Update app.py

app.py

@@ -8,6 +8,13 @@ import calendar
 from PIL import Image
 import base64
 import io
+import os
+import ee
+import json
+import folium
+from streamlit_folium import folium_static
+import time
+
 # تنظیمات صفحه
 st.set_page_config(
     page_title="سامانه پایش مزارع نیشکر دهخدا",
@@ -15,6 +22,7 @@ st.set_page_config(
     layout="wide",
     initial_sidebar_state="expanded"
 )
+
 # CSS برای فارسی‌سازی و بهبود ظاهر
 st.markdown("""
 <style>
@@ -129,8 +137,129 @@ st.markdown("""
         background-color: #1e6b45 !important;
         color: white !important;
     }
+    
+    /* تنظیم جهت نمایش اعداد */
+    input[type="number"] {
+        direction: ltr !important;
+        text-align: left !important;
+    }
+    
+    .dataframe {
+        direction: ltr !important;
+    }
+    
+    .dataframe th, .dataframe td {
+        text-align: left !important;
+    }
+    
+    /* استایل مخصوص برای نقشه */
+    .map-container {
+        height: 500px;
+        width: 100%;
+        border-radius: 10px;
+        box-shadow: 0 4px 10px rgba(0,0,0,0.1);
+        overflow: hidden;
+    }
+    
+    /* استایل برای لیبل‌های داینامیک */
+    .dynamic-label {
+        font-weight: bold;
+        color: #1e6b45;
+        transition: all 0.3s ease;
+    }
+    
+    .dynamic-value {
+        font-size: 1.2em;
+        font-weight: bold;
+        transition: all 0.3s ease;
+    }
+    
+    .highlight-update {
+        animation: pulse 1.5s ease;
+    }
+    
+    @keyframes pulse {
+        0% { background-color: transparent; }
+        50% { background-color: rgba(46, 204, 113, 0.3); }
+        100% { background-color: transparent; }
+    }
 </style>
 """, unsafe_allow_html=True)
+
+# افزودن جاوااسکریپت برای آپدیت داینامیک
+st.markdown("""
+<script>
+    // تابع برای بروزرسانی داینامیک مقادیر
+    function updateValues(inputId, avgId, value) {
+        const avgElement = document.getElementById(avgId);
+        if (avgElement) {
+            avgElement.textContent = value;
+            avgElement.classList.add('highlight-update');
+            
+            // حذف کلاس هایلایت بعد از 1.5 ثانیه
+            setTimeout(() => {
+                avgElement.classList.remove('highlight-update');
+            }, 1500);
+        }
+    }
+    
+    // اضافه کردن event listener به همه ورودی‌های عددی
+    document.addEventListener('DOMContentLoaded', function() {
+        const numInputs = document.querySelectorAll('input[type="number"]');
+        numInputs.forEach(input => {
+            input.addEventListener('input', function() {
+                // اینجا می‌توانیم یک پیام به Streamlit بفرستیم
+                window.parent.postMessage({
+                    type: 'inputChange',
+                    inputId: input.id,
+                    value: input.value
+                }, '*');
+            });
+        });
+    });
+</script>
+""", unsafe_allow_html=True)
+
+# تنظیم Earth Engine
+@st.cache_resource
+def initialize_earth_engine():
+    try:
+        # مسیر فایل اعتبارنامه
+        credentials_path = "ee-esmaeilkiani13877-cfdea6eaf411.json"
+        
+        # بررسی وجود فایل
+        if not os.path.exists(credentials_path):
+            # اگر فایل وجود ندارد، آن را ایجاد می‌کنیم
+            credentials_dict = {
+                "type": "service_account",
+                "project_id": "ee-esmaeilkiani13877",
+                "private_key_id": "cfdea6eaf411",
+                "private_key": "-----BEGIN PRIVATE KEY-----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\n5r1SuNjhWf8sJJrZdK/V5A==\n-----END PRIVATE KEY-----\n",
+                "client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com",
+                "client_id": "112129892578518408444",
+                "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"
+            }
+            with open(credentials_path, 'w') as f:
+                json.dump(credentials_dict, f)
+        
+        # خواندن اعتبارنامه
+        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
+
+# تلاش برای اتصال به Earth Engine
+earth_engine_initialized = initialize_earth_engine()
+
 # نمونه داده
 @st.cache_data
 def generate_sample_data():
@@ -237,18 +366,129 @@ def generate_sample_data():
     weekly_report_df = pd.DataFrame(weekly_report_data)
     
     return farms_df, heights_df, weekly_report_df
+
 # دریافت داده‌ها
 farms_df, heights_df, weekly_report_df = generate_sample_data()
+
 # ترکیب داده‌ها برای استفاده راحت‌تر
 report_with_details = pd.merge(weekly_report_df, farms_df, on='Farm_ID')
 latest_week = heights_df['Week'].max()
 latest_reports = report_with_details[report_with_details['Week'] == latest_week]
+
 # مدیریت وضعیت برنامه
 if 'selected_tab' not in st.session_state:
     st.session_state.selected_tab = "داشبورد"
     
