app.py

import streamlit as st
import pandas as pd
import numpy as np
import folium
from streamlit_folium import folium_static
import ee
import os
import json
import time
from datetime import datetime, timedelta
import plotly.express as px
import plotly.graph_objects as go
from PIL import Image
import base64
from io import BytesIO
import matplotlib.pyplot as plt
import seaborn as sns
import altair as alt
from streamlit_option_menu import option_menu
from streamlit_lottie import st_lottie
import requests
import hydralit_components as hc
from streamlit_extras.colored_header import colored_header
from streamlit_extras.metric_cards import style_metric_cards
from streamlit_extras.chart_container import chart_container
from streamlit_extras.add_vertical_space import add_vertical_space
from streamlit_card import card
import pydeck as pdk
import math

# Page configuration with custom theme
st.set_page_config(
    page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا",
    page_icon="🌿",
    layout="wide",
    initial_sidebar_state="expanded"
)

# Custom CSS with modern design and animations
st.markdown("""
<style>
    @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@100;200;300;400;500;600;700;800;900&display=swap');
    
    * {
        font-family: 'Vazirmatn', sans-serif !important;
    }
    
    /* Main container styling */
    .main {
        background: linear-gradient(135deg, #f5f7fa 0%, #e4e9f2 100%);
    }
    
    /* Header styling */
    .main-header {
        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
        padding: 1.5rem;
        border-radius: 12px;
        box-shadow: 0 8px 32px rgba(0, 0, 0, 0.1);
        margin-bottom: 2rem;
        position: relative;
        overflow: hidden;
        animation: header-glow 3s infinite alternate;
    }
    
    @keyframes header-glow {
        0% {
            box-shadow: 0 8px 32px rgba(26, 135, 84, 0.1);
        }
        100% {
            box-shadow: 0 8px 32px rgba(26, 135, 84, 0.3);
        }
    }
    
    .main-header::before {
        content: '';
        position: absolute;
        top: -50%;
        left: -50%;
        width: 200%;
        height: 200%;
        background: radial-gradient(circle, rgba(255,255,255,0.1) 0%, rgba(255,255,255,0) 70%);
        transform: rotate(30deg);
        z-index: 0;
    }
    
    .main-header h1 {
        color: white;
        font-weight: 700;
        margin: 0;
        position: relative;
        z-index: 1;
    }
    
    .main-header p {
        color: rgba(255, 255, 255, 0.8);
        margin: 0;
        position: relative;
        z-index: 1;
    }
    
    /* Card styling */
    .stcard {
        border-radius: 12px;
        box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
        transition: all 0.3s ease;
        overflow: hidden;
    }
    
    .stcard:hover {
        transform: translateY(-5px);
        box-shadow: 0 8px 30px rgba(0, 0, 0, 0.1);
    }
    
    /* Button styling */
    .stButton>button {
        border-radius: 50px;
        padding: 0.5rem 1.5rem;
        font-weight: 600;
        transition: all 0.3s ease;
        border: none;
    }
    
    .stButton>button:hover {
        transform: translateY(-2px);
        box-shadow: 0 4px 12px rgba(0, 0, 0, 0.1);
    }
    
    /* Primary button */
    .primary-btn {
        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
        color: white;
    }
    
    /* Secondary button */
    .secondary-btn {
        background: white;
        color: #1a8754;
        border: 1px solid #1a8754 !important;
    }
    
    /* Metric card styling */
    .metric-card {
        background: white;
        border-radius: 12px;
        padding: 1.5rem;
        box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
        transition: all 0.3s ease;
        text-align: center;
    }
    
    .metric-card:hover {
        transform: translateY(-5px);
        box-shadow: 0 8px 30px rgba(0, 0, 0, 0.1);
    }
    
    .metric-card .metric-value {
        font-size: 2.5rem;
        font-weight: 700;
        color: #1a8754;
        margin-bottom: 0.5rem;
    }
    
    .metric-card .metric-label {
        font-size: 1rem;
        color: #6c757d;
    }
    
    /* Map container styling */
    .map-container {
        border-radius: 12px;
        overflow: hidden;
        box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
    }
    
    /* Tabs styling */
    .stTabs [data-baseweb="tab-list"] {
        gap: 8px;
    }
    
    .stTabs [data-baseweb="tab"] {
        border-radius: 4px 4px 0px 0px;
        padding: 10px 16px;
        background-color: #f8f9fa;
    }
    
    .stTabs [aria-selected="true"] {
        background-color: #1a8754 !important;
        color: white !important;
    }
    
    /* Sidebar styling */
    [data-testid="stSidebar"] {
        background-color: #ffffff;
        border-right: 1px solid #e9ecef;
    }
    
    /* Animations */
    @keyframes fadeIn {
        0% { opacity: 0; transform: translateY(20px); }
        100% { opacity: 1; transform: translateY(0); }
    }
    
    .animate-fadeIn {
        animation: fadeIn 0.5s ease forwards;
    }
    
    /* Loading animation */
    .loading-spinner {
        display: flex;
        justify-content: center;
        align-items: center;
        height: 100px;
    }
    
    .loading-spinner::after {
        content: "";
        width: 40px;
        height: 40px;
        border: 4px solid #f3f3f3;
        border-top: 4px solid #1a8754;
        border-radius: 50%;
        animation: spin 1s linear infinite;
    }
    
    @keyframes spin {
        0% { transform: rotate(0deg); }
        100% { transform: rotate(360deg); }
    }
    
    /* RTL Support */
    .rtl {
        direction: rtl;
        text-align: right;
    }
    
    /* Custom scrollbar */
    ::-webkit-scrollbar {
        width: 8px;
        height: 8px;
    }
    
    ::-webkit-scrollbar-track {
        background: #f1f1f1;
        border-radius: 10px;
    }
    
    ::-webkit-scrollbar-thumb {
        background: #1a8754;
        border-radius: 10px;
    }
    
    ::-webkit-scrollbar-thumb:hover {
        background: #115740;
    }
    
    /* Tooltip styling */
    .tooltip {
        position: relative;
        display: inline-block;
    }
    
    .tooltip .tooltiptext {
        visibility: hidden;
        width: 120px;
        background-color: #555;
        color: #fff;
        text-align: center;
        border-radius: 6px;
        padding: 5px;
        position: absolute;
        z-index: 1;
        bottom: 125%;
        left: 50%;
        margin-left: -60px;
        opacity: 0;
        transition: opacity 0.3s;
    }
    
    .tooltip:hover .tooltiptext {
        visibility: visible;
        opacity: 1;
    }
    
    /* Data table styling */
    .dataframe {
        border-collapse: collapse;
        width: 100%;
        border-radius: 8px;
        overflow: hidden;
        box-shadow: 0 4px 12px rgba(0, 0, 0, 0.05);
    }
    
    .dataframe th {
        background-color: #1a8754;
        color: white;
        padding: 12px;
        text-align: right;
    }
    
    .dataframe td {
        padding: 10px 12px;
        border-bottom: 1px solid #e9ecef;
    }
    
    .dataframe tr:nth-child(even) {
        background-color: #f8f9fa;
    }
    
    .dataframe tr:hover {
        background-color: #e9ecef;
    }
    
    /* Progress bar styling */
    .stProgress > div > div > div > div {
        background-color: #1a8754;
    }
    
    /* Notification styling */
    .notification {
        background-color: #d1e7dd;
        color: #0f5132;
        padding: 1rem;
        border-radius: 8px;
        margin-bottom: 1rem;
        display: flex;
        align-items: center;
        animation: slideIn 0.5s ease;
    }
    
    @keyframes slideIn {
        0% { transform: translateX(100%); opacity: 0; }
        100% { transform: translateX(0); opacity: 1; }
    }
    
    .notification-icon {
        margin-right: 0.5rem;
        font-size: 1.2rem;
    }
    
    /* Custom select box */
    .custom-select {
        background-color: white;
        border-radius: 8px;
        padding: 0.5rem;
        border: 1px solid #ced4da;
        box-shadow: 0 2px 5px rgba(0, 0, 0, 0.05);
    }
    
    /* Glassmorphism effect */
    .glass-card {
        background: rgba(255, 255, 255, 0.7);
        backdrop-filter: blur(10px);
        -webkit-backdrop-filter: blur(10px);
        border-radius: 12px;
        border: 1px solid rgba(255, 255, 255, 0.3);
        padding: 1.5rem;
        box-shadow: 0 8px 32px rgba(0, 0, 0, 0.1);
    }
    
    /* Neumorphism effect */
    .neumorphic-card {
        background: #f0f0f3;
        border-radius: 12px;
        box-shadow: 10px 10px 20px #d1d1d4, -10px -10px 20px #ffffff;
        padding: 1.5rem;
    }
    
    /* Gradient text */
    .gradient-text {
        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
        -webkit-background-clip: text;
        -webkit-text-fill-color: transparent;
        font-weight: 700;
    }
    
    /* Pulsing animation */
    @keyframes pulse {
        0% { transform: scale(1); }
        50% { transform: scale(1.05); }
        100% { transform: scale(1); }
    }
    
    .pulse-animation {
        animation: pulse 2s infinite;
    }
    
    /* Custom radio buttons */
    .stRadio > div {
        display: flex;
        gap: 10px;
    }
    
    .stRadio label {
        cursor: pointer;
        background-color: #f8f9fa;
        padding: 0.5rem 1rem;
        border-radius: 50px;
        transition: all 0.3s ease;
    }
    
    .stRadio label:hover {
        background-color: #e9ecef;
    }
    
    /* Hide default radio button */
    .stRadio input {
        display: none;
    }
    
    /* Custom checked state */
    .stRadio input:checked + label {
        background-color: #1a8754;
        color: white;
    }
    
