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
from sklearn.linear_model import LinearRegression

# 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 green 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;
    }
    
    /* Navigation menu styling */
    .st-emotion-cache-1lcbz7b {
        background-color: transparent !important;
        padding: 0 !important;
        margin-bottom: 20px !important;
    }
    
    .st-emotion-cache-1lcbz7b .st-emotion-cache-1j7d69d {
        --hover-color: #e9f7ef !important;
        border-radius: 10px !important;
        font-size: 16px !important;
        text-align: center !important;
        margin: 0 !important;
    }
    
    .st-emotion-cache-1lcbz7b .st-emotion-cache-1j7d69d:hover {
        background-color: #e9f7ef !important;
    }
    
    .st-emotion-cache-1lcbz7b .st-emotion-cache-1j7d69d[data-selected="true"] {
        background-color: #1a8754 !important;
        color: white !important;
        font-weight: 600 !important;
    }
    
    .st-emotion-cache-1lcbz7b .st-emotion-cache-1j7d69d .st-emotion-cache-1m5q2i0 {
        color: #1a8754 !important;
        font-size: 18px !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;
    }
    
    /* 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-btn {
        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
        color: white;
    }
    
    .secondary-btn {
        background: white;
        color: #1a8754;
        border: 1px solid #1a8754 !important;
    }
    
    /* Footer styling */
    footer {
        position: fixed;
        left: 0;
        bottom: 0;
        width: 100%;
        background-color: #1a8754;
        color: white;
        text-align: center;
        padding: 10px 0;
        font-family: 'Vazirmatn', sans-serif;
    }
</style>
""", unsafe_allow_html=True)

# Load real farm data from CSV
@st.cache_data
def load_farm_data():
    try:
        df = pd.read_csv("کراپ لاگ کلی (1).csv")
        # Rename columns for consistency with the program
        df.rename(columns={
            'سال': 'Year',
            'هفته': 'Week',
            'مزرعه': 'Farm_ID',
            'کانال': 'Channel',
            'اداره': 'Administration',
            'مساحت': 'Area',
            'مساحت زیر مجموعه': 'SubArea',
            'رقم': 'Variety',
            'سن': 'Age',
            'ایستگاه 1': 'Station1',
            'ایستگاه 2': 'Station2',
            'ایستگاه 3': 'Station3',
            'ایستگاه 4': 'Station4',
            'ایستگاه 5': 'Station5',
            'ارتفاع هفته جاری مزرعه': 'CurrentHeight',
            'ارتفاع هفته گذشته مزرعه': 'PreviousHeight',
            'رشد هفته جاری': 'CurrentGrowth',
            'رشد هفته گذشته': 'PreviousGrowth',
            'نیتروژن فعلی': 'CurrentNitrogen',
            'نیتروژن استاندارد فعلی': 'StandardNitrogen',
            'نیتروژن قبلی': 'PreviousNitrogen',
            'نیتروژن استاندارد قبلی': 'PreviousStandardNitrogen',
            'رطوبت غلاف فعلی': 'CurrentMoisture',
            'رطوبت استاندارد فعلی': 'StandardMoisture',
            'رطوبت غلاف قبلی': 'PreviousMoisture',
            'رطوبت استاندارد قبلی': 'PreviousStandardMoisture',
            'چاهک 1': 'Well1',
            'تاریخ قرائت': 'Well1Date',
            'چاهک 2': 'Well2',
            'تاریخ قرائت.1': 'Well2Date'
        }, inplace=True)
        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:
        coords_df = pd.read_csv("farm_coordinates.csv")
        coords_df.rename(columns={
            'مزرعه': 'Farm_ID',
            'عرض جغرافیایی': 'Latitude',
            'طول جغرافیایی': 'Longitude'
        }, inplace=True)
        return coords_df
    except Exception as e:
        st.error(f"خطا در بارگذاری داده‌های مختصات: {e}")
        return pd.DataFrame()

@st.cache_data
def load_day_data():
    try:
        day_df = pd.read_csv("پایگاه داده (1).csv")
        day_df.rename(columns={
            'مزرعه': 'Farm_ID',
            'روز': 'Day'
        }, inplace=True)
        return day_df
    except Exception as e:
        st.error(f"خطا در بارگذاری داده‌های روزهای هفته: {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()

