Update app.py

app.py

@@ -2,24 +2,12 @@ import streamlit as st
 import pandas as pd
 import numpy as np
 import plotly.express as px
-import plotly.graph_objects as go
-from datetime import datetime, timedelta
+from datetime import datetime
 import folium
 from streamlit_folium import folium_static
-import ee
-import os
-import json
-from io import BytesIO
-import xlsxwriter
-from reportlab.lib.pagesizes import letter
-from reportlab.pdfgen import canvas
-from reportlab.lib import colors
-import time
-from sklearn.ensemble import RandomForestRegressor
-from sklearn.model_selection import train_test_split
 import jdatetime
 
-# Page configuration
+# تنظیمات صفحه
 st.set_page_config(
     page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا",
     page_icon="🌿",
@@ -27,7 +15,7 @@ st.set_page_config(
     initial_sidebar_state="collapsed"
 )
 
-# Modern and vibrant CSS with graphical menu
+# استایل خلاقانه و شگفت‌انگیز
 st.markdown("""
 <style>
     @font-face {
@@ -36,93 +24,114 @@ st.markdown("""
     }
     * { font-family: 'Vazir', sans-serif !important; }
     body {
-        background: linear-gradient(135deg, #e8f5e9 0%, #c8e6c9 100%);
-        color: #1a3c34;
+        background: linear-gradient(120deg, #e0f7fa 0%, #b2dfdb 100%);
+        color: #004d40;
         margin: 0;
         padding: 0;
     }
-    .top-bar {
-        background: linear-gradient(90deg, #1b5e20 0%, #4caf50 100%);
-        padding: 20px;
+    .header-container {
+        background: linear-gradient(45deg, #00695c, #4db6ac, #b2dfdb);
+        padding: 25px;
         text-align: center;
         color: white;
-        font-size: 1.2rem;
-        box-shadow: 0 4px 15px rgba(0,0,0,0.3);
-        border-radius: 0 0 20px 20px;
-        animation: slideDown 0.8s ease-out;
+        font-size: 2rem;
+        font-weight: bold;
+        border-radius: 0 0 30px 30px;
+        box-shadow: 0 10px 30px rgba(0, 77, 64, 0.5);
+        position: relative;
+        overflow: hidden;
+        animation: wave 3s infinite ease-in-out;
+    }
+    .header-container::before {
+        content: '';
+        position: absolute;
+        top: -50%;
+        left: -50%;
+        width: 200%;
+        height: 200%;
+        background: radial-gradient(circle, rgba(255,255,255,0.2), transparent);
+        animation: glow 5s infinite;
     }
-    .top-menu {
+    .menu-container {
         display: flex;
         justify-content: center;
-        gap: 20px;
+        gap: 15px;
         padding: 20px;
-        background: rgba(255, 255, 255, 0.1);
-        backdrop-filter: blur(10px);
-        border-radius: 20px;
-        box-shadow: 0 8px 32px rgba(0,0,0,0.2);
-        margin: 20px auto;
-        max-width: 1200px;
+        background: rgba(255, 255, 255, 0.15);
+        backdrop-filter: blur(12px);
+        border-radius: 25px;
+        box-shadow: 0 15px 40px rgba(0, 77, 64, 0.3);
+        margin: 25px auto;
+        max-width: 1300px;
     }
-    .top-menu button {
-        background: linear-gradient(135deg, #2e7d32 0%, #81c784 100%);
+    .menu-button {
+        background: linear-gradient(135deg, #00796b, #80deea);
         color: white;
         border: none;
-        border-radius: 15px;
-        padding: 15px 25px;
-        font-size: 1.2rem;
+        border-radius: 20px;
+        padding: 15px 30px;
+        font-size: 1.3rem;
         font-weight: bold;
-        box-shadow: 0 5px 15px rgba(0,0,0,0.3);
-        transition: all 0.3s ease;
+        box-shadow: 0 8px 20px rgba(0, 77, 64, 0.4);
+        transition: all 0.4s ease;
         cursor: pointer;
         display: flex;
         align-items: center;
-        gap: 10px;
+        gap: 12px;
+        position: relative;
+        overflow: hidden;
     }
-    .top-menu button:hover {
-        transform: translateY(-5px) scale(1.05);
-        box-shadow: 0 10px 25px rgba(0,0,0,0.4);
-        background: linear-gradient(135deg, #388e3c 0%, #a5d6a7 100%);
+    .menu-button::after {