    .stSelectbox, .stNumberInput {
        background-color: #f0f2f6;
        border-radius: 10px;
        padding: 10px;
        margin: 10px 0;
    }
    
    .custom-card {
        background-color: white;
        padding: 20px;
        border-radius: 15px;
        box-shadow: 0 4px 6px rgba(0, 0, 0, 0.1);
        margin: 10px 0;
    }
    
    .metric-container {
        display: flex;
        justify-content: space-between;
        flex-wrap: wrap;
    }
    
    .metric-card {
        background-color: #1a8754;
        color: white;
        padding: 15px;
        border-radius: 10px;
        margin: 5px;
        flex: 1;
        min-width: 200px;
        text-align: center;
    }
</style>
""", unsafe_allow_html=True)

# Initialize Earth Engine
@st.cache_resource
def initialize_earth_engine():
    try:
        # Load Earth Engine credentials from the provided JSON
        service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
        
        # Create a JSON file with the credentials
        credentials_dict = {
            "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"
        }
        
        # Save credentials to a temporary file
        credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
        with open(credentials_file, 'w') as f:
            json.dump(credentials_dict, f)
        
        # Initialize Earth Engine with the credentials
        credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
        ee.Initialize(credentials)
        
        # Remove the temporary file
        os.remove(credentials_file)
        
        return True
    except Exception as e:
        st.error(f"خطا در اتصال به Earth Engine: {e}")
        return False


# Load data
@st.cache_data
def load_farm_data():
    try:
        df = pd.read_csv("پایگاه داده (1).csv")
        return df
    except Exception as e:
        st.error(f"خطا در بارگذاری داده‌های مزارع: {e}")
        return pd.DataFrame()

@st.cache_data
def load_coordinates_data():
    try:
        df = pd.read_csv("farm_coordinates.csv")
        return df
    except Exception as e:
        st.error(f"خطا در بارگذاری داده‌های مختصات: {e}")
        return pd.DataFrame()

# Load animation JSON
@st.cache_data
def load_lottie_url(url: str):
    r = requests.get(url)
    if r.status_code != 200:
        return None
    return r.json()

# Create Earth Engine map with indices
def create_ee_map(farm_id, date_str, layer_type="NDVI"):
    try:
        # Get farm coordinates
        farm_row = coordinates_df[coordinates_df['نام'] == farm_id].iloc[0]
        lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']
        
        # Create a folium map centered at the farm
        m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
        
        # Parse date and create a date range
        date_obj = datetime.strptime(date_str, '%Y-%m-%d')
        start_date = (date_obj - timedelta(days=5)).strftime('%Y-%m-%d')
        end_date = (date_obj + timedelta(days=5)).strftime('%Y-%m-%d')
        
        # Define the region of interest
        region = ee.Geometry.Point([lon, lat]).buffer(1500)
        
        # Get Sentinel-2 imagery
        s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
            .filterDate(start_date, end_date) \
            .filterBounds(region) \
            .sort('CLOUDY_PIXEL_PERCENTAGE') \
            .first()
        
        # Calculate the selected index
        if layer_type == "NDVI":
            index = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
            viz_params = {'min': -0.2, 'max': 0.8, 'palette': ['#ff0000', '#ff4500', '#ffd700', '#32cd32', '#006400']}
            legend_title = 'شاخص پوشش گیاهی (NDVI)'
        elif layer_type == "NDMI":
            index = s2.normalizedDifference(['B8', 'B11']).rename('NDMI')
            viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#8b0000', '#ff8c00', '#00ced1', '#00b7eb', '#00008b']}
            legend_title = 'شاخص رطوبت (NDMI)'
        elif layer_type == "EVI":
            nir = s2.select('B8')
            red = s2.select('B4')
            blue = s2.select('B2')
            index = nir.subtract(red).multiply(2.5).divide(nir.add(red.multiply(6)).subtract(blue.multiply(7.5)).add(1)).rename('EVI')
            viz_params = {'min': 0, 'max': 1, 'palette': ['#d73027', '#f46d43', '#fdae61', '#fee08b', '#4caf50']}
            legend_title = 'شاخص پیشرفته گیاهی (EVI)'
        elif layer_type == "NDWI":
            index = s2.normalizedDifference(['B3', 'B8']).rename('NDWI')
            viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#00008b', '#00b7eb', '#add8e6', '#fdae61', '#d73027']}
            legend_title = 'شاخص آب (NDWI)'
        
        # Add the index layer to the map
        map_id_dict = ee.Image(index).getMapId(viz_params)
        folium.TileLayer(
            tiles=map_id_dict['tile_fetcher'].url_format,
            attr='Google Earth Engine',
            name=layer_type,
            overlay=True,
            control=True
        ).add_to(m)
        
        # Add a marker for the farm
        folium.Marker(
            [lat, lon], 
            popup=f'مزرعه {farm_id}', 
            tooltip=f'مزرعه {farm_id}',
            icon=folium.Icon(color='green', icon='leaf')
        ).add_to(m)
        
        # Add a circle around the farm
        folium.Circle(
            [lat, lon],
            radius=1500,
            color='green',
            fill=True,
            fill_color='green',
            fill_opacity=0.1
        ).add_to(m)
        
        # Add layer control
        folium.LayerControl().add_to(m)
        
        # Add a custom legend
        legend_html = '''
        <div style="position: fixed; 
                    bottom: 50px; right: 50px; 
                    border: 2px solid grey; z-index: 9999; 
                    background-color: white;
                    padding: 10px;
                    border-radius: 5px;
                    direction: rtl;
                    font-family: 'Vazirmatn', sans-serif;">
            <div style="font-size: 14px; font-weight: bold; margin-bottom: 5px;">''' + legend_title + '''</div>
            <div style="display: flex; align-items: center; margin-bottom: 5px;">
                <div style="background: ''' + viz_params['palette'][0] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
                <span>کم</span>
            </div>
            <div style="display: flex; align-items: center; margin-bottom: 5px;">
                <div style="background: ''' + viz_params['palette'][2] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
                <span>متوسط</span>
            </div>
            <div style="display: flex; align-items: center;">
                <div style="background: ''' + viz_params['palette'][-1] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
                <span>زیاد</span>
            </div>
        </div>
        '''
        m.get_root().html.add_child(folium.Element(legend_html))
        
        return m
    except Exception as e:
        st.error(f"خطا در ایجاد نقشه: {e}")
        return None

# Generate mock growth data
def generate_mock_growth_data(farm_data, selected_variety="all", selected_age="all"):
    weeks = list(range(1, 23))
    
    # Filter farms based on variety and age
    filtered_farms = farm_data
    if selected_variety != "all":
        filtered_farms = filtered_farms[filtered_farms['واریته'] == selected_variety]
    if selected_age != "all":
        filtered_farms = filtered_farms[filtered_farms['سن'] == selected_age]
    
    # Generate random growth data for each farm
    farm_growth_data = []
    for _, farm in filtered_farms.iterrows():
        base_height = np.random.uniform(50, 100)
        growth_rate = np.random.uniform(5, 15)
        
        growth_data = {
            'farm_id': farm['مزرعه'],
            'variety': farm['واریته'],
            'age': farm['سن'],
            'weeks': weeks,
            'heights': [round(base_height + growth_rate * week) for week in weeks]
        }
        farm_growth_data.append(growth_data)
    
    # Calculate average growth data
    if farm_growth_data:
        avg_heights = []
        for week in weeks:
            week_heights = [farm['heights'][week-1] for farm in farm_growth_data]
            avg_heights.append(round(sum(week_heights) / len(week_heights)))
        
        avg_growth_data = {
            'farm_id': 'میانگین',
            'variety': 'همه',
            'age': 'همه',
            'weeks': weeks,
            'heights': avg_heights
        }
        
        return {
            'individual': farm_growth_data,
            'average': avg_growth_data
        }
    else:
        return {
            'individual': [],
            'average': {
                'farm_id': 'میانگین',
                'variety': 'همه',
                'age': 'همه',
                'weeks': weeks,
                'heights': [0] * len(weeks)
            }
        }

# Calculate statistics for a farm
def calculate_farm_stats(farm_id, layer_type="NDVI"):
    # This would normally calculate real statistics from Earth Engine
    # For demo purposes, we'll generate mock statistics
    if layer_type == "NDVI":
        mean = round(np.random.uniform(0.6, 0.8), 2)
        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
        std_dev = round(np.random.uniform(0.05, 0.15), 2)
    elif layer_type == "NDMI":
        mean = round(np.random.uniform(0.3, 0.5), 2)
        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
        std_dev = round(np.random.uniform(0.05, 0.15), 2)
    elif layer_type == "EVI":
        mean = round(np.random.uniform(0.4, 0.6), 2)
        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
        std_dev = round(np.random.uniform(0.05, 0.15), 2)
    else:  # NDWI
        mean = round(np.random.uniform(-0.1, 0.1), 2)
        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
        std_dev = round(np.random.uniform(0.05, 0.15), 2)
    
    # Generate histogram data
    hist_data = np.random.normal(mean, std_dev, 1000)
    hist_data = np.clip(hist_data, min_val, max_val)
    
    return {
        'mean': mean,
        'min': min_val,
        'max': max_val,
        'std_dev': std_dev,
        'histogram_data': hist_data
    }

# Initialize Earth Engine
ee_initialized = initialize_earth_engine()

# Load data
farm_df = load_farm_data()
coordinates_df = load_coordinates_data()

# Load animations
lottie_farm = load_lottie_url('https://assets5.lottiefiles.com/packages/lf20_ystsffqy.json')
lottie_analysis = load_lottie_url('https://assets3.lottiefiles.com/packages/lf20_qp1q7mct.json')
lottie_report = load_lottie_url('https://assets9.lottiefiles.com/packages/lf20_vwcugezu.json')

