Update app.py

app.py

@@ -1,7 +1,7 @@
-import streamlit as st 
+import streamlit as st
 import pandas as pd
 import numpy as np
-import folium# 
+import folium
 from streamlit_folium import folium_static
 import ee
 import os
@@ -28,6 +28,7 @@ from streamlit_card import card
 import pydeck as pdk
 import math
 
+
 # Page configuration with custom theme
 st.set_page_config(
     page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا",
@@ -40,15 +41,15 @@ st.set_page_config(
 st.markdown("""
 <style>
     @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@100;200;300;400;500;600;700;800;900&display=swap');
-    
+
     * {
         font-family: 'Vazirmatn', sans-serif !important;
     }
-    
+
     .main {
         background: linear-gradient(135deg, #f5f7fa 0%, #e4e9f2 100%);
     }
-    
+
     .main-header {
         background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
         padding: 1.5rem;
@@ -59,12 +60,12 @@ st.markdown("""
         overflow: hidden;
         animation: header-glow 3s infinite alternate;
     }
-    
+
     @keyframes header-glow {
         0% { box-shadow: 0 8px 32px rgba(26, 135, 84, 0.1); }
         100% { box-shadow: 0 8px 32px rgba(26, 135, 84, 0.3); }
     }
-    
+
     .main-header::before {
         content: '';
         position: absolute;
@@ -76,7 +77,7 @@ st.markdown("""
         transform: rotate(30deg);
         z-index: 0;
     }
-    
+
     .main-header h1 {
         color: white;
         font-weight: 700;
@@ -84,26 +85,26 @@ st.markdown("""
         position: relative;
         z-index: 1;
     }
-    
+
     .main-header p {
         color: rgba(255, 255, 255, 0.8);
         margin: 0;
         position: relative;
         z-index: 1;
     }
-    
+
     .stcard {
         border-radius: 12px;
         box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
         transition: all 0.3s ease;
         overflow: hidden;
     }
-    
+
     .stcard:hover {
         transform: translateY(-5px);
         box-shadow: 0 8px 30px rgba(0, 0, 0, 0.1);
     }
-    
+
     .stButton>button {
         border-radius: 50px;
         padding: 0.5rem 1.5rem;
@@ -111,23 +112,23 @@ st.markdown("""
         transition: all 0.3s ease;
         border: none;
     }
-    
+
     .stButton>button:hover {
         transform: translateY(-2px);
         box-shadow: 0 4px 12px rgba(0, 0, 0, 0.1);
     }
-    
+
     .primary-btn {
         background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
         color: white;
     }
-    
+
     .secondary-btn {
         background: white;
         color: #1a8754;
         border: 1px solid #1a8754 !important;
     }
-    
+
     .metric-card {
         background: white;
         border-radius: 12px;
@@ -136,45 +137,45 @@ st.markdown("""
         transition: all 0.3s ease;
         text-align: center;
     }
-    
+
     .metric-card:hover {
         transform: translateY(-5px);
         box-shadow: 0 8px 30px rgba(0, 0, 0, 0.1);
     }
-    
+
     .metric-card .metric-value {
         font-size: 2.5rem;
         font-weight: 700;
         color: #1a8754;
         margin-bottom: 0.5rem;
     }
-    
+
     .metric-card .metric-label {
         font-size: 1rem;
         color: #6c757d;
     }
-    
+
     .map-container {
         border-radius: 12px;
         overflow: hidden;
         box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
     }
-    
+
     .stTabs [data-baseweb="tab-list"] {
         gap: 8px;
     }
-    
+
     .stTabs [data-baseweb="tab"] {
         border-radius: 4px 4px 0px 0px;
         padding: 10px 16px;
         background-color: #f8f9fa;
     }
-    
+
     .stTabs [aria-selected="true"] {
         background-color: #1a8754 !important;
         color: white !important;
     }
-    
+
     [data-testid="stSidebar"] {
         background-color: #ffffff;
         border-right: 1px solid #e9ecef;
@@ -184,18 +185,18 @@ st.markdown("""
         0% { opacity: 0; transform: translateY(20px); }
         100% { opacity: 1; transform: translateY(0); }
     }
-    
+
     .animate-fadeIn {
         animation: fadeIn 0.5s ease forwards;
     }
-    
+
     .loading-spinner {
         display: flex;
         justify-content: center;
         align-items: center;
         height: 100px;
     }
-    
+
     .loading-spinner::after {
         content: "";
         width: 40px;
@@ -205,41 +206,41 @@ st.markdown("""
         border-radius: 50%;
         animation: spin 1s linear infinite;
     }
-    
+
     @keyframes spin {
         0% { transform: rotate(0deg); }
         100% { transform: rotate(360deg); }
     }
-    
+
     .rtl {
         direction: rtl;
         text-align: right;
