Update app.py

app.py

@@ -244,15 +244,6 @@ def display_metric_card(title, value, icon="📊"):
     </div>
     """, unsafe_allow_html=True)
 
-# تابع برای تبدیل ستون به مقادیر عددی با مدیریت خطا
-def convert_to_numeric(df, column_name):
-    try:
-        # تلاش برای تبدیل ستون به عدد و جایگزینی خطاها با NaN
-        return pd.to_numeric(df[column_name], errors='coerce')
-    except Exception as e:
-        st.warning(f"خطا در تبدیل ستون {column_name} به عدد: {e}")
-        return pd.Series([np.nan] * len(df))
-
 # تابع برای بارگذاری داده‌های مزارع نیشکر
 def load_farm_data():
     try:
@@ -262,28 +253,20 @@ def load_farm_data():
         # بارگذاری فایل پایگاه داده مزارع
         farm_database = pd.read_csv('پایگاه داده (1).csv')
         
-        # تبدیل ستون‌های عددی به عدد با مدیریت خطا
-        if 'سن' in farm_coordinates.columns:
-            farm_coordinates['سن'] = convert_to_numeric(farm_coordinates, 'سن')
-        
-        if 'سن' in farm_database.columns:
-            farm_database['سن'] = convert_to_numeric(farm_database, 'سن')
-        
-        if 'مساحت' in farm_database.columns:
-            farm_database['مساحت'] = convert_to_numeric(farm_database, 'مساحت')
-        
-        if 'مساحت زیرمجموعه' in farm_database.columns:
-            farm_database['مساحت زیرمجموعه'] = convert_to_numeric(farm_database, 'مساحت زیرمجموعه')
-        
         # ادغام داده‌ها بر اساس ستون مزرعه
         merged_data = pd.merge(farm_database, farm_coordinates, on='مزرعه', how='inner')
         
+        # تبدیل ستون‌های سن به نوع عددی
+        if 'سن_x' in merged_data.columns:
+            merged_data['سن_x'] = pd.to_numeric(merged_data['سن_x'], errors='coerce')
+        if 'سن' in merged_data.columns:
+            merged_data['سن'] = pd.to_numeric(merged_data['سن'], errors='coerce')
+        
         return farm_coordinates, farm_database, merged_data
     except Exception as e:
         st.error(f"خطا در بارگذاری داده‌ها: {e}")
         
         # ایجاد داده‌های نمونه در صورت عدم وجود فایل‌ها
-        # داده‌های نمونه برای مختصات مزارع
         farm_coordinates = pd.DataFrame({
             'مزرعه': [f'مزرعه {i}' for i in range(1, 21)],
             'سن': np.random.randint(1, 10, 20),
@@ -292,7 +275,6 @@ def load_farm_data():
             'عرض جغرافیایی': np.random.uniform(31.0, 32.0, 20)
         })
         
-        # داده‌های نمونه برای پایگاه داده مزارع
         days = ['شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه']
         farm_database = pd.DataFrame({
             'مزرعه': [f'مزرعه {i}' for i in range(1, 21)],
@@ -309,26 +291,28 @@ def load_farm_data():
         # ادغام داده‌ها
         merged_data = pd.merge(farm_database, farm_coordinates, on='مزرعه', how='inner')
         
+        # تبدیل ستون‌های سن به نوع عددی
+        if 'سن_x' in merged_data.columns:
+            merged_data['سن_x'] = pd.to_numeric(merged_data['سن_x'], errors='coerce')
+        if 'سن' in merged_data.columns:
+            merged_data['سن'] = pd.to_numeric(merged_data['سن'], errors='coerce')
+        
         return farm_coordinates, farm_database, merged_data
 
 # تابع برای ایجاد نقشه مزارع
 def create_farm_map(df, selected_farms=None):
-    # ایجاد نقشه با مرکزیت میانگین مختصات
     center_lat = df['عرض جغرافیایی'].mean()
     center_lon = df['طول جغرافیایی'].mean()
     m = folium.Map(location=[center_lat, center_lon], zoom_start=10)
     
-    # اضافه کردن لایه‌های مختلف
     folium.TileLayer('openstreetmap').add_to(m)
     folium.TileLayer('Stamen Terrain').add_to(m)
     folium.TileLayer('Stamen Toner').add_to(m)
     folium.TileLayer('Stamen Watercolor').add_to(m)
     folium.TileLayer('CartoDB positron').add_to(m)
     
-    # اضافه کردن کنترل لایه‌ها
     folium.LayerControl().add_to(m)
     
-    # اضافه کردن مارکرها برای هر مزرعه
     for idx, row in df.iterrows():
         color = 'green'
         if selected_farms is not None and row['مزرعه'] in selected_farms:
@@ -357,7 +341,6 @@ def create_farm_map(df, selected_farms=None):
 
 # تابع برای ایجاد نمودارهای تحلیلی
 def create_analysis_charts(df):
-    # نمودار توزیع واریته
     variety_column = 'واریته' if 'واریته' in df.columns else 'تنوع'
     fig_variety = px.pie(
         df, 
@@ -371,7 +354,6 @@ def create_analysis_charts(df):
         title_font_size=20
     )
     
-    # ن��ودار سن مزارع
     age_column = 'سن_x' if 'سن_x' in df.columns else 'سن'
     fig_age = px.histogram(
         df, 
@@ -387,7 +369,6 @@ def create_analysis_charts(df):
         title_font_size=20
     )
     
-    # نمودار مساحت مزارع
     if 'مساحت' in df.columns:
         fig_area = px.scatter(
             df, 
@@ -412,7 +393,6 @@ def create_analysis_charts(df):
 
 # تابع برای ایجاد مدل پیش‌بینی
 def create_prediction_model(df):
-    # ایجاد داده‌های نمونه برای سری زمانی
     dates = pd.date_range(end=datetime.now(), periods=90)
     farm_ids = df['مزرعه'].unique()
     