 if 'selected_day' not in st.session_state:
     st.session_state.selected_day = "شنبه"
+    
+# برای ذخیره داده‌های ورودی
+if 'farm_data' not in st.session_state:
+    st.session_state.farm_data = {}
+
+# برای ذخیره نقشه تولید شده
+if 'ndvi_map' not in st.session_state:
+    st.session_state.ndvi_map = None
+
+# تابع برای محاسبه میانگین ارتفاع
+def calculate_average_height(farm_id, stations):
+    valid_stations = [s for s in stations if s > 0]
+    if valid_stations:
+        return int(sum(valid_stations) / len(valid_stations))
+    return 0
+
+# تابع برای ایجاد نقشه NDVI
+def create_ndvi_map(farm_id=None, date=None):
+    if not earth_engine_initialized:
+        st.warning("اتصال به Earth Engine برقرار نشد. نقشه NDVI نمایش داده نمی‌شود.")
+        return None
+    
+    try:
+        # مختصات مرکزی تقریبی خوزستان (اهواز)
+        center_point = [31.3183, 48.6706]
+        
+        # ایجاد نقشه
+        m = folium.Map(location=center_point, zoom_start=10)
+        
+        # اگر مزرعه انتخاب شده است، آن را نمایش می‌دهیم
+        if farm_id:
+            # در اینجا باید مختصات دقیق مزرعه را داشته باشیم
+            # برای مثال، از داده‌های نمونه استفاده می‌کنیم
+            farm = farms_df[farms_df['Farm_ID'] == farm_id].iloc[0]
+            
+            # مختصات فرضی برای مزرعه
+            lat = 31.3183 + (int(farm_id.split('-')[0]) - 1) * 0.05
+            lon = 48.6706 + (int(farm_id.split('-')[1]) - 20) * 0.05
+            
+            # تهیه تصویر Sentinel-2
+            if date:
+                # تبدیل تاریخ به فرمت مناسب
+                # فرض می‌کنیم تاریخ به فرمت YYYY-MM-DD است
+                try:
+                    date_obj = datetime.strptime(date, '%Y-%m-%d')
+                    start_date = date_obj - timedelta(days=5)
+                    end_date = date_obj + timedelta(days=5)
+                    
+                    start_date_str = start_date.strftime('%Y-%m-%d')
+                    end_date_str = end_date.strftime('%Y-%m-%d')
+                except:
+                    # اگر تاریخ معتبر نیست، از بازه پیش‌فرض استفاده می‌کنیم
+                    start_date_str = '2023-01-01'
+                    end_date_str = '2023-12-31'
+            else:
+                # بازه پیش‌فرض
+                start_date_str = '2023-01-01'
+                end_date_str = '2023-12-31'
+            
+            # ناحیه مورد نظر
+            region = ee.Geometry.Point([lon, lat]).buffer(1000)  # بافر 1 کیلومتری
+            
+            # دریافت تصویر Sentinel-2
+            s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+                .filterDate(start_date_str, end_date_str) \
+                .filterBounds(region) \
+                .sort('CLOUD_COVERAGE_ASSESSMENT') \
+                .first()
+            
+            # محاسبه NDVI
+            ndvi = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
+            
+            # رنگ‌بندی NDVI
+            ndvi_viz = {
+                'min': -0.2,
+                'max': 0.8,
+                'palette': ['#d73027', '#f46d43', '#fdae61', '#fee08b', '#d9ef8b', '#a6d96a', '#66bd63', '#1a9850']
+            }
+            
+            # افزودن لایه NDVI به نقشه
+            map_id_dict = ee.Image(ndvi).getMapId(ndvi_viz)
+            folium.TileLayer(
+                tiles=map_id_dict['tile_fetcher'].url_format,
+                attr='Google Earth Engine',
+                name='NDVI',
+                overlay=True,
+                control=True
+            ).add_to(m)
+            
+            # افزودن مارکر برای مزرعه
+            folium.Marker(
+                location=[lat, lon],
+                popup=f'مزرعه {farm_id}',
+                icon=folium.Icon(color='green', icon='leaf')
+            ).add_to(m)
+            
+            # تنظیم نمای نقشه روی مزرعه
+            m.fit_bounds([[lat-0.05, lon-0.05], [lat+0.05, lon+0.05]])
+        
+        # افزودن کنترل‌های لایه
+        folium.LayerControl().add_to(m)
+        
+        return m
+        
+    except Exception as e:
+        st.error(f"خطا در ایجاد نقشه NDVI: {e}")
+        return None
+
 # منوی کناری
 with st.sidebar:
     st.image("https://via.placeholder.com/150x150.png?text=لوگو", width=150)
@@ -278,6 +518,7 @@ with st.sidebar:
     
     st.markdown("---")
     st.info("نسخه آزمایشی 1.0")
+
 # بخش داشبورد
 if st.session_state.selected_tab == "داشبورد":
     st.title("داشبورد پایش مزارع نیشکر")
@@ -400,6 +641,58 @@ if st.session_state.selected_tab == "داشبورد":
     
     st.plotly_chart(fig, use_container_width=True)
     
+    # انتخاب مزرعه برای نمایش نقشه NDVI
+    st.markdown("---")
+    st.subheader("نقشه NDVI")
+    
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        selected_farm_for_map = st.selectbox(
+            "انتخاب مزرعه",
+            farms_df['Farm_ID'].tolist(),
+            format_func=lambda x: farms_df[farms_df['Farm_ID'] == x]['Farm_Name'].iloc[0]
+        )
+    
+    with col2:
+        # تاریخ آخرین اندازه‌گیری
+        latest_date = heights_df[heights_df['Farm_ID'] == selected_farm_for_map].sort_values('Week', ascending=False)['Measurement_Date'].iloc[0]
+        selected_date_for_map = st.date_input(
+            "انتخاب تاریخ",
+            value=datetime.strptime(latest_date, '%Y-%m-%d'),
+            max_value=datetime.now()
+        )
+    
+    # تولید نقشه
+    if st.button("نمایش نقشه NDVI"):
+        with st.spinner("در حال تولید نقشه..."):
+            ndvi_map = create_ndvi_map(selected_farm_for_map, selected_date_for_map.strftime('%Y-%m-%d'))
+            st.session_state.ndvi_map = ndvi_map
+    
+    # نمایش نقشه
+    if st.session_state.ndvi_map:
+        st.markdown('<div class="map-container">', unsafe_allow_html=True)
+        folium_static(st.session_state.ndvi_map, width=1200, height=500)
+        st.markdown('</div>', unsafe_allow_html=True)
+        
+        # اطلاعات مزرعه انتخاب شده
+        farm_info = farms_df[farms_df['Farm_ID'] == selected_farm_for_map].iloc[0]
+        farm_measurements = heights_df[(heights_df['Farm_ID'] == selected_farm_for_map) & 
+                                       (heights_df['Measurement_Date'] == latest_date)].iloc[0]
+        
+        st.markdown(f"""
+        ### اطلاعات مزرعه {farm_info['Farm_Name']}
+        
+        **اداره:** {farm_info['Administration_Name']} | **کانال:** {farm_info['Channel_ID']} | **واریته:** {farm_info['Variety']} | **سن کشت:** {farm_info['Crop_Age']} سال
+        
+        **آخرین اندازه‌گیری:** {latest_date}
+        - **میانگین ارتفاع:** {farm_measurements['Height']} سانتی‌متر
+        - **رطوبت غلاف:** {farm_measurements['Sheath_Moisture']}%
+        - **نیتروژن:** {farm_measurements['Nitrogen']}%
+        """)
+    else:
+        st.info("برای نمایش نقشه NDVI، یک مزرعه و تاریخ انتخاب کرده و دکمه «نمایش نقشه NDVI» را کلیک کنید.")
+    
     # مزارع با بیشترین و کمترین رشد
     st.markdown("---")
     st.subheader("مزارع با بیشترین و کمترین رشد")
@@ -439,61 +732,7 @@ if st.session_state.selected_tab == "داشبورد":
                 </p>
             </div>
             """, unsafe_allow_html=True)
-    
-    # نقشه مزارع
-    st.markdown("---")
-    st.subheader("نقشه وضعیت مزارع")
-    st.markdown("(این نقشه به صورت نمادین نشان داده شده است. در نسخه عملیاتی با اطلاعات جغرافیایی دقیق پیاده‌سازی می‌شود.)")
-    
-    # ایجاد نقشه نمادین با plotly
-    farm_status = latest_reports[['Farm_ID', 'Farm_Name', 'Administration_ID', 'Growth_Status']]
-    
-    # ایجاد مختصات فرضی برای مزارع
-    np.random.seed(42)  # برای تکرارپذیری
-    x_coords = np.random.uniform(0, 10, len(farm_status))
-    y_coords = np.random.uniform(0, 10, len(farm_status))
-    
-    farm_status['x'] = x_coords
-    farm_status['y'] = y_coords
-    
-    # تعیین رنگ بر اساس وضعیت
-    color_map = {
-        'خوب': '#00c853',
-        'متوسط': '#ffd600',
-        'ضعیف': '#ff3d00'
-    }
-    
-    farm_status['color'] = farm_status['Growth_Status'].map(color_map)
-    
-    fig = go.Figure()
-    
-    for status in ['خوب', 'متوسط', 'ضعیف']:
-        subset = farm_status[farm_status['Growth_Status'] == status]
-        
-        fig.add_trace(go.Scatter(
-            x=subset['x'],
-            y=subset['y'],
-            mode='markers',
-            marker=dict(
-                size=15,
-                color=color_map[status],
-                line=dict(width=1, color='white')
-            ),
-            text=subset['Farm_Name'] + '<br>اداره ' + subset['Administration_ID'].astype(str),
-            hoverinfo='text',
-            name=status
-        ))
-    
-    fig.update_layout(
-        height=500,
-        plot_bgcolor='rgba(240, 240, 240, 0.8)',
-        font=dict(family="IRANSans"),
-        showlegend=True,
-        xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
-        yaxis=dict(showgrid=False, zeroline=False, showticklabels=False)
-    )
-    
-    st.plotly_chart(fig, use_container_width=True)
+
 # بخش ورود اطلاعات
 elif st.session_state.selected_tab == "ورود اطلاعات":
     st.title("ورود اطلاعات روزانه")
@@ -511,6 +750,57 @@ elif st.session_state.selected_tab == "ورود اطلاعات":
     