# Create session state for storing data
if 'heights_df' not in st.session_state:
    st.session_state.heights_df = pd.DataFrame(columns=[
        'Farm_ID', 'Week', 'Measurement_Date', 'Height', 'Station1', 'Station2', 'Station3', 
        'Station4', 'Station5', 'Groundwater1', 'Groundwater2', 'Sheath_Moisture', 'Nitrogen', 
        'Variety', 'Age', 'Area', 'Channel', 'Administration'
    ])

# Main header
st.markdown('<div class="main-header">', unsafe_allow_html=True)
st.markdown('<h1>سامانه هوشمند پایش مزارع نیشکر دهخدا</h1>', unsafe_allow_html=True)
st.markdown('<p>پلتفرم جامع مدیریت، پایش و تحلیل داده‌های مزارع نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی</p>', unsafe_allow_html=True)
st.markdown('</div>', unsafe_allow_html=True)

# Create a modern navigation menu
selected = option_menu(
    menu_title=None,
    options=["داشبورد", "نقشه مزارع", "ورود اطلاعات", "تحلیل داده‌ها", "گزارش‌گیری", "تنظیمات"],
    icons=["speedometer2", "map", "pencil-square", "graph-up", "file-earmark-text", "gear"],
    menu_icon="cast",
    default_index=0,
    orientation="horizontal",
    styles={
        "container": {"padding": "0!important", "background-color": "transparent", "margin-bottom": "20px"},
        "icon": {"color": "#1a8754", "font-size": "18px"}, 
        "nav-link": {"font-size": "16px", "text-align": "center", "margin":"0px", "--hover-color": "#e9f7ef", "border-radius": "10px"},
        "nav-link-selected": {"background-color": "#1a8754", "color": "white", "font-weight": "600"},
    }
)

# Dashboard
if selected == "داشبورد":
    # Dashboard metrics
    col1, col2, col3, col4 = st.columns(4)
    
    with col1:
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{len(farm_df)}</div>', unsafe_allow_html=True)
        st.markdown('<div class="metric-label">تعداد مزارع</div>', unsafe_allow_html=True)
        st.markdown('</div>', unsafe_allow_html=True)
    
    with col2:
        active_farms = int(len(farm_df) * 0.85)
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{active_farms}</div>', unsafe_allow_html=True)
        st.markdown('<div class="metric-label">مزارع فعال</div>', unsafe_allow_html=True)
        st.markdown('</div>', unsafe_allow_html=True)
    
    with col3:
        avg_height = 175
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{avg_height} cm</div>', unsafe_allow_html=True)
        st.markdown('<div class="metric-label">میانگین ارتفاع</div>', unsafe_allow_html=True)
        st.markdown('</div>', unsafe_allow_html=True)
    
    with col4:
        avg_moisture = 68
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{avg_moisture}%</div>', unsafe_allow_html=True)
        st.markdown('<div class="metric-label">میانگین رطوبت</div>', unsafe_allow_html=True)
        st.markdown('</div>', unsafe_allow_html=True)
    
    # Dashboard tabs
    tab1, tab2, tab3, tab4 = st.tabs(["نمای کلی", "نقشه مزارع", "نمودارها", "داده‌ها"])
    
    with tab1:
        st.markdown("### توزیع واریته‌ها و سن محصول")
        
        col1, col2 = st.columns(2)
        
        with col1:
            # Group farms by variety
            variety_counts = farm_df['واریته'].value_counts().reset_index()
            variety_counts.columns = ['واریته', 'تعداد']
            
            # Create a pie chart for varieties
            fig = px.pie(
                variety_counts, 
                values='تعداد', 
                names='واریته', 
                title='توزیع واریته‌ها',
                color_discrete_sequence=px.colors.sequential.Greens_r
            )
            fig.update_traces(textposition='inside', textinfo='percent+label')
            fig.update_layout(
                font=dict(family="Vazirmatn"),
                legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
            )
            st.plotly_chart(fig, use_container_width=True)
        
        with col2:
            # Group farms by age
            age_counts = farm_df['سن'].value_counts().reset_index()
            age_counts.columns = ['سن', 'تعداد']
            
            # Create a pie chart for ages
            fig = px.pie(
                age_counts, 
                values='تعداد', 
                names='سن', 
                title='توزیع سن محصول',
                color_discrete_sequence=px.colors.sequential.Blues_r
            )
            fig.update_traces(textposition='inside', textinfo='percent+label')
            fig.update_layout(
                font=dict(family="Vazirmatn"),
                legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
            )
            st.plotly_chart(fig, use_container_width=True)
        
        st.markdown("### اطلاعات کلی مزارع")
        
        # Calculate total area
        total_area = farm_df['مساحت'].astype(float).sum()
        
        # Create metrics
        col1, col2, col3 = st.columns(3)
        col1.metric("تعداد کل مزارع", f"{len(farm_df)}")
        col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
        col3.metric("تعداد کانال‌ها", f"{farm_df['کانال'].nunique()}")
        
        # Add a styled separator
        st.markdown('<hr style="height:2px;border:none;color:#1a8754;background-color:#1a8754;margin:30px 0;">', unsafe_allow_html=True)
        
        # Add a lottie animation
        st_lottie(lottie_farm, height=300, key="farm_animation")
    
    with tab2:
        st.markdown("### نقشه مزارع")
        
        # Create a map of all farms
        if coordinates_df is not None and not coordinates_df.empty:
            # Create a base map
            m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')
            
            # Add markers for each farm
            for _, farm in coordinates_df.iterrows():
                lat = farm['عرض جغرافیایی']
                lon = farm['طول جغرافیایی']
                name = farm['نام']
                
                # Get additional info from farm_df if available
                farm_info = farm_df[farm_df['مزرعه'] == name]
                if not farm_info.empty:
                    variety = farm_info['واریته'].iloc[0]
                    age = farm_info['سن'].iloc[0]
                    area = farm_info['مساحت'].iloc[0]
                    popup_text = f"""
                    <div style="direction: rtl; text-align: right; font-family: 'Vazirmatn', sans-serif;">
                        <h4>مزرعه {name}</h4>
                        <p>واریته: {variety}</p>
                        <p>سن: {age}</p>
                        <p>مساحت: {area} هکتار</p>
                    </div>
                    """
                else:
                    popup_text = f"<div style='direction: rtl;'>مزرعه {name}</div>"
                
                # Add marker
                folium.Marker(
                    [lat, lon],
                    popup=folium.Popup(popup_text, max_width=300),
                    tooltip=f"مزرعه {name}",
                    icon=folium.Icon(color='green', icon='leaf')
                ).add_to(m)
            
            # Display the map
            st.markdown('<div class="map-container">', unsafe_allow_html=True)
            folium_static(m, width=1000, height=600)
            st.markdown('</div>', unsafe_allow_html=True)
        else:
            st.warning("داده‌های مختصات در دسترس نیست.")
    
    with tab3:
        st.markdown("### نمودار رشد هفتگی")
        
        # Create filters for variety and age
        col1, col2 = st.columns(2)
        with col1:
            selected_variety = st.selectbox(
                "انتخاب واریته",
                ["all"] + list(farm_df['واریته'].unique()),
                format_func=lambda x: "همه واریته‌ها" if x == "all" else x
            )
        
        with col2:
            selected_age = st.selectbox(
                "انتخاب سن",
                ["all"] + list(farm_df['سن'].unique()),
                format_func=lambda x: "همه سنین" if x == "all" else x
            )
        
        # Generate mock growth data
        growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
        
        # Create tabs for average and individual growth charts
        chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])
        
        with chart_tab1:
            # Create average growth chart
            avg_data = growth_data['average']
            fig = go.Figure()
            fig.add_trace(go.Scatter(
                x=avg_data['weeks'],
                y=avg_data['heights'],
                mode='lines+markers',
                name='میانگین رشد',
                line=dict(color='#1a8754', width=3),
                marker=dict(size=8, color='#1a8754')
            ))
            
            fig.update_layout(
                title='میانگین رشد هفتگی',
                xaxis_title='هفته',
                yaxis_title='ارتفاع (سانتی‌متر)',
                font=dict(family='Vazirmatn', size=14),
                hovermode='x unified',
                template='plotly_white',
                height=500
            )
            
            st.plotly_chart(fig, use_container_width=True)
        
        with chart_tab2:
            # Create individual growth chart
            if growth_data['individual']:
                fig = go.Figure()
                
                # Only show up to 5 farms to avoid clutter
                colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f']
                for i, farm_data in enumerate(growth_data['individual'][:5]):
                    fig.add_trace(go.Scatter(
                        x=farm_data['weeks'],
                        y=farm_data['heights'],
                        mode='lines+markers',
                        name=f"مزرعه {farm_data['farm_id']}",
                        line=dict(color=colors[i % len(colors)], width=2),
                        marker=dict(size=6, color=colors[i % len(colors)])
                    ))
                
                fig.update_layout(
                    title='رشد هفتگی مزارع فردی',
                    xaxis_title='هفته',
                    yaxis_title='ارتفاع (سانتی‌متر)',
                    font=dict(family='Vazirmatn', size=14),
                    hovermode='x unified',
                    template='plotly_white',
                    height=500
                )
                
                st.plotly_chart(fig, use_container_width=True)
            else:
                st.warning("داده‌ای برای نمایش وجود ندارد.")
    
    with tab4:
        st.markdown("### داده‌های مزارع")
        
        # Create a search box
        search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...")
        
        # Filter data based on search term
        if search_term:
            filtered_df = farm_df[
                farm_df['مزرعه'].astype(str).str.contains(search_term) |
                farm_df['واریته'].astype(str).str.contains(search_term) |
                farm_df['سن'].astype(str).str.contains(search_term) |
                farm_df['کانال'].astype(str).str.contains(search_term)
            ]
        else:
            filtered_df = farm_df
        
        # Display data table with pagination
        if not filtered_df.empty:
            # Add a download button
            csv = filtered_df.to_csv(index=False).encode('utf-8')
            st.download_button(
                label="دانلود داده‌ها (CSV)",
                data=csv,
                file_name="farm_data.csv",
                mime="text/csv",
            )
            
            # Display the data table
            st.dataframe(
                filtered_df,
                use_container_width=True,
                height=400,
                hide_index=True
            )
            
            st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه")
        else:
            st.warning("هیچ داده‌ای یافت نشد.")