@@ -422,16 +402,15 @@ def create_prediction_model(df):
         base_height = np.random.uniform(0.5, 3.0)
         
         for date in dates:
-            # شبیه‌سازی رشد با الگوی سینوسی + روند
             day_of_year = date.dayofyear
             seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
             trend_factor = date.dayofyear / 365 * 0.3
             
             ndvi = base_ndvi + seasonal_factor + trend_factor + np.random.normal(0, 0.05)
-            ndvi = max(0, min(1, ndvi))  # محدود کردن به بازه 0 تا 1
+            ndvi = max(0, min(1, ndvi))
             
             height = base_height + seasonal_factor * 2 + trend_factor + np.random.normal(0, 0.1)
-            height = max(0, height)  # ارتفاع نمی‌تواند منفی باشد
+            height = max(0, height)
             
             time_series_data.append({
                 'farm_id': farm_id,
@@ -444,22 +423,17 @@ def create_prediction_model(df):
     
     time_df = pd.DataFrame(time_series_data)
     
-    # ایجاد ویژگی‌ها برای مدل
     X = time_df[['ndvi', 'day_of_year', 'month']].values
     y = time_df['height'].values
     
-    # تقسیم داده‌ها به آموزش و آزمون
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
     
-    # آموزش مدل
     model = RandomForestRegressor(n_estimators=100, random_state=42)
     model.fit(X_train, y_train)
     
-    # ارزیابی مدل
     y_pred = model.predict(X_test)
     mse = mean_squared_error(y_test, y_pred)
     
-    # ایجاد نمودار برای نمایش نتایج
     results_df = pd.DataFrame({
         'Actual': y_test,
         'Predicted': y_pred
@@ -488,8 +462,7 @@ def create_prediction_model(df):
         title_font_size=20
     )
     
-    # ایجاد نمودار سری زمانی
-    farm_id = farm_ids[0]  # انتخاب اولین مزرعه برای نمایش
+    farm_id = farm_ids[0]
     farm_data = time_df[time_df['farm_id'] == farm_id]
     
     fig_ts = px.line(
@@ -515,7 +488,6 @@ farm_coordinates, farm_database, merged_data = load_farm_data()
 # منوی اصلی
 st.title("🌱 سامانه مانیتورینگ مزارع نیشکر")
 
-# منوی افقی
 tabs = st.tabs([
     "📊 داشبورد", 
     "🗺️ نقشه مزارع", 
@@ -525,11 +497,9 @@ tabs = st.tabs([
     "⚙️ تنظیمات"
 ])
 
-# تب داشبورد
 with tabs[0]:
     st.header("داشبورد مدیریت مزارع نیشکر")
     
-    # کارت‌های اطلاعاتی
     col1, col2, col3, col4 = st.columns(4)
     
     with col1:
@@ -540,41 +510,18 @@ with tabs[0]:
         display_metric_card("تعداد واریته‌ها", unique_varieties, "🌿")
     
     with col3:
-        # محاسبه میانگین سن با مدیریت خطا
-        try:
-            age_column = 'سن_x' if 'سن_x' in merged_data.columns else 'سن'
-            # تبدیل به عدد با مدیریت خطا
-            age_values = pd.to_numeric(merged_data[age_column], errors='coerce')
-            # محاسبه میانگین با نادیده گرفتن مقادیر NaN
-            avg_age = age_values.mean()
-            if pd.isna(avg_age):
-                display_metric_card("میانگین سن", "نامشخص", "📅")
-            else:
-                display_metric_card("میانگین سن", f"{avg_age:.1f} سال", "📅")
-        except Exception as e:
-            st.warning(f"خطا در محاسبه میانگین سن: {e}")
-            display_metric_card("میانگین سن", "نامشخص", "📅")
+        avg_age = merged_data['سن_x'].mean() if 'سن_x' in merged_data.columns else merged_data['سن'].mean()
+        display_metric_card("میانگین سن", f"{avg_age:.1f} سال", "📅")
     
     with col4:
         if 'مساحت' in merged_data.columns:
-            try:
-                # تبدیل به عدد با مدیریت خطا
-                area_values = pd.to_numeric(merged_data['مساحت'], errors='coerce')
-                # محاسبه مجموع با نادیده گرفتن مقادیر NaN
-                total_area = area_values.sum()
-                if pd.isna(total_area):
-                    display_metric_card("مساحت کل", "نامشخص", "📏")
-                else:
-                    display_metric_card("مساحت کل", f"{total_area:.1f} هکتار", "📏")
-            except Exception as e:
-                st.warning(f"خطا در محاسبه مساحت کل: {e}")
-                display_metric_card("مساحت کل", "نامشخص", "📏")
+            total_area = merged_data['مساحت'].sum()
+            display_metric_card("مساحت کل", f"{total_area:.1f} هکتار", "📏")
         else:
             display_metric_card("تعداد کانال‌ها", len(merged_data['کانال'].unique()) if 'کانال' in merged_data.columns else "نامشخص", "🚿")
     
     st.markdown("---")
     
-    # نمودارهای تحلیلی
     st.subheader("تحلیل کلی مزارع")
     
     col1, col2 = st.columns(2)
@@ -588,10 +535,8 @@ with tabs[0]:
         if fig_area:
             st.plotly_chart(fig_area, use_container_width=True)
         
-        # جدول اطلاعات مزارع
         st.subheader("اطلاعات مزارع")
         
-        # انتخاب ستون‌های مهم برای نمایش
         if 'مساحت' in merged_data.columns:
             display_columns = ['مزرعه', 'کانال', 'اداره', 'سن_x', 'واریته', 'مساحت', 'روز']
             column_config = {
@@ -619,7 +564,6 @@ with tabs[0]:
             hide_index=True
         )
 
-# تب نقشه مزارع
 with tabs[1]:
     st.header("نقشه مزارع نیشکر")
     
