")
-                    
-                    # Interactive heatmap
-                    fig_heatmap = px.imshow(
-                        np.array([values[index] for index in selected_indices]),
-                        x=dates,
-                        y=selected_indices,
-                        labels=dict(x="تاریخ", y="شاخص", color="مقدار"),
-                        title="نقشه حرارتی شاخص‌های گیاهی"
-                    )
-                    st.plotly_chart(fig_heatmap)
-                    
-                    # Animated growth visualization
-                    fig_animation = px.scatter(
-                        x=dates,
-                        y=values[selected_indices[0]],
-                        animation_frame=range(len(dates)),
-                        range_y=[0, 1],
-                        title=f"انیمیشن تغییرات {selected_indices[0]} در طول زمان"
-                    )
-                    st.plotly_chart(fig_animation)
-                    
-                    # Analytical dashboard
-                    st.subheader("داشبورد تحلیلی")
-                    dashboard_index = st.selectbox("انتخاب شاخص برای داشبورد", selected_indices)
-                    threshold = st.slider("آستانه هشدار", 0.0, 1.0, 0.5)
-                    
-                    fig_dashboard = go.Figure()
-                    fig_dashboard.add_trace(go.Scatter(x=dates, y=values[dashboard_index], name=dashboard_index))
-                    fig_dashboard.add_hline(y=threshold, line_dash="dash", line_color="red", annotation_text="آستانه هشدار")
-                    fig_dashboard.update_layout(
-                        title=f"داشبورد تحلیلی {dashboard_index}",
-                        xaxis_title="تاریخ",
-                        yaxis_title="مقدار شاخص"
-                    )
-                    st.plotly_chart(fig_dashboard)
-                    
-                    below_threshold = [date for date, value in zip(dates, values[dashboard_index]) if value < threshold]
-                    if below_threshold:
-                        st.warning(f"تاریخ‌هایی که مقدار شاخص زیر آستانه بوده است: {', '.join(map(str, below_threshold))}")
-                    else:
-                        st.success("مقدار شاخص در تمام تاریخ‌ها بالای آستانه بوده است.")
-
-        except Exception as e:
-            st.error(f"خطا در پردازش نقشه: {str(e)}")
-
-if __name__ == "__main__":
-    main()
-
+    # Add pest and disease monitoring
+    st.subheader("پایش آفات و بیماری‌ها")
+    risk_level = np.random.choice(['کم', 'متوسط', 'زیاد'])
+    st.info(f"سطح ریسک فعلی آفات: {risk_level}")
+    
+    if risk_level == 'زیاد':
+        st.error("""توصیه‌های مدیریتی:
+        - بازرسی منظم مزرعه
+        - استفاده از روش‌های کنترل بیولوژیک
+        - مشورت با کارشناس گیاه‌پزشکی""")
+    
+    # Add irrigation scheduling
+    st.subheader("برنامه‌ریزی آبیاری")
+    next_irrigation = datetime.now() + timedelta(days=np.random.randint(1, 5))
+    st.write(f"زمان پیشنهادی آبیاری بعدی: {next_irrigation.strftime('%Y-%m-%d')}")
+    
+    irrigation_efficiency = np.random.randint(70, 95)
+    st.progress(irrigation_efficiency/100)
+    st.write(f"ک��رایی آبیاری فعلی: {irrigation_efficiency}%")