+        content: '';
+        position: absolute;
+        width: 0;
+        height: 100%;
+        background: rgba(255, 255, 255, 0.3);
+        top: 0;
+        left: -100%;
+        transition: all 0.5s ease;
     }
-    .top-menu button:active {
-        transform: translateY(2px);
-        box-shadow: 0 3px 10px rgba(0,0,0,0.2);
+    .menu-button:hover::after {
+        width: 200%;
+        left: 100%;
     }
-    .card {
-        background: rgba(255, 255, 255, 0.97);
-        border-radius: 25px;
-        padding: 2rem;
-        box-shadow: 0 15px 35px rgba(0,0,0,0.1);
-        margin-bottom: 2rem;
-        animation: floatIn 0.8s ease-out;
-        border: 1px solid #e0e0e0;
+    .menu-button:hover {
+        transform: translateY(-8px) scale(1.08);
+        box-shadow: 0 15px 35px rgba(0, 77, 64, 0.6);
+        background: linear-gradient(135deg, #004d40, #26a69a);
     }
-    .metric-card {
-        background: white;
-        border-radius: 20px;
-        padding: 1.5rem;
-        text-align: center;
-        box-shadow: 0 8px 25px rgba(0,0,0,0.1);
-        transition: all 0.3s ease;
-        border-left: 5px solid #1b5e20;
+    .menu-button:active {
+        transform: translateY(2px);
+        box-shadow: 0 5px 15px rgba(0, 77, 64, 0.3);
     }
-    .metric-card:hover {
-        transform: translateY(-8px);
-        box-shadow: 0 15px 35px rgba(0,0,0,0.2);
+    .card {
+        background: rgba(255, 255, 255, 0.95);
+        border-radius: 30px;
+        padding: 2.5rem;
+        box-shadow: 0 20px 50px rgba(0, 77, 64, 0.2);
+        margin-bottom: 2.5rem;
+        animation: floatIn 1s ease-out;
     }
     .header {
-        color: #1b5e20;
+        color: #00695c;
         text-align: center;
-        font-size: 2.5rem;
+        font-size: 3rem;
         font-weight: bold;
-        text-shadow: 2px 2px 5px rgba(0,0,0,0.1);
-        animation: fadeIn 1s ease-in-out;
+        text-shadow: 3px 3px 8px rgba(0, 77, 64, 0.3);
+        animation: fadeIn 1.5s ease-in-out;
     }
-    @keyframes slideDown {
-        0% { transform: translateY(-100%); opacity: 0; }
-        100% { transform: translateY(0); opacity: 1; }
+    @keyframes wave {
+        0% { transform: translateY(0); }
+        50% { transform: translateY(-10px); }
+        100% { transform: translateY(0); }
+    }
+    @keyframes glow {
+        0% { transform: scale(1); opacity: 0.5; }
+        50% { transform: scale(1.2); opacity: 0.8; }
+        100% { transform: scale(1); opacity: 0.5; }
     }
     @keyframes floatIn {
-        0% { transform: translateY(20px); opacity: 0; }
+        0% { transform: translateY(30px); opacity: 0; }
         100% { transform: translateY(0); opacity: 1; }
     }
     @keyframes fadeIn {
@@ -132,7 +141,7 @@ st.markdown("""
 </style>
 """, unsafe_allow_html=True)
 
-# Cached data loading for farm metadata
+# بارگذاری داده‌ها
 @st.cache_data
 def load_data():
     try:
@@ -147,516 +156,84 @@ farms_df, coordinates_df = load_data()
 if farms_df is None or coordinates_df is None:
     st.stop()
 
-# Earth Engine initialization
-@st.cache_resource
-def initialize_earth_engine():
-    try:
-        credentials_path = "ee-esmaeilkiani13877-cfdea6eaf411.json"
-        if not os.path.exists(credentials_path):
-            credentials_dict = {
-                "type": "service_account",
-                "project_id": "your-project-id",
-                "private_key": "your-private-key",
-                "client_email": "your-service-account-email",
-                "client_id": "your-client-id",
-            }
-            with open(credentials_path, 'w') as f:
-                json.dump(credentials_dict, f)
-        credentials = ee.ServiceAccountCredentials(
-            "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com", 
-            credentials_path
-        )
-        ee.Initialize(credentials)
-        return True
-    except Exception as e:
-        st.error(f"خطا در اتصال به Earth Engine: {e}")