     st.subheader(f"ورود داده‌های روز {selected_day} - اداره {selected_admin}")
     
+    # خلاصه آماری زنده
+    st.markdown("### خلاصه وضعیت داده‌های وارد شده", unsafe_allow_html=True)
+    
+    summary_cols = st.columns(4)
+    
+    # میانگین ارتفاع کل
+    with summary_cols[0]:
+        st.markdown(
+            '<div class="metric-card metric-green">'
+            '<div class="dynamic-label">میانگین ارتفاع کل</div>'
+            f'<div class="dynamic-value" id="total_avg_height">0</div>'
+            '<div>سانتی‌متر</div>'
+            '</div>',
+            unsafe_allow_html=True
+        )
+    
+    # تعداد مزارع وارد شده
+    with summary_cols[1]:
+        st.markdown(
+            '<div class="metric-card metric-blue">'
+            '<div class="dynamic-label">تعداد مزارع وارد شده</div>'
+            f'<div class="dynamic-value" id="farms_entered">0</div>'
+            '<div>از {len(filtered_farms)} مزرعه</div>'
+            '</div>',
+            unsafe_allow_html=True
+        )
+    
+    # میانگین رطوبت غلاف
+    with summary_cols[2]:
+        st.markdown(
+            '<div class="metric-card metric-yellow">'
+            '<div class="dynamic-label">میانگین رطوبت غلاف</div>'
+            f'<div class="dynamic-value" id="avg_moisture">0</div>'
+            '<div>درصد</div>'
+            '</div>',
+            unsafe_allow_html=True
+        )
+    
+    # میانگین نیتروژن
+    with summary_cols[3]:
+        st.markdown(
+            '<div class="metric-card metric-blue">'
+            '<div class="dynamic-label">میانگین نیتروژن</div>'
+            f'<div class="dynamic-value" id="avg_nitrogen">0</div>'
+            '<div>درصد</div>'
+            '</div>',
+            unsafe_allow_html=True
+        )
+    
+    st.markdown("---")
+    
     # ایجاد ستون‌های جدول
     cols = st.columns((3, 1, 1, 1, 1, 1, 1, 1, 1, 1))
     fields = ['مزرعه', 'ایستگاه 1', 'ایستگاه 2', 'ایستگاه 3', 'ایستگاه 4', 'ایستگاه 5', 'چاهک 1', 'چاهک 2', 'رطوبت غلاف', 'نیتروژن']
@@ -522,6 +812,7 @@ elif st.session_state.selected_tab == "ورود اطلاعات":
     # ایجاد حقول ورودی برای هر مزرعه
     farm_data = {}
     
+    # آیا اطلاعات قبلی وجود دارد؟
     for _, farm in filtered_farms.iterrows():
         farm_id = farm['Farm_ID']
         farm_name = farm['Farm_Name']
@@ -534,63 +825,169 @@ elif st.session_state.selected_tab == "ورود اطلاعات":
         
         # ایستگاه‌های ارتفاع
         for i in range(1, 6):
-            key = f"{farm_id}_station_{i}_{selected_day}"
-            value = cols[i].number_input("", min_value=0, max_value=300, step=1, key=key, label_visibility="collapsed")
+            input_key = f"{farm_id}_station_{i}_{selected_day}"
+            
+            # مقدار پیش‌فرض از داده‌های قبلی
+            default_value = 0
+            if farm_id in st.session_state.farm_data and f"station_{i}" in st.session_state.farm_data[farm_id]:
+                default_value = st.session_state.farm_data[farm_id][f"station_{i}"]
+            
+            value = cols[i].number_input(
+                "",
+                min_value=0,
+                max_value=300,
+                value=default_value,
+                step=1,
+                key=input_key,
+                label_visibility="collapsed",
+                # به صورت داینامیک محاسبه را انجام می‌دهیم
+                on_change=None
+            )
             station_values.append(value)
+            
+            # ذخیره مقدار در session_state
+            if farm_id not in st.session_state.farm_data:
+                st.session_state.farm_data[farm_id] = {}
+            st.session_state.farm_data[farm_id][f"station_{i}"] = value
         