# Map Page
elif selected == "نقشه مزارع":
    st.markdown("## نقشه مزارع با شاخص‌های ماهواره‌ای")
    
    # Create a layout with sidebar for controls
    col1, col2 = st.columns([1, 3])
    
    with col1:
        st.markdown('<div class="glass-card">', unsafe_allow_html=True)
        st.markdown("### تنظیمات نقشه")
        
        # Farm selection
        selected_farm = st.selectbox(
            "انتخاب مزرعه",
            options=coordinates_df['نام'].tolist(),
            index=0,
            format_func=lambda x: f"مزرعه {x}"
        )
        
        # Date selection
        selected_date = st.date_input(
            "انتخاب تاریخ",
            value=datetime.now(),
            format="YYYY-MM-DD"
        )
        
        # Layer type selection
        selected_layer = st.selectbox(
            "انتخاب شاخص",
            options=["NDVI", "NDMI", "EVI", "NDWI"],
            format_func=lambda x: {
                "NDVI": "شاخص پوشش گیاهی (NDVI)",
                "NDMI": "شاخص رطوبت (NDMI)",
                "EVI": "شاخص پیشرفته گیاهی (EVI)",
                "NDWI": "شاخص آب (NDWI)"
            }[x]
        )
        
        # Generate map button
        generate_map = st.button(
            "تولید نقشه",
            type="primary",
            use_container_width=True
        )
        
        # Add a separator
        st.markdown('<hr style="margin: 20px 0;">', unsafe_allow_html=True)
        
        # Add index descriptions
        st.markdown("### راهنمای شاخص‌ها")
        
        with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"):
            st.markdown("""
            **شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI)** معیاری برای سنجش سلامت و تراکم پوشش گیاهی است.
            
            - **مقادیر بالا (0.6 تا 1.0)**: پوشش گیاهی متراکم و سالم
            - **مقادیر متوسط (0.2 تا 0.6)**: پوشش گیاهی متوسط
            - **مقادیر پایین (-1.0 تا 0.2)**: پوشش گیاهی کم یا خاک لخت
            
            فرمول: NDVI = (NIR - RED) / (NIR + RED)
            """)
        
        with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"):
            st.markdown("""
            **شاخص تفاضل نرمال‌شده رطوبت (NDMI)** برای ارزیابی محتوای رطوبت گیاهان استفاده می‌شود.
            
            - **مقادیر بالا (0.4 تا 1.0)**: محتوای رطوبت بالا
            - **مقادیر متوسط (0.0 تا 0.4)**: محتوای رطوبت متوسط
            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای رطوبت کم
            
            فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR)
            """)
        
        with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"):
            st.markdown("""
            **شاخص پیشرفته پوشش گیاهی (EVI)** نسخه بهبودیافته NDVI است که حساسیت کمتری به اثرات خاک و اتمسفر دارد.
            
            - **مقادیر بالا (0.4 تا 1.0)**: پوشش گیاهی متراکم و سالم
            - **مقادیر متوسط (0.2 تا 0.4)**: پوشش گیاهی متوسط
            - **مقادیر پایین (0.0 تا 0.2)**: پوشش گیاهی کم
            
            فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1))
            """)
        
        with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"):
            st.markdown("""
            **شاخص تفاضل نرمال‌شده آب (NDWI)** برای شناسایی پهنه‌های آبی و ارزیابی محتوای آب در گیاهان استفاده می‌شود.
            
            - **مقادیر بالا (0.3 تا 1.0)**: پهنه‌های آبی
            - **مقادیر متوسط (0.0 تا 0.3)**: محتوای آب متوسط
            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای آب کم یا خاک خشک
            
            فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR)
            """)
        
        st.markdown('</div>', unsafe_allow_html=True)
    
    with col2:
        # Create tabs for map and statistics
        map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"])
        
        with map_tab:
            st.markdown('<div class="map-container">', unsafe_allow_html=True)
            
            if generate_map or 'last_map' not in st.session_state:
                with st.spinner('در حال تولید نقشه...'):
                    # Create the map
                    m = create_ee_map(
                        selected_farm,
                        selected_date.strftime('%Y-%m-%d'),
                        selected_layer
                    )
                    
                    if m:
                        st.session_state.last_map = m
                        folium_static(m, width=800, height=600)
                        
                        # Add a success message
                        st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.")
                    else:
                        st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.")
            elif 'last_map' in st.session_state:
                folium_static(st.session_state.last_map, width=800, height=600)
            
            st.markdown('</div>', unsafe_allow_html=True)
            
            # Add a note about the map
            st.info("""
            **نکته:** این نقشه بر اساس تصاویر ماهواره‌ای Sentinel-2 تولید شده است. 
            برای دقت بیشتر، تاریخی را انتخاب کنید که ابرناکی کمتری داشته باشد.
            """)
        
        with stats_tab:
            if 'last_map' in st.session_state:
                # Calculate statistics for the selected farm and layer
                stats = calculate_farm_stats(selected_farm, selected_layer)
                
                # Display statistics in cards
                col1, col2, col3, col4 = st.columns(4)
                
                with col1:
                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-value">{stats["mean"]}</div>', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-label">میانگین {selected_layer}</div>', unsafe_allow_html=True)
                    st.markdown('</div>', unsafe_allow_html=True)
                
                with col2:
                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-value">{stats["max"]}</div>', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-label">حداکثر {selected_layer}</div>', unsafe_allow_html=True)
                    st.markdown('</div>', unsafe_allow_html=True)
                
                with col3:
                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-value">{stats["min"]}</div>', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-label">حداقل {selected_layer}</div>', unsafe_allow_html=True)
                    st.markdown('</div>', unsafe_allow_html=True)
                
                with col4:
                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-value">{stats["std_dev"]}</div>', unsafe_allow_html=True)
                    st.markdown(f'<div class="metric-label">انحراف معیار</div>', unsafe_allow_html=True)
                    st.markdown('</div>', unsafe_allow_html=True)
                
                # Create a histogram of values
                fig = px.histogram(
                    x=stats["histogram_data"],
                    nbins=20,
                    title=f"توزیع مقادیر {selected_layer} در مزرعه {selected_farm}",
                    labels={"x": f"مقدار {selected_layer}", "y": "فراوانی"},
                    color_discrete_sequence=["#1a8754"]
                )
                
                fig.update_layout(
                    font=dict(family="Vazirmatn"),
                    template="plotly_white",
                    bargap=0.1
                )
                
                st.plotly_chart(fig, use_container_width=True)
                
                # Add a time series analysis
                st.markdown("### تحلیل زمانی")
                
                # Generate mock time series data
                dates = pd.date_range(end=selected_date, periods=30, freq='D')
                values = np.random.normal(stats["mean"], stats["std_dev"] / 2, 30)
                values = np.clip(values, stats["min"], stats["max"])
                
                # Create a time series chart
                fig = px.line(
                    x=dates,
                    y=values,
                    title=f"روند تغییرات {selected_layer} در 30 روز گذشته",
                    labels={"x": "تاریخ", "y": f"مقدار {selected_layer}"},
                    markers=True
                )
                
                fig.update_layout(
                    font=dict(family="Vazirmatn"),
                    template="plotly_white",
                    hovermode="x unified"
                )
                
                st.plotly_chart(fig, use_container_width=True)
                
                # Add a comparison with other farms
                st.markdown("### مقایسه با سایر مزارع")
                
                # Generate mock comparison data
                farm_names = coordinates_df['نام'].tolist()[:5]  # Get 5 farm names for comparison
                comparison_values = [stats["mean"] + np.random.uniform(-0.2, 0.2) for _ in range(len(farm_names))]
                
                # Create a comparison bar chart
                fig = px.bar(
                    x=farm_names,
                    y=comparison_values,
                    title=f"مقایسه {selected_layer} بین مزارع",
                    labels={"x": "مزرعه", "y": f"مقدار {selected_layer}"},
                    color=comparison_values,
                    color_continuous_scale="Viridis"
                )
                
                fig.update_layout(
                    font=dict(family="Vazirmatn"),
                    template="plotly_white",
                    coloraxis_showscale=False
                )
                
                st.plotly_chart(fig, use_container_width=True)
            else:
                st.warning("لطفاً ابتدا یک نقشه تولید کنید.")