     }
-    
+
     ::-webkit-scrollbar {
         width: 8px;
         height: 8px;
     }
-    
+
     ::-webkit-scrollbar-track {
         background: #f1f1f1;
         border-radius: 10px;
     }
-    
+
     ::-webkit-scrollbar-thumb {
         background: #1a8754;
         border-radius: 10px;
     }
-    
+
     ::-webkit-scrollbar-thumb:hover {
         background: #115740;
     }
-    
+
     .tooltip {
         position: relative;
         display: inline-block;
     }
-    
+
     .tooltip .tooltiptext {
         visibility: hidden;
         width: 120px;
@@ -256,12 +257,12 @@ st.markdown("""
         opacity: 0;
         transition: opacity 0.3s;
     }
-    
+
     .tooltip:hover .tooltiptext {
         visibility: visible;
         opacity: 1;
     }
-    
+
     .dataframe {
         border-collapse: collapse;
         width: 100%;
@@ -269,31 +270,31 @@ st.markdown("""
         overflow: hidden;
         box-shadow: 0 4px 12px rgba(0, 0, 0, 0.05);
     }
-    
+
     .dataframe th {
         background-color: #1a8754;
         color: white;
         padding: 12px;
         text-align: right;
     }
-    
+
     .dataframe td {
         padding: 10px 12px;
         border-bottom: 1px solid #e9ecef;
     }
-    
+
     .dataframe tr:nth-child(even) {
         background-color: #f8f9fa;
     }
-    
+
     .dataframe tr:hover {
         background-color: #e9ecef;
     }
-    
+
     .stProgress > div > div > div > div {
         background-color: #1a8754;
     }
-    
+
     .notification {
         background-color: #d1e7dd;
         color: #0f5132;
@@ -304,17 +305,17 @@ st.markdown("""
         align-items: center;
         animation: slideIn 0.5s ease;
     }
-    
+
     @keyframes slideIn {
         0% { transform: translateX(100%); opacity: 0; }
         100% { transform: translateX(0); opacity: 1; }
     }
-    
+
     .notification-icon {
         margin-right: 0.5rem;
         font-size: 1.2rem;
     }
-    
+
     .custom-select {
         background-color: white;
         border-radius: 8px;
@@ -322,7 +323,7 @@ st.markdown("""
         border: 1px solid #ced4da;
         box-shadow: 0 2px 5px rgba(0, 0, 0, 0.05);
     }
-    
+
     .glass-card {
         background: rgba(255, 255, 255, 0.7);
         backdrop-filter: blur(10px);
@@ -332,36 +333,36 @@ st.markdown("""
         padding: 1.5rem;
         box-shadow: 0 8px 32px rgba(0, 0, 0, 0.1);
     }
-    
+
     .neumorphic-card {
         background: #f0f0f3;
         border-radius: 12px;
         box-shadow: 10px 10px 20px #d1d1d4, -10px -10px 20px #ffffff;
         padding: 1.5rem;
     }
-    
+
     .gradient-text {
         background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
         -webkit-background-clip: text;
         -webkit-text-fill-color: transparent;
         font-weight: 700;
     }
-    
+
     @keyframes pulse {
         0% { transform: scale(1); }
         50% { transform: scale(1.05); }
         100% { transform: scale(1); }
     }
-    
+
     .pulse-animation {
         animation: pulse 2s infinite;
     }
-    
+
     .stRadio > div {
         display: flex;
         gap: 10px;
     }
-    
+
     .stRadio label {
         cursor: pointer;
         background-color: #f8f9fa;
@@ -369,27 +370,27 @@ st.markdown("""
         border-radius: 50px;
         transition: all 0.3s ease;
     }
-    
+
     .stRadio label:hover {
         background-color: #e9ecef;
     }
-    
+
     .stRadio input {
         display: none;
     }
-    
+
     .stRadio input:checked + label {
         background-color: #1a8754;
         color: white;
     }
-    
+
     .stSelectbox, .stNumberInput {
         background-color: #f0f2f6;
         border-radius: 10px;
         padding: 10px;
         margin: 10px 0;
     }
-    
+
     .custom-card {
         background-color: white;
         padding: 20px;
@@ -397,13 +398,13 @@ st.markdown("""
         box-shadow: 0 4px 6px rgba(0, 0, 0, 0.1);
         margin: 10px 0;
     }
-    
+
     .metric-container {
         display: flex;
         justify-content: space-between;
         flex-wrap: wrap;
     }
-    
+
     .metric-card {
         background-color: #1a8754;
         color: white;
@@ -435,16 +436,16 @@ def initialize_earth_engine():
             "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
             "universe_domain": "googleapis.com"
         }
-        
+
         credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
         with open(credentials_file, 'w') as f:
             json.dump(credentials_dict, f)
-        
+
         credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
         ee.Initialize(credentials)
