import streamlit as st import ee import folium import pandas as pd 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 # 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(""" """, 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("پایگاه داده (1).csv") except Exception as e: st.error(f"خطا در بارگذاری اطلاعات مزارع: {str(e)}") return None @st.cache_data def load_farm_coordinates(): """بارگذاری مختصات مزارع""" try: return pd.read_csv("tableConvert.com_wftamx (1).csv") except Exception as e: st.error(f"خطا در بارگذاری مختصات 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: bands = band_selection[index_type] if all(band in _image.bandNames().getInfo() for band in bands): index_image = _image.normalizedDifference(bands).rename(index_type) else: return None 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, color_continuous_scale="RdYlGn") fig.update_layout( title=f"نقشه حرارتی {index_type}", font=dict(family="Vazir"), height=600, margin=dict(l=50, r=50, t=50, b=50) ) 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, mode='lines+markers')) fig.add_trace(go.Scatter(x=df_farm2['date'], y=df_farm2[index_type], name=farm2, mode='lines+markers')) fig.update_layout( title=f"مقایسه {index_type} بین {farm1} و {farm2}", xaxis_title="تاریخ", yaxis_title=index_type, font=dict(family="Vazir"), legend_title="مزرعه", height=500, margin=dict(l=50, r=50, t=50, b=50) ) 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['مزرعه']}", ln=True) pdf.cell(200, 10, txt=f"سن مزرعه: {farm_info['سن']} سال", ln=True) pdf.cell(200, 10, txt=f"نوع محصول: {farm_info['واریته']}", 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() farm_coords = load_farm_coordinates() if df is None or farm_coords 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"} ] }, "NDRE": { "description": "شاخص تفاضل نرمال شده لبه قرمز", "ranges": [ {"range": "کمتر از 0.1", "meaning": "گیاه تحت تنش یا خاک لخت", "color": "قرمز"}, {"range": "0.1 تا 0.2", "meaning": "گیاه با سلامتی کم", "color": "نارنجی"}, {"range": "0.2 تا 0.3", "meaning": "گیاه با سلامتی متوسط", "color": "زرد"}, {"range": "0.3 تا 0.4", "meaning": "گیاه سالم", "color": "سبز روشن"}, {"range": "بیشتر از 0.4", "meaning": "گیاه بسیار سالم", "color": "سبز تیره"} ] }, "NDWI": { "description": "شاخص تفاضل نرمال شده آب", "ranges": [ {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"}, {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"}, {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"}, {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "آبی روشن"}, {"range": "بیشتر از 0.6", "meaning": "آب آزاد یا رطوبت بسیار بالا", "color": "آبی تیره"} ] }, "NDMI": { "description": "شاخص تفاضل نرمال شده رطوبت", "ranges": [ {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"}, {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"}, {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"}, {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "سبز روشن"}, {"range": "بیشتر از 0.6", "meaning": "رطوبت بسیار بالا", "color": "سبز تیره"} ] }, "MSAVI": { "description": "شاخص تعدیل شده خاک-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"} ] } } # نمایش روزهای هفته days_of_week = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنج‌شنبه"] selected_day = st.selectbox("انتخاب روز هفته", days_of_week) # فیلتر کردن مزارع بر اساس روز انتخاب شده farms_of_day = df[df['روز'] == selected_day] # نمایش جدول مزارع روز انتخاب شده st.subheader(f"مزارع روز {selected_day}") st.dataframe(farms_of_day) # انتخاب مزرعه selected_farm = st.sidebar.selectbox("انتخاب مزرعه", farms_of_day["مزرعه"].unique()) farm_info = farms_of_day[farms_of_day["مزرعه"] == selected_farm].iloc[0] # یافتن مختصات مزرعه انتخاب شده farm_coordinate = farm_coords[farm_coords["name"] == selected_farm].iloc[0] # تعریف هندسه مزرعه با استفاده از طول و عرض جغرافیایی farm_geometry = ee.Geometry.Point([farm_coordinate['longitude'], farm_coordinate['latitude']]) farm_coords_str = f"{farm_coordinate['longitude']},{farm_coordinate['latitude']}" # ایجاد یک بافر اطراف نقطه مرکزی مزرعه (مثلاً به شعاع 100 متر) farm_geometry = farm_geometry.buffer(100) # انتخاب شاخص index_type = st.sidebar.selectbox("انتخاب شاخص گیاهی", list(band_selection.keys())) # نمایش توضیحات شاخص st.sidebar.markdown(f"### توضیحات {index_type}") st.sidebar.markdown(index_info[index_type]["description"]) st.sidebar.markdown("### راهنمای تفسیر") for range_info in index_info[index_type]["ranges"]: st.sidebar.markdown(f"- **{range_info['range']}**: {range_info['meaning']} ({range_info['color']})") if st.sidebar.button("نمایش نقشه و تحلیل"): try: # محاسبه تاریخ‌های مورد نیاز end_date = date.today() start_date = end_date - timedelta(days=10) # 10 روز اخیر date_list = [start_date + timedelta(days=x) for x in range(11)] # 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_str) index_values[index].append(value) else: for index in band_selection.keys(): index_values[index].append(None) 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(None) # 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_str) st.sidebar.write(f"میانگین هفتگی NDVI: {weekly_ndvi:.2f}") # محاسبه بیشترین و کمترین رشد در 10 روز اخیر ndvi_values = index_values['NDVI'] ndvi_changes = [ndvi_values[i+1] - ndvi_values[i] for i in range(len(ndvi_values)-1) if ndvi_values[i] is not None and ndvi_values[i+1] is not None] if ndvi_changes: max_growth = max(ndvi_changes) min_growth = min(ndvi_changes) max_growth_date = date_list[ndvi_changes.index(max_growth) + 1] min_growth_date = date_list[ndvi_changes.index(min_growth) + 1] st.sidebar.write(f"بیشترین رشد: {max_growth:.2f} در تاریخ {max_growth_date.strftime('%Y-%m-%d')}") st.sidebar.write(f"کمترین رشد: {min_growth:.2f} در تاریخ {min_growth_date.strftime('%Y-%m-%d')}") # نمایش نمودارها st.subheader("روند تغییرات شاخص‌ها در 10 روز اخیر") fig = make_subplots(rows=len(band_selection), cols=1, shared_xaxes=True, vertical_spacing=0.05) for i, (index, values) in enumerate(index_values.items(), start=1): fig.add_trace(go.Scatter(x=date_list, y=values, name=index, mode='lines+markers'), row=i, col=1) fig.update_yaxes(title_text=index, row=i, col=1) fig.update_layout(height=200*len(band_selection), width=800, title_text="روند تغییرات شاخص‌ها", showlegend=False) st.plotly_chart(fig) # نمایش نقشه NDVI st.subheader("نقشه NDVI") Map = geemap.Map(center=[farm_coordinate['latitude'], farm_coordinate['longitude']], zoom=15) # محاسبه NDVI برای آخرین تصویر last_image = s2_collection.sort('system:time_start', False).first() if last_image: 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_coordinate['latitude'], farm_coordinate['longitude']], popup=farm_info['مزرعه']) # 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", farms_of_day["مزرعه"].unique()) farm2 = st.selectbox("انتخاب مزرعه دوم", farms_of_day["مزرعه"].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, calculate_lai(index_values['NDVI']), date_list) st.download_button( label="دانلود گزارش PDF", data=pdf_report, file_name=f"گزارش_{farm_info['مزرعه']}.pdf", mime="application/pdf" ) except Exception as e: st.error(f"خطا در پردازش اطلاعات: {str(e)}") if __name__ == "__main__": main()