Update app.py

app.py

@@ -1,568 +1,479 @@
 import streamlit as st
 import pandas as pd
-import numpy as np
-import geemap.foliumap as geemap
 import ee
-import os
-import datetime
-import plotly.express as px
-import plotly.graph_objects as go
-from streamlit_folium import folium_static
+import geemap.foliumap as geemap # Using foliumap backend for Streamlit compatibility
 import folium
-from folium.plugins import Draw, Fullscreen, MeasureControl
+import os
 import json
-import base64
-from PIL import Image
-import io
+from datetime import datetime, timedelta
+
+# ==============================================================================
+# Configuration and Initialization
+# ==============================================================================
 
-# تنظیم عنوان صفحه
+# --- Page Configuration ---
 st.set_page_config(
     page_title="داشبورد مانیتورینگ مزارع نیشکر دهخدا",
-    page_icon="🌱",
-    layout="wide",
-    initial_sidebar_state="expanded",
+    page_icon="🌾",
+    layout="wide", # Use wide layout for better map display
+    initial_sidebar_state="expanded" # Keep sidebar open initially
 )
 
-# استایل‌های CSS
-st.markdown("""
-<style>
-    .main {
-        background-color: #f5f7f9;
-    }
-    .stButton button {
-        background-color: #4CAF50;
-        color: white;
-        font-weight: bold;
-    }
-    .stSelectbox label, .stMultiselect label {
-        font-weight: bold;
-        color: #2c3e50;
-    }
-    .reportview-container .main .block-container {
-        padding-top: 2rem;
-    }
-    h1, h2, h3 {
-        color: #2c3e50;
-    }
-    .stAlert {
-        background-color: #d4edda;
-        color: #155724;
-    }
-    .css-1v3fvcr {
-        background-color: #f5f7f9;
-    }
-    .css-18e3th9 {
-        padding-top: 1rem;
-    }
-    .css-1kyxreq {
-        justify-content: center;
-        align-items: center;
-    }
-    .metric-card {
-        background-color: white;
-        border-radius: 5px;
-        box-shadow: 0 4px 6px rgba(0, 0, 0, 0.1);
-        padding: 1rem;
-        margin-bottom: 1rem;
-    }
-    .metric-value {
-        font-size: 2rem;
-        font-weight: bold;
-        color: #2c3e50;
-    }
-    .metric-label {
-        font-size: 1rem;
-        color: #7f8c8d;
-    }
-</style>
-""", unsafe_allow_html=True)
-
-# تابع برای احراز هویت GEE
-@st.cache_resource
-def initialize_gee():
+# --- Constants ---
+CSV_FILE_PATH = 'output (1).csv'
+SERVICE_ACCOUNT_KEY_PATH = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
+SERVICE_ACCOUNT_EMAIL = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
+DEFAULT_LATITUDE = 31.534442
+DEFAULT_LONGITUDE = 48.724416
+DEFAULT_ZOOM = 13
+AOI_BUFFER_METERS = 500 # Buffer radius around the farm point for analysis
+DATE_RANGE_MONTHS = 3 # Analyze data for the last 3 months
+
+# --- GEE Authentication ---
+@st.cache_resource(show_spinner="در حال اتصال به Google Earth Engine...")
+def authenticate_gee(service_account_key_path, service_account_email):
+    """Authenticates Google Earth Engine using a Service Account."""
     try:
-        service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
-        credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
-        credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
-        ee.Initialize(credentials)
-        return True
+        # Check if the key file exists
+        if not os.path.exists(service_account_key_path):
+            st.error(f"خطا: فایل کلید سرویس در مسیر '{service_account_key_path}' یافت نشد.")
+            st.stop()
+
+        # Load credentials from the file
+        with open(service_account_key_path) as f:
+            credentials_dict = json.load(f)
+
+        credentials = ee.ServiceAccountCredentials(service_account_email, service_account_key_path)
+        ee.Initialize(credentials=credentials, opt_url='https://earthengine-highvolume.googleapis.com')
+        print("GEE Authenticated Successfully using Service Account.")
+        return True # Indicate successful authentication
+    except ee.EEException as e:
+        st.error(f"خطا در احراز هویت Google Earth Engine: {e}")
+        st.error("لطفاً مطمئن شوید فایل کلید سرویس معتبر است و دسترسی‌های لازم را دارد.")
+        st.stop() # Stop execution if authentication fails
+    except FileNotFoundError:
+        st.error(f"خطا: فایل کلید سرویس در مسیر '{service_account_key_path}' یافت نشد.")
+        st.stop()
     except Exception as e:
-        st.error(f"خطا در اتصال به Google Earth Engine: {e}")
-        return False
+        st.error(f"یک خطای غیرمنتظره در هنگام احراز هویت رخ داد: {e}")
+        st.stop()
 
-# خواندن داده‌های CSV
-@st.cache_data
-def load_data():
+# --- Data Loading ---
+@st.cache_data(show_spinner="در حال بارگذاری داده‌های مزارع...")
+def load_farm_data(csv_path):
+    """Loads farm data from the CSV file."""
     try:
-        df = pd.read_csv('output (1).csv')
+        df = pd.read_csv(csv_path, encoding='utf-8') # Specify UTF-8 encoding for Persian characters
+        # Basic data cleaning/validation
+        required_cols = ['مزرعه', 'طول جغرافیایی', 'عرض جغرافیایی', 'روزهای هفته']
+        if not all(col in df.columns for col in required_cols):
+            st.error(f"خطا: فایل CSV باید شامل ستون‌های {required_cols} باشد.")