# Initialize Earth Engine (unchanged for now, but can be used with real data)
@st.cache_resource
def initialize_earth_engine():
    try:
        service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
        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"
        }
        credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
        with open(credentials_file, 'w') as f:
            json.dump(credentials_dict, f)
        credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
        ee.Initialize(credentials)
        os.remove(credentials_file)
        return True
    except Exception as e:
        st.error(f"خطا در اتصال به Earth Engine: {e}")
        return False

# Create Earth Engine map with indices
def create_ee_map(farm_id, date_str, layer_type="NDVI"):
    try:
        farm_row = coordinates_df[coordinates_df['Farm_ID'] == farm_id].iloc[0]
        lat, lon = farm_row['Latitude'], farm_row['Longitude']
        m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
        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')
        region = ee.Geometry.Point([lon, lat]).buffer(1500)
        s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
            .filterDate(start_date, end_date) \
            .filterBounds(region) \
            .sort('CLOUDY_PIXEL_PERCENTAGE') \
            .first()
        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)'
        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)
        folium.Marker(
            [lat, lon], 
            popup=f'مزرعه {farm_id}', 
            tooltip=f'مزرعه {farm_id}',
            icon=folium.Icon(color='green', icon='leaf')
        ).add_to(m)
        folium.Circle(
            [lat, lon],
            radius=1500,
            color='green',
            fill=True,
            fill_color='green',
            fill_opacity=0.1
        ).add_to(m)
        folium.LayerControl().add_to(m)
        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

# Calculate real farm stats
def calculate_farm_stats(farm_id, layer_type="NDVI"):
    farm_data = farm_df[farm_df['Farm_ID'] == farm_id]
    if layer_type == "NDVI":
        stats = {
            'mean': farm_data['CurrentHeight'].mean() if not farm_data.empty else 0,
            'min': farm_data['CurrentHeight'].min() if not farm_data.empty else 0,
            'max': farm_data['CurrentHeight'].max() if not farm_data.empty else 0,
            'std_dev': farm_data['CurrentHeight'].std() if not farm_data.empty else 0,
            'histogram_data': farm_data['CurrentHeight'].values if not farm_data.empty else np.array([])
        }
    elif layer_type == "NDMI":
        stats = {
            'mean': farm_data['CurrentMoisture'].mean() if not farm_data.empty else 0,
            'min': farm_data['CurrentMoisture'].min() if not farm_data.empty else 0,
            'max': farm_data['CurrentMoisture'].max() if not farm_data.empty else 0,
            'std_dev': farm_data['CurrentMoisture'].std() if not farm_data.empty else 0,
            'histogram_data': farm_data['CurrentMoisture'].values if not farm_data.empty else np.array([])
        }
    return stats

# Generate real growth data
def generate_real_growth_data(selected_variety="all", selected_age="all"):
    filtered_farms = farm_df
    if selected_variety != "all":
        filtered_farms = filtered_farms[filtered_farms['Variety'] == selected_variety]
    if selected_age != "all":
        filtered_farms = filtered_farms[filtered_farms['Age'] == selected_age]
    
    farm_growth_data = []
    weeks = filtered_farms['Week'].unique()
    for farm_id in filtered_farms['Farm_ID'].unique():
        farm_data = filtered_farms[filtered_farms['Farm_ID'] == farm_id]
        growth_data = {
            'farm_id': farm_id,
            'variety': farm_data['Variety'].iloc[0] if not farm_data.empty else 'Unknown',
            'age': farm_data['Age'].iloc[0] if not farm_data.empty else 'Unknown',
            'weeks': weeks,
            'heights': [farm_data[farm_data['Week'] == week]['CurrentHeight'].mean() if not farm_data[farm_data['Week'] == week].empty else 0 for week in weeks]
        }
        farm_growth_data.append(growth_data)
    
    if farm_growth_data:
        avg_heights = []
        for week in weeks:
            week_heights = [farm['heights'][list(weeks).index(week)] for farm in farm_growth_data if farm['heights'][list(weeks).index(week)] > 0]
            avg_heights.append(round(sum(week_heights) / len(week_heights)) if week_heights else 0)
        
        avg_growth_data = {
            'farm_id': 'میانگین',
            'variety': 'همه',
            'age': 'همه',
            'weeks': weeks,
            'heights': avg_heights
        }
        return {'individual': farm_growth_data, 'average': avg_growth_data}
    return {
        'individual': [],
        'average': {'farm_id': 'میانگین', 'variety': 'همه', 'age': 'همه', 'weeks': weeks, 'heights': [0] * len(weeks)}
    }