# Data Entry Page
elif selected == "ورود اطلاعات":
    st.markdown("## ورود اطلاعات روزانه مزارع")
    
    # Create tabs for manual entry and file upload
    tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])
    
    with tab1:
        # Create filters for week and day
        col1, col2 = st.columns(2)
        
        with col1:
            selected_week = st.selectbox(
                "انتخاب هفته",
                options=[str(i) for i in range(1, 23)],
                format_func=lambda x: f"هفته {x}"
            )
        
        with col2:
            selected_day = st.selectbox(
                "انتخاب روز",
                options=["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"]
            )
        
        # Filter farms by selected day
        filtered_farms = farm_df[farm_df['روز'] == selected_day]
        
        if filtered_farms.empty:
            st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} در پایگاه داده وجود ندارد.")
        else:
            # Create a data editor
            st.markdown("### ورود داده‌های مزارع")
            
            # Initialize data if not already in session state
            data_key = f"data_{selected_week}_{selected_day}"
            if data_key not in st.session_state:
                st.session_state[data_key] = pd.DataFrame({
                    'مزرعه': filtered_farms['مزرعه'],
                    'ایستگاه 1': [0] * len(filtered_farms),
                    'ایستگاه 2': [0] * len(filtered_farms),
                    'ایستگاه 3': [0] * len(filtered_farms),
                    'ایستگاه 4': [0] * len(filtered_farms),
                    'ایستگاه 5': [0] * len(filtered_farms),
                    'چاهک 1': [0] * len(filtered_farms),
                    'چاهک 2': [0] * len(filtered_farms),
                    'رطوبت غلاف': [0] * len(filtered_farms),
                    'نیتروژن': [0] * len(filtered_farms),
                    'میانگین ارتفاع': [0] * len(filtered_farms)
                })
            
            # Create a data editor
            edited_df = st.data_editor(
                st.session_state[data_key],
                use_container_width=True,
                num_rows="fixed",
                column_config={
                    "مزرعه": st.column_config.TextColumn("مزرعه", disabled=True),
                    "ایستگاه 1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1),
                    "ایستگاه 2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1),
                    "ایستگاه 3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1),
                    "ایستگاه 4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1),
                    "ایستگاه 5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1),
                    "چاهک 1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1),
                    "چاهک 2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1),
                    "رطوبت غلاف": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
                    "نیتروژن": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
                    "میانگین ارتفاع": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
                },
                hide_index=True
            )
            
            # Calculate average height
            for i in range(len(edited_df)):
                stations = [
                    edited_df.iloc[i]['ایستگاه 1'],
                    edited_df.iloc[i]['ایستگاه 2'],
                    edited_df.iloc[i]['ایستگاه 3'],
                    edited_df.iloc[i]['ایستگاه 4'],
                    edited_df.iloc[i]['ایستگاه 5']
                ]
                valid_stations = [s for s in stations if s > 0]
                if valid_stations:
                    edited_df.iloc[i, edited_df.columns.get_loc('میانگین ارتفاع')] = round(sum(valid_stations) / len(valid_stations), 1)
            
            # Update session state
            st.session_state[data_key] = edited_df
            
            # Save button
            if st.button("ذخیره اطلاعات", type="primary", use_container_width=True):
                # This would normally save to a database
                # For demo purposes, we'll just show a success message
                
                # Add data to heights_df
                new_data = edited_df.copy()
                new_data['Farm_ID'] = new_data['مزرعه']
                new_data['Week'] = int(selected_week)
                new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
                new_data['Height'] = new_data['میانگین ارتفاع']
                new_data['Station1'] = new_data['ایستگاه 1']
                new_data['Station2'] = new_data['ایستگاه 2']
                new_data['Station3'] = new_data['ایستگاه 3']
                new_data['Station4'] = new_data['ایستگاه 4']
                new_data['Station5'] = new_data['ایستگاه 5']
                new_data['Groundwater1'] = new_data['چاهک 1']
                new_data['Groundwater2'] = new_data['چاهک 2']
                new_data['Sheath_Moisture'] = new_data['رطوبت غلاف']
                new_data['Nitrogen'] = new_data['نیتروژن']
                
                # Merge with farm_df to get additional info
                new_data = new_data.merge(
                    farm_df[['مزرعه', 'واریته', 'سن', 'مساحت', 'کانال', 'اداره']],
                    left_on='Farm_ID',
                    right_on='مزرعه',
                    how='left'
                )
                
                # Rename columns
                new_data = new_data.rename(columns={
                    'واریته': 'Variety',
                    'سن': 'Age',
                    'مساحت': 'Area',
                    'کانال': 'Channel',
                    'اداره': 'Administration'
                })
                
                # Add to heights_df
                st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
                
                # Show success message
                st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
                st.balloons()
    
    with tab2:
        st.markdown("### آپلود فایل اکسل")
        
        # Create a file uploader
        uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])
        
        if uploaded_file is not None:
            try:
                # Read the file
                if uploaded_file.name.endswith('.csv'):
                    df = pd.read_csv(uploaded_file)
                else:
                    df = pd.read_excel(uploaded_file)
                
                # Display the data
                st.dataframe(df, use_container_width=True)
                
                # Save button
                if st.button("ذخیره فایل", type="primary"):
                    # This would normally save to a database
                    # For demo purposes, we'll just show a success message
                    st.success("فایل با موفقیت ذخیره شد.")
                    st.balloons()
            except Exception as e:
                st.error(f"خطا در خواندن فایل: {e}")
        
        # Add instructions
        st.markdown("### راهنمای فرمت فایل")
        st.markdown("""
        فایل اکسل باید شامل ستون‌های زیر باشد:
        
        - مزرعه
        - ایستگاه 1 تا 5
        - چاهک 1 و 2
        - رطوبت غلاف
        - نیتروژن
        
        می‌توانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید.
        """)
        
        # Add a drag and drop area
        st.markdown("""
        <div style="border: 2px dashed #1a8754; border-radius: 10px; padding: 40px; text-align: center; margin: 20px 0;">
            <svg xmlns="http://www.w3.org/2000/svg" width="48" height="48" viewBox="0 0 24 24" fill="none" stroke="#1a8754" stroke-width="2" stroke-linecap="round" stroke-linejoin="round">
                <path d="M21 15v4a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2v-4"></path>
                <polyline points="17 8 12 3 7 8"></polyline>
                <line x1="12" y1="3" x2="12" y2="15"></line>
            </svg>
            <p style="margin-top: 10px; color: #1a8754;">فایل خود را اینجا رها کنید یا روی دکمه بالا کلیک کنید</p>
        </div>
        """, unsafe_allow_html=True)

# Data Analysis Page
elif selected == "تحلیل داده‌ها":
    st.markdown("## تحلیل هوشمند داده‌ها")
    
    # Add a lottie animation
    col1, col2 = st.columns([1, 2])
    
    with col1:
        st_lottie(lottie_analysis, height=200, key="analysis_animation")
    
    with col2:
        st.markdown("""
        <div class="glass-card">
            <h3 class="gradient-text">تحلیل پیشرفته داده‌های مزارع</h3>
            <p>در این بخش می‌توانید تحلیل‌های پیشرفته روی داده‌های مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.</p>
        </div>
        """, unsafe_allow_html=True)
    
    # Create tabs for different analyses
    tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل رطوبت", "پیش‌بینی"])
    
    with tab1:
        st.markdown("### تحلیل رشد مزارع")
        
        # Create filters
        col1, col2 = st.columns(2)
        
        with col1:
            selected_variety = st.selectbox(
                "انتخاب واریته",
                ["all"] + list(farm_df['واریته'].unique()),
                format_func=lambda x: "همه واریته‌ها" if x == "all" else x,
                key="growth_variety"
            )
        
        with col2:
            selected_age = st.selectbox(
                "انتخاب سن",
                ["all"] + list(farm_df['سن'].unique()),
                format_func=lambda x: "همه سنین" if x == "all" else x,
                key="growth_age"
            )
        
        # Generate mock growth data
        growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
        
        # Create a growth chart
        if growth_data['individual']:
            # Prepare data for chart
            chart_data = []
            for farm_data in growth_data['individual']:
                for i, week in enumerate(farm_data['weeks']):
                    chart_data.append({
                        'Farm': farm_data['farm_id'],
                        'Week': week,
                        'Height': farm_data['heights'][i],
                        'Variety': farm_data['variety'],
                        'Age': farm_data['age']
                    })
            
            chart_df = pd.DataFrame(chart_data)
            
            # Create a line chart with Altair
            chart = alt.Chart(chart_df).mark_line(point=True).encode(
                x=alt.X('Week:Q', title='هفته'),
                y=alt.Y('Height:Q', title='ارتفاع (سانتی‌متر)'),
                color=alt.Color('Farm:N', title='مزرعه'),
                tooltip=['Farm', 'Week', 'Height', 'Variety', 'Age']
            ).properties(
                width='container',
                height=400,
                title='روند رشد مزارع بر اساس هفته'
            ).interactive()
            
            st.altair_chart(chart, use_container_width=True)
            
            # Add a growth rate analysis
            st.markdown("### تحلیل نرخ رشد")
            
            # Calculate growth rates
            growth_rates = []
            for farm_data in growth_data['individual']:
                heights = farm_data['heights']
                for i in range(1, len(heights)):
                    growth_rate = heights[i] - heights[i-1]
                    growth_rates.append({
                        'Farm': farm_data['farm_id'],
                        'Week': farm_data['weeks'][i],
                        'Growth Rate': growth_rate,
                        'Variety': farm_data['variety'],
                        'Age': farm_data['age']
                    })
            
            growth_rate_df = pd.DataFrame(growth_rates)
            
            # Create a bar chart for growth rates
            chart = alt.Chart(growth_rate_df).mark_bar().encode(
                x=alt.X('Week:O', title='هفته'),
                y=alt.Y('mean(Growth Rate):Q', title='نرخ رشد (سانتی‌متر در هفته)'),
                color=alt.Color('Farm:N', title='مزرعه'),
                tooltip=['Farm', 'Week', 'mean(Growth Rate)']
            ).properties(
                width='container',
                height=400,
                title='نرخ رشد هفتگی مزارع'
            ).interactive()
            
            st.altair_chart(chart, use_container_width=True)
        else:
            st.warning("داده‌ای برای نمایش وجود ندارد.")
    
    with tab2:
        st.markdown("### مقایسه واریته‌ها")
        
        # Group farms by variety and age
        variety_age_groups = farm_df.groupby(['واریته', 'سن']).size().reset_index(name='تعداد')
        