-        return False
-
-earth_engine_initialized = initialize_earth_engine()
-
-# Initialize session state for dynamic data
+# مقداردهی اولیه session_state
 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'
+        'Station4', 'Station5', 'Groundwater1', 'Groundwater2', 'Sheath_Moisture', 'Nitrogen'
     ])
+if 'selected_tab' not in st.session_state:
+    st.session_state.selected_tab = "داشبورد"
 
-# Convert Gregorian to Jalali date and get weekday
+# تابع تبدیل تاریخ میلادی به شمسی و گرفتن روز هفته
 def get_jalali_date_and_day():
     greg_date = datetime.now()
     jalali_date = jdatetime.date.fromgregorian(date=greg_date)
-    weekdays = ["دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه", "جمعه", "شنبه", "یکشنبه"]
+    weekdays = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه", "جمعه"]
     weekday = weekdays[jalali_date.weekday()]
     return jalali_date.strftime('%Y/%m/%d'), weekday
 
 jalali_date, current_day = get_jalali_date_and_day()
-st.markdown(f'<div class="top-bar">تاریخ: {jalali_date} | روز: {current_day}</div>', unsafe_allow_html=True)
-
-# Enhanced Earth Engine Map Function
-@st.cache_data
-def create_map(farm_id, date_str, layer_type="NDVI"):
-    if not earth_engine_initialized:
-        return None
-    try:
-        farm_coords = coordinates_df[coordinates_df['نام'] == farm_id].iloc[0]
-        lat, lon = farm_coords['عرض جغرافیایی'], farm_coords['طول جغرافیایی']
-        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']}
-        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']}
-        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']}
-        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']}
-        
-        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}', icon=folium.Icon(color='green', icon='leaf')).add_to(m)
-        folium.LayerControl().add_to(m)
-        return m
-    except Exception as e:
-        st.error(f"خطا در ایجاد نقشه: {e}")
-        return None
-
-# Cached Scoring Function
-@st.cache_data
-def calculate_farm_scores(date_str, farms):
-    if not earth_engine_initialized:
-        return None
-    scoring_data = []
-    date_obj = datetime.strptime(date_str, '%Y-%m-%d')
-    start_date = (date_obj - timedelta(days=7)).strftime('%Y-%m-%d')
-    end_date = (date_obj - timedelta(days=1)).strftime('%Y-%m-%d')
-    
-    for _, farm in farms.iterrows():
-        farm_id = farm['نام']
-        lat, lon = farm['عرض جغرافیایی'], farm['طول جغرافیایی']
-        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 s2:
-            ndvi = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
-            ndvi_value = ndvi.reduceRegion(reducer=ee.Reducer.mean(), geometry=region, scale=10).get('NDVI').getInfo() or 0
-            
-            ndmi = s2.normalizedDifference(['B8', 'B11']).rename('NDMI')
-            ndmi_value = ndmi.reduceRegion(reducer=ee.Reducer.mean(), geometry=region, scale=10).get('NDMI').getInfo() or 0
-            
-            if ndvi_value < 0.1:
-                growth_status = "بدون پوشش گیاهی"
-            elif ndvi_value < 0.3:
-                growth_status = "تنش‌دار"
-            elif ndvi_value < 0.6:
-                growth_status = "نرمال"
-            else:
-                growth_status = "خوب"
-            
-            if ndmi_value < -0.2:
-                moisture_status = "تنش‌دار"
-            elif ndmi_value < 0.2:
-                moisture_status = "نرمال"
-            else:
-                moisture_status = "خوب"
-            
-            scoring_data.append({
-                'مزرعه': farm_id,
-                'NDVI': ndvi_value,
-                'وضعیت رشد': growth_status,
-                'NDMI': ndmi_value,
-                'وضعیت رطوبت': moisture_status
-            })
-    
-    return pd.DataFrame(scoring_data)
-
-# Machine Learning Model
-@st.cache_resource
-def train_growth_model(_heights_df):
-    if len(_heights_df) < 2:
-        return None