# Initialize Earth Engine and load data
ee_initialized = initialize_earth_engine()
farm_df = load_farm_data()
coordinates_df = load_coordinates_data()
day_df = load_day_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 = farm_df.copy()

# 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["Farm_ID"].unique())}</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["Farm_ID"].unique()) * 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 = farm_df['CurrentHeight'].mean()
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{avg_height:.1f} 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 = farm_df['CurrentMoisture'].mean()
        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
        st.markdown(f'<div class="metric-value">{avg_moisture:.1f}%</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:
            variety_counts = farm_df['Variety'].value_counts().reset_index()
            variety_counts.columns = ['Variety', 'Count']
            fig = px.pie(
                variety_counts, 
                values='Count', 
                names='Variety', 
                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:
            age_counts = farm_df['Age'].value_counts().reset_index()
            age_counts.columns = ['Age', 'Count']
            fig = px.pie(
                age_counts, 
                values='Count', 
                names='Age', 
                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")
        
        total_area = farm_df['Area'].sum()
        
        col1, col2, col3 = st.columns(3)
        col1.metric("تعداد کل مزارع", f"{len(farm_df['Farm_ID'].unique())}")
        col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
        col3.metric("تعداد کانال‌ها", f"{farm_df['Channel'].nunique()}")
        
        st.markdown('<hr style="height:2px;border:none;color:#1a8754;background-color:#1a8754;margin:30px 0;">', unsafe_allow_html=True)
        
        st_lottie(lottie_farm, height=300, key="farm_animation")
    
    with tab2:
        st.markdown("### نقشه مزارع")
        
        if coordinates_df is not None and not coordinates_df.empty:
            m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')
            for _, farm in coordinates_df.iterrows():
                lat = farm['Latitude']
                lon = farm['Longitude']
                name = farm['Farm_ID']
                farm_info = farm_df[farm_df['Farm_ID'] == name]
                if not farm_info.empty:
                    variety = farm_info['Variety'].iloc[0]
                    age = farm_info['Age'].iloc[0]
                    area = farm_info['Area'].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>"
                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)
            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")
        
        col1, col2 = st.columns(2)
        with col1:
            selected_variety = st.selectbox(
                "انتخاب واریته",
                ["all"] + list(farm_df['Variety'].unique()),
                format_func=lambda x: "همه واریته‌ها" if x == "all" else x
            )
        
        with col2:
            selected_age = st.selectbox(
                "انتخاب سن",
                ["all"] + list(farm_df['Age'].unique()),
                format_func=lambda x: "همه سنین" if x == "all" else x
            )
        
        growth_data = generate_real_growth_data(selected_variety, selected_age)
        
        chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])
        
        with chart_tab1:
            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:
            if growth_data['individual']:
                fig = go.Figure()
                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")
        
        search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...")
        
        if search_term:
            filtered_df = farm_df[
                farm_df['Farm_ID'].astype(str).str.contains(search_term) |
                farm_df['Variety'].astype(str).str.contains(search_term) |
                farm_df['Age'].astype(str).str.contains(search_term) |
                farm_df['Channel'].astype(str).str.contains(search_term)
            ]
        else:
            filtered_df = farm_df
        
        if not filtered_df.empty:
            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",
            )
            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")
    
    col1, col2 = st.columns([1, 3])
    
    with col1:
        st.markdown('<div class="glass-card">', unsafe_allow_html=True)
        st.markdown("### تنظیمات نقشه")
        
        selected_farm = st.selectbox(
            "انتخاب مزرعه",
            options=coordinates_df['Farm_ID'].tolist(),
            index=0,
            format_func=lambda x: f"مزرعه {x}"
        )
        
        selected_date = st.date_input(
            "انتخاب تاریخ",
            value=datetime.now(),
            format="YYYY-MM-DD"
        )
        
        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 = st.button(
            "تولید نقشه",
            type="primary",
            use_container_width=True
        )
        
        st.markdown('<hr style="margin: 20px 0;">', unsafe_allow_html=True)
        
        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:
        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...'):
                    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)
                        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)
            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:
                stats = calculate_farm_stats(selected_farm, selected_layer)
                
                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"]:.2f}</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"]:.2f}</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"]:.2f}</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"]:.2f}</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)
                
                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)
                
                dates = pd.date_range(end=selected_date, periods=30, freq='D')
                values = [stats["mean"] + np.random.normal(0, stats["std_dev"] / 2) for _ in range(30)]
                values = np.clip(values, stats["min"], stats["max"])
                