@@ -628,16 +572,13 @@ with tabs[1]:
     with col1:
         st.subheader("فیلتر مزارع")
         
-        # فیلتر بر اساس روز هفته
         days = ['همه روزها', 'شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه']
         selected_day = st.selectbox("انتخاب روز هفته", days)
         
-        # فیلتر بر اساس واریته
         variety_column = 'واریته' if 'واریته' in merged_data.columns else 'تنوع'
         varieties = ['همه واریته‌ها'] + list(merged_data[variety_column].unique())
         selected_variety = st.selectbox("انتخاب واریته", varieties)
         
-        # فیلتر بر اساس سن
         age_column = 'سن_x' if 'سن_x' in merged_data.columns else 'سن'
         min_age, max_age = int(merged_data[age_column].min()), int(merged_data[age_column].max())
         age_range = st.slider(
@@ -647,7 +588,6 @@ with tabs[1]:
             value=(min_age, max_age)
         )
         
-        # اعمال فیلترها
         filtered_df = merged_data.copy()
         
         if selected_day != 'همه روزها' and 'روز' in filtered_df.columns:
@@ -661,14 +601,12 @@ with tabs[1]:
         st.write(f"تعداد مزارع نمایش داده شده: {len(filtered_df)}")
     
     with col2:
-        # نمایش نقشه
         if len(filtered_df) > 0:
             farm_map = create_farm_map(filtered_df)
             folium_static(farm_map, width=800, height=500)
         else:
             st.warning("هیچ مزرعه‌ای با فیلترهای انتخاب شده یافت نشد.")
 
-# تب ورود اطلاعات
 with tabs[2]:
     st.header("ورود و آپلود اطلاعات")
     
@@ -680,14 +618,12 @@ with tabs[2]:
         col1, col2 = st.columns(2)
         
         with col1:
-            # انتخاب مزرعه موجود یا ایجاد مزرعه جدید
             option = st.radio("انتخاب گزینه", ["ویرایش مزرعه موجود", "ایجاد مزرعه جدید"])
             
             if option == "ویرایش مزرعه موجود":
                 farm_name = st.selectbox("انتخاب مزرعه", merged_data['مزرعه'].tolist())
                 selected_farm = merged_data[merged_data['مزرعه'] == farm_name].iloc[0]
                 
-                # فیلدهای ورودی بر اساس ستون‌های موجود
                 if 'کانال' in merged_data.columns:
                     canal = st.text_input("کانال", value=selected_farm['کانال'])
                     office = st.text_input("اداره", value=selected_farm['اداره'])
@@ -706,10 +642,8 @@ with tabs[2]:
                 if st.button("بروزرسانی اطلاعات"):
                     st.success("اطلاعات مزرعه با موفقیت بروزرسانی شد.")
             else:
-                # ایجاد مزرعه جدید
                 farm_name = st.text_input("نام مزرعه", value=f"مزرعه جدید")
                 
-                # فیلدهای ورودی بر اساس ستون‌های موجود
                 if 'کانال' in merged_data.columns:
                     canal = st.text_input("کانال")
                     office = st.text_input("اداره")
@@ -727,11 +661,9 @@ with tabs[2]:
                     st.success("مزرعه جدید با موفقیت ثبت شد.")
         
         with col2:
-            # نمایش نقشه برای انتخاب موقعیت
             st.subheader("انتخاب موقعیت روی نقشه")
             st.write("برای انتخاب موقعیت دقیق، روی نقشه کلیک کنید.")
             
-            # نمایش نقشه
             center_lat = merged_data['عرض جغرافیایی'].mean()
             center_lon = merged_data['طول جغرافیایی'].mean()
             m = folium.Map(location=[center_lat, center_lon], zoom_start=10)
@@ -790,7 +722,6 @@ with tabs[2]:
             except Exception as e:
                 st.error(f"خطا در خواندن فایل: {e}")
 
-# تب تحلیل داده‌ها
 with tabs[3]:
     st.header("تحلیل داده‌ها")
     
@@ -799,35 +730,27 @@ with tabs[3]:
     with analysis_tabs[0]:
         st.subheader("محاسبه و نمایش شاخص‌های گیاهی")
         
-        # اتصال به Google Earth Engine
         ee_connected = initialize_earth_engine()
         
         if ee_connected:
-            # انتخاب مزرعه
             farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_indices")
             selected_farm = merged_data[merged_data['مزرعه'] == farm_name].iloc[0]
             
-            # انتخاب تاریخ
             date = st.date_input("انتخاب تاریخ", value=datetime.now() - timedelta(days=7))
             
             if st.button("محاسبه شاخص‌ها"):
                 with st.spinner("در حال محاسبه شاخص‌ها..."):
-                    # ایجاد geometry برای مزرعه
                     point = ee.Geometry.Point([selected_farm['طول جغرافیایی'], selected_farm['عرض جغرافیایی']])
-                    buffer = point.buffer(100)  # بافر 100 متری
+                    buffer = point.buffer(100)
                     
-                    # محاسبه شاخص‌ها
                     indices = calculate_indices(date.strftime('%Y-%m-%d'), buffer)
                     
                     if indices is not None:
-                        # نمایش نتایج
                         st.success("شاخص‌ها با موفقیت محاسبه شدند.")
                         