-    X = _heights_df[['Height', 'Nitrogen', 'Sheath_Moisture', 'Week']]
-    y = _heights_df['Height'].shift(-1).fillna(method='ffill')
-    X_train, _, y_train, _ = train_test_split(X, y, test_size=0.2, random_state=42)
-    model = RandomForestRegressor(n_estimators=50, random_state=42)
-    model.fit(X_train, y_train)
-    return model
-
-growth_model = train_growth_model(st.session_state.heights_df)
-
-# Top menu with buttons
-menu_options = ["📊 داشبورد", "✍️ ورود اطلاعات", "📈 گزارش‌گیری", "🔍 تحلیل داده‌ها", "🔮 پیش‌بینی رشد", "⭐ وضعیت مزارع", "⚙️ تنظیمات"]
+st.markdown(f'<div class="header-container">تاریخ شمسی: {jalali_date} | روز: {current_day}</div>', unsafe_allow_html=True)
+
+# تابع نقشه (ساده‌سازی شده برای تست)
+def create_map(farm_id, date_str):
+    farm_coords = coordinates_df[coordinates_df['نام'] == farm_id].iloc[0]
+    lat, lon = farm_coords['عرض جغرافیایی'], farm_coords['طول جغرافیایی']
+    m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
+    folium.Marker([lat, lon], popup=f'مزرعه {farm_id}', icon=folium.Icon(color='green', icon='leaf')).add_to(m)
+    return m
+
+# منوی اصلی
+menu_options = ["📊 داشبورد", "✍️ ورود اطلاعات", "📈 گزارش‌گیری", "🗺️ نقشه"]
+st.markdown('<div class="menu-container">', unsafe_allow_html=True)
 cols = st.columns(len(menu_options))
 for i, option in enumerate(menu_options):
     with cols[i]:
-        if st.button(option, key=f"menu_{option}"):
-            st.session_state['selected_tab'] = option.split(' ')[1]
+        if st.button(option, key=f"menu_{i}"):
+            st.session_state.selected_tab = option.split(' ')[1]
+st.markdown('</div>', unsafe_allow_html=True)
 
-# Dashboard
-if st.session_state.get('selected_tab') == "داشبورد":
-    st.markdown('<h1 class="header">🌿 مطالعات کاربردی کشت و صنعت دهخدا </h1>', unsafe_allow_html=True)
+# داشبورد
+if st.session_state.selected_tab == "داشبورد":
+    st.markdown('<h1 class="header">🌿 داشبورد هوشمند پایش</h1>', unsafe_allow_html=True)
     st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    heights_df = st.session_state.heights_df
-    if heights_df.empty:
-        st.warning("هیچ داده‌ای وارد نشده است. لطفاً از بخش ورود اطلاعات استفاده کنید.")
-    else:
-        latest_week = heights_df['Week'].max()
-        latest_data = heights_df[heights_df['Week'] == latest_week]
-        col1, col2, col3 = st.columns(3)
-        with col1:
-            st.markdown(f'<div class="metric-card"><h3>{len(latest_data)}</h3><p>مزارع فعال</p></div>', unsafe_allow_html=True)
-        with col2:
-            avg_height = int(latest_data['Height'].mean()) if not latest_data.empty else 0
-            st.markdown(f'<div class="metric-card"><h3>{avg_height} cm</h3><p>میانگین ارتفاع</p></div>', unsafe_allow_html=True)
-        with col3:
-            st.markdown(f'<div class="metric-card"><h3>{latest_week}</h3><p>هفته جاری</p></div>', unsafe_allow_html=True)
-        
-        st.subheader("📊 نمودار ارتفاع مزارع")
-        fig = px.bar(latest_data, x='Farm_ID', y='Height', title="ارتفاع مزارع در هفته جاری", 
-                     color_discrete_sequence=['#1b5e20'], height=400)
-        fig.update_layout(font=dict(family="Vazir"), template='plotly_white', title_x=0.5)
-        st.plotly_chart(fig, use_container_width=True)
-    
-    st.subheader("🗺️ نقشه پایش پیشرفته")
-    col1, col2 = st.columns([1, 3])
-    with col1:
-        farm_id = st.selectbox("انتخاب مزرعه", farms_df['مزرعه'].unique(), key="map_farm")
-        date = st.date_input("انتخاب تاریخ", datetime.now(), key="map_date")
-        layer_type = st.selectbox("نوع لایه", ["NDVI", "NDMI", "EVI", "NDWI"], key="map_layer")
-    with col2:
-        if st.button("نمایش نقشه", key="show_map"):
-            with st.spinner("در حال بارگذاری نقشه..."):
-                m = create_map(farm_id, date.strftime('%Y-%m-%d'), layer_type)
-                if m:
-                    folium_static(m, width=800, height=400)
+    st.write("خوش آمدید! اینجا خلاصه وضعیت مزارع رو می‌بینید.")