         # چاهک‌های آب
+        groundwater_values = []
         for i in range(1, 3):
-            key = f"{farm_id}_groundwater_{i}_{selected_day}"
-            value = cols[5+i].number_input("", min_value=0, max_value=300, step=1, key=key, label_visibility="collapsed")
+            input_key = f"{farm_id}_groundwater_{i}_{selected_day}"
+            
+            # مقدار پیش‌فرض از داده‌های قبلی
+            default_value = 0
+            if farm_id in st.session_state.farm_data and f"groundwater_{i}" in st.session_state.farm_data[farm_id]:
+                default_value = st.session_state.farm_data[farm_id][f"groundwater_{i}"]
+            
+            value = cols[5+i].number_input(
+                "",
+                min_value=0,
+                max_value=300,
+                value=default_value,
+                step=1,
+                key=input_key,
+                label_visibility="collapsed"
+            )
+            groundwater_values.append(value)
+            
+            # ذخیره مقدار در session_state
+            st.session_state.farm_data[farm_id][f"groundwater_{i}"] = value
         
         # رطوبت غلاف
-        key = f"{farm_id}_moisture_{selected_day}"
-        moisture = cols[7].number_input("", min_value=0, max_value=100, step=1, key=key, label_visibility="collapsed")
+        input_key = f"{farm_id}_moisture_{selected_day}"
+        
+        # مقدار پیش‌فرض از داده‌های قبلی
+        default_value = 0
+        if farm_id in st.session_state.farm_data and "moisture" in st.session_state.farm_data[farm_id]:
+            default_value = st.session_state.farm_data[farm_id]["moisture"]
+        
+        moisture = cols[7].number_input(
+            "",
+            min_value=0,
+            max_value=100,
+            value=default_value,
+            step=1,
+            key=input_key,
+            label_visibility="collapsed"
+        )
+        
+        # ذخیره مقدار در session_state
+        st.session_state.farm_data[farm_id]["moisture"] = moisture
         
         # نیتروژن
-        key = f"{farm_id}_nitrogen_{selected_day}"
-        nitrogen = cols[8].number_input("", min_value=0, max_value=100, step=1, key=key, label_visibility="collapsed")
+        input_key = f"{farm_id}_nitrogen_{selected_day}"
+        
+        # مقدار پیش‌فرض از داده‌های قبلی
+        default_value = 0
+        if farm_id in st.session_state.farm_data and "nitrogen" in st.session_state.farm_data[farm_id]:
+            default_value = st.session_state.farm_data[farm_id]["nitrogen"]
+        
+        nitrogen = cols[8].number_input(
+            "",
+            min_value=0,
+            max_value=100,
+            value=default_value,
+            step=1,
+            key=input_key,
+            label_visibility="collapsed"
+        )
+        
+        # ذخیره مقدار در session_state
+        st.session_state.farm_data[farm_id]["nitrogen"] = nitrogen
         
         # محاسبه میانگین ارتفاع
-        avg_height = 0
-        valid_stations = [s for s in station_values if s > 0]
-        if valid_stations:
-            avg_height = int(sum(valid_stations) / len(valid_stations))
+        avg_height = calculate_average_height(farm_id, station_values)
         
-        # نمایش میانگین
-        cols[9].markdown(f"<div style='text-align: center; font-weight: bold;'>{avg_height if avg_height > 0 else '-'}</div>", unsafe_allow_html=True)
+        # ذخیره میانگین در session_state
+        st.session_state.farm_data[farm_id]["avg_height"] = avg_height
+        
+        # نمایش میانگین با ID منحصر به فرد برای آپدیت JavaScript
+        avg_id = f"avg_{farm_id}"
+        cols[9].markdown(f'<div id="{avg_id}" class="dynamic-value" style="text-align: center;">{avg_height if avg_height > 0 else "-"}</div>', unsafe_allow_html=True)
         
         # ذخیره داده‌ها برای ثبت نهایی
         farm_data[farm_id] = {
             'stations': station_values,
+            'groundwater': groundwater_values,
             'avg_height': avg_height,
             'moisture': moisture,
             'nitrogen': nitrogen
         }
     
+    # محاسبه و به‌روزرسانی خلاصه آماری
+    valid_heights = [data['avg_height'] for data in farm_data.values() if data['avg_height'] > 0]
+    total_avg_height = int(sum(valid_heights) / len(valid_heights)) if valid_heights else 0
+    
+    farms_entered = len([data for data in farm_data.values() if data['avg_height'] > 0])
+    
+    valid_moisture = [data['moisture'] for data in farm_data.values() if data['moisture'] > 0]
+    avg_moisture = int(sum(valid_moisture) / len(valid_moisture)) if valid_moisture else 0
+    
+    valid_nitrogen = [data['nitrogen'] for data in farm_data.values() if data['nitrogen'] > 0]
+    avg_nitrogen = int(sum(valid_nitrogen) / len(valid_nitrogen)) if valid_nitrogen else 0
+    
+    # به‌روزرسانی میانگین‌ها با JavaScript
+    st.markdown(f"""
+    <script>
+        document.getElementById('total_avg_height').textContent = '{total_avg_height}';
+        document.getElementById('farms_entered').textContent = '{farms_entered}';
+        document.getElementById('avg_moisture').textContent = '{avg_moisture}';
+        document.getElementById('avg_nitrogen').textContent = '{avg_nitrogen}';
+    </script>
+    """, unsafe_allow_html=True)
+    
     # دکمه ذخیره‌سازی
     if st.button("ذخیره اطلاعات", key="save_daily_data"):
-        st.success("اطلاعات با موفقیت ذخیره شد. در نسخه عملیاتی، این داده‌ها در پایگاه داده ذخیره می‌شوند.")
-        
-        # نمایش خلاصه داده‌های ثبت شده
-        st.subheader("خلاصه داده‌های ثبت شده:")
-        
-        summary_data = []
-        for farm_id, data in farm_data.items():
-            if data['avg_height'] > 0:  # فقط مزارعی که داده داشته‌اند
-                farm_info = filtered_farms[filtered_farms['Farm_ID'] == farm_id].iloc[0]
-                summary_data.append({
-                    'مزرعه': farm_info['Farm_Name'],
-                    'میانگین ارتفاع': data['avg_height'],
-                    'رطوبت غلاف': data['moisture'],
-                    'نیتروژن': data['nitrogen']
-                })
-        
-        if summary_data:
-            summary_df = pd.DataFrame(summary_data)
-            st.dataframe(summary_df)
+        # بررسی وجود داده معتبر
+        valid_data_exists = any(data['avg_height'] > 0 for data in farm_data.values())
+        
+        if valid_data_exists:
+            with st.spinner('در حال ذخیره‌سازی اطلاعات...'):
+                # شبیه‌سازی تأخیر ذخیره‌سازی
+                time.sleep(1)
+                st.success("اطلاعات با موفقیت ذخیره شد. در نسخه عملیاتی، این داده‌ها در پایگاه داده ذخیره می‌شوند.")
+                
+                # نمایش خلاصه داده‌های ثبت شده
+                st.subheader("خلاصه داده‌های ثبت شده:")
+                
+                summary_data = []
+                for farm_id, data in farm_data.items():
+                    if data['avg_height'] > 0:  # فقط مزارعی که داده داشته‌اند
+                        farm_info = filtered_farms[filtered_farms['Farm_ID'] == farm_id].iloc[0]
+                        summary_data.append({
+                            'مزرعه': farm_info['Farm_Name'],
+                            'میانگین ارتفاع': data['avg_height'],
+                            'رطوبت غلاف': data['moisture'],
+                            'نیتروژن': data['nitrogen']
+                        })
+                
+                if summary_data:
+                    summary_df = pd.DataFrame(summary_data)
+                    st.dataframe(summary_df, use_container_width=True)
         else:
-            st.info("هیچ داده‌ای برای نمایش وجود ندارد.")
+            st.warning("هیچ داده‌ای برای ذخیره‌سازی وارد نشده است. لطفاً حداقل برای یک مزرعه ارتفاع را وارد کنید.")
+
 # بخش گزارش‌گیری
 elif st.session_state.selected_tab == "گزارش‌گیری":
     st.title("گزارش‌های هفتگی")
@@ -673,7 +1070,7 @@ elif st.session_state.selected_tab == "گزارش‌گیری":
             