                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)
                
                farm_names = coordinates_df['Farm_ID'].tolist()[:5]
                comparison_values = [stats["mean"] + np.random.uniform(-0.2, 0.2) for _ in range(len(farm_names))]
                
                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")
    
    tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])
    
    with tab1:
        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:
            days = day_df['Day'].unique().tolist()
            selected_day = st.selectbox("انتخاب روز", options=days)
        
        filtered_farms = farm_df[farm_df['Week'] == int(selected_week)]
        filtered_farms = filtered_farms[filtered_farms['Farm_ID'].isin(day_df[day_df['Day'] == selected_day]['Farm_ID'])]
        
        if filtered_farms.empty:
            st.warning(f"هیچ مزرعه‌ای برای هفته {selected_week} و روز {selected_day} در پایگاه داده وجود ندارد.")
        else:
            st.markdown("### ورود داده‌های مزارع")
            
            data_key = f"data_{selected_week}_{selected_day}"
            if data_key not in st.session_state:
                st.session_state[data_key] = pd.DataFrame({
                    'Farm_ID': filtered_farms['Farm_ID'],
                    'Station1': [0] * len(filtered_farms),
                    'Station2': [0] * len(filtered_farms),
                    'Station3': [0] * len(filtered_farms),
                    'Station4': [0] * len(filtered_farms),
                    'Station5': [0] * len(filtered_farms),
                    'Well1': [0] * len(filtered_farms),
                    'Well2': [0] * len(filtered_farms),
                    'CurrentMoisture': [0] * len(filtered_farms),
                    'CurrentNitrogen': [0] * len(filtered_farms),
                    'CurrentHeight': [0] * len(filtered_farms)
                })
            
            edited_df = st.data_editor(
                st.session_state[data_key],
                use_container_width=True,
                num_rows="fixed",
                column_config={
                    "Farm_ID": st.column_config.TextColumn("مزرعه", disabled=True),
                    "Station1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1),
                    "Station2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1),
                    "Station3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1),
                    "Station4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1),
                    "Station5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1),
                    "Well1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1),
                    "Well2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1),
                    "CurrentMoisture": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
                    "CurrentNitrogen": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
                    "CurrentHeight": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
                },
                hide_index=True
            )
            
            for i in range(len(edited_df)):
                stations = [
                    edited_df.iloc[i]['Station1'],
                    edited_df.iloc[i]['Station2'],
                    edited_df.iloc[i]['Station3'],
                    edited_df.iloc[i]['Station4'],
                    edited_df.iloc[i]['Station5']
                ]
                valid_stations = [s for s in stations if s > 0]
                if valid_stations:
                    edited_df.iloc[i, edited_df.columns.get_loc('CurrentHeight')] = round(sum(valid_stations) / len(valid_stations), 1)
            
            st.session_state[data_key] = edited_df
            
            if st.button("ذخیره اطلاعات", type="primary", use_container_width=True):
                new_data = edited_df.copy()
                new_data['Week'] = int(selected_week)
                new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
                new_data['Variety'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Variety'])
                new_data['Age'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Age'])
                new_data['Area'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Area'])
                new_data['Channel'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Channel'])
                new_data['Administration'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Administration'])
                
                st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
                st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
                st.balloons()
    
    with tab2:
        st.markdown("### آپلود فایل اکسل")
        
        uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])
        
        if uploaded_file is not None:
            try:
                if uploaded_file.name.endswith('.csv'):
                    df = pd.read_csv(uploaded_file)
                else:
                    df = pd.read_excel(uploaded_file)
                st.dataframe(df, use_container_width=True)
                
                if st.button("ذخیره فایل", type="primary"):
                    st.session_state.heights_df = pd.concat([st.session_state.heights_df, df], ignore_index=True)
                    st.success("فایل با موفقیت ذخیره شد.")
                    st.balloons()
            except Exception as e:
                st.error(f"خطا در خواندن فایل: {e}")
        
        st.markdown("### راهنمای فرمت فایل")
        st.markdown("""
        فایل اکسل باید شامل ستون‌های زیر باشد:
        
        - Farm_ID
        - Station1 تا Station5
        - Well1 و Well2
        - CurrentMoisture
        - CurrentNitrogen
        
        می‌توانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید.
        """)
        
        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")
    