-                        # ایجاد نقشه برای نمایش شاخص‌ها
                         Map = geemap.Map()
                         Map.centerObject(buffer, 14)
                         
-                        # اضافه کردن لایه‌های مختلف
                         vis_params = {
                             'min': 0,
                             'max': 1,
@@ -841,13 +764,10 @@ with tabs[3]:
                         Map.addLayer(indices.select('LAI'), {'min': 0, 'max': 5, 'palette': ['red', 'yellow', 'green']}, 'LAI')
                         Map.addLayer(indices.select('CHL'), {'min': 0, 'max': 3, 'palette': ['red', 'yellow', 'green']}, 'CHL')
                         
-                        # اضافه کردن کنترل لایه‌ها
                         Map.addLayerControl()
                         
-                        # نمایش نقشه
                         Map.to_streamlit(height=500)
                         
-                        # نمایش مقادیر میانگین
                         col1, col2, col3 = st.columns(3)
                         
                         with col1:
@@ -867,16 +787,12 @@ with tabs[3]:
     with analysis_tabs[1]:
         st.subheader("تحلیل سری زمانی")
         
-        # ایجاد مدل و نمودارها
         model, fig_model, fig_ts, time_df = create_prediction_model(merged_data)
         
-        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_ts")
         
-        # فیلتر داده‌ها برای مزرعه انتخاب شده
         farm_time_data = time_df[time_df['farm_id'] == farm_name]
         
-        # نمایش نمودار سری زمانی
         fig_farm_ts = px.line(
             farm_time_data, 
             x='date', 
@@ -894,19 +810,16 @@ with tabs[3]:
         
         st.plotly_chart(fig_farm_ts, use_container_width=True)
         
-        # تحلیل روند
         st.subheader("تحلیل روند")
         
         col1, col2 = st.columns(2)
         
         with col1:
-            # محاسبه میانگین متحرک
             window_size = st.slider("اندازه پنجره میانگین متحرک", min_value=3, max_value=30, value=7)
             
             farm_time_data['ndvi_ma'] = farm_time_data['ndvi'].rolling(window=window_size).mean()
             farm_time_data['height_ma'] = farm_time_data['height'].rolling(window=window_size).mean()
             
-            # نمایش نمودار میانگین متحرک
             fig_ma = px.line(
                 farm_time_data.dropna(), 
                 x='date', 
@@ -925,7 +838,6 @@ with tabs[3]:
             st.plotly_chart(fig_ma, use_container_width=True)
         
         with col2:
-            # تحلیل فصلی
             monthly_data = farm_time_data.groupby('month').agg({
                 'ndvi': 'mean',
                 'height': 'mean'
@@ -952,18 +864,14 @@ with tabs[3]:
     with analysis_tabs[2]:
         st.subheader("تشخیص تنش‌ها")
         
-        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_stress")
         
-        # ایجاد داده‌های نمونه برای تنش‌ها
         dates = pd.date_range(end=datetime.now(), periods=90)
         stress_data = []
         
-        # شبیه‌سازی تنش آبی
         water_stress_threshold = 0.3
         base_ndwi = np.random.uniform(0.2, 0.5)
         
-        # شبیه‌سازی تنش بیماری
         disease_threshold = 0.4
         base_chl = np.random.uniform(1.5, 2.5)
         
@@ -971,7 +879,6 @@ with tabs[3]:
             day_of_year = date.dayofyear
             seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
             
-            # شبیه‌سازی تنش آبی در روزهای خاص
             water_stress_event = False
             if 30 <= day_of_year <= 40 or 70 <= day_of_year <= 75:
                 water_stress_event = True
@@ -979,7 +886,6 @@ with tabs[3]:
             else:
                 ndwi = base_ndwi + seasonal_factor + np.random.normal(0, 0.05)
             
-            # شبیه‌سازی تنش بیماری در روزهای خاص
             disease_event = False
             if 50 <= day_of_year <= 60:
                 disease_event = True
@@ -987,7 +893,6 @@ with tabs[3]:
             else:
                 chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
             
-            # محدود کردن مقادیر
             ndwi = max(-0.5, min(0.8, ndwi))
             chl = max(0.5, min(3.0, chl))
             
@@ -998,15 +903,13 @@ with tabs[3]:
                 'water_stress': 1 if ndwi < water_stress_threshold else 0,
                 'disease_stress': 1 if chl < disease_threshold else 0,
                 'water_stress_event': water_stress_event,
-                'disease_stress_event': disease_stress_event
+                'disease_stress_event': disease_event
             })
         
         stress_df = pd.DataFrame(stress_data)
         
-        # نمایش نمودار تنش‌ها
         fig_stress = go.Figure()
         
-        # اضافه کردن NDWI
         fig_stress.add_trace(go.Scatter(
             x=stress_df['date'],
             y=stress_df['ndwi'],
@@ -1014,7 +917,6 @@ with tabs[3]:
             line=dict(color='blue')
         ))
         
-        # اضافه کردن CHL
         fig_stress.add_trace(go.Scatter(
             x=stress_df['date'],
             y=stress_df['chl'],
@@ -1023,7 +925,6 @@ with tabs[3]:
             yaxis='y2'
         ))
         
-        # اضافه کردن خط آستانه تنش آبی
         fig_stress.add_shape(
             type='line',
             x0=stress_df['date'].min(),
@@ -1034,7 +935,6 @@ with tabs[3]:
             name='آستانه تنش آبی'
         )
         
-        # اضافه کردن خط آستانه تنش بیماری
         fig_stress.add_shape(
             type='line',
             x0=stress_df['date'].min(),
@@ -1046,7 +946,6 @@ with tabs[3]:
             name='آستانه تنش بیماری'
         )
         
-        # تنظیمات نمودار
         fig_stress.update_layout(
             title='تشخیص تنش‌های آبی و بیماری',
             font_family="Vazirmatn",
@@ -1077,13 +976,11 @@ with tabs[3]:
         
         st.plotly_chart(fig_stress, use_container_width=True)
         
-        # نمایش هشدارها
         st.subheader("هشدارهای تنش")
         
         col1, col2 = st.columns(2)
         
         with col1:
-            # هشدارهای تنش آبی
             water_stress_days = stress_df[stress_df['water_stress'] == 1]
             
             if len(water_stress_days) > 0:
@@ -1101,7 +998,6 @@ with tabs[3]:
                 st.success("هیچ تنش آبی تشخیص داده نشده است.")
         