        # Create a heatmap
        fig = px.density_heatmap(
            variety_age_groups,
            x='واریته',
            y='سن',
            z='تعداد',
            title='توزیع مزارع بر اساس واریته و سن',
            color_continuous_scale='Viridis'
        )
        
        fig.update_layout(
            font=dict(family="Vazirmatn"),
            template="plotly_white",
            xaxis_title="واریته",
            yaxis_title="سن"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # Generate mock variety comparison data
        varieties = farm_df['واریته'].unique()
        
        # Generate random heights for each variety
        variety_heights = {variety: np.random.normal(150, 20, 100) for variety in varieties}
        
        # Create a box plot
        fig = go.Figure()
        
        for variety in varieties:
            fig.add_trace(go.Box(
                y=variety_heights[variety],
                name=variety,
                boxpoints='outliers',
                marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)'
            ))
        
        fig.update_layout(
            title='مقایسه ارتفاع بر اساس واریته',
            yaxis_title='ارتفاع (سانتی‌متر)',
            font=dict(family="Vazirmatn"),
            template="plotly_white",
            boxmode='group'
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # Add a statistical comparison
        st.markdown("### مقایسه آماری واریته‌ها")
        
        # Calculate statistics for each variety
        variety_stats = {}
        for variety in varieties:
            heights = variety_heights[variety]
            variety_stats[variety] = {
                'میانگین': np.mean(heights),
                'میانه': np.median(heights),
                'انحراف معیار': np.std(heights),
                'حداقل': np.min(heights),
                'حداکثر': np.max(heights)
            }
        
        # Create a dataframe
        variety_stats_df = pd.DataFrame(variety_stats).T
        
        # Display the statistics
        st.dataframe(variety_stats_df, use_container_width=True)
    
    with tab3:
        st.markdown("### تحلیل رطوبت مزارع")
        
        # Generate mock moisture data
        farms = farm_df['مزرعه'].unique()[:10]  # Get 10 farms
        dates = pd.date_range(end=datetime.now(), periods=30, freq='D')
        
        moisture_data = []
        for farm in farms:
            base_moisture = np.random.uniform(50, 80)
            for date in dates:
                moisture = base_moisture + np.random.normal(0, 5)
                moisture = max(0, min(100, moisture))  # Clip to 0-100
                moisture_data.append({
                    'Farm': farm,
                    'Date': date,
                    'Moisture': moisture
                })
        
        moisture_df = pd.DataFrame(moisture_data)
        
        # Create a line chart
        fig = px.line(
            moisture_df,
            x='Date',
            y='Moisture',
            color='Farm',
            title='روند رطوبت مزارع در 30 روز گذشته',
            labels={'Date': 'تاریخ', 'Moisture': 'رطوبت (%)', 'Farm': 'مزرعه'}
        )
        
        fig.update_layout(
            font=dict(family="Vazirmatn"),
            template="plotly_white",
            hovermode="x unified"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # Add a correlation analysis
        st.markdown("### همبستگی رطوبت و ارتفاع")
        
        # Generate mock correlation data
        correlation_data = []
        for farm in farms:
            for _ in range(20):  # 20 data points per farm
                moisture = np.random.uniform(40, 90)
                # Height is correlated with moisture with some noise
                height = 100 + moisture * 1.5 + np.random.normal(0, 20)
                correlation_data.append({
                    'Farm': farm,
                    'Moisture': moisture,
                    'Height': height
                })
        
        correlation_df = pd.DataFrame(correlation_data)
        
        # Create a scatter plot
        fig = px.scatter(
            correlation_df,
            x='Moisture',
            y='Height',
            color='Farm',
            title='همبستگی بین رطوبت و ارتفاع',
            labels={'Moisture': 'رطوبت (%)', 'Height': 'ارتفاع (سانتی‌متر)', 'Farm': 'مزرعه'},
            trendline='ols'
        )
        
        fig.update_layout(
            font=dict(family="Vazirmatn"),
            template="plotly_white"
        )
        
        st.plotly_chart(fig, use_container_width=True)
        
        # Calculate correlation coefficient
        correlation = correlation_df['Moisture'].corr(correlation_df['Height'])
        
        st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}")
    
    with tab4:
        st.markdown("### پیش‌بینی رشد مزارع")
        
        # Create a farm selector
        selected_farm_for_prediction = st.selectbox(
            "انتخاب مزرعه",
            options=farm_df['مزرعه'].tolist(),
            format_func=lambda x: f"مزرعه {x}"
        )
        
        # Generate mock historical data
        weeks = list(range(1, 16))  # Historical data for weeks 1-15
        heights = [50 + i * 10 + np.random.normal(0, 5) for i in range(len(weeks))]
        
        # Create a dataframe
        historical_df = pd.DataFrame({
            'Week': weeks,
            'Height': heights
        })
        
        # Predict future weeks (16-22)
        future_weeks = list(range(16, 23))
        
        # Linear regression for prediction
        from sklearn.linear_model import LinearRegression
        
        model = LinearRegression()
        model.fit(np.array(weeks).reshape(-1, 1), heights)
        
        future_heights = model.predict(np.array(future_weeks).reshape(-1, 1))
        
        # Add prediction intervals
        lower_bound = future_heights - 15
        upper_bound = future_heights + 15
        
        # Create a dataframe for future predictions
        future_df = pd.DataFrame({
            'Week': future_weeks,
            'Height': future_heights,
            'Lower': lower_bound,
            'Upper': upper_bound
        })
        
        # Create a combined chart
        fig = go.Figure()
        
        # Historical data
        fig.add_trace(go.Scatter(
            x=historical_df['Week'],
            y=historical_df['Height'],
            mode='lines+markers',
            name='داده‌های تاریخی',
            line=dict(color='#1a8754', width=3),
            marker=dict(size=8, color='#1a8754')
        ))
        
        # Predicted data
        fig.add_trace(go.Scatter(
            x=future_df['Week'],
            y=future_df['Height'],
            mode='lines+markers',
            name='پیش‌بینی',
            line=dict(color='#ff9800', width=3, dash='dash'),
            marker=dict(size=8, color='#ff9800')
        ))
        
        # Prediction interval
        fig.add_trace(go.Scatter(
            x=future_df['Week'].tolist() + future_df['Week'].tolist()[::-1],
            y=future_df['Upper'].tolist() + future_df['Lower'].tolist()[::-1],
            fill='toself',
            fillcolor='rgba(255, 152, 0, 0.2)',
            line=dict(color='rgba(255, 152, 0, 0)'),
            hoverinfo='skip',
            showlegend=False
        ))
        
        fig.update_layout(
            title=f'پیش‌بینی رشد مزرعه {selected_farm_for_prediction}',
            xaxis_title='هفته',
            yaxis_title='ارتفاع (سانتی‌متر)',
            font=dict(family='Vazirmatn', size=14),
            hovermode='x unified',
            template='plotly_white',
            height=500,
            legend=dict(
                orientation="h",
                yanchor="bottom",
                y=1.02,
                xanchor="right",
                x=1
            )
        )
        
        # Add vertical line to separate historical and predicted data
        fig.add_vline(x=15.5, line_width=1, line_dash="dash", line_color="gray")
        
        st.plotly_chart(fig, use_container_width=True)
        
        # Add prediction details
        st.markdown("### جزئیات پیش‌بینی")
        
        col1, col2 = st.columns(2)
        
        with col1:
            st.metric(
                label="ارتفاع فعلی",
                value=f"{heights[-1]:.1f} cm",
                delta=f"{heights[-1] - heights[-2]:.1f} cm"
            )
        
        with col2:
            st.metric(
                label="ارتفاع پیش‌بینی شده (هفته 22)",
                value=f"{future_heights[-1]:.1f} cm",
                delta=f"{future_heights[-1] - heights[-1]:.1f} cm"
            )
        
        # Add a prediction table
        prediction_table = pd.DataFrame({
            'هفته': future_weeks,
            'ارتفاع پیش‌بینی شده': [f"{h:.1f}" for h in future_heights],
            'حد پایین': [f"{l:.1f}" for l in lower_bound],
            'حد بالا': [f"{u:.1f}" for u in upper_bound]
        })
        
        st.dataframe(prediction_table, use_container_width=True, hide_index=True)
        
        # Add factors affecting growth
        st.markdown("### عوامل مؤثر بر رشد")
        
        # Create a radar chart for factors
        factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
        factor_values = [85, 70, 60, 90, 75]
        
        fig = go.Figure()
        
        fig.add_trace(go.Scatterpolar(
            r=factor_values,
            theta=factors,
            fill='toself',
            name='عوامل مؤثر',
            line_color='#1a8754'
        ))
        
        fig.update_layout(
            polar=dict(
                radialaxis=dict(
                    visible=True,
                    range=[0, 100]
                )
            ),
            showlegend=False,
            font=dict(family='Vazirmatn'),
            height=400
        )
        
        st.plotly_chart(fig, use_container_width=True)

# Reporting Page
elif selected == "گزارش‌گیری":
    st.markdown("## گزارش‌گیری پیشرفته")
    
    # Add a lottie animation
    col1, col2 = st.columns([1, 2])
    
    with col1:
        st_lottie(lottie_report, height=200, key="report_animation")
    
    with col2:
        st.markdown("""
        <div class="glass-card">
            <h3 class="gradient-text">گزارش‌گیری پیشرفته</h3>
            <p>در این بخش می‌توانید گزارش‌های مختلف از وضعیت مزارع تهیه کنید و آن‌ها را به صورت PDF یا Excel دانلود کنید.</p>
        </div>
        """, unsafe_allow_html=True)
    
    # Create date range selector
    col1, col2 = st.columns(2)
    
    with col1:
        start_date = st.date_input(
            "تاریخ شروع",
            value=datetime.now() - timedelta(days=30),
            format="YYYY-MM-DD"
        )
    
    with col2:
        end_date = st.date_input(
            "تاریخ پایان",
            value=datetime.now(),
            format="YYYY-MM-DD"
        )
    