-        
+
         os.remove(credentials_file)
-        
+
         return True
     except Exception as e:
         st.error(f"خطا در اتصال به Earth Engine: {e}")
@@ -506,30 +507,41 @@ def create_ee_map(farm_id, date_str, layer_type="NDVI"):
     try:
         farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0]
         lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']
-        
+
         m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
-        
+
         date_obj = datetime.strptime(date_str, '%Y-%m-%d')
         start_date = (date_obj - timedelta(days=5)).strftime('%Y-%m-%d')
         end_date = (date_obj + timedelta(days=5)).strftime('%Y-%m-%d')
-        
+
         region = ee.Geometry.Point([lon, lat]).buffer(1500)
-        
-        s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
-            .filterDate(start_date, end_date) \
-            .filterBounds(region) \
-            .sort('CLOUDY_PIXEL_PERCENTAGE') \
-            .first()
-        
+
+
         if layer_type == "NDVI":
+            s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+                .filterDate(start_date, end_date) \
+                .filterBounds(region) \
+                .sort('CLOUDY_PIXEL_PERCENTAGE') \
+                .first()
+
             index = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
             viz_params = {'min': -0.2, 'max': 0.8, 'palette': ['#ff0000', '#ff4500', '#ffd700', '#32cd32', '#006400']}
             legend_title = 'شاخص پوشش گیاهی (NDVI)'
         elif layer_type == "NDMI":
+            s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+                .filterDate(start_date, end_date) \
+                .filterBounds(region) \
+                .sort('CLOUDY_PIXEL_PERCENTAGE') \
+                .first()
             index = s2.normalizedDifference(['B8', 'B11']).rename('NDMI')
             viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#8b0000', '#ff8c00', '#00ced1', '#00b7eb', '#00008b']}
             legend_title = 'شاخص رطوبت (NDMI)'
         elif layer_type == "EVI":
+            s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+                .filterDate(start_date, end_date) \
+                .filterBounds(region) \
+                .sort('CLOUDY_PIXEL_PERCENTAGE') \
+                .first()
             nir = s2.select('B8')
             red = s2.select('B4')
             blue = s2.select('B2')
@@ -537,35 +549,66 @@ def create_ee_map(farm_id, date_str, layer_type="NDVI"):
             viz_params = {'min': 0, 'max': 1, 'palette': ['#d73027', '#f46d43', '#fdae61', '#fee08b', '#4caf50']}
             legend_title = 'شاخص پیشرفته گیاهی (EVI)'
         elif layer_type == "NDWI":
+            s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+                .filterDate(start_date, end_date) \
+                .filterBounds(region) \
+                .sort('CLOUDY_PIXEL_PERCENTAGE') \
+                .first()
             index = s2.normalizedDifference(['B3', 'B8']).rename('NDWI')
             viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#00008b', '#00b7eb', '#add8e6', '#fdae61', '#d73027']}
             legend_title = 'شاخص آب (NDWI)'
         elif layer_type == "SoilMoisture":
-            s1 = ee.ImageCollection('COPERNICUS/S1_GRD') \
-                .filterDate(start_date, end_date) \
-                .filterBounds(region) \
-                .sort('system:time_start') \
-                .first()
-            index = s1.select('VV').rename('SoilMoisture')
-            viz_params = {'min': -25, 'max': -5, 'palette': ['#00008b', '#add8e6', '#ffffff']}
-            legend_title = 'رطوبت خاک (Soil Moisture)'
-        
-        map_id_dict = ee.Image(index).getMapId(viz_params)
-        folium.TileLayer(
-            tiles=map_id_dict['tile_fetcher'].url_format,
-            attr='Google Earth Engine',
-            name=layer_type,
-            overlay=True,
-            control=True
-        ).add_to(m)
-        
+            try:
+                s1 = ee.ImageCollection('COPERNICUS/S1_GRD') \
+                    .filterDate(start_date, end_date) \
+                    .filterBounds(region) \
+                    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV')) \
+                    .sort('system:time_start') \
+                    .first()
+
+                soil_moisture = s1.select('VV')
+
+                viz_params = {
+                    'min': -25,
+                    'max': -5,
+                    'palette': ['#00008b', '#00b7eb', '#add8e6', '#ffffff'],
+                    'bands': 'VV'
+                }
+                legend_title = 'رطوبت خاک (VV)'
+