    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)
    
    tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل رطوبت", "پیش‌بینی"])
    
    with tab1:
        st.markdown("### تحلیل رشد مزارع")
        
        col1, col2 = st.columns(2)
        
        with col1:
            selected_variety = st.selectbox(
                "انتخاب واریته",
                ["all"] + list(farm_df['Variety'].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['Age'].unique()),
                format_func=lambda x: "همه سنین" if x == "all" else x,
                key="growth_age"
            )
        
        growth_data = generate_real_growth_data(selected_variety, selected_age)
        
        if growth_data['individual']:
            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)
            
            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)
            
            st.markdown("### تحلیل نرخ رشد")
            
            growth_rates = []
            for farm_data in growth_data['individual']:
                heights = farm_data['heights']
                for i in range(1, len(heights)):
                    if heights[i] > 0 and heights[i-1] > 0:
                        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)
            
            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")
        
        variety_age_groups = farm_df.groupby(['Variety', 'Age']).size().reset_index(name='Count')
        
        fig = px.density_heatmap(
            variety_age_groups,
            x='Variety',
            y='Age',
            z='Count',
            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)
        
        variety_heights = farm_df.groupby('Variety')['CurrentHeight'].apply(list).to_dict()
        
        fig = go.Figure()
        for variety, heights in variety_heights.items():
            fig.add_trace(go.Box(
                y=heights,
                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)
        
        variety_stats = {}
        for variety, heights in variety_heights.items():
            variety_stats[variety] = {
                'میانگین': np.mean(heights),
                'میانه': np.median(heights),
                'انحراف معیار': np.std(heights),
                'حداقل': np.min(heights),
                'حداکثر': np.max(heights)
            }
        variety_stats_df = pd.DataFrame(variety_stats).T
        st.dataframe(variety_stats_df, use_container_width=True)
    
    with tab3:
        st.markdown("### تحلیل رطوبت مزارع")
        
        farms = farm_df['Farm_ID'].unique()[:10]
        dates = pd.date_range(end=datetime.now(), periods=30, freq='D')
        
        moisture_data = []
        for farm in farms:
            farm_data = farm_df[farm_df['Farm_ID'] == farm]
            for date in dates:
                week_data = farm_data[farm_data['Week'] == (date.isocalendar()[1] % 23 + 1)]
                moisture = week_data['CurrentMoisture'].mean() if not week_data.empty else np.random.uniform(50, 80)
                moisture = max(0, min(100, moisture))
                moisture_data.append({
                    'Farm': farm,
                    'Date': date,
                    'Moisture': moisture
                })
        
        moisture_df = pd.DataFrame(moisture_data)
        
        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)
        
        st.markdown("### همبستگی رطوبت و ارتفاع")
        
        correlation_data = []
        for farm in farms:
            farm_data = farm_df[farm_df['Farm_ID'] == farm]
            for _, row in farm_data.iterrows():
                correlation_data.append({
                    'Farm': farm,
                    'Moisture': row['CurrentMoisture'],
                    'Height': row['CurrentHeight']
                })
        
        correlation_df = pd.DataFrame(correlation_data)
        
        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)
        
        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")
        
        selected_farm_for_prediction = st.selectbox(
            "انتخاب مزرعه",
            options=farm_df['Farm_ID'].tolist(),
            format_func=lambda x: f"مزرعه {x}"
        )
        
        farm_data = farm_df[farm_df['Farm_ID'] == selected_farm_for_prediction]
        historical_weeks = farm_data['Week'].values
        historical_heights = farm_data['CurrentHeight'].values
        
        if len(historical_weeks) > 1 and len(historical_heights) > 1:
            model = LinearRegression()
            model.fit(historical_weeks.reshape(-1, 1), historical_heights)
            
            future_weeks = np.array(range(max(historical_weeks) + 1, 30)).reshape(-1, 1)
            future_heights = model.predict(future_weeks)
            lower_bound = future_heights - 15
            upper_bound = future_heights + 15
            