     st.markdown('</div>', unsafe_allow_html=True)
 
-# Data Entry
-elif st.session_state.get('selected_tab') == "ورود اطلاعات":
+# ورود اطلاعات
+elif st.session_state.selected_tab == "ورود اطلاعات":
     st.markdown('<h1 class="header">✍️ ورود اطلاعات روزانه</h1>', unsafe_allow_html=True)
     st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    weeks = [str(i) for i in range(1, 23)]
-    selected_week = st.selectbox("انتخاب هفته", weeks, key="week_select")
-    days = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"]
-    selected_day = st.selectbox("انتخاب روز", days, key="day_select")
-    
-    filtered_farms = farms_df[farms_df['روز'] == selected_day].copy()
-    if filtered_farms.empty:
-        st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} در پایگاه داده وجود ندارد.")
-    else:
-        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)
-            })
-        
-        st.subheader("آپلود فایل اکسل یا کپی کردن داده‌ها")
-        uploaded_file = st.file_uploader("فایل اکسل را آپلود کنید", type=["xlsx", "xls"])
-        if uploaded_file:
-            uploaded_df = pd.read_excel(uploaded_file)
-            if set(st.session_state[data_key].columns).issubset(uploaded_df.columns):
-                st.session_state[data_key] = uploaded_df[st.session_state[data_key].columns]
-                st.success("فایل با موفقیت آپلود شد!")
-            else:
-                st.error("ساختار فایل با جدول سازگار نیست.")
-        
-        pasted_data = st.text_area("داده‌ها را کپی کنید (ستون‌ها با تب جدا شوند)", "")
-        if st.button("اعمال داده‌های کپی‌شده", key="apply_paste"):
-            if pasted_data:
-                try:
-                    pasted_df = pd.read_csv(BytesIO(pasted_data.encode()), sep='\t')
-                    if set(st.session_state[data_key].columns).issubset(pasted_df.columns):
-                        st.session_state[data_key] = pasted_df[st.session_state[data_key].columns]
-                        st.success("داده‌ها با موفقیت اعمال شدند!")
-                    else:
-                        st.error("ساختار داده‌ها با جدول سازگار نیست.")
-                except:
-                    st.error("خطا در پردازش داده‌های کپی‌شده.")
-        
-        edited_df = st.data_editor(
-            st.session_state[data_key],
-            num_rows="fixed",
-            key=f"editor_{data_key}",
-            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)
-            },
-            use_container_width=True
-        )
-        
-        edited_df['میانگین ارتفاع'] = edited_df[['ایستگاه 1', 'ایستگاه 2', 'ایستگاه 3', 'ایستگاه 4', 'ایستگاه 5']].mean(axis=1)
-        st.session_state[data_key] = edited_df
-        
-        if st.button("💾 ذخیره و به‌روزرسانی", key="save_data"):
-            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']
-            
-            available_columns = [col for col in ['مزرعه', 'واریته', 'سن', 'مساحت داشت', 'کانال', 'اداره'] if col in farms_df.columns]
-            if not available_columns:
-                st.error("هیچ ستون معتبری در پایگاه داده یافت نشد.")
-            else:
-                new_data = new_data.merge(farms_df[available_columns], 
-                                        left_on='Farm_ID', right_on='مزرعه', how='left')
-                new_data = new_data.rename(columns={
-                    'واریته': 'Variety', 
-                    'سن': 'Age', 
-                    'مساحت داشت': 'Area' if 'مساحت داشت' in available_columns else 'Area_Default', 
-                    'کانال': 'Channel', 
-                    'اداره': 'Administration'
-                })
-                if 'Area' not in new_data.columns:
-                    new_data['Area'] = 0
-                st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
-                st.success("داده‌ها با موفقیت ذخیره و به‌روزرسانی شدند!")