+            st.stop()
+        # Convert coordinate columns to numeric, coercing errors
+        df['طول جغرافیایی'] = pd.to_numeric(df['طول جغرافیایی'], errors='coerce')
+        df['عرض جغرافیایی'] = pd.to_numeric(df['عرض جغرافیایی'], errors='coerce')
+        # Handle potential missing coordinates indicated by the flag or NaN values
+        df['coordinates_missing'] = df['coordinates_missing'].fillna(False).astype(bool) | df['طول جغرافیایی'].isna() | df['عرض جغرافیایی'].isna()
+        # Fill NaN in 'روزهای هفته' with a placeholder if necessary, or handle appropriately
+        df['روزهای هفته'] = df['روزهای هفته'].fillna('نامشخص') # Or drop rows: df.dropna(subset=['روزهای هفته'])
         return df
+    except FileNotFoundError:
+        st.error(f"خطا: فایل CSV در مسیر '{csv_path}' یافت نشد.")
+        st.stop()
     except Exception as e:
-        st.error(f"خطا در خواندن فایل CSV: {e}")
-        return None
+        st.error(f"خطا در بارگذاری یا پردازش فایل CSV: {e}")
+        st.stop()
+
+# --- GEE Image Processing Functions ---
 
-# تابع برای محاسبه شاخص‌های مختلف
-def calculate_indices(image):
-    # NDVI
+def mask_s2_clouds(image):
+    """Masks clouds in Sentinel-2 SR images using the SCL band."""
+    scl = image.select('SCL')
+    # Select clear (4), vegetation (5), and non-vegetated (6) pixels. Also include water (7).
+    # Avoid cloud shadows (3), clouds medium probability (8), clouds high probability (9), cirrus (10).
+    mask = scl.eq(4).Or(scl.eq(5)).Or(scl.eq(6)).Or(scl.eq(7))
+    # Also mask based on QA60 band if needed (though SCL is generally better for SR)
+    # qa = image.select('QA60')
+    # cloud_bit_mask = 1 << 10
+    # cirrus_bit_mask = 1 << 11
+    # mask = qa.bitwiseAnd(cloud_bit_mask).eq(0).And(qa.bitwiseAnd(cirrus_bit_mask).eq(0))
+    return image.updateMask(mask).divide(10000).copyProperties(image, ["system:time_start"]) # Scale factor for SR
+
+def calculate_ndvi(image):
+    """Calculates NDVI."""
+    # NDVI = (NIR - Red) / (NIR + Red)
+    # Sentinel-2 Bands: NIR=B8, Red=B4
     ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
-    
-    # EVI
+    return image.addBands(ndvi)
+
+def calculate_evi(image):
+    """Calculates EVI."""
+    # EVI = 2.5 * (NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1)
+    # Sentinel-2 Bands: NIR=B8, Red=B4, Blue=B2
     evi = image.expression(
-        '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))',
-        {
+        '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
             'NIR': image.select('B8'),
             'RED': image.select('B4'),
             'BLUE': image.select('B2')
-        }
-    ).rename('EVI')
-    
-    # NDMI (Normalized Difference Moisture Index)
+        }).rename('EVI')
+    return image.addBands(evi)
+
+def calculate_ndmi(image):
+    """Calculates NDMI (Normalized Difference Moisture Index)."""
+    # NDMI = (NIR - SWIR1) / (NIR + SWIR1)
+    # Sentinel-2 Bands: NIR=B8, SWIR1=B11
     ndmi = image.normalizedDifference(['B8', 'B11']).rename('NDMI')
-    
-    # LAI (Leaf Area Index) - simplified model
-    lai = image.expression(
-        '3.618 * EVI - 0.118',
-        {
-            'EVI': evi
-        }
-    ).rename('LAI')
-    
-    # Biomass - simplified model based on LAI
-    biomass = image.expression(
-        '0.8 * LAI + 0.2',
-        {
-            'LAI': lai
-        }
-    ).rename('Biomass')
-    
-    # MSI (Moisture Stress Index)
-    msi = image.expression(
-        'SWIR1 / NIR',
-        {
-            'SWIR1': image.select('B11'),
-            'NIR': image.select('B8')
-        }
-    ).rename('MSI')
-    
-    # Chlorophyll Index
-    chlorophyll = image.expression(
-        'NIR / RED - 1',
-        {
-            'NIR': image.select('B8'),
-            'RED': image.select('B4')
-        }
-    ).rename('Chlorophyll')
-    
-    # Add all indices to the image
-    return image.addBands([ndvi, evi, ndmi, lai, biomass, msi, chlorophyll])
-
-# تابع برای دریافت تصاویر Sentinel-2
-def get_sentinel_imagery(start_date, end_date, aoi):
-    # فیلتر کردن مجموعه داده Sentinel-2
-    s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
-        .filterDate(start_date, end_date) \
-        .filterBounds(aoi) \
-        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
-    
-    if s2.size().getInfo() == 0:
-        return None
-    
-    # محاسبه میانگین تصاویر
-    s2_median = s2.median()
-    
-    # محاسبه شاخص‌ها
-    s2_indices = calculate_indices(s2_median)
-    
-    return s2_indices
-
-# تابع برای ایجاد نقشه
-def create_map(center_lat, center_lon, zoom=13):
-    m = geemap.Map()
-    m.set_center(center_lon, center_lat, zoom)
-    m.add_basemap('HYBRID')
-    return m
-
-# تابع برای اضافه کردن لایه شاخص به نقشه
-def add_index_layer(m, image, index_name, vis_params, layer_name):
-    if image is not None:
-        m.add_layer(image.select(index_name), vis_params, layer_name)
-    return m
-
-# تابع برای ایجاد نمودار زمانی
-def create_time_series(aoi, index_name, start_date, end_date, interval='day'):
-    # تعریف بازه‌های زمانی
-    if interval == 'day':
-        step = 1
-        unit = 'day'
-    elif interval == 'week':
-        step = 7
-        unit = 'day'
-    elif interval == 'month':
-        step = 1
-        unit = 'month'
-    
-    # ایجاد لیست تاریخ‌ها
-    dates = []
-    values = []
-    
-    current_date = start_date
-    while current_date <= end_date:
-        next_date = current_date + datetime.timedelta(days=step) if unit == 'day' else \
-                   datetime.date(current_date.year + (current_date.month + step - 1) // 12,
-                                 (current_date.month + step - 1) % 12 + 1,