             report_table = pd.DataFrame({
                 'هفته': farm_reports['Week'],
-                'تاریخ': farm_reports['Regional_Average'].apply(lambda x: f"هفته {x}"),
+                'تاریخ': farm_reports['Measurement_Date'],
                 'ارتفاع': farm_reports['Average_Height'],
                 'میانگین منطقه': farm_reports['Regional_Average'],
                 'تغییرات': farm_reports['Growth_Change'],
@@ -689,6 +1086,20 @@ elif st.session_state.selected_tab == "گزارش‌گیری":
             
             st.markdown(report_table.to_html(escape=False, index=False), unsafe_allow_html=True)
             
+            # نمایش نقشه NDVI برای مزرعه
+            st.subheader("نقشه NDVI مزرعه")
+            
+            if st.button("نمایش نقشه NDVI این مزرعه"):
+                with st.spinner("در حال تولید نقشه..."):
+                    # استفاده از تاریخ آخرین اندازه‌گیری
+                    latest_date = farm_reports.iloc[-1]['Measurement_Date']
+                    ndvi_map = create_ndvi_map(selected_farm_id, latest_date)
+                    
+                    if ndvi_map:
+                        st.markdown('<div class="map-container">', unsafe_allow_html=True)
+                        folium_static(ndvi_map, width=1200, height=500)
+                        st.markdown('</div>', unsafe_allow_html=True)
+            
             # توصیه‌های کارشناسی
             st.markdown("---")
             st.subheader("توصیه‌های کارشناسی")
@@ -908,6 +1319,27 @@ elif st.session_state.selected_tab == "گزارش‌گیری":
             
             st.dataframe(weak_farms_table.sort_values('ارتفاع فعلی'), use_container_width=True)
             
+            # نمایش نقشه NDVI برای مزارع ضعیف
+            st.subheader("نقشه NDVI مزارع ضعیف")
+            
+            # انتخاب مزرعه برای نمایش
+            selected_weak_farm = st.selectbox(
+                "انتخاب مزرعه برای نمایش نقشه NDVI",
+                weak_farms['Farm_ID'].tolist(),
+                format_func=lambda x: weak_farms[weak_farms['Farm_ID'] == x]['Farm_Name'].iloc[0]
+            )
+            
+            if st.button("نمایش نقشه NDVI"):
+                with st.spinner("در حال تولید نقشه..."):
+                    # استفاده از تاریخ آخرین اندازه‌گیری
+                    farm_date = heights_df[heights_df['Farm_ID'] == selected_weak_farm].sort_values('Week', ascending=False)['Measurement_Date'].iloc[0]
+                    ndvi_map = create_ndvi_map(selected_weak_farm, farm_date)
+                    
+                    if ndvi_map:
+                        st.markdown('<div class="map-container">', unsafe_allow_html=True)
+                        folium_static(ndvi_map, width=1200, height=500)
+                        st.markdown('</div>', unsafe_allow_html=True)
+            
             # تحلیل و پیشنهادات
             st.markdown("---")
             st.subheader("تحلیل عوامل مؤثر")
@@ -958,6 +1390,7 @@ elif st.session_state.selected_tab == "گزارش‌گیری":
                 - بررسی آفات و بیماری‌های احتمالی
                 - برنامه‌ریزی برای جایگزینی مزارع با سن بالا
                 """)
+
 # بخش تحلیل داده‌ها
 elif st.session_state.selected_tab == "تحلیل داده‌ها":
     st.title("تحلیل پیشرفته داده‌ها")
@@ -1182,520 +1615,4 @@ elif st.session_state.selected_tab == "تحلیل داده‌ها":
         
         st.plotly_chart(fig, use_container_width=True)
         