+                soil_moisture_db = soil_moisture.log10().multiply(10.0)
+                map_id_dict = soil_moisture_db.getMapId(viz_params)
+
+                folium.TileLayer(
+                    tiles=map_id_dict['tile_fetcher'].url_format,
+                    attr='Google Earth Engine',
+                    name=layer_type,
+                    overlay=True,
+                    control=True
+                ).add_to(m)
+
+            except Exception as e:
+                st.error(f"Error loading Soil Moisture data: {e}")
+                return None
+
+        if layer_type != "SoilMoisture":  # for other layers
+            map_id_dict = ee.Image(index).getMapId(viz_params)
+            folium.TileLayer(
+                tiles=map_id_dict['tile_fetcher'].url_format,
+                attr='Google Earth Engine',
+                name=layer_type,
+                overlay=True,
+                control=True
+            ).add_to(m)
+
+
         folium.Marker(
-            [lat, lon], 
-            popup=f'مزرعه {farm_id}', 
+            [lat, lon],
+            popup=f'مزرعه {farm_id}',
             tooltip=f'م��رعه {farm_id}',
             icon=folium.Icon(color='green', icon='leaf')
         ).add_to(m)
-        
+
         folium.Circle(
             [lat, lon],
             radius=1500,
@@ -574,13 +617,13 @@ def create_ee_map(farm_id, date_str, layer_type="NDVI"):
             fill_color='green',
             fill_opacity=0.1
         ).add_to(m)
-        
+
         folium.LayerControl().add_to(m)
-        
+
         legend_html = '''
-        <div style="position: fixed; 
-                    bottom: 50px; right: 50px; 
-                    border: 2px solid grey; z-index: 9999; 
+        <div style="position: fixed;
+                    bottom: 50px; right: 50px;
+                    border: 2px solid grey; z-index: 9999;
                     background-color: white;
                     padding: 10px;
                     border-radius: 5px;
@@ -601,1582 +644,34 @@ def create_ee_map(farm_id, date_str, layer_type="NDVI"):
             </div>
         </div>
         '''
+        if layer_type == "SoilMoisture":
+             legend_html = '''
+        <div style="position: fixed;
+                    bottom: 50px; right: 50px;
+                    border: 2px solid grey; z-index: 9999;
+                    background-color: white;
+                    padding: 10px;
+                    border-radius: 5px;
+                    direction: rtl;
+                    font-family: 'Vazirmatn', sans-serif;">
+            <div style="font-size: 14px; font-weight: bold; margin-bottom: 5px;">''' + legend_title + '''</div>
+            <div style="display: flex; align-items: center; margin-bottom: 5px;">
+                <div style="background: ''' + viz_params['palette'][0] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
+                <span>خشک</span>
+            </div>
+            <div style="display: flex; align-items: center; margin-bottom: 5px;">
+                <div style="background: ''' + viz_params['palette'][2] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
+                <span>معتدل</span>
+            </div>
+            <div style="display: flex; align-items: center;">
+                <div style="background: ''' + viz_params['palette'][-1] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
+                <span>مرطوب</span>
+            </div>
+        </div>
+        '''
+
         m.get_root().html.add_child(folium.Element(legend_html))
-        
+
         return m
     except Exception as e:
-        st.error(f"خطا در ایجاد نقشه: {e}")
-        return None
-
-# Generate mock growth data
-def generate_mock_growth_data(farm_data, selected_variety="all", selected_age="all"):
-    weeks = list(range(1, 23))
-    
-    filtered_farms = farm_data
-    if selected_variety != "all":
-        filtered_farms = filtered_farms[filtered_farms['واریته'] == selected_variety]
-    if selected_age != "all":
-        filtered_farms = filtered_farms[filtered_farms['سن'] == selected_age]
-    
-    farm_growth_data = []
-    for _, farm in filtered_farms.iterrows():
-        base_height = np.random.uniform(50, 100)
-        growth_rate = np.random.uniform(5, 15)
-        
-        growth_data = {
-            'farm_id': farm['مزرعه'],
-            'variety': farm['واریته'],
-            'age': farm['سن'],
-            'weeks': weeks,
-            'heights': [round(base_height + growth_rate * week) for week in weeks]
-        }
-        farm_growth_data.append(growth_data)
-    
-    if farm_growth_data:
-        avg_heights = []
-        for week in weeks:
-            week_heights = [farm['heights'][week-1] for farm in farm_growth_data]
-            avg_heights.append(round(sum(week_heights) / len(week_heights)))
-        
-        avg_growth_data = {
-            'farm_id': 'میانگین',
-            'variety': 'همه',
-            'age': 'همه',
-            'weeks': weeks,
-            'heights': avg_heights
-        }
-        
-        return {
-            'individual': farm_growth_data,
-            'average': avg_growth_data
-        }
-    else:
-        return {
-            'individual': [],
-            'average': {
-                'farm_id': 'میانگین',
-                'variety': 'همه',
-                'age': 'همه',
-                'weeks': weeks,
-                'heights': [0] * len(weeks)
-            }
-        }
-
-# Calculate statistics for a farm
-def calculate_farm_stats(farm_id, layer_type="NDVI"):
-    if layer_type == "NDVI":
-        mean = round(np.random.uniform(0.6, 0.8), 2)
-        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
-        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
-        std_dev = round(np.random.uniform(0.05, 0.15), 2)
-    elif layer_type == "NDMI":
-        mean = round(np.random.uniform(0.3, 0.5), 2)
-        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
-        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
-        std_dev = round(np.random.uniform(0.05, 0.15), 2)
-    elif layer_type == "EVI":
-        mean = round(np.random.uniform(0.4, 0.6), 2)
-        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
-        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
-        std_dev = round(np.random.uniform(0.05, 0.15), 2)
-    elif layer_type == "NDWI":
-        mean = round(np.random.uniform(-0.1, 0.1), 2)
-        min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
-        max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
-        std_dev = round(np.random.uniform(0.05, 0.15), 2)
-    elif layer_type == "SoilMoisture":
-        mean = round(np.random.uniform(-20, -10), 2)
-        min_val = round(mean - np.random.uniform(5, 10), 2)
-        max_val = round(mean + np.random.uniform(5, 10), 2)
-        std_dev = round(np.random.uniform(2, 5), 2)
-    
-    hist_data = np.random.normal(mean, std_dev, 1000)
-    hist_data = np.clip(hist_data, min_val, max_val)
-    
-    return {
-        'mean': mean,
-        'min': min_val,
-        'max': max_val,
-        'std_dev': std_dev,
-        'histogram_data': hist_data
-    }
-
-# Initialize Earth Engine
-ee_initialized = initialize_earth_engine()
-
-# Load data
-farm_df = load_farm_data()
-coordinates_df = load_coordinates_data()
-
-# Load animations
-lottie_farm = load_lottie_url('https://assets5.lottiefiles.com/packages/lf20_ystsffqy.json')
-lottie_analysis = load_lottie_url('https://assets3.lottiefiles.com/packages/lf20_qp1q7mct.json')
-lottie_report = load_lottie_url('https://assets9.lottiefiles.com/packages/lf20_vwcugezu.json')
-
-# Create session state for storing data
-if 'heights_df' not in st.session_state:
-    st.session_state.heights_df = pd.DataFrame(columns=[
-        'Farm_ID', 'Week', 'Measurement_Date', 'Height', 'Station1', 'Station2', 'Station3', 
-        'Station4', 'Station5', 'Groundwater1', 'Groundwater2', 'Sheath_Moisture', 'Nitrogen', 
-        'Variety', 'Age', 'Area', 'Channel', 'Administration'
-    ])
-
-# Main header
-st.markdown('<div class="main-header">', unsafe_allow_html=True)
-st.markdown('<h1>سامانه هوشمند پایش مزارع نیشکر دهخدا</h1>', unsafe_allow_html=True)
-st.markdown('<p>پلتفرم جامع مدیریت، پایش و تحلیل داده‌های مزارع نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی</p>', unsafe_allow_html=True)
-st.markdown('</div>', unsafe_allow_html=True)
-
-# Create a modern navigation menu
-selected = option_menu(
-    menu_title=None,
-    options=["داشبورد", "نقشه مزارع", "ورود اطلاعات", "تحلیل داده‌ها", "گزارش‌گیری", "تنظیمات"],
-    icons=["speedometer2", "map", "pencil-square", "graph-up", "file-earmark-text", "gear"],
-    menu_icon="cast",
-    default_index=0,
-    orientation="horizontal",
-    styles={
-        "container": {"padding": "0!important", "background-color": "transparent", "margin-bottom": "20px"},
-        "icon": {"color": "#1a8754", "font-size": "18px"}, 
-        "nav-link": {"font-size": "16px", "text-align": "center", "margin":"0px", "--hover-color": "#e9f7ef", "border-radius": "10px"},
-        "nav-link-selected": {"background-color": "#1a8754", "color": "white", "font-weight": "600"},
-    }
-)
-
-# Dashboard
-if selected == "داشبورد":
-    col1, col2, col3, col4 = st.columns(4)
-    
-    with col1:
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{len(farm_df)}</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">تعداد مزارع</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    with col2:
-        active_farms = int(len(farm_df) * 0.85)
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{active_farms}</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">مزارع فعال</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    with col3:
-        avg_height = 175
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{avg_height} cm</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">میانگین ارتفاع</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    with col4:
-        avg_moisture = 68
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{avg_moisture}%</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">میانگین رطوبت</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    tab1, tab2, tab3, tab4 = st.tabs(["نمای کلی", "نقشه مزارع", "نمودارها", "داده‌ها"])
-    
-    with tab1:
-        st.markdown("### توزیع واریته‌ها و سن محصول")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            variety_counts = farm_df['واریته'].value_counts().reset_index()
-            variety_counts.columns = ['واریته', 'تعداد']
-            fig = px.pie(
-                variety_counts, 
-                values='تعداد', 
-                names='واریته', 
-                title='توزیع واریته‌ها',
-                color_discrete_sequence=px.colors.sequential.Greens_r
-            )
-            fig.update_traces(textposition='inside', textinfo='percent+label')
-            fig.update_layout(
-                font=dict(family="Vazirmatn"),
-                legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        with col2:
-            age_counts = farm_df['سن'].value_counts().reset_index()
-            age_counts.columns = ['سن', 'تعداد']
-            fig = px.pie(
-                age_counts, 
-                values='تعداد', 
-                names='سن', 
-                title='توزیع سن محصول',
-                color_discrete_sequence=px.colors.sequential.Blues_r
-            )
-            fig.update_traces(textposition='inside', textinfo='percent+label')
-            fig.update_layout(
-                font=dict(family="Vazirmatn"),
-                legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### اطلاعات کلی مزارع")
-        
-        total_area = farm_df['مساحت'].astype(float).sum()
-        
-        col1, col2, col3 = st.columns(3)
-        col1.metric("تعداد کل مزارع", f"{len(farm_df)}")
-        col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
-        col3.metric("تعداد کانال‌ها", f"{farm_df['کانال'].nunique()}")
-        
-        st.markdown('<hr style="height:2px;border:none;color:#1a8754;background-color:#1a8754;margin:30px 0;">', unsafe_allow_html=True)
-        st_lottie(lottie_farm, height=300, key="farm_animation")
-    
-    with tab2:
-        st.markdown("### نقشه مزارع")
-        
-        if coordinates_df is not None and not coordinates_df.empty:
-            m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')
-            
-            for _, farm in coordinates_df.iterrows():
-                lat = farm['عرض جغرافیایی']
-                lon = farm['طول جغرافیایی']
-                name = farm['مزرعه']
-                
-                farm_info = farm_df[farm_df['مزرعه'] == name]
-                if not farm_info.empty:
-                    variety = farm_info['واریته'].iloc[0]
-                    age = farm_info['سن'].iloc[0]
-                    area = farm_info['مساحت'].iloc[0]
-                    popup_text = f"""
-                    <div style="direction: rtl; text-align: right; font-family: 'Vazirmatn', sans-serif;">
-                        <h4>مزرعه {name}</h4>
-                        <p>واریته: {variety}</p>
-                        <p>سن: {age}</p>
-                        <p>مساحت: {area} هکتار</p>
-                    </div>
-                    """
-                else:
-                    popup_text = f"<div style='direction: rtl;'>مزرعه {name}</div>"
-                
-                folium.Marker(
-                    [lat, lon],
-                    popup=folium.Popup(popup_text, max_width=300),
-                    tooltip=f"مزرعه {name}",
-                    icon=folium.Icon(color='green', icon='leaf')
-                ).add_to(m)
-            
-            st.markdown('<div class="map-container">', unsafe_allow_html=True)
-            folium_static(m, width=1000, height=600)
-            st.markdown('</div>', unsafe_allow_html=True)
-        else:
-            st.warning("داده‌های مختصات در دسترس نیست.")