-                                 1)
-        
-        # دریافت تصویر برای این بازه زمانی
-        image = get_sentinel_imagery(current_date.strftime('%Y-%m-%d'), 
-                                    next_date.strftime('%Y-%m-%d'), 
-                                    aoi)
-        
-        if image is not None:
-            # محاسبه میانگین شاخص در منطقه مورد نظر
-            mean_value = image.select(index_name).reduceRegion(
-                reducer=ee.Reducer.mean(),
-                geometry=aoi,
-                scale=10
-            ).get(index_name).getInfo()
-            
-            if mean_value is not None:
-                dates.append(current_date.strftime('%Y-%m-%d'))
-                values.append(mean_value)
-        
-        current_date = next_date
-    
-    # ایجاد دیتافریم برای نمودار
-    if len(dates) > 0:
-        df = pd.DataFrame({
-            'Date': dates,
-            index_name: values
-        })
-        return df
-    else:
-        return None
-
-# تابع برای دانلود تصویر نقشه
-def get_map_download_link(m, filename="map.html"):
-    """تولید لینک دانلود برای نقشه"""
-    m.to_html(filename)
-    with open(filename, 'rb') as f:
-        html_data = f.read()
-    
-    b64 = base64.b64encode(html_data).decode()
-    href = f'<a href="data:text/html;base64,{b64}" download="{filename}">دانلود نقشه</a>'
-    return href
-
-# تابع برای رتبه‌بندی مزارع بر اساس شاخص‌ها
-def rank_farms(df, index_values):
-    """رتبه‌بندی مزارع بر اساس مقادیر شاخص‌ها"""
-    if df is None or index_values is None or len(index_values) == 0:
-        return None
-    
-    # ترکیب داده‌های مزارع با مقادیر شاخص‌ها
-    farm_ranks = df.copy()
-    
-    # اضافه کردن مقادیر شاخص‌ها (در اینجا فرض می‌کنیم که index_values یک دیکشنری است)
-    for farm_id, values in index_values.items():
-        for index_name, value in values.items():
-            farm_ranks.loc[farm_ranks['مزرعه'] == farm_id, index_name] = value
-    
-    # رتبه‌بندی بر اساس NDVI (به عنوان مثال)
-    if 'NDVI' in farm_ranks.columns:
-        farm_ranks['رتبه NDVI'] = farm_ranks['NDVI'].rank(ascending=False)
-    
-    return farm_ranks
-
-# تابع اصلی برنامه
+    return image.addBands(ndmi)
+
+def estimate_lai(image):
+    """Estimates LAI using a simple NDVI-based formula (requires calibration)."""
+    # Example formula: LAI = sqrt(NDVI * (1 + NDVI)) - This is highly empirical!
+    # A more common simple approach might be linear or exponential based on NDVI
+    # LAI = a * NDVI + b OR LAI = exp(c * NDVI + d)
+    # Using a simple placeholder: LAI directly proportional to NDVI (for demonstration)
+    # For a slightly more standard empirical approach (e.g., based on SNAP toolbox relations):
+    # lai = image.expression('3.618 * EVI - 0.118', {'EVI': image.select('EVI')}).rename('LAI_EVI') # If EVI is calculated
+    # Or based on NDVI:
+    lai_ndvi = image.expression('sqrt(NDVI * (1 + NDVI))', {'NDVI': image.select('NDVI')}).rename('LAI') # Placeholder
+    # Ensure LAI is not negative
+    lai_ndvi = lai_ndvi.where(lai_ndvi.gt(0), 0)
+    return image.addBands(lai_ndvi)
+
+def estimate_biomass(image):
+    """Estimates Biomass using NDVI as a proxy (requires calibration)."""
+    # Biomass is often correlated with NDVI or LAI.
+    # Using NDVI directly as a proxy indicator.
+    biomass_proxy = image.select('NDVI').rename('Biomass_Proxy')
+    return image.addBands(biomass_proxy)
+
+def get_image_collection(aoi, start_date, end_date):
+    """Gets, filters, masks, and processes Sentinel-2 image collection."""
+    s2_sr_col = (ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED') # Use Harmonized SR
+               .filterBounds(aoi)
+               .filterDate(start_date, end_date)
+               .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 30)) # Pre-filter by metadata
+               .map(mask_s2_clouds) # Apply cloud masking
+               .map(calculate_ndvi)
+               .map(calculate_evi)
+               .map(calculate_ndmi)
+               .map(estimate_lai) # Add estimated LAI
+               .map(estimate_biomass) # Add Biomass proxy
+               )
+    return s2_sr_col
+
+# --- Visualization Parameters ---
+ndvi_vis = {
+    'min': 0.0, 'max': 1.0,
+    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADFF2F', '#008000'] # Red -> Orange -> Yellow -> GreenYellow -> Green
+}
+evi_vis = {
+    'min': 0.0, 'max': 1.0,
+    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADFF2F', '#008000'] # Similar palette for EVI
+}
+ndmi_vis = {
+    'min': -0.5, 'max': 0.8, # Typical range for NDMI
+    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADD8E6', '#0000FF'] # Red -> Orange -> Yellow -> LightBlue -> Blue
+}
+lai_vis = {
+    'min': 0.0, 'max': 6.0, # Typical LAI range
+    'palette': ['#FFFFFF', '#CE7E45', '#DF923D', '#F1B555', '#FCD163', '#99B718', '#74A901', '#66A000', '#529400', '#3E8601', '#207401', '#056201', '#004C00', '#023B01', '#012E01', '#011D01', '#011301'] # Common LAI palette
+}
+biomass_proxy_vis = {
+    'min': 0.0, 'max': 1.0, # Same range as NDVI proxy
+    'palette': ['#FDE725', '#7AD151', '#22A884', '#2A788E', '#414487', '#440154'] # Viridis palette often used for biomass/productivity
+}
+rgb_vis = {
+    'min': 0.0, 'max': 0.3, # Max value for SR reflectance (adjust as needed)
+    'bands': ['B4', 'B3', 'B2'] # Red, Green, Blue
+}
+
+# --- Main Application Logic ---
 def main():
-    # عنوان اصلی
-    st.title("داشبورد مانیتورینگ مزارع نیشکر دهخدا")
-    
-    # احراز هویت GEE
-    gee_initialized = initialize_gee()
-    
-    if not gee_initialized:
-        st.error("اتصال به Google Earth Engine برقرار نشد. لطفاً فایل احراز هویت را بررسی کنید.")