-        # تحلیل توزیع وضعیت‌ها بر اساس سن کشت
-        age_status = report_with_details[report_with_details['Week'] == latest_week].groupby(['Crop_Age', 'Growth_Status']).size().reset_index(name='Count')
-        
-        fig = px.bar(
-            age_status,
-            x='Crop_Age',
-            y='Count',
-            color='Growth_Status',
-            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
-            labels={'Crop_Age': 'سن کشت (سال)', 'Count': 'تعداد مزارع', 'Growth_Status': 'وضعیت'}
-        )
-        
-        fig.update_layout(
-            height=400,
-            xaxis_title="سن کشت (سال)",
-            yaxis_title="تعداد مزارع",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)',
-            barmode='stack'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # تحلیل رابطه بین مساحت و رشد
-        st.markdown("#### تأثیر مساحت بر رشد")
-        
-        area_height = report_with_details[report_with_details['Week'] == latest_week]
-        
-        fig = px.scatter(
-            area_height,
-            x='Area',
-            y='Average_Height',
-            color='Growth_Status',
-            size='Growth_Change',
-            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
-            labels={'Area': 'مساحت (هکتار)', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Growth_Status': 'وضعیت', 'Growth_Change': 'تغییر رشد'}
-        )
-        
-        fig.update_layout(
-            height=500,
-            xaxis_title="مساحت (هکتار)",
-            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # تحلیل اهمیت عوامل مختلف
-        st.markdown("#### مقایسه اهمیت عوامل مختلف")
-        
-        st.info("این بخش به صورت نمادین ارائه شده است و در نسخه عملیاتی با تحلیل واقعی و الگوریتم‌های یادگیری ماشین تکمیل می‌شود.")
-        
-        factors = ['سن کشت', 'واریته', 'مساحت', 'اداره/کانال']
-        importance = [75, 60, 30, 45]
-        
-        fig = px.bar(
-            x=factors,
-            y=importance,
-            labels={'x': 'عامل', 'y': 'میزان اهمیت (درصد)'},
-            color=importance,
-            color_continuous_scale=[(0, "#2196f3"), (1, "#1e6b45")]
-        )
-        
-        fig.update_layout(
-            height=400,
-            xaxis_title="عامل مؤثر",
-            yaxis_title="میزان اهمیت (درصد)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-    
-    elif analysis_type == "پیش‌بینی روند آینده":
-        st.subheader("پیش‌بینی روند رشد آینده")
-        
-        st.info("این بخش به صورت نمادین ارائه شده است و در نسخه عملیاتی با الگوریتم‌های پیش‌بینی واقعی مانند ARIMA، رگرسیون یا شبکه‌های عصبی پیاده‌سازی می‌شود.")
-        
-        # روند کلی ارتفاع
-        weekly_avg = report_with_details.groupby('Week')['Average_Height'].mean().reset_index()
-        weekly_avg['Average_Height'] = weekly_avg['Average_Height'].astype(int)
-        
-        # پیش‌بینی ساده خطی
-        weeks = weekly_avg['Week'].values
-        heights = weekly_avg['Average_Height'].values
-        
-        # پیش‌بینی ساده 3 هفته آینده
-        future_weeks = np.array([latest_week + 1, latest_week + 2, latest_week + 3])
-        
-        # تابع ساده برای ایجاد پیش‌بینی نمادین
-        def simple_predict(weeks, heights, future_weeks):
-            if len(weeks) >= 2:
-                slope = (heights[-1] - heights[-2]) / (weeks[-1] - weeks[-2])
-                last_height = heights[-1]
-                last_week = weeks[-1]
-                
-                predictions = [last_height + slope * (w - last_week) for w in future_weeks]
-                
-                # اضافه کردن کمی نویز
-                predictions = [p + np.random.randint(-3, 4) for p in predictions]
-                
-                return predictions
-            return [heights[-1]] * len(future_weeks)
-        
-        future_heights = simple_predict(weeks, heights, future_weeks)
-        
-        # ترکیب داده‌های واقعی و پیش‌بینی
-        all_weeks = np.concatenate((weeks, future_weeks))
-        all_heights = np.concatenate((heights, future_heights))
-        
-        prediction_df = pd.DataFrame({
-            'Week': all_weeks,
-            'Average_Height': all_heights,
-            'Type': ['واقعی' if w <= latest_week else 'پیش‌بینی' for w in all_weeks]
-        })
-        
-        # نمودار پیش‌بینی
-        fig = px.line(
-            prediction_df,
-            x='Week',
-            y='Average_Height',
-            color='Type',
-            markers=True,
-            color_discrete_map={'واقعی': '#1e6b45', 'پیش‌بینی': '#2196f3'},
-            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Type': 'نوع داده'}
-        )
-        
-        fig.update_traces(line=dict(width=3), marker=dict(size=10))
-        
-        fig.add_vline(x=latest_week, line_dash="dash", line_color="gray")
-        
-        fig.update_layout(
-            height=500,
-            xaxis_title="هفته",
-            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # پیش‌بینی به تفکیک اداره
-        st.subheader("پیش‌بینی به تفکیک اداره")
-        
-        admin_weekly_avg = report_with_details.groupby(['Administration_ID', 'Administration_Name', 'Week'])['Average_Height'].mean().reset_index()
-        admin_weekly_avg['Average_Height'] = admin_weekly_avg['Average_Height'].astype(int)
-        
-        admins = admin_weekly_avg['Administration_Name'].unique()
-        
-        admin_predictions = []
-        
-        for admin in admins:
-            admin_data = admin_weekly_avg[admin_weekly_avg['Administration_Name'] == admin].sort_values('Week')
-            
-            weeks = admin_data['Week'].values
-            heights = admin_data['Average_Height'].values
-            
-            future_heights = simple_predict(weeks, heights, future_weeks)
-            
-            for w, h in zip(future_weeks, future_heights):
-                admin_predictions.append({
-                    'Week': w,
-                    'Administration_Name': admin,
-                    'Average_Height': h,
-                    'Type': 'پیش‌بینی'
-                })
-        
-        admin_prediction_df = pd.DataFrame(admin_predictions)
-        
-        # ترکیب با داده‌های واقعی
-        admin_weekly_avg['Type'] = 'واقعی'
-        combined_admin_df = pd.concat([admin_weekly_avg, admin_prediction_df])
-        
-        # نمودار پیش‌بینی به تفکیک اداره
-        fig = px.line(
-            combined_admin_df,
-            x='Week',
-            y='Average_Height',
-            color='Administration_Name',
-            line_dash='Type',
-            markers=True,