         with col2:
-            # هشدارهای تنش بیماری
             disease_stress_days = stress_df[stress_df['disease_stress'] == 1]
             
             if len(disease_stress_days) > 0:
@@ -1121,13 +1017,10 @@ with tabs[3]:
     with analysis_tabs[3]:
         st.subheader("پیش‌بینی رشد")
         
-        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای پیش‌بینی", merged_data['مزرعه'].tolist(), key="farm_select_predict")
         
-        # فیلتر داده‌ها برای مزرعه انتخاب شده
         farm_time_data = time_df[time_df['farm_id'] == farm_name]
         
-        # تنظیمات پیش‌بینی
         st.subheader("تنظیمات پ��ش‌بینی")
         
         col1, col2 = st.columns(2)
@@ -1140,7 +1033,6 @@ with tabs[3]:
         
         if st.button("انجام پیش‌بینی"):
             with st.spinner("در حال انجام پیش‌بینی..."):
-                # ایجاد داده‌های آینده برای پیش‌بینی
                 last_date = farm_time_data['date'].max()
                 future_dates = pd.date_range(start=last_date + timedelta(days=1), periods=days_to_predict)
                 
@@ -1154,7 +1046,6 @@ with tabs[3]:
                 
                 future_df = pd.DataFrame(future_data)
                 
-                # پیش‌بینی NDVI برای روزهای آینده (با الگوی سینوسی + روند)
                 base_ndvi = farm_time_data['ndvi'].iloc[-1]
                 future_ndvi = []
                 
@@ -1162,38 +1053,28 @@ with tabs[3]:
                     seasonal_factor = np.sin(day / 365 * 2 * np.pi) * 0.2
                     trend_factor = day / 365 * 0.1
                     ndvi = base_ndvi + seasonal_factor + trend_factor
-                    ndvi = max(0, min(1, ndvi))  # محدود کردن به بازه 0 تا 1
+                    ndvi = max(0, min(1, ndvi))
                     future_ndvi.append(ndvi)
                 
                 future_df['ndvi'] = future_ndvi
                 
-                # پیش‌بینی ارتفاع با استفاده از مدل
                 X_future = future_df[['ndvi', 'day_of_year', 'month']].values
                 future_df['height'] = model.predict(X_future)
                 
-                # محاسبه فاصله اطمینان
-                z_score = {
-                    90: 1.645,
-                    95: 1.96,
-                    99: 2.576
-                }.get(confidence_interval, 1.96)
-                
+                z_score = {90: 1.645, 95: 1.96, 99: 2.576}.get(confidence_interval, 1.96)
                 mse = mean_squared_error(y_test, y_pred)
                 std_dev = np.sqrt(mse)
                 
                 future_df['height_lower'] = future_df['height'] - z_score * std_dev
                 future_df['height_upper'] = future_df['height'] + z_score * std_dev
                 
-                # ترکیب داده‌های گذشته و آینده
                 combined_df = pd.concat([
                     farm_time_data[['date', 'ndvi', 'height']],
                     future_df[['date', 'ndvi', 'height', 'height_lower', 'height_upper']]
                 ])
                 
-                # نمایش نمودار پیش‌بینی
                 fig_predict = go.Figure()
                 
-                # داده‌های گذشته
                 past_data = combined_df[combined_df['date'] <= last_date]
                 
                 fig_predict.add_trace(go.Scatter(
@@ -1203,7 +1084,6 @@ with tabs[3]:
                     line=dict(color='blue')
                 ))
                 
-                # داده‌های پیش‌بینی شده
                 future_data = combined_df[combined_df['date'] > last_date]
                 
                 fig_predict.add_trace(go.Scatter(
@@ -1213,7 +1093,6 @@ with tabs[3]:
                     line=dict(color='red')
                 ))
                 
-                # فاصله اطمینان
                 fig_predict.add_trace(go.Scatter(
                     x=future_data['date'],
                     y=future_data['height_upper'],
@@ -1232,7 +1111,6 @@ with tabs[3]:
                     showlegend=True
                 ))
                 
-                # تنظیمات نمودار
                 fig_predict.update_layout(
                     title=f'پیش‌بینی ارتفاع برای {days_to_predict} روز آینده',
                     font_family="Vazirmatn",
@@ -1251,7 +1129,6 @@ with tabs[3]:
                 
                 st.plotly_chart(fig_predict, use_container_width=True)
                 
-                # نمایش جدول پیش‌بینی
                 st.subheader("جدول پیش‌بینی")
                 
                 st.dataframe(
@@ -1266,7 +1143,6 @@ with tabs[3]:
                     hide_index=True
                 )
                 
-                # نمایش خلاصه پیش‌بینی
                 st.subheader("خلاصه پیش‌بینی")
                 
                 col1, col2, col3 = st.columns(3)
@@ -1294,17 +1170,14 @@ with tabs[3]:
                         f"{final_height:.2f} متر"
                     )
 
-# تب گزارش‌گیری
 with tabs[4]:
     st.header("گزارش‌گیری")
     
-    # انتخاب نوع گزارش
     report_type = st.selectbox(
         "انتخاب نوع گزارش",
         ["گزارش وضعیت کلی مزارع", "گزارش تحلیل شاخص‌ها", "گزارش تنش‌ها", "گزارش پیش‌بینی رشد"]
     )
     
-    # انتخاب بازه زمانی
     col1, col2 = st.columns(2)
     
     with col1:
@@ -1313,16 +1186,14 @@ with tabs[4]:
     with col2:
         end_date = st.date_input("تاریخ پایان", value=datetime.now())
     
-    # انتخاب مزارع
     selected_farms = st.multiselect(
         "انتخاب مزارع",
         options=merged_data['مزرعه'].tolist()
     )
     
     if not selected_farms:
-        selected_farms = merged_data['مزرعه'].tolist()  # اگر هیچ مزرعه‌ای انتخاب نشده باشد، همه مزارع انتخاب می‌شوند
+        selected_farms = merged_data['مزرعه'].tolist()
     