-        return
-    
-    # خواندن داده‌ها
-    df = load_data()
-    
-    if df is None:
-        st.error("خواندن داده‌ها با مشکل مواجه شد. لطفاً فایل CSV را بررسی کنید.")
-        return
-    
-    # تبدیل ستون‌های مختصات به عدد
-    df['طول جغرافیایی'] = pd.to_numeric(df['طول جغرافیایی'], errors='coerce')
-    df['عرض جغرافیایی'] = pd.to_numeric(df['عرض جغرافیایی'], errors='coerce')
-    
-    # حذف ردیف‌های با مختصات نامعتبر
-    df = df[~((df['طول جغرافیایی'] == 0) | (df['عرض جغرافیایی'] == 0) | 
-              df['طول جغرافیایی'].isna() | df['عرض جغرافیایی'].isna())]
-    
-    # ایجاد ستون‌های جدید برای نمایش بهتر
-    df['مزرعه_نمایشی'] = df['مزرعه'].astype(str)
-    
-    # ایجاد sidebar
-    st.sidebar.title("فیلترها و تنظیمات")
-    
-    # فیلتر روز هفته
-    days_of_week = df['روزهای هفته'].unique().tolist()
-    selected_day = st.sidebar.selectbox("انتخاب روز هفته", days_of_week)
-    
-    # فیلتر مزرعه
-    filtered_df = df[df['روزهای هفته'] == selected_day]
-    farm_ids = filtered_df['مزرعه'].unique().tolist()
-    selected_farm = st.sidebar.selectbox("انتخاب مزرعه", farm_ids)
-    
-    # فیلتر شاخص
-    indices = ['NDVI', 'EVI', 'NDMI', 'LAI', 'Biomass', 'MSI', 'Chlorophyll']
-    selected_index = st.sidebar.selectbox("انتخاب شاخص", indices)
-    
-    # تنظیمات تاریخ
-    st.sidebar.subheader("بازه زمانی")
-    today = datetime.date.today()
-    start_date = st.sidebar.date_input("تاریخ شروع", today - datetime.timedelta(days=30))
-    end_date = st.sidebar.date_input("تاریخ پایان", today)
-    
-    # تنظیمات نمایش نقشه
-    st.sidebar.subheader("تنظیمات نقشه")
-    map_zoom = st.sidebar.slider("بزرگنمایی نقشه", 10, 18, 13)
-    
-    # دکمه اعمال فیلترها
-    apply_filters = st.sidebar.button("اعمال فیلترها")
-    
-    # نمایش اطلاعات مزرعه انتخاب شده
-    if selected_farm:
-        farm_data = filtered_df[filtered_df['مزرعه'] == selected_farm].iloc[0]
-        
-        st.subheader(f"اطلاعات مزرعه {selected_farm}")
-        
-        # نمایش اطلاعات در چند ستون
-        col1, col2, col3 = st.columns(3)
-        
-        with col1:
-            st.markdown(f"**کانال:** {farm_data['کانال']}")
-            st.markdown(f"**اداره:** {farm_data['اداره']}")
-            st.markdown(f"**مساحت داشت:** {farm_data['مساحت داشت']} هکتار")
-        
-        with col2:
-            st.markdown(f"**واریته:** {farm_data['واریته']}")
-            st.markdown(f"**سن:** {farm_data['سن']}")
-            st.markdown(f"**روز هفته:** {farm_data['روزهای هفته']}")
-        
-        with col3:
-            st.markdown(f"**طول جغرافیایی:** {farm_data['طول جغرافیایی']}")
-            st.markdown(f"**عرض جغرافیایی:** {farm_data['عرض جغرافیایی']}")
-    
-    # ایجاد تب‌ها برای نمایش نقشه و نمودارها
-    tab1, tab2, tab3 = st.tabs(["نقشه", "نمودارها", "جدول مقایسه"])
-    
-    with tab1:
-        if apply_filters and selected_farm:
-            # دریافت مختصات مزرعه انتخاب شده
-            farm_data = filtered_df[filtered_df['مزرعه'] == selected_farm].iloc[0]
-            center_lat = farm_data['عرض جغرافیایی']
-            center_lon = farm_data['طول جغرافیایی']
-            
-            # ایجاد منطقه مورد نظر (AOI) - یک بافر 500 متری اطراف نقطه مرکزی مزرعه
-            point = ee.Geometry.Point([center_lon, center_lat])
-            aoi = point.buffer(500)
-            
-            # ایجاد نقشه
-            m = create_map(center_lat, center_lon, map_zoom)
-            
-            # دریافت تصاویر Sentinel-2
-            imagery = get_sentinel_imagery(start_date.strftime('%Y-%m-%d'), 
-                                          end_date.strftime('%Y-%m-%d'), 
-                                          aoi)
-            
-            if imagery is not None:
-                # تنظیم پارامترهای نمایش برای شاخص انتخاب شده
-                vis_params = {
-                    'NDVI': {'min': -0.2, 'max': 0.8, 'palette': ['red', 'yellow', 'green']},
-                    'EVI': {'min': -0.2, 'max': 1, 'palette': ['red', 'yellow', 'green']},
-                    'NDMI': {'min': -0.2, 'max': 0.8, 'palette': ['red', 'yellow', 'blue']},
-                    'LAI': {'min': 0, 'max': 5, 'palette': ['white', 'lightgreen', 'darkgreen']},
-                    'Biomass': {'min': 0, 'max': 5, 'palette': ['white', 'lightgreen', 'darkgreen']},
-                    'MSI': {'min': 0, 'max': 2, 'palette': ['blue', 'yellow', 'red']},