-            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Administration_Name': 'اداره', 'Type': 'نوع داده'}
-        )
-        
-        fig.update_traces(line=dict(width=2), marker=dict(size=8))
-        
-        fig.add_vline(x=latest_week, line_dash="dash", line_color="gray")
-        
-        fig.update_layout(
-            height=500,
-            xaxis_title="هفته",
-            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # خلاصه پیش‌بینی‌ها
-        st.subheader("خلاصه پیش‌بینی‌ها برای هفته آینده")
-        
-        next_week_prediction = admin_prediction_df[admin_prediction_df['Week'] == latest_week + 1][['Administration_Name', 'Average_Height']]
-        next_week_prediction.columns = ['اداره', 'پیش‌بینی ارتفاع (سانتی‌متر)']
-        next_week_prediction = next_week_prediction.sort_values('پیش‌بینی ارتفاع (سانتی‌متر)', ascending=False)
-        
-        st.table(next_week_prediction)
-    
-    elif analysis_type == "مقایسه بخش‌های تولیدی":
-        st.subheader("مقایسه بخش‌های تولیدی")
-        
-        # داده‌های بخش‌های تولیدی
-        section_data = report_with_details.copy()
-        section_data['Production_Section'] = section_data['Administration_ID'].apply(lambda x: 1 if x <= 2 else 2)
-        section_data['Production_Section_Name'] = section_data['Production_Section'].apply(lambda x: f'بخش {x}')
-        
-        # میانگین ارتفاع به تفکیک بخش و هفته
-        section_weekly_avg = section_data.groupby(['Production_Section_Name', 'Week'])['Average_Height'].mean().reset_index()
-        section_weekly_avg['Average_Height'] = section_weekly_avg['Average_Height'].astype(int)
-        
-        # نمودار مقایسه‌ای
-        fig = px.line(
-            section_weekly_avg,
-            x='Week',
-            y='Average_Height',
-            color='Production_Section_Name',
-            markers=True,
-            line_shape='spline',
-            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Production_Section_Name': 'بخش تولیدی'}
-        )
-        
-        fig.update_traces(line=dict(width=3), marker=dict(size=10))
-        
-        fig.update_layout(
-            height=500,
-            xaxis_title="هفته",
-            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # مقایسه تغییرات رشد
-        section_growth = section_data.groupby(['Production_Section_Name', 'Week'])['Growth_Change'].mean().reset_index()
-        section_growth['Growth_Change'] = section_growth['Growth_Change'].round(2)
-        
-        # نمودار تغییرات
-        fig = px.bar(
-            section_growth,
-            x='Week',
-            y='Growth_Change',
-            color='Production_Section_Name',
-            barmode='group',
-            labels={'Week': 'هفته', 'Growth_Change': 'میانگین تغییر رشد (سانتی‌متر)', 'Production_Section_Name': 'بخش تولیدی'}
-        )
-        
-        fig.update_layout(
-            height=400,
-            xaxis_title="هفته",
-            yaxis_title="میانگین تغییر رشد (سانتی‌متر)",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # مقایسه توزیع وضعیت‌ها
-        section_status = section_data[section_data['Week'] == latest_week].groupby(['Production_Section_Name', 'Growth_Status']).size().reset_index(name='Count')
-        
-        # محاسبه درصدها
-        section_total = section_status.groupby('Production_Section_Name')['Count'].sum().reset_index()
-        section_status = pd.merge(section_status, section_total, on='Production_Section_Name', suffixes=('', '_Total'))
-        section_status['Percent'] = (section_status['Count'] / section_status['Count_Total'] * 100).round(1)
-        
-        # نمودار توزیع
-        fig = px.bar(
-            section_status,
-            x='Production_Section_Name',
-            y='Percent',
-            color='Growth_Status',
-            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
-            labels={'Production_Section_Name': 'بخش تولیدی', 'Percent': 'درصد', 'Growth_Status': 'وضعیت'},
-            barmode='stack'
-        )
-        
-        fig.update_layout(
-            height=400,
-            xaxis_title="بخش تولیدی",
-            yaxis_title="درصد",
-            font=dict(family="IRANSans"),
-            plot_bgcolor='rgba(0,0,0,0)'
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        # مقایسه مزارع برتر هر بخش
-        st.subheader("مزارع برتر هر بخش")
-        
-        col1, col2 = st.columns(2)
-        
-        for section_id, section_col in [(1, col1), (2, col2)]:
-            with section_col:
-                st.markdown(f"#### بخش {section_id}")
-                
-                top_farms = section_data[(section_data['Week'] == latest_week) & (section_data['Production_Section'] == section_id)].nlargest(5, 'Average_Height')
-                
-                for _, farm in top_farms.iterrows():
-                    st.markdown(f"""
-                    <div style="border: 1px solid #eee; padding: 10px; border-radius: 5px; margin-bottom: 10px;">
-                        <h4 style="margin: 0;">{farm['Farm_Name']}</h4>
-                        <p style="margin: 5px 0;">ارتفاع: {farm['Average_Height']} سانتی‌متر</p>
-                        <p style="margin: 0;">اداره {farm['Administration_ID']} - {farm['Channel_ID']}</p>
-                    </div>
-                    """, unsafe_allow_html=True)
-# بخش تنظیمات
-elif st.session_state.selected_tab == "تنظیمات":
-    st.title("تنظیمات سیستم")
-    
-    # زبانه‌های تنظیمات
-    settings_tab = st.selectbox(
-        "بخش تنظیمات",
-        ["تنظیمات عمومی", "مدیریت کاربران", "معیارهای ارزیابی", "پشتیبان‌گیری و بازیابی"]
-    )
-    
-    st.markdown("---")
-    
-    if settings_tab == "تنظیمات عمومی":
-        st.subheader("تنظیمات عمومی برنامه")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.markdown("#### تنظیمات نمایش")
-            
-            theme = st.selectbox("تم برنامه", ["روشن", "تیره", "خودکار"])
-            date_format = st.selectbox("قالب نمایش تاریخ", ["شمسی", "میلادی"])
-            language = st.selectbox("زبان", ["فارسی", "انگلیسی"])
-            
-            st.checkbox("نمایش راهنمای کاربری در شروع برنامه", value=True)
-            st.checkbox("فعال‌سازی نمایش هشدارها", value=True)
-        
-        with col2:
-            st.markdown("#### تنظیمات گزارش‌گیری")
-            
-            default_admin = st.selectbox("اداره پیش‌فرض", [f"اداره {i}" for i in range(1, 5)])
-            rows_per_page = st.slider("تعداد ردیف در هر صفحه", 10, 100, 25, 5)
-            
-            st.checkbox("فعال‌سازی گزارش‌های خودکار هفتگی", value=True)
-            st.checkbox("ارسال گزارش از طریق ایمیل", value=False)