-    # فیلتر داده‌ها بر اساس مزارع انتخاب شده
     filtered_farm_df = merged_data[merged_data['مزرعه'].isin(selected_farms)]
     
     if st.button("تولید گزارش"):
@@ -1330,7 +1201,6 @@ with tabs[4]:
             if report_type == "گزارش وضعیت کلی مزارع":
                 st.subheader("گزارش وضعیت کلی مزارع")
                 
-                # نمودارهای تحلیلی
                 fig_variety, fig_age, fig_area = create_analysis_charts(filtered_farm_df)
                 
                 col1, col2 = st.columns(2)
@@ -1344,10 +1214,8 @@ with tabs[4]:
                 if fig_area:
                     st.plotly_chart(fig_area, use_container_width=True)
                 
-                # جدول اطلاعات مزارع
                 st.subheader("اطلاعات مزارع")
                 
-                # انتخاب ستون‌های مهم برای نمایش
                 if 'مساحت' in filtered_farm_df.columns:
                     display_columns = ['مزرعه', 'کانال', 'اداره', 'سن_x', 'واریته', 'مساحت', 'روز']
                     column_config = {
@@ -1375,7 +1243,6 @@ with tabs[4]:
                     hide_index=True
                 )
                 
-                # آمار خلاصه
                 st.subheader("آمار خلاصه")
                 
                 col1, col2, col3, col4 = st.columns(4)
@@ -1399,15 +1266,12 @@ with tabs[4]:
                     else:
                         st.metric("تعداد مزارع", len(filtered_farm_df))
                 
-                # نقشه مزارع
                 st.subheader("نقشه مزارع")
                 farm_map = create_farm_map(filtered_farm_df)
                 folium_static(farm_map, width=800, height=500)
                 
-                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
-                # ایجاد فایل PDF
                 figs = [fig_variety, fig_age]
                 if fig_area:
                     figs.append(fig_area)
@@ -1416,7 +1280,6 @@ with tabs[4]:
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش وضعیت کلی مزارع")
                 
-                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1424,7 +1287,6 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
-                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 filtered_farm_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1439,11 +1301,9 @@ with tabs[4]:
             elif report_type == "گزارش تحلیل شاخص‌ها":
                 st.subheader("گزارش تحلیل شاخص‌ها")
                 
-                # ایجاد داده‌های نمونه برای شاخص‌ها
                 indices_data = []
                 
                 for farm_name in selected_farms:
-                    # مقادیر پایه برای هر مزرعه
                     base_ndvi = np.random.uniform(0.3, 0.8)
                     base_ndwi = np.random.uniform(0.1, 0.5)
                     base_evi = np.random.uniform(0.3, 0.7)
@@ -1451,11 +1311,9 @@ with tabs[4]:
                     base_lai = np.random.uniform(1.0, 4.0)
                     base_chl = np.random.uniform(1.0, 3.0)
                     
-                    # ایجاد داده‌ها برای بازه زمانی انتخاب شده
                     date_range = pd.date_range(start=start_date, end=end_date)
                     
                     for date in date_range:
-                        # شبیه‌سازی تغییرات با الگوی سینوسی
                         day_of_year = date.dayofyear
                         seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.1
                         
@@ -1466,7 +1324,6 @@ with tabs[4]:
                         lai = base_lai + seasonal_factor * 2 + np.random.normal(0, 0.2)
                         chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
                         
-                        # محدود کردن مقادیر
                         ndvi = max(0, min(1, ndvi))
                         ndwi = max(-0.5, min(0.8, ndwi))
                         evi = max(0, min(1, evi))
@@ -1487,7 +1344,6 @@ with tabs[4]:
                 
                 indices_df = pd.DataFrame(indices_data)
                 
-                # نمایش میانگین شاخص‌ها برای هر مزرعه
                 avg_indices = indices_df.groupby('farm_name').agg({
                     'ndvi': 'mean',
                     'ndwi': 'mean',
@@ -1512,10 +1368,8 @@ with tabs[4]:
                     hide_index=True
                 )
                 
-                # نمودار مقایسه‌ای شاخص‌ها
                 st.subheader("مقایسه شاخص‌ها بین مزارع")
                 
-                # انتخاب شاخص برای نمایش
                 selected_index = st.selectbox(
                     "انتخاب شاخص",
                     ["NDVI", "NDWI", "EVI", "NDMI", "LAI", "CHL"]
@@ -1530,7 +1384,6 @@ with tabs[4]:
                     "CHL": "chl"
                 }
                 
-                # نمودار مقایسه‌ای
                 fig_compare = px.bar(
                     avg_indices,
                     x='farm_name',
@@ -1549,19 +1402,15 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_compare, use_container_width=True)
                 
-                # نمودار سری زمانی
                 st.subheader("سری زمانی شاخص‌ها")
                 
-                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms
                 )
                 
-                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_indices = indices_df[indices_df['farm_name'] == selected_farm_name]
                 
-                # نمودار سری زمانی
                 fig_ts = px.line(
                     farm_indices,
                     x='date',
@@ -1579,16 +1428,13 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_ts, use_container_width=True)
                 
-                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
-                # ایجاد فایل PDF
                 figs = [fig_compare, fig_ts]
                 tables = [avg_indices]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش تحلیل شاخص‌ها")
                 
-                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1596,7 +1442,6 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
-                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 indices_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1611,42 +1456,35 @@ with tabs[4]:
             elif report_type == "گزارش تنش‌ها":
                 st.subheader("گزارش تنش‌ها")
                 
-                # ایجاد داده‌های نمونه برای تنش‌ها
                 stress_data = []
                 
                 for farm_name in selected_farms:
-                    # مقادیر پایه برای هر مزرعه
                     base_ndwi = np.random.uniform(0.2, 0.5)
                     base_chl = np.random.uniform(1.5, 2.5)
                     
-                    # آستانه‌های تنش
                     water_stress_threshold = 0.3
                     disease_threshold = 0.4
                     