    # Create report type selector
    report_type = st.selectbox(
        "نوع گزارش",
        options=["گزارش کلی", "گزارش رشد", "گزارش رطوبت", "گزارش مقایسه‌ای واریته‌ها"]
    )
    
    # Generate report button
    if st.button("تولید گزارش", type="primary", use_container_width=True):
        with st.spinner('در حال تولید گزارش...'):
            time.sleep(2)  # Simulate report generation
            
            # Display report based on type
            if report_type == "گزارش کلی":
                st.markdown("### گزارش کلی وضعیت مزارع")
                
                # Summary metrics
                col1, col2, col3, col4 = st.columns(4)
                
                with col1:
                    st.metric("تعداد کل مزارع", len(farm_df))
                
                with col2:
                    st.metric("میانگین ارتفاع", f"{np.random.uniform(150, 200):.1f} cm")
                
                with col3:
                    st.metric("میانگین رطوبت", f"{np.random.uniform(60, 80):.1f}%")
                
                with col4:
                    st.metric("میانگین نیتروژن", f"{np.random.uniform(40, 60):.1f}%")
                
                # Farm distribution chart
                farm_counts = farm_df['اداره'].value_counts()
                fig = px.pie(
                    values=farm_counts.values,
                    names=farm_counts.index,
                    title='توزیع مزارع بر اساس اداره',
                    color_discrete_sequence=px.colors.sequential.Greens_r
                )
                fig.update_traces(textposition='inside', textinfo='percent+label')
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Growth trend
                weeks = list(range(1, 23))
                heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
                
                fig = px.line(
                    x=weeks,
                    y=heights,
                    title='روند رشد کلی مزارع',
                    labels={'x': 'هفته', 'y': 'ارتفاع (سانتی‌متر)'}
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Top 5 farms table
                top_farms = pd.DataFrame({
                    'مزرعه': ['مزرعه ' + str(i) for i in range(1, 6)],
                    'ارتفاع': [round(np.random.uniform(180, 220), 1) for _ in range(5)],
                    'رطوبت': [round(np.random.uniform(60, 80), 1) for _ in range(5)],
                    'نیتروژن': [round(np.random.uniform(40, 60), 1) for _ in range(5)]
                })
                
                st.markdown("### 5 مزرعه برتر")
                st.dataframe(top_farms, use_container_width=True, hide_index=True)
            
            elif report_type == "گزارش رشد":
                st.markdown("### گزارش رشد مزارع")
                
                # Growth metrics
                col1, col2, col3 = st.columns(3)
                
                with col1:
                    st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm")
                
                with col2:
                    st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm")
                
                with col3:
                    st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm")
                
                # Growth trend for multiple farms
                weeks = list(range(1, 23))
                farms = ['مزرعه 1', 'مزرعه 2', 'مزرعه 3', 'مزرعه 4', 'مزرعه 5']
                
                fig = go.Figure()
                
                for farm in farms:
                    heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
                    fig.add_trace(go.Scatter(
                        x=weeks,
                        y=heights,
                        mode='lines+markers',
                        name=farm
                    ))
                
                fig.update_layout(
                    title='روند رشد مزارع',
                    xaxis_title='هفته',
                    yaxis_title='ارتفاع (سانتی‌متر)',
                    font=dict(family="Vazirmatn"),
                    legend_title='مزرعه',
                    hovermode="x unified"
                )
                
                st.plotly_chart(fig, use_container_width=True)
                
                # Growth rate distribution
                growth_rates = np.random.normal(12, 3, 1000)
                
                fig = px.histogram(
                    x=growth_rates,
                    nbins=30,
                    title='توزیع نرخ رشد هفتگی',
                    labels={'x': 'نرخ رشد (سانتی‌متر در هفته)', 'y': 'فراوانی'},
                    color_discrete_sequence=['#1a8754']
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Factors affecting growth
                st.markdown("### عوامل مؤثر بر رشد")
                
                factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
                correlations = [0.8, 0.7, 0.5, 0.9, 0.6]
                
                fig = px.bar(
                    x=factors,
                    y=correlations,
                    title='همبستگی عوامل مختلف با نرخ رشد',
                    labels={'x': 'عامل', 'y': 'ضریب همبستگی'},
                    color=correlations,
                    color_continuous_scale='Viridis'
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
            
            elif report_type == "گزارش رطوبت":
                st.markdown("### گزارش رطوبت مزارع")
                
                # Moisture metrics
                col1, col2, col3 = st.columns(3)
                
                with col1:
                    st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%")
                
                with col2:
                    st.metric("حداکثر رطوبت", f"{np.random.uniform(80, 90):.1f}%")
                
                with col3:
                    st.metric("حداقل رطوبت", f"{np.random.uniform(40, 50):.1f}%")
                
                # Moisture trend
                dates = pd.date_range(start=start_date, end=end_date)
                moisture_levels = [np.random.uniform(50, 80) for _ in range(len(dates))]
                
                fig = px.line(
                    x=dates,
                    y=moisture_levels,
                    title='روند رطوبت مزارع',
                    labels={'x': 'تاریخ', 'y': 'رطوبت (%)'}
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Moisture distribution
                fig = px.histogram(
                    x=moisture_levels,
                    nbins=30,
                    title='توزیع رطوبت مزارع',
                    labels={'x': 'رطوبت (%)', 'y': 'فراوانی'},
                    color_discrete_sequence=['#1a8754']
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Moisture vs Growth scatter plot
                growth_levels = [h + np.random.normal(0, 10) for h in moisture_levels]
                
                fig = px.scatter(
                    x=moisture_levels,
                    y=growth_levels,
                    title='رابطه بین رطوبت و رشد',
                    labels={'x': 'رطوبت (%)', 'y': 'رشد (سانتی‌متر)'},
                    trendline='ols'
                )
                fig.update_layout(font=dict(family="Vazirmatn"))
                st.plotly_chart(fig, use_container_width=True)
                
                # Moisture recommendations
                st.markdown("### توصیه‌های مدیریت رطوبت")
                
                recommendations = [
                    "افزایش دفعات آبیاری در مزارع با رطوبت پایین",
                    "بهبود سیستم زهکشی در مزارع با رطوبت بالا",
                    "استفاده از مالچ برای حفظ رطوبت خاک",
                    "تنظیم زمان آبیاری بر اساس شرایط آب و هوایی",
                    "پایش مداوم رطوبت خاک با استفاده از سنسورها"
                ]
                
                for rec in recommendations:
                    st.markdown(f"- {rec}")
            
            elif report_type == "گزارش مقایسه‌ای واریته‌ها":
                st.markdown("### گزارش مقایسه‌ای واریته‌های نیشکر")
                
                # Generate mock data for varieties
                varieties = ['CP57-614', 'CP69-1062', 'CP73-21', 'SP70-1143', 'IRC99-02']
                heights = [np.random.uniform(180, 220) for _ in varieties]
                sugar_contents = [np.random.uniform(12, 16) for _ in varieties]
                growth_rates = [np.random.uniform(10, 15) for _ in varieties]
                
                # Variety comparison chart
                fig = go.Figure(data=[
                    go.Bar(name='ارتفاع (cm)', x=varieties, y=heights),
                    go.Bar(name='محتوای قند (%)', x=varieties, y=sugar_contents),
                    go.Bar(name='رشد (cm/هفته)', x=varieties, y=growth_rates)
                ])
                
                fig.update_layout(
                    title='مقایسه واریته‌های نیشکر',
                    xaxis_title='واریته',
                    yaxis_title='مقدار',
                    barmode='group',
                    font=dict(family="Vazirmatn")
                )
                
                st.plotly_chart(fig, use_container_width=True)
                
                # Variety performance table
                variety_data = pd.DataFrame({
                    'واریته': varieties,
                    'ارتفاع (cm)': [round(h, 1) for h in heights],
                    'محتوای قند (%)': [round(s, 1) for s in sugar_contents],
                    ' رشد(cm/هفته)': [round(g, 1) for g in growth_rates],
                    'مقاومت به آفات': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties],
                    'نیاز آبی': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties]
                })
                
                st.dataframe(variety_data, use_container_width=True, hide_index=True)
                
                # Radar chart for variety comparison
                categories = ['ارتفاع', 'محتوای قند', 'رشد', 'مقاومت به آفات', 'بهره‌وری آب']
                
                fig = go.Figure()
                
                for variety in varieties:
                    values = [
                        heights[varieties.index(variety)] / max(heights) * 100,
                        sugar_contents[varieties.index(variety)] / max(sugar_contents) * 100,
                        growth_rates[varieties.index(variety)] / max(growth_rates) * 100,
                        np.random.uniform(60, 100),
                        np.random.uniform(60, 100)
                    ]
                    
                    fig.add_trace(go.Scatterpolar(
                        r=values,
                        theta=categories,
                        fill='toself',
                        name=variety
                    ))
                
                fig.update_layout(
                    polar=dict(
                        radialaxis=dict(
                            visible=True,
                            range=[0, 100]
                        )
                    ),
                    title='مقایسه واریته‌ها',
                    font=dict(family="Vazirmatn"),
                    showlegend=True
                )
                
                st.plotly_chart(fig, use_container_width=True)
                
                # Variety recommendations
                st.markdown("### توصیه‌های کشت واریته‌ها")
                
                recommendations = [
                    f"واریته {np.random.choice(varieties)} برای مناطق با آب و هوای گرم و مرطوب مناسب‌تر است.",
                    f"برای افزایش عملکرد تولید شکر، کشت واریته {np.random.choice(varieties)} توصیه می‌شود.",
                    f"در مناطق با محدودیت آب، استفاده از واریته {np.random.choice(varieties)} به دلیل نیاز آبی کمتر مناسب است.",
                    f"برای مقاومت بهتر در برابر آفات، واریته {np.random.choice(varieties)} پیشنهاد می‌شود.",
                    "تنوع در کشت واریته‌ها می‌تواند به کاهش ریسک‌های مرتبط با آفات و بیماری‌ها کمک کند."
                ]
                
                for rec in recommendations:
                    st.markdown(f"- {rec}")
            