-                st.balloons()
+    week = st.selectbox("انتخاب هفته", [str(i) for i in range(1, 23)])
+    farm = st.selectbox("انتخاب مزرعه", farms_df['مزرعه'].unique())
+    height = st.number_input("ارتفاع (سانتی‌متر)", min_value=0.0)
+    if st.button("ذخیره"):
+        new_data = pd.DataFrame({
+            'Farm_ID': [farm], 'Week': [int(week)], 'Measurement_Date': [datetime.now().strftime('%Y-%m-%d')],
+            'Height': [height]
+        })
+        st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
+        st.success("داده‌ها ذخیره شدند!")
     st.markdown('</div>', unsafe_allow_html=True)
 
-# Reporting
-elif st.session_state.get('selected_tab') == "گزارش‌گیری":
-    st.markdown('<h1 class="header">📊 گزارش‌گیری پیشرفته</h1>', unsafe_allow_html=True)
+# گزارش‌گیری
+elif st.session_state.selected_tab == "گزارش‌گیری":
+    st.markdown('<h1 class="header">📈 گزارش‌گیری پیشرفته</h1>', unsafe_allow_html=True)
     st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    heights_df = st.session_state.heights_df
-    if heights_df.empty:
-        st.warning("هیچ داده‌ای برای گزارش وجود ندارد.")
+    if st.session_state.heights_df.empty:
+        st.warning("داده‌ای برای گزارش وجود ندارد.")
     else:
-        start_date = st.date_input("تاریخ شروع (میلادی)", datetime.now() - timedelta(days=30), key="report_start")
-        end_date = st.date_input("تاریخ پایان (میلادی)", datetime.now(), key="report_end")
-        start_date_jalali = to_jalali(start_date.strftime('%Y-%m-%d'))
-        end_date_jalali = to_jalali(end_date.strftime('%Y-%m-%d'))
-        st.write(f"بازه زمانی شمسی: {start_date_jalali} تا {end_date_jalali}")
-        
-        filtered_data = heights_df[
-            (heights_df['Measurement_Date'] >= start_date.strftime('%Y-%m-%d')) &
-            (heights_df['Measurement_Date'] <= end_date.strftime('%Y-%m-%d'))
-        ]
-        
-        if filtered_data.empty:
-            st.warning("داده‌ای در این بازه زمانی وجود ندارد.")
-        else:
-            filtered_data = filtered_data.sort_values(['Farm_ID', 'Week'])
-            filtered_data['Previous_Height'] = filtered_data.groupby('Farm_ID')['Height'].shift(1)
-            filtered_data['Weekly_Growth'] = filtered_data['Height'] - filtered_data['Previous_Height'].fillna(0)
-            
-            varieties = ['CP57', 'CP48', 'CP69', 'CP73', 'CP65', 'IR01-412']
-            ages = ['P', 'R1', 'R2', 'R3', 'R4', 'R5', 'R6']
-            
-            report_data = {}
-            for age in ages:
-                age_data = filtered_data[filtered_data['Age'] == age]
-                report_data[age] = {}
-                for variety in varieties:
-                    var_data = age_data[age_data['Variety'] == variety]
-                    if not var_data.empty:
-                        report_data[age][variety] = {
-                            'مساحت کل (داشت)': var_data['Area'].sum(),
-                            'مساحت کراپ لاگ': var_data['Area'].sum(),
-                            'درصد رطوبت': var_data['Sheath_Moisture'].mean(),
-                            'درصد ازت': var_data['Nitrogen'].mean(),
-                            'رشد هفتگی': var_data['Weekly_Growth'].mean(),
-                            'ارتفاع نیشکر': var_data['Height'].mean()
-                        }
-                    else:
-                        report_data[age][variety] = {
-                            'مساحت کل (داشت)': 0,
-                            'مساحت کراپ لاگ': 0,
-                            'درصد رطوبت': 0,
-                            'درصد ازت': 0,
-                            'رشد هفتگی': 0,
-                            'ارتفاع نیشکر': 0
-                        }
-            
-            st.subheader("گزارش هفتگی کنترل محصول")
-            for age in ages:
-                st.write(f"**سن محصول: {'پلنت' if age == 'P' else f'بازرویی {ages.index(age) + 1}'}**")
-                report_df = pd.DataFrame(report_data[age]).T
-                report_df.index.name = 'واریته'
-                st.dataframe(report_df, use_container_width=True)
-            