-                    'Chlorophyll': {'min': 0, 'max': 5, 'palette': ['white', 'yellow', 'green']}
-                }
-                
-                # اضافه کردن لایه شاخص به نقشه
-                m = add_index_layer(m, imagery, selected_index, vis_params[selected_index], f"شاخص {selected_index}")
-                
-                # اضافه کردن نقاط مزارع به نقشه
-                for _, row in filtered_df.iterrows():
-                    folium.Marker(
-                        location=[row['عرض جغرافیایی'], row['طول جغرافیایی']],
-                        popup=f"مزرعه: {row['مزرعه']}<br>واریته: {row['واریته']}<br>سن: {row['سن']}",
-                        tooltip=f"مزرعه {row['مزرعه']}",
-                        icon=folium.Icon(color='blue' if row['مزرعه'] != selected_farm else 'red')
-                    ).add_to(m)
-                
-                # اضافه کردن کنترل‌های نقشه
-                m.add_control(Draw(export=True))
-                m.add_control(Fullscreen())
-                m.add_control(MeasureControl())
-                
-                # نمایش نقشه
-                folium_static(m)
-                
-                # دکمه دانلود نقشه
-                st.markdown(get_map_download_link(m), unsafe_allow_html=True)
-                
-                # نمایش راهنمای رنگ‌ها
-                st.subheader("راهنمای رنگ‌ها")
-                
-                if selected_index in ['NDVI', 'EVI']:
-                    st.markdown("""
-                    - <span style='color:red'>قرمز</span>: وضعیت ضعیف (0.0-0.2)
-                    - <span style='color:yellow'>زرد</span>: وضعیت متوسط (0.2-0.5)
-                    - <span style='color:green'>سبز</span>: وضعیت خوب (0.5-0.8)
-                    """, unsafe_allow_html=True)
-                elif selected_index == 'NDMI':
-                    st.markdown("""
-                    - <span style='color:red'>قرمز</span>: خشک (0.0-0.2)
-                    - <span style='color:yellow'>زرد</span>: رطوبت متوسط (0.2-0.5)
-                    - <span style='color:blue'>آبی</span>: رطوبت بالا (0.5-0.8)
-                    """, unsafe_allow_html=True)
-                elif selected_index in ['LAI', 'Biomass']:
-                    st.markdown("""
-                    - <span style='color:white; background-color:black'>سفید</span>: مقدار کم (0-1)
-                    - <span style='color:lightgreen'>سبز روشن</span>: مقدار متوسط (1-3)
-                    - <span style='color:darkgreen'>سبز تیره</span>: مقدار زیاد (3-5)
-                    """, unsafe_allow_html=True)
-                
-                # محاسبه میانگین شاخص برای مزرعه انتخاب شده
-                mean_value = imagery.select(selected_index).reduceRegion(
+    """Main function to run the Streamlit application."""
+
+    # --- Authentication ---
+    if 'gee_authenticated' not in st.session_state:
+        st.session_state.gee_authenticated = authenticate_gee(SERVICE_ACCOUNT_KEY_PATH, SERVICE_ACCOUNT_EMAIL)
+
+    if not st.session_state.gee_authenticated:
+        st.warning("اتصال به Google Earth Engine برقرار نشد. لطفاً صفحه را رفرش کنید یا تنظیمات را بررسی نمایید.")
+        st.stop()
+
+    # --- Load Data ---
+    df_farms = load_farm_data(CSV_FILE_PATH)
+
+    # --- Sidebar ---
+    st.sidebar.title("تنظیمات نمایش")
+    st.sidebar.header("فیلتر مزارع")
+
+    # -- Day of the Week Filter --
+    available_days = sorted(df_farms['روزهای هفته'].unique())
+    selected_day = st.sidebar.selectbox(
+        "انتخاب روز هفته:",
+        options=available_days,
+        index=0 # Default to the first day
+    )
+
+    # Filter farms based on selected day
+    df_filtered_by_day = df_farms[df_farms['روزهای هفته'] == selected_day].copy()
+
+    # Check if any farms are available for the selected day
+    if df_filtered_by_day.empty:
+        st.sidebar.warning(f"هیچ مزرعه‌ای برای روز '{selected_day}' یافت نشد.")
+        st.warning(f"هیچ مزرعه‌ای برای روز '{selected_day}' در فایل CSV تعریف نشده است. لطفاً روز دیگری را انتخاب کنید یا فایل داده را بررسی نمایید.")
+        st.stop() # Stop if no farms match the day
+
+    # Remove farms with missing coordinates from selection
+    df_valid_farms = df_filtered_by_day[~df_filtered_by_day['coordinates_missing']].copy()
+    if df_valid_farms.empty:
+         st.sidebar.warning(f"تمام مزارع برای روز '{selected_day}' فاقد مختصات معتبر هستند.")
+         st.warning(f"تمام مزارع برای روز '{selected_day}' فاقد مختصات معتبر در فایل CSV هستند.")