-    
-    with tab3:
-        st.markdown("### نمودار رشد هفتگی")
-        
-        col1, col2 = st.columns(2)
-        with col1:
-            selected_variety = st.selectbox(
-                "انتخاب واریته",
-                ["all"] + list(farm_df['واریته'].unique()),
-                format_func=lambda x: "همه واریته‌ها" if x == "all" else x
-            )
-        
-        with col2:
-            selected_age = st.selectbox(
-                "انتخاب سن",
-                ["all"] + list(farm_df['سن'].unique()),
-                format_func=lambda x: "همه سنین" if x == "all" else x
-            )
-        
-        growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
-        
-        chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])
-        
-        with chart_tab1:
-            avg_data = growth_data['average']
-            fig = go.Figure()
-            fig.add_trace(go.Scatter(
-                x=avg_data['weeks'],
-                y=avg_data['heights'],
-                mode='lines+markers',
-                name='میانگین رشد',
-                line=dict(color='#1a8754', width=3),
-                marker=dict(size=8, color='#1a8754')
-            ))
-            fig.update_layout(
-                title='میانگین رشد هفتگی',
-                xaxis_title='هفته',
-                yaxis_title='ارتفاع (سانتی‌متر)',
-                font=dict(family='Vazirmatn', size=14),
-                hovermode='x unified',
-                template='plotly_white',
-                height=500
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        with chart_tab2:
-            if growth_data['individual']:
-                fig = go.Figure()
-                colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f']
-                for i, farm_data in enumerate(growth_data['individual'][:5]):
-                    fig.add_trace(go.Scatter(
-                        x=farm_data['weeks'],
-                        y=farm_data['heights'],
-                        mode='lines+markers',
-                        name=f"مزرعه {farm_data['farm_id']}",
-                        line=dict(color=colors[i % len(colors)], width=2),
-                        marker=dict(size=6, color=colors[i % len(colors)])
-                    ))
-                fig.update_layout(
-                    title='رشد هفتگی مزارع فردی',
-                    xaxis_title='هفته',
-                    yaxis_title='ارتفاع (سانتی‌متر)',
-                    font=dict(family='Vazirmatn', size=14),
-                    hovermode='x unified',
-                    template='plotly_white',
-                    height=500
-                )
-                st.plotly_chart(fig, use_container_width=True)
-            else:
-                st.warning("داده‌ای برای نمایش وجود ندارد.")
-    
-    with tab4:
-        st.markdown("### داده‌های مزارع")
-        
-        search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...")
-        
-        if search_term:
-            filtered_df = farm_df[
-                farm_df['مزرعه'].astype(str).str.contains(search_term) |
-                farm_df['واریته'].astype(str).str.contains(search_term) |
-                farm_df['سن'].astype(str).str.contains(search_term) |
-                farm_df['کانال'].astype(str).str.contains(search_term)
-            ]
-        else:
-            filtered_df = farm_df
-        
-        if not filtered_df.empty:
-            csv = filtered_df.to_csv(index=False).encode('utf-8')
-            st.download_button(
-                label="دانلود داده‌ها (CSV