-                    # ایجاد داده‌ها برای بازه زمانی انتخاب شده
                     date_range = pd.date_range(start=start_date, end=end_date)
                     
                     for date in date_range:
                         day_of_year = date.dayofyear
                         seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
                         
-                        # شبیه‌سازی تنش آبی در روزهای خاص
                         water_stress_event = False
-                        if (day_of_year % 30) < 5:  # هر 30 روز، 5 روز تنش آبی
+                        if (day_of_year % 30) < 5:
                             water_stress_event = True
                             ndwi = base_ndwi - 0.3 + np.random.normal(0, 0.05)
                         else:
                             ndwi = base_ndwi + seasonal_factor + np.random.normal(0, 0.05)
                         
-                        # شبیه‌سازی تنش بیماری در روزهای خاص
                         disease_event = False
-                        if (day_of_year % 45) < 7:  # هر 45 روز، 7 روز تنش بیماری
+                        if (day_of_year % 45) < 7:
                             disease_event = True
                             chl = base_chl - 0.5 + np.random.normal(0, 0.1)
                         else:
                             chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
                         
-                        # محدود کردن مقادیر
                         ndwi = max(-0.5, min(0.8, ndwi))
                         chl = max(0.5, min(3.0, chl))
                         
@@ -1658,12 +1496,11 @@ with tabs[4]:
                             'water_stress': 1 if ndwi < water_stress_threshold else 0,
                             'disease_stress': 1 if chl < disease_threshold else 0,
                             'water_stress_event': water_stress_event,
-                            'disease_stress_event': disease_stress_event
+                            'disease_stress_event': disease_event
                         })
                 
                 stress_df = pd.DataFrame(stress_data)
                 
-                # آمار تنش‌ها
                 stress_stats = stress_df.groupby('farm_name').agg({
                     'water_stress': 'sum',
                     'disease_stress': 'sum'
@@ -1677,7 +1514,6 @@ with tabs[4]:
                 st.subheader("آمار تنش‌ها برای هر مزرعه")
                 st.dataframe(stress_stats, hide_index=True)
                 
-                # نمودار مقایسه‌ای تنش‌ها
                 fig_stress_compare = px.bar(
                     stress_stats,
                     x='farm_name',
@@ -1695,23 +1531,18 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_stress_compare, use_container_width=True)
                 
-                # نمودار سری زمانی تنش‌ها
                 st.subheader("سری زمانی تنش‌ها")
                 
-                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms,
                     key="farm_select_stress_report"
                 )
                 
-                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_stress = stress_df[stress_df['farm_name'] == selected_farm_name]
                 
-                # نمودار سری زمانی
                 fig_stress_ts = go.Figure()
                 
-                # اضافه کردن NDWI
                 fig_stress_ts.add_trace(go.Scatter(
                     x=farm_stress['date'],
                     y=farm_stress['ndwi'],
@@ -1719,7 +1550,6 @@ with tabs[4]:
                     line=dict(color='blue')
                 ))
                 
-                # اضافه کردن CHL
                 fig_stress_ts.add_trace(go.Scatter(
                     x=farm_stress['date'],
                     y=farm_stress['chl'],
@@ -1728,28 +1558,25 @@ with tabs[4]:
                     yaxis='y2'
                 ))
                 
-                # اضافه کردن خط آستانه تنش آبی
                 fig_stress_ts.add_shape(
                     type='line',
                     x0=farm_stress['date'].min(),
-                    y0=0.3,  # water_stress_threshold
+                    y0=0.3,
                     x1=farm_stress['date'].max(),
                     y1=0.3,
                     line=dict(color='red', dash='dash')
                 )
                 
-                # اضافه کردن خط آستانه تنش بیماری
                 fig_stress_ts.add_shape(
                     type='line',
                     x0=farm_stress['date'].min(),
-                    y0=0.4,  # disease_threshold
+                    y0=0.4,
                     x1=farm_stress['date'].max(),
                     y1=0.4,
                     line=dict(color='orange', dash='dash'),
                     yaxis='y2'
                 )
                 
-                # تنظیمات نمودار
                 fig_stress_ts.update_layout(
                     title=f'سری زمانی تنش‌ها برای {selected_farm_name}',
                     font_family="Vazirmatn",
@@ -1780,10 +1607,8 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_stress_ts, use_container_width=True)
                 
-                # جدول روزهای تنش
                 st.subheader("روزهای تنش")
                 
-                # فیلتر روزهای تنش
                 stress_days = farm_stress[(farm_stress['water_stress'] == 1) | (farm_stress['disease_stress'] == 1)]
                 stress_days = stress_days[['date', 'ndwi', 'chl', 'water_stress', 'disease_stress']]
                 
@@ -1802,16 +1627,13 @@ with tabs[4]:
                 else:
                     st.info("هیچ روز تنشی برای این مزرعه در بازه زمانی انتخاب شده یافت نشد.")
                 
-                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
-                # ایجاد فایل PDF
                 figs = [fig_stress_compare, fig_stress_ts]
                 tables = [stress_stats, stress_days]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش تنش‌ها")
                 
-                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1819,7 +1641,6 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
-                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 stress_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1834,13 +1655,10 @@ with tabs[4]:
             elif report_type == "گزارش پیش‌بینی رشد":
                 st.subheader("گزارش پیش‌بینی رشد")
                 
-                # ایجاد مدل و داده‌های پیش‌بینی
                 model, fig_model, fig_ts, time_df = create_prediction_model(merged_data)
                 
-                # فیلتر داده‌ها برای مزارع انتخاب شده
                 filtered_time_df = time_df[time_df['farm_id'].isin(selected_farms)]
                 
-                # آمار رشد
                 growth_stats = filtered_time_df.groupby('farm_id').agg({
                     'height': ['first', 'last', lambda x: x.iloc[-1] - x.iloc[0]]
                 })
@@ -1860,7 +1678,6 @@ with tabs[4]:
                     hide_index=True
                 )
                 