-            total_area = filtered_data['Area'].sum()
-            total_crop_log = total_area
-            total_height = filtered_data['Height'].mean()
-            total_growth = filtered_data['Weekly_Growth'].mean()
-            st.write(f"**جمع کل:** مساحت کل (هکتار): {total_area:.2f} | مساحت کراپ لاگ: {total_crop_log:.2f} | ارتفاع (سانتی‌متر): {total_height:.2f} | رشد (سانتی‌متر): {total_growth:.2f}")
-            
-            col1, col2 = st.columns(2)
-            with col1:
-                if st.button("📄 خروجی PDF", key="pdf_export"):
-                    buffer = BytesIO()
-                    c = canvas.Canvas(buffer, pagesize=letter)
-                    c.setFont("Helvetica", 12)
-                    c.setFillColor(colors.darkgreen)
-                    c.drawString(100, 750, f"گزارش پایش مزارع نیشکر دهخدا ({start_date_jalali} تا {end_date_jalali})")
-                    c.setFillColor(colors.black)
-                    y = 730
-                    for age in ages:
-                        c.drawString(50, y, f"سن محصول: {'پلنت' if age == 'P' else f'بازرویی {ages.index(age) + 1}'}")
-                        y -= 20
-                        for variety, metrics in report_data[age].items():
-                            text = f"{variety}: مساحت کل: {metrics['مساحت کل (داشت)']:.2f} | ارتفاع: {metrics['ارتفاع نیشکر']:.2f} | رشد: {metrics['رشد هفتگی']:.2f}"
-                            if y < 50:
-                                c.showPage()
-                                y = 750
-                            c.drawString(50, y, text)
-                            y -= 20
-                    c.save()
-                    st.download_button("دانلود PDF", buffer.getvalue(), "report.pdf", "application/pdf", key="pdf_download")
-            with col2:
-                if st.button("📑 خروجی Excel", key="excel_export"):
-                    buffer = BytesIO()
-                    with pd.ExcelWriter(buffer, engine='xlsxwriter') as writer:
-                        for age in ages:
-                            pd.DataFrame(report_data[age]).T.to_excel(writer, sheet_name=f"{'پلنت' if age == 'P' else f'بازرویی {ages.index(age) + 1}'}")
-                    st.download_button("دانلود Excel", buffer.getvalue(), "report.xlsx", "application/vnd.ms-excel", key="excel_download")
+        st.dataframe(st.session_state.heights_df)
     st.markdown('</div>', unsafe_allow_html=True)
 
-# Data Analysis
-elif st.session_state.get('selected_tab') == "تحلیل داده‌ها":
-    st.markdown('<h1 class="header">🔍 تحلیل هوشمند داده‌ها</h1>', unsafe_allow_html=True)
+# نقشه
+elif st.session_state.selected_tab == "نقشه":
+    st.markdown('<h1 class="header">🗺️ نقشه پایش مزارع</h1>', unsafe_allow_html=True)
     st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    heights_df = st.session_state.heights_df
-    if heights_df.empty:
-        st.warning("هیچ داده‌ای برای تحلیل وجود ندارد.")
-    else:
-        fig = px.line(heights_df.groupby(['Age', 'Week'])['Height'].mean().reset_index(), 
-                     x='Week', y='Height', color='Age', title="روند رشد بر اساس سن محصول", 
-                     color_discrete_sequence=['#ff4500', '#32cd32', '#ffd700', '#4169e1'], markers=True)
-        fig.update_layout(font=dict(family="Vazir"), template='plotly_white', title_x=0.5, height=500)
-        st.plotly_chart(fig, use_container_width=True)
+    farm_id = st.selectbox("انتخاب مزرعه", farms_df['مزرعه'].unique())
+    date = st.date_input("انتخاب تاریخ", datetime.now())
+    if st.button("نمایش نقشه"):
+        m = create_map(farm_id, date.strftime('%Y-%m-%d'))
+        folium_static(m, width=800, height=400)
     st.markdown('</div>', unsafe_allow_html=True)
-
-# Growth Prediction
-elif st.session_state.get('selected_tab') == "پیش‌بینی رشد":
-    st.markdown('<h1 class="header">🔮 پیش‌بینی رشد محصول</h1>', unsafe_allow_html=True)
-    st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    heights_df = st.session_state.heights_df
-    if heights_df.empty or len(heights_df) < 2:
-        st.warning("داده کافی برای پیش‌بینی وجود ندارد. حداقل دو هفته داده وارد کنید.")