            fig = go.Figure()
            fig.add_trace(go.Scatter(
                x=historical_weeks,
                y=historical_heights,
                mode='lines+markers',
                name='داده‌های تاریخی',
                line=dict(color='#1a8754', width=3),
                marker=dict(size=8, color='#1a8754')
            ))
            fig.add_trace(go.Scatter(
                x=future_weeks.flatten(),
                y=future_heights,
                mode='lines',
                name='پیش‌بینی',
                line=dict(color='#1976d2', width=3, dash='dash')
            ))
            fig.add_trace(go.Scatter(
                x=future_weeks.flatten(),
                y=lower_bound,
                mode='lines',
                name='حد پایین',
                line=dict(color='#d32f2f', width=1, dash='dot'),
                showlegend=True
            ))
            fig.add_trace(go.Scatter(
                x=future_weeks.flatten(),
                y=upper_bound,
                mode='lines',
                name='حد بالا',
                line=dict(color='#d32f2f', width=1, dash='dot'),
                fill='tonexty',
                showlegend=True
            ))
            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
            )
            st.plotly_chart(fig, use_container_width=True)
        else:
            st.warning("داده‌های کافی برای پیش‌بینی وجود ندارد.")

# Report Generation Page
elif selected == "گزارش‌گیری":
    st.markdown("## گزارش‌گیری")
    
    report_week = st.selectbox("انتخاب هفته برای گزارش", options=[str(i) for i in range(1, 23)])
    report_day = st.selectbox("انتخاب روز برای گزارش", options=day_df['Day'].unique().tolist())
    
    report_df = st.session_state.heights_df[
        (st.session_state.heights_df['Week'] == int(report_week)) & 
        (st.session_state.heights_df['Farm_ID'].isin(day_df[day_df['Day'] == report_day]['Farm_ID']))
    ]
    
    if not report_df.empty:
        st.markdown(f"### گزارش هفته {report_week} - روز {report_day}")
        st.dataframe(report_df, use_container_width=True)
        
        csv = report_df.to_csv(index=False).encode('utf-8')
        st.download_button(
            label="دانلود گزارش (CSV)",
            data=csv,
            file_name=f"report_week_{report_week}_day_{report_day}.csv",
            mime="text/csv",
        )
        
        st_lottie(lottie_report, height=200, key="report_animation")
    else:
        st.warning(f"داده‌ای برای هفته {report_week} و روز {report_day} یافت نشد.")

# Settings Page
elif selected == "تنظیمات":
    st.markdown("## تنظیمات سامانه")
    
    st.markdown("""
    <div class="glass-card">
        <h3 class="gradient-text">تنظیمات پیشرفته</h3>
        <p>در این بخش می‌توانید تنظیمات کلی سامانه، از جمله به‌روزرسانی داده‌ها و پیکربندی‌های پیشرفته را مدیریت کنید.</p>
    </div>
    """, unsafe_allow_html=True)
    
    st.markdown("### به‌روزرسانی داده‌ها")
    
    if st.button("بارگذاری مجدد داده‌ها", type="primary", use_container_width=True):
        st.session_state.heights_df = load_farm_data()
        st.success("داده‌ها با موفقیت به‌روزرسانی شدند.")
    
    st.markdown("### تنظیمات ظاهری")
    
    theme = st.radio(
        "انتخاب تم",
        options=["سبز (پیش‌فرض)", "آبی", "سفید"],
        format_func=lambda x: x
    )
    
    if theme == "آبی":
        st.markdown("""
        <style>
            .main-header {background: linear-gradient(90deg, #1976d2 0%, #0d47a1 100%);}
            .metric-card .metric-value {color: #1976d2;}
            .stButton>button {background: linear-gradient(90deg, #1976d2 0%, #0d47a1 100%);}
            .stProgress > div > div > div > div {background-color: #1976d2;}
        </style>
        """, unsafe_allow_html=True)
    elif theme == "سفید":
        st.markdown("""
        <style>
            .main-header {background: linear-gradient(90deg, #ffffff 0%, #f5f5f5 100%);}
            .metric-card .metric-value {color: #333333;}
            .stButton>button {background: linear-gradient(90deg, #ffffff 0%, #f5f5f5 100%); color: #333333;}
            .stProgress > div > div > div > div {background-color: #333333;}
        </style>
        """, unsafe_allow_html=True)
    
    st.markdown("### اطلاعات تماس")
    st.markdown("""
    <div class="neumorphic-card">
        <p>برای پشتیبانی یا مشکلات فنی، با ما تماس بگیرید:</p>
        <p>ایمیل: [email protected]</p>
        <p>تلفن: +98 21 12345678</p>
    </div>
    """, unsafe_allow_html=True)

# Footer
st.markdown("""
<footer>
    <p>&copy; 2025 سامانه هوشمند پایش مزارع نیشکر دهخدا. تمامی حقوق محفوظ است.</p>
</footer>
""", unsafe_allow_html=True)