-            
-            report_email = st.text_input("ایمیل دریافت گزارش‌ها")
-        
-        st.markdown("---")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.markdown("#### تنظیمات پیشرفته")
-            
-            st.number_input("حداکثر روزهای نمایش تاریخچه", value=60, min_value=7, max_value=365)
-            st.number_input("فاصله به‌روزرسانی خودکار (دقیقه)", value=30, min_value=5, max_value=120)
-        
-        if st.button("ذخیره تنظیمات"):
-            st.success("تنظیمات با موفقیت ذخیره شد.")
-    
-    elif settings_tab == "مدیریت کاربران":
-        st.subheader("مدیریت کاربران سیستم")
-        
-        # نمونه کاربران
-        users = [
-            {"id": 1, "username": "admin", "name": "مدیر سیستم", "role": "مدیر", "active": True},
-            {"id": 2, "username": "supervisor1", "name": "ناظر اداره 1", "role": "ناظر", "active": True},
-            {"id": 3, "username": "supervisor2", "name": "ناظر اداره 2", "role": "ناظر", "active": True},
-            {"id": 4, "username": "operator1", "name": "اپراتور 1", "role": "اپراتور", "active": True},
-            {"id": 5, "username": "operator2", "name": "اپراتور 2", "role": "اپراتور", "active": False}
-        ]
-        
-        users_df = pd.DataFrame(users)
-        
-        # فیلتر کاربران
-        role_filter = st.selectbox("نمایش بر اساس نقش", ["همه", "مدیر", "ناظر", "اپراتور"])
-        
-        if role_filter != "همه":
-            filtered_users = users_df[users_df["role"] == role_filter]
-        else:
-            filtered_users = users_df
-        
-        # نمایش کاربران
-        for _, user in filtered_users.iterrows():
-            col1, col2, col3 = st.columns([3, 2, 1])
-            
-            with col1:
-                st.write(f"**{user['name']}** ({user['username']})")
-            
-            with col2:
-                st.write(f"نقش: {user['role']}")
-            
-            with col3:
-                status = "فعال" if user["active"] else "غیرفعال"
-                status_color = "green" if user["active"] else "red"
-                st.markdown(f"<span style='color: {status_color};'>{status}</span>", unsafe_allow_html=True)
-            
-            st.markdown("---")
-        
-        # افزودن کاربر جدید
-        st.subheader("افزودن کاربر جدید")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            new_username = st.text_input("نام کاربری")
-            new_name = st.text_input("نام و نام خانوادگی")
-        
-        with col2:
-            new_role = st.selectbox("نقش", ["مدیر", "ناظر", "اپراتور"])
-            new_password = st.text_input("رمز عبور", type="password")
-        
-        if st.button("افزودن کاربر"):
-            if new_username and new_name and new_password:
-                st.success(f"کاربر {new_name} با موفقیت اضافه شد.")
-            else:
-                st.error("لطفاً تمام فیلدها را پر کنید.")
-    
-    elif settings_tab == "معیارهای ارزیابی":
-        st.subheader("تنظیم معیارهای ارزیابی")
-        
-        # معیارهای ارتفاع
-        st.markdown("#### معیارهای ارتفاع")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.number_input("حداقل ارتفاع مطلوب (سانتی‌متر)", value=180, step=5)
-            st.number_input("حداقل تغییر رشد هفتگی مطلوب (سانتی‌متر)", value=5, step=1)
-        
-        with col2:
-            st.number_input("ارتفاع بحرانی (سانتی‌متر)", value=150, step=5)
-            st.number_input("تغییر رشد هفتگی بحرانی (سانتی‌متر)", value=0, step=1)
-        
-        # معیارهای شرایط محیطی
-        st.markdown("#### معیارهای شرایط محیطی")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.number_input("حداقل رطوبت غلاف مطلوب (%)", value=70, step=5)
-            st.number_input("حداکثر عمق آب زیرزمینی مطلوب (سانتی‌متر)", value=80, step=5)
-        
-        with col2:
-            st.number_input("حداقل نیتروژن مطلوب (%)", value=30, step=5)
-        
-        # معیارهای مقایسه‌ای
-        st.markdown("#### معیارهای مقایسه‌ای")
-        
-        comparison_method = st.radio(
-            "روش مقایسه برای تعیین وضعیت",
-            ["مقایسه با میانگین کل", "مقایسه با میانگین اداره", "مقایسه با مقادیر مطلق"]
-        )
-        
-        if comparison_method == "مقایسه با میانگین کل":
-            st.slider("آستانه انحراف از میانگین (سانتی‌متر)", 0, 20, 5)
-        elif comparison_method == "مقایسه با میانگین اداره":
-            st.slider("آستانه انحراف از میانگین اداره (سانتی‌متر)", 0, 20, 5)
-        
-        if st.button("ذخیره معیارها"):
-            st.success("معیارهای ارزیابی با موفقیت ذخیره شد.")
-    
-    elif settings_tab == "پشتیبان‌گیری و بازیابی":
-        st.subheader("پشتیبان‌گیری و بازیابی داده‌ها")
-        
-        # پشتیبان‌گیری
-        st.markdown("#### پشتیبان‌گیری")
-        
-        backup_type = st.radio("نوع پشتیبان‌گیری", ["پشتیبان کامل", "فقط داده‌های ارتفاع", "فقط تنظیمات"])
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.checkbox("فشرده‌سازی فایل پشتیبان", value=True)
-        
-        with col2:
-            st.checkbox("پشتیبان‌گیری خودکار هفتگی", value=True)
-        
-        if st.button("ایجاد فایل پشتیبان"):
-            # ایجاد فایل CSV پشتیبان
-            if backup_type == "پشتیبان کامل" or backup_type == "فقط داده‌های ارتفاع":
-                buffer = io.StringIO()
-                heights_df.to_csv(buffer, index=False)
-                buffer.seek(0)
-                
-                # تبدیل به دانلود
-                st.download_button(
-                    label="دانلود فایل پشتیبان",
-                    data=buffer,
-                    file_name="height_data_backup.csv",
-                    mime="text/csv"
-                )
-            else:
-                st.success("فایل پشتیبان تنظیمات با موفقیت ایجاد شد.")
-        
-        # بازیابی
-        st.markdown("---")
-        st.markdown("#### بازیابی داده‌ها")
-        
-        upload_file = st.file_uploader("انتخاب فایل پشتیبان", type=["csv", "zip"])
-        
-        if upload_file is not None:
-            if st.button("بازیابی داده‌ها"):
-                st.success("داده‌ها با موفقیت بازیابی شد.")
-                st.warning("توجه: این عملیات در نسخه عملیاتی، داده‌های فعلی را با داده‌های پشتیبان جایگزین می‌کند.")
-# نمایش مکان‌نما
-st.markdown("""
-<div style="position: fixed; bottom: 20px; right: 20px; background-color: #1e6b45; color: white; padding: 10px 15px; border-radius: 50px; font-size: 14px; box-shadow: 0 4px 8px rgba(0,0,0,0.1); z-index: 1000;">
-    آخرین به‌روزرسانی: همین حالا
-</div>
-""", unsafe_allow_html=True)
+        # تحلیل توزیع وضعیت‌