+         st.stop()
+
+    # -- Farm Selection Dropdown --
+    available_farms = sorted(df_valid_farms['مزرعه'].unique())
+    selected_farm_name = st.sidebar.selectbox(
+        "انتخاب مزرعه:",
+        options=available_farms,
+        index=0 # Default to the first farm in the filtered list
+    )
+
+    # Get selected farm details
+    selected_farm_data = df_valid_farms[df_valid_farms['مزرعه'] == selected_farm_name].iloc[0]
+    farm_lat = selected_farm_data['عرض جغرافیایی']
+    farm_lon = selected_farm_data['طول جغرافیایی']
+
+    # --- Display Selected Farm Info ---
+    st.sidebar.header("اطلاعات مزرعه انتخاب شده")
+    st.sidebar.markdown(f"**نام مزرعه:** {selected_farm_data['مزرعه']}")
+    st.sidebar.markdown(f"**کانال:** {selected_farm_data.get('کانال', 'N/A')}") # Use .get for optional columns
+    st.sidebar.markdown(f"**اداره:** {selected_farm_data.get('اداره', 'N/A')}")
+    st.sidebar.markdown(f"**مساحت داشت:** {selected_farm_data.get('مساحت داشت', 'N/A')}")
+    st.sidebar.markdown(f"**واریته:** {selected_farm_data.get('واریته', 'N/A')}")
+    st.sidebar.markdown(f"**سن:** {selected_farm_data.get('سن', 'N/A')}")
+    st.sidebar.markdown(f"**روز هفته:** {selected_farm_data['روزهای هفته']}")
+    st.sidebar.markdown(f"**مختصات:** ({farm_lat:.6f}, {farm_lon:.6f})")
+
+    # --- Map Section ---
+    st.header(f"نقشه و شاخص‌های مزرعه: {selected_farm_name}")
+
+    # Create AOI (Area of Interest) point and buffer
+    farm_point = ee.Geometry.Point([farm_lon, farm_lat])
+    aoi = farm_point.buffer(AOI_BUFFER_METERS)
+
+    # Define date range for analysis
+    end_date = datetime.now()
+    start_date = end_date - timedelta(days=DATE_RANGE_MONTHS * 30) # Approximate months
+    start_date_str = start_date.strftime('%Y-%m-%d')
+    end_date_str = end_date.strftime('%Y-%m-%d')
+
+    st.info(f"دوره زمانی تحلیل: {start_date_str} تا {end_date_str}")
+
+    # Get processed image collection
+    with st.spinner("در حال پردازش تصاویر ماهواره‌ای... لطفاً منتظر بمانید."):
+        image_collection = get_image_collection(aoi, start_date_str, end_date_str)
+
+        # Check if the collection is empty
+        collection_size = image_collection.size().getInfo()
+        if collection_size == 0:
+            st.warning("هیچ تصویر ماهواره‌ای مناسبی (بدون ابر) در محدوده زمانی و مکانی انتخاب شده یافت نشد.")
+            st.warning("لطفاً دوره زمانی را تغییر دهید یا منتظر تصاویر جدید بمانید.")
+            # Display a basic map without GEE layers if no images found
+            Map = geemap.Map(location=[farm_lat, farm_lon], zoom=DEFAULT_ZOOM, add_google_map=False)
+            Map.add_basemap("HYBRID")
+            # Add marker for the farm
+            folium.Marker(
+                location=[farm_lat, farm_lon],
+                popup=f"مزرعه: {selected_farm_name}\nLat: {farm_lat:.4f}, Lon: {farm_lon:.4f}",
+                tooltip=selected_farm_name,
+                icon=folium.Icon(color='green')
+            ).add_to(Map)
+            Map.add_layer_control()
+            Map.to_streamlit(height=600)
+            st.stop() # Stop further processing if no images
+
+        # Create a median composite image for visualization
+        median_image = image_collection.median().clip(aoi) # Clip to AOI for cleaner display
+
+    # --- Initialize Map ---
+    Map = geemap.Map(location=[farm_lat, farm_lon], zoom=DEFAULT_ZOOM, add_google_map=False)
+    Map.add_basemap("HYBRID") # Use Satellite Hybrid basemap
+
+    # --- Add Layers to Map ---
+    try:
+        # Add RGB Layer
+        Map.addLayer(median_image, rgb_vis, 'تصویر واقعی (RGB)')
+
+        # Add Index Layers
+        Map.addLayer(median_image.select('NDVI'), ndvi_vis, 'شاخص NDVI', True) # Show NDVI by default
+        Map.addLayer(median_image.select('EVI'), evi_vis, 'شاخص EVI', False)
+        Map.addLayer(median_image.select('NDMI'), ndmi_vis, 'شاخص رطوبت NDMI', False)
+        Map.addLayer(median_image.select('LAI'), lai_vis, 'شاخص سطح برگ (LAI تخمینی)', False)
+        Map.addLayer(median_image.select('Biomass_Proxy'), biomass_proxy_vis, 'پروکسی بیوماس (مبتنی بر NDVI)', False)
+
+        # Add marker for the selected farm
+        folium.Marker(
+            location=[farm_lat, farm_lon],
+            popup=f"مزرعه: {selected_farm_name}\nLat: {farm_lat:.4f}, Lon: {farm_lon:.4f}",
+            tooltip=selected_farm_name,
+            icon=folium.Icon(color='red', icon='info-sign')
+        ).add_to(Map)
+
+        # Add AOI boundary (optional)
+        Map.add_geojson(aoi.getInfo(), layer_name="محدوده تحلیل (AOI)", style={'color': 'yellow', 'fillOpacity': 0.0})
+
+        # Add Layer Control
+        Map.add_layer_control()
+
+        # Add Legends
+        Map.add_legend(title="NDVI", builtin_legend='NDVI', palette=ndvi_vis['palette'])
+        # Add other legends if needed, position them carefully
+        # Map.add_legend(title="EVI", palette=evi_vis['palette'], min=evi_vis['min'], max=evi_vis['max'], position='bottomright')
+        # Map.add_legend(title="NDMI", palette=ndmi_vis['palette'], min=ndmi_vis['min'], max=ndmi_vis['max'], position='bottomright')
+
+        # --- Display Map ---
+        Map.to_streamlit(height=600) # Adjust height as needed
+
+    except ee.EEException as e:
+        st.error(f"خطا در پردازش یا نمایش لایه‌های نقشه: {e}")
+        st.error("ممکن است مشکلی در داده‌های GEE یا محاسبه شاخص‌ها وجود داشته باشد.")