-    else:
-        farm_id = st.selectbox("انتخاب مزرعه", heights_df['Farm_ID'].unique(), key="pred_farm")
-        if st.button("پیش‌بینی", key="predict_btn"):
-            farm_data = heights_df[heights_df['Farm_ID'] == farm_id]
-            pred = growth_model.predict(pd.DataFrame({
-                'Height': [farm_data['Height'].iloc[-1]],
-                'Nitrogen': [farm_data['Nitrogen'].iloc[-1]],
-                'Sheath_Moisture': [farm_data['Sheath_Moisture'].iloc[-1]],
-                'Week': [farm_data['Week'].iloc[-1] + 1]
-            }))[0]
-            
-            fig = go.Figure()
-            fig.add_trace(go.Scatter(x=farm_data['Week'], y=farm_data['Height'], mode='lines+markers', name='واقعی', line=dict(color='#1b5e20')))
-            fig.add_trace(go.Scatter(x=[farm_data['Week'].iloc[-1], farm_data['Week'].iloc[-1] + 1], 
-                                   y=[farm_data['Height'].iloc[-1], pred], mode='lines', name='پیش‌بینی', line=dict(color='#ff4500', dash='dash')))
-            fig.update_layout(title=f"پیش‌بینی رشد مزرعه {farm_id}", font=dict(family="Vazir"), template='plotly_white', height=500, title_x=0.5)
-            st.plotly_chart(fig, use_container_width=True)
-            st.success(f"پیش‌بینی ارتفاع هفته بعد: {pred:.1f} cm")
-    st.markdown('</div>', unsafe_allow_html=True)
-
-# Farm Scoring
-elif st.session_state.get('selected_tab') == "امتیازدهی مزارع":
-    st.markdown('<h1 class="header">⭐ امتیازدهی مزارع</h1>', unsafe_allow_html=True)
-    st.markdown('<div class="card">', unsafe_allow_html=True)
-    
-    if not earth_engine_initialized:
-        st.error("اتصال به Google Earth Engine برقرار نشد.")
-    else:
-        date = st.date_input("انتخاب تاریخ", datetime.now(), key="score_date")
-        date_str = date.strftime('%Y-%m-%d')
-        
-        filtered_farms = coordinates_df[coordinates_df['نام'].isin(farms_df[farms_df['روز'] == current_day]['مزرعه'])]
-        if filtered_farms.empty:
-            st.warning(f"هیچ مزرعه‌ای برای روز {current_day} یافت نشد.")
-        else:
-            if st.button("محاسبه امتیازها", key="score_btn"):
-                with st.spinner("در حال محاسبه امتیازها..."):
-                    scoring_df = calculate_farm_scores(date_str, filtered_farms)
-                    if scoring_df is not None and not scoring_df.empty:
-                        st.subheader(f"امتیازدهی مزارع روز {current_day} (هفته قبل از {to_jalali(date_str)})")
-                        st.dataframe(scoring_df, use_container_width=True)
-                        
-                        growth_counts = scoring_df['وضعیت رشد'].value_counts()
-                        moisture_counts = scoring_df['وضعیت رطوبت'].value_counts()
-                        st.write("**خلاصه وضعیت رشد:**")
-                        for status, count in growth_counts.items():
-                            st.write(f"{status}: {count} مزرعه")
-                        st.write("**خلاصه وضعیت رطوبت:**")
-                        for status, count in moisture_counts.items():
-                            st.write(f"{status}: {count} مزرعه")
-                    else:
-                        st.warning("داده‌ای برای امتیازدهی در این بازه زمانی یافت نشد.")
-    st.markdown('</div>', unsafe_allow_html=True)
-
-# Settings
-elif st.session_state.get('selected_tab') == "تنظیمات":
-    st.markdown('<h1 class="header">⚙️ تنظیمات پیشرفته</h1>', unsafe_allow_html=True)
-    st.markdown('<div class="card">', unsafe_allow_html=True)
-    st.write("در حال توسعه...")
-    st.subheader("ستون‌های پایگاه داده")
-    st.write("ستون‌های موجود در فایل `پایگاه داده (1).csv`:")
-    st.write(farms_df.columns.tolist())
-    st.markdown('</div>', unsafe_allow_html=True)