-                # نمودار مقایسه‌ای رشد
                 fig_growth = px.bar(
                     growth_stats,
                     x='farm_id',
@@ -1879,20 +1696,16 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_growth, use_container_width=True)
                 
-                # نمودار سری زمانی رشد
                 st.subheader("سری زمانی رشد")
                 
-                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms,
                     key="farm_select_growth_report"
                 )
                 
-                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_growth = filtered_time_df[filtered_time_df['farm_id'] == selected_farm_name]
                 
-                # نمودار سری زمانی
                 fig_growth_ts = px.line(
                     farm_growth,
                     x='date',
@@ -1909,16 +1722,13 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_growth_ts, use_container_width=True)
                 
-                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
-                # ایجاد فایل PDF
                 figs = [fig_growth, fig_growth_ts]
                 tables = [growth_stats]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش پیش‌بینی رشد")
                 
-                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1926,7 +1736,6 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
-                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 filtered_time_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1938,7 +1747,6 @@ with tabs[4]:
                     mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet"
                 )
 
-# تب تنظیمات
 with tabs[5]:
     st.header("تنظیمات")
     
@@ -1947,7 +1755,6 @@ with tabs[5]:
     with settings_tabs[0]:
         st.subheader("تنظیمات عمومی")
         
-        # تنظیمات ظاهری
         st.write("### تنظیمات ظاهری")
         
         col1, col2 = st.columns(2)
@@ -1974,7 +1781,6 @@ with tabs[5]:
                 ["Viridis (پیش‌فرض)", "Plasma", "Inferno", "Magma", "Cividis"]
             )
         
-        # تنظیمات زبان
         st.write("### تنظیمات زبان")
         
         language = st.radio(
@@ -1982,7 +1788,6 @@ with tabs[5]:
             ["فارسی (پیش‌فرض)", "انگلیسی"]
         )
         
-        # تنظیمات واحدها
         st.write("### تنظیمات واحدها")
         
         col1, col2 = st.columns(2)
@@ -2009,14 +1814,12 @@ with tabs[5]:
                 ["1,234.56 (پیش‌فرض)", "1.234,56"]
             )
         
-        # دکمه ذخیره تنظیمات
         if st.button("ذخیره تنظیمات"):
             st.success("تنظیمات با موفقیت ذخیره شد.")
     
     with settings_tabs[1]:
         st.subheader("اتصال به Google Earth Engine")
         
-        # توضیحات
         st.write("""
         برای اتصال به Google Earth Engine، از حساب سرویس زیر استفاده می‌شود:
         
@@ -2024,23 +1827,19 @@ with tabs[5]:
         - پروژه: `ee-esmaeilkiani13877`
         """)
         
-        # نمایش وضعیت اتصال
         ee_connected = initialize_earth_engine()
         
         if ee_connected:
             st.success("اتصال به Google Earth Engine برقرار است.")
             
-            # دکمه تست اتصال
             if st.button("تست اتصال"):
                 with st.spinner("در حال تست اتصال..."):
-                    # شبیه‌سازی تست اتصال
                     import time
                     time.sleep(2)
                     st.success("اتصال با موفقیت برقرار شد.")
         else:
             st.error("اتصال به Google Earth Engine برقرار نشد. لطفاً تنظیمات را بررسی کنید.")
         
-        # تنظیمات پیشرفته
         st.write("### تنظیمات پیشرفته")
         
         col1, col2 = st.columns(2)
@@ -2058,12 +1857,11 @@ with tabs[5]:
     with settings_tabs[2]:
         st.subheader("مدیریت کاربران")
         
-        # ایجاد داده‌های نمونه برای کاربران
         users_data = {
             'user_id': list(range(1, 6)),
             'username': ['admin', 'user1', 'user2', 'user3', 'user4'],
             'name': ['مدیر سیستم', 'کاربر یک', 'کاربر دو', 'کاربر سه', 'کاربر چهار'],
-            'role': ['مدیر', 'کارشناس', 'کاربر', 'کاربر'],
+            'role': ['مدیر', 'کارشناس', 'کارشناس', 'کاربر', 'کاربر'],
             'last_login': [
                 (datetime.now() - timedelta(hours=2)).strftime('%Y-%m-%d %H:%M'),
                 (datetime.now() - timedelta(days=1)).strftime('%Y-%m-%d %H:%M'),
@@ -2075,7 +1873,6 @@ with tabs[5]:
         
         users_df = pd.DataFrame(users_data)
         
-        # نمایش لیست کاربران
         st.write("### لیست کاربران")
         
         st.dataframe(
@@ -2090,7 +1887,6 @@ with tabs[5]:
             hide_index=True
         )
         
-        # افزودن کاربر جدید
         st.write("### افزودن کاربر جدید")
         
         col1, col2 = st.columns(2)
@@ -2109,10 +1905,8 @@ with tabs[5]:
             else:
                 st.error("لطفاً تمام فیلدها را پر کنید.")
         
-        # ویرایش دسترسی‌ها
         st.write("### مدیریت دسترسی‌ها")
         
-        # جدول دسترسی‌ها
         access_data = {
             'role': ['مدیر', 'کارشناس', 'کاربر'],
             'dashboard': ['خواندن/نوشتن', 'خواندن/نوشتن', 'خواندن'],
@@ -2139,11 +1933,9 @@ with tabs[5]:
             hide_index=True
         )
         
-        # دکمه ویرایش دسترسی‌ها
         if st.button("ویرایش دسترسی‌ها"):
             st.info("برای ویرایش دسترسی‌ها، لطفاً با مدیر سیستم تماس بگیرید.")
 
-# نمایش اطلاعات نسخه
 st.sidebar.markdown("---")
 st.sidebar.info("نسخه 1.0.0")
 st.sidebar.info("توسعه داده شده با Streamlit")