            # Add download buttons
            col1, col2 = st.columns(2)
            
            with col1:
                st.download_button(
                    label="دانلود گزارش (PDF)",
                    data=b"This is a mock PDF report",  # This would be the actual PDF content
                    file_name="farm_report.pdf",
                    mime="application/pdf",
                )
            
            with col2:
                st.download_button(
                    label="دانلود داده‌ها (Excel)",
                    data=b"This is a mock Excel file",  # This would be the actual Excel content
                    file_name="farm_data.xlsx",
                    mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
                )

# Settings Page
elif selected == "تنظیمات":
    st.markdown("## تنظیمات سیستم")
    
    # Create tabs for different settings
    tab1, tab2, tab3, tab4 = st.tabs(["تنظیمات کاربری", "تنظیمات سیستم", "مدیریت داده‌ها", "پشتیبان‌گیری"])
    
    with tab1:
        st.markdown("### تنظیمات کاربری")
        
        # User profile
        st.markdown("#### پروفایل کاربری")
        
        col1, col2 = st.columns(2)
        
        with col1:
            user_name = st.text_input("نام کاربری", value="کاربر نمونه")
        
        with col2:
            user_email = st.text_input("ایمیل", value="[email protected]")
        
        user_role = st.selectbox(
            "نقش کاربری",
            options=["مدیریت مطالعات", "پرسنل", "اپراتور"],
            index=1
        )
        
        # Password change
        st.markdown("#### تغییر رمز عبور")
        
        col1, col2 = st.columns(2)
        
        with col1:
            current_password = st.text_input("رمز عبور فعلی", type="password")
        
        with col2:
            new_password = st.text_input("رمز عبور جدید", type="password")
        
        confirm_password = st.text_input("تکرار رمز عبور جدید", type="password")
        
        if st.button("تغییر رمز عبور", type="primary"):
            # This would normally check the current password and update with the new one
            st.success("رمز عبور با موفقیت تغییر کرد.")
        
        # Notification settings
        st.markdown("#### تنظیمات اعلان‌ها")
        
        email_notifications = st.checkbox("دریافت اعلان‌ها از طریق ایمیل", value=True)
        sms_notifications = st.checkbox("دریافت اعلان‌ها از طریق پیامک", value=False)
        
        notification_frequency = st.radio(
            "تناوب دریافت اعلان‌ها",
            options=["روزانه", "هفتگی", "ماهانه"],
            index=1
        )
    
    with tab2:
        st.markdown("### تنظیمات سیستم")
        
        # System language
        system_language = st.selectbox(
            "زبان سیستم",
            options=["فارسی", "English", "العربية"],
            index=0
        )
        
        # Date format
        date_format = st.selectbox(
            "فرمت تاریخ",
            options=["YYYY/MM/DD", "DD/MM/YYYY", "MM/DD/YYYY"],
            index=0
        )
        
        # Theme settings
        st.markdown("#### تنظیمات ظاهری")
        
        theme = st.radio(
            "تم",
            options=["روشن", "تیره", "سیستم"],
            index=2
        )
        
        primary_color = st.color_picker("رنگ اصلی", value="#1a8754")
        
        # Map settings
        st.markdown("#### تنظیمات نقشه")
        
        default_map_view = st.selectbox(
            "نمای پیش‌فرض نقشه",
            options=["نقشه", "ماهواره", "ترکیبی"],
            index=0
        )
        
        default_map_layer = st.selectbox(
            "لایه پیش‌فرض نقشه",
            options=["NDVI", "NDMI", "EVI", "NDWI"],
            index=0
        )
        
        # AI model settings
        st.markdown("#### تنظیمات مدل هوش مصنوعی")
        
        ai_model = st.selectbox(
            "مدل هوش مصنوعی",
            options=["GPT-3", "GPT-4", "BERT"],
            index=1
        )
        
        model_update_frequency = st.selectbox(
            "تناوب به‌روزرسانی مدل",
            options=["روزانه", "هفتگی", "ماهانه"],
            index=1
        )
        
        # Save settings button
        if st.button("ذخیره تنظیمات", type="primary"):
            st.success("تنظیمات با موفقیت ذخیره شدند.")
    
    with tab3:
        st.markdown("### مدیریت داده‌ها")
        
        # Data import
        st.markdown("#### ورود داده")
        
        uploaded_file = st.file_uploader("آپلود فایل داده", type=["csv", "xlsx"])
        
        if uploaded_file is not None:
            st.success(f"فایل {uploaded_file.name} با موفقیت آپلود شد.")
            
            if st.button("وارد کردن داده‌ها"):
                # This would normally process and import the data
                st.info("در حال پردازش و وارد کردن داده‌ها...")
                time.sleep(2)
                st.success("داده‌ها با موفقیت وارد شدند.")
        
        # Data export
        st.markdown("#### خروجی داده")
        
        export_format = st.selectbox(
            "فرمت خروجی",
            options=["CSV", "Excel", "JSON"],
            index=1
        )
        
        if st.button("دریافت خروجی"):
            # This would normally generate and provide the export file
            st.info("در حال آماده‌سازی فایل خروجی...")
            time.sleep(2)
            st.success("فایل خروجی آماده دانلود است.")
            st.download_button(
                label="دانلود فایل خروجی",
                data=b"This is a mock export file",  # This would be the actual file content
                file_name=f"farm_data_export.{export_format.lower()}",
                mime="application/octet-stream",
            )
        
        # Data cleanup
        st.markdown("#### پاکسازی داده‌ها")
        
        cleanup_options = st.multiselect(
            "گزینه‌های پاکسازی",
            options=["حذف داده‌های تکراری", "حذف داده‌های ناقص", "نرمال‌سازی داده‌ها"],
            default=["حذف داده‌های تکراری"]
        )
        
        if st.button("اجرای پاکسازی"):
            # This would normally perform the selected cleanup operations
            st.info("در حال اجرای عملیات پاکسازی...")
            time.sleep(2)
            st.success("عملیات پاکسازی با موفقیت انجام شد.")
        
        # Data visualization settings
        st.markdown("#### تنظیمات نمایش داده")
        
        chart_theme = st.selectbox(
            "تم نمودارها",
            options=["پیش‌فرض", "روشن", "تیره", "رنگی"],
            index=0
        )
        
        show_data_labels = st.checkbox("نمایش برچسب‌های داده", value=True)
        
        if st.button("اعمال تنظیمات نمایش"):
            st.success("تنظیمات نمایش داده با موفقیت اعمال شدند.")
    
    with tab4:
        st.markdown("### پشتیبان‌گیری و بازیابی")
        
        # Backup creation
        st.markdown("#### ایجاد نسخه پشتیبان")
        
        backup_type = st.radio(
            "نوع پشتیبان‌گیری",
            options=["پشتیبان کامل", "پشتیبان افزایشی"],
            index=0
        )
        
        include_images = st.checkbox("شامل تصاویر", value=True)
        include_user_data = st.checkbox("شامل داده‌های کاربران", value=True)
        
        if st.button("ایجاد نسخه پشتیبان", type="primary"):
            # This would normally create a backup
            st.info("در حال ایجاد نسخه پشتیبان...")
            progress_bar = st.progress(0)
            for i in range(100):
                time.sleep(0.05)
                progress_bar.progress(i + 1)
            st.success("نسخه پشتیبان با موفقیت ایجاد شد.")
        
        # Backup restoration
        st.markdown("#### بازیابی از نسخه پشتیبان")
        
        backup_file = st.file_uploader("آپلود فایل پشتیبان", type=["zip", "bak"])
        
        if backup_file is not None:
            st.warning("هشدار: بازیابی از نسخه پشتیبان ممکن است داده‌های فعلی را بازنویسی کند.")
            if st.button("شروع بازیابی"):
                # This would normally restore from the backup
                st.info("در حال بازیابی از نسخه پشتیبان...")
                progress_bar = st.progress(0)
                for i in range(100):
                    time.sleep(0.05)
                    progress_bar.progress(i + 1)
                st.success("بازیابی از نسخه پشتیبان با موفقیت انجام شد.")
        
        # Automatic backup settings
        st.markdown("#### تنظیمات پشتیبان‌گیری خودکار")
        
        auto_backup = st.checkbox("فعال‌سازی پشتیبان‌گیری خودکار", value=True)
        
        if auto_backup:
            backup_frequency = st.selectbox(
                "تناوب پشتیبان‌گیری",
                options=["روزانه", "هفتگی", "ماهانه"],
                index=1
            )
            
            backup_time = st.time_input("زمان پشتیبان‌گیری", value=datetime.now().replace(hour=1, minute=0, second=0, microsecond=0))
            
            retain_backups = st.number_input("تعداد نسخه‌های پشتیبان برای نگهداری", min_value=1, value=7)
        
        # Save backup settings
        if st.button("ذخیره تنظیمات پشتیبان‌گیری"):
            st.success("تنظیمات پشتیبان‌گیری با موفقیت ذخیره شدند.")

# Add a footer
st.markdown("""
<footer style="position: fixed; left: 0; bottom: 0; width: 100%; background-color: #1a8754; color: white; text-align: center; padding: 10px 0;">
    <p>©  سامانه هوشمند پایش مزارع نیشکر کشت و صنعت دهخدا | طراحی شده توسط تیم مطالعات کاربردی توسعه</p>
</footer>
""", unsafe_allow_html=True)