+    except Exception as e:
+         st.error(f"یک خطای غیرمنتظره در نمایش نقشه رخ داد: {e}")
+
+
+    # --- Time Series Charts Section ---
+    st.header("نمودارهای زمانی شاخص‌ها")
+    st.markdown(f"روند تغییرات شاخص‌ها برای مزرعه **{selected_farm_name}** در {DATE_RANGE_MONTHS} ماه گذشته")
+
+    # Select indices for charting
+    indices_to_chart = ['NDVI', 'EVI', 'NDMI', 'LAI', 'Biomass_Proxy']
+    selected_indices = st.multiselect(
+        "انتخاب شاخص‌ها برای نمایش در نمودار:",
+        options=indices_to_chart,
+        default=['NDVI', 'EVI'] # Default selections
+    )
+
+    if selected_indices:
+        with st.spinner("در حال تولید نمودارهای زمانی..."):
+            try:
+                # Use geemap's built-in charting capabilities if possible, or extract data
+                # geemap's chart functions might require different setup for streamlit
+                # Alternative: Extract data and plot with Streamlit/Altair/Plotly
+
+                # Extract time series data
+                ts_data = image_collection.select(selected_indices).map(lambda image: image.reduceRegion(
                     reducer=ee.Reducer.mean(),
                     geometry=aoi,
-                    scale=10
-                ).get(selected_index).getInfo()
-                
-                if mean_value is not None:
-                    st.metric(f"میانگین {selected_index} مزرعه {selected_farm}", f"{mean_value:.4f}")
-            else:
-                st.warning("تصویر ماهواره‌ای مناسبی برای بازه زمانی انتخاب شده یافت نشد. لطفاً بازه زمانی دیگری را انتخاب کنید.")
-    
-    with tab2:
-        if apply_filters and selected_farm:
-            # دریافت مختصات مزرعه انتخاب شده
-            farm_data = filtered_df[filtered_df['مزرعه'] == selected_farm].iloc[0]
-            center_lat = farm_data['عرض جغرافیایی']
-            center_lon = farm_data['طول جغرافیایی']
-            
-            # ایجاد منطقه مورد نظر (AOI)
-            point = ee.Geometry.Point([center_lon, center_lat])
-            aoi = point.buffer(500)
-            
-            # انتخاب بازه زمانی برای نمودار
-            time_interval = st.radio("انتخاب بازه زمانی", ["روزانه", "هفتگی", "ماهانه"], horizontal=True)
-            interval_map = {"روزانه": "day", "هفتگی": "week", "ماهانه": "month"}
-            
-            # ایجاد نمودار زمانی
-            time_series_df = create_time_series(aoi, selected_index, start_date, end_date, interval_map[time_interval])
-            
-            if time_series_df is not None and not time_series_df.empty:
-                fig = px.line(time_series_df, x='Date', y=selected_index, 
-                             title=f"نمودار زمانی {selected_index} برای مزرعه {selected_farm}")
-                fig.update_layout(xaxis_title="تاریخ", yaxis_title=selected_index)
-                st.plotly_chart(fig, use_container_width=True)
-                
-                # نمایش داده‌های نمودار
-                st.dataframe(time_series_df)
-                
-                # دکمه دانلود داده‌های نمودار
-                csv = time_series_df.to_csv(index=False)
-                b64 = base64.b64encode(csv.encode()).decode()
-                href = f'<a href="data:file/csv;base64,{b64}" download="time_series_data.csv">دانلود داده‌های نمودار</a>'
-                st.markdown(href, unsafe_allow_html=True)
-            else:
-                st.warning("داده‌ای برای نمایش نمودار زمانی یافت نشد. لطفاً بازه زمانی دیگری را انتخاب کنید.")
-    
-    with tab3:
-        if apply_filters:
-            st.subheader("مقایسه مزارع")
-            
-            # انتخاب مزارع برای مقایسه
-            farms_to_compare = st.multiselect("انتخاب مزارع برای مقایسه", farm_ids, default=[selected_farm] if selected_farm else [])
-            
-            if farms_to_compare:
-                # ایجاد دیکشنری برای ذخیره مقادیر شاخص‌ها
-                index_values = {}
-                
-                # محاسبه مقادیر شاخص‌ها برای هر مزرعه
-                for farm_id in farms_to_compare:
-                    farm_data = filtered_df[filtered_df['مزرعه'] == farm_id].iloc[0]
-                    center_lat = farm_data['عرض جغرافیایی']
-                    center_lon = farm_data['طول جغرافیایی']
-                    
-                    point = ee.Geometry.Point([center_lon, center_lat])
-                    aoi = point.buffer(500)
-                    
-                    imagery = get_sentinel_imagery(start_date.strftime('%Y-%m-%d'), 
-                                                 end_date.strftime('%Y-%m-%d'), 
-                                                 aoi)
-                    
-                    if imagery is not None:
-                        # محاسبه میانگین شاخص‌ها
-                        values = {}
-                        for index_name in indices:
-                            mean_value = imagery.select(index_name).reduceRegion(
-                                reducer=ee.Reducer.mean(),
-                                geometry=aoi,
-                                scale=10
-                            ).get(index_name).getInfo()
-                            
-                            if mean_value is not None:
-                                values[index_name] = mean_value
-                        
-                        index_values[farm_id] = values
-                
-                # ایجاد دیتافریم برای مقایسه
-                comparison_data = []
-                for farm_id in farms_to_compare:
-                    if farm_id in index_values:
-                        row = {'مزرعه': farm_id}
-                        row.update(index_values[farm_id])
-                        comparison_data.append(row)
-                
-                if comparison_data:
-                    comparison_df = pd.DataFrame(comparison_data)
-                    
-                    # نمایش جدول مقایسه
-                    st.dataframe(comparison_df)
-                    
-                    # ایجاد نمودار مقایسه‌ای
-                    if len(comparison_df) > 1:  # اگر بیش از یک مزرعه انتخاب شده باشد
-                        fig = go.Figure()
-                        
-                        for index_name in indices:
-                            if index_name in comparison_df.columns:
-                                fig.add_trace(go.Bar(
-                                    x=comparison_df['مزرعه'],
-                                    y=comparison_df[index_name],
-                                    name=index_name
-                                ))
-                        
-                        fig.update_layout(
-                            title="مقایسه شاخص‌ها بین مزارع",
-                            xaxis_title="مزرعه",
-                            yaxis_title="مقدار شاخص",
-                            barmode='group'
-                        )
-                        
-                        st.plotly_chart(fig, use_container_width=True)
-                    
-                    # دکمه دانلود داده‌های مقایسه
-                    csv = comparison_df.to_csv(index=False)
-                    b64 = base64.b64encode(csv.encode()).decode()
-                    href = f'<a href="data:file/csv;base64,{b64}" download="comparison_data.csv">دانلود داده‌های مقایسه</a>'
-                    st.markdown(href, unsafe_allow_html=True)
+                    scale=30 # Adjust scale based on data resolution (10m for Sentinel-2 relevant bands)
+                ).set('system:time_start', image.get('system:time_start')))
+
+                # Filter out null results
+                ts_data_filtered = ts_data.filter(ee.Filter.notNull(ts_data.first().keys()))
+
+                # Get data to client-side (can be slow for long series/many indices)
+                ts_list = ts_data_filtered.getInfo()['features']
+
+                if not ts_list:
+                    st.warning("داده‌ای برای رسم نمودار در این دوره یافت نشد.")
                 else:
-                    st.warning("داده‌ای برای مقایسه مزارع یافت نشد.")
-            else:
-                st.info("لطفاً حداقل یک مزرعه را برای مقایسه انتخاب کنید.")
+                    # Convert to Pandas DataFrame for easier plotting
+                    data_for_df = []
+                    for feature in ts_list:
+                        props = feature['properties']
+                        row = {'date': datetime.fromtimestamp(props['system:time_start'] / 1000.0)}
+                        for index_name in selected_indices:
+                            # Check if index exists in properties (might be null if calculation failed for that image)
+                            row[index_name] = props.get(index_name)
+                        data_for_df.append(row)
+
+                    df_chart = pd.DataFrame(data_for_df)
+                    df_chart = df_chart.set_index('date')
+                    df_chart = df_chart.dropna(axis=1, how='all') # Drop columns if all values are NaN
+                    df_chart = df_chart.dropna(axis=0, how='any') # Drop rows with any NaN for cleaner plot
+
+                    if not df_chart.empty and not df_chart.columns.intersection(selected_indices).empty:
+                         # Melt DataFrame for Altair/Streamlit native charts
+                        df_melt = df_chart.reset_index().melt('date', var_name='شاخص', value_name='مقدار')
+
+                        # Display line chart using Streamlit's native charting
+                        st.line_chart(df_chart[selected_indices])
+
+                        # Or use Altair for more customization (optional)
+                        # import altair as alt
+                        # chart = alt.Chart(df_melt).mark_line(point=True).encode(
+                        #     x='date:T',
+                        #     y='مقدار:Q',
+                        #     color='شاخص:N',
+                        #     tooltip=['date:T', 'شاخص:N', 'مقدار:Q']
+                        # ).interactive()
+                        # st.altair_chart(chart, use_container_width=True)
+
+                        # Display data table
+                        st.subheader("داده‌های نمودار")
+                        st.dataframe(df_chart.style.format("{:.3f}"))
+                    else:
+                         st.warning("داده معتبری برای رسم نمودار پس از پردازش یافت نشد.")
+
+
+            except ee.EEException as e:
+                st.error(f"خطا در دریافت داده‌های سری زمانی از GEE: {e}")
+            except Exception as e:
+                st.error(f"خطا در پردازش یا نمایش نمودار: {e}")
+    else:
+        st.info("لطفاً حداقل یک شاخص را برای نمایش نمودار انتخاب کنید.")
+
+    # --- Farm Ranking Table (Placeholder/Simplified) ---
+    # Note: Calculating indices for ALL farms dynamically can be very slow.
+    # This section shows data for the SELECTED farm as an example.
+    # A full ranking would require pre-calculation or a different architecture.
+    st.header("مقایسه شاخص‌ها (مزرعه انتخاب شده)")
+    try:
+        # Calculate average values for the selected farm over the period
+        mean_values = median_image.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=aoi,
+            scale=30 # Match chart scale
+        ).getInfo() # GetInfo fetches the result
+
+        if mean_values:
+            # Prepare data for table display
+            farm_summary_data = {
+                "شاخص": list(mean_values.keys()),
+                "مقدار میانگین (در دوره)": [f"{v:.3f}" if isinstance(v, (int, float)) else v for v in mean_values.values()]
+            }
+            df_summary = pd.DataFrame(farm_summary_data)
+            st.dataframe(df_summary)
+        else:
+            st.warning("مقادیر میانگین برای مزرعه انتخاب شده قابل محاسبه نبود.")
+
+    except ee.EEException as e:
+        st.error(f"خطا در محاسبه مقادیر میانگین برای جدول: {e}")
+    except Exception as e:
+        st.error(f"خطای غیرمنتظره در بخش جدول مقایسه: {e}")
+
+    # --- Download Map (Placeholder) ---
+    # Note: Downloading the current map view from geemap/folium within Streamlit
+    # can be complex. Offering download of the composite image might be more feasible.
+    # st.header("دانلود نقشه")
+    # st.info("قابلیت دانلود مستقیم نقشه در حال توسعه است.")
+    # Add a button to download the mean values data as CSV
+    try:
+        if 'df_summary' in locals() and not df_summary.empty:
+             csv_summary = df_summary.to_csv(index=False).encode('utf-8')
+             st.download_button(
+                 label="دانلود خلاصه شاخص‌ها (CSV)",
+                 data=csv_summary,
+                 file_name=f'summary_{selected_farm_name}_{selected_day}.csv',
+                 mime='text/csv',
+             )
+    except NameError: # df_summary might not exist if calculation failed
+         pass
+    except Exception as e:
+         st.error(f"خطا در ایجاد دکمه دانلود CSV: {e}")
+
 
-# اجرای برنامه
+# ==============================================================================
+# Run the App
+# ==============================================================================
 if __name__ == "__main__":
-    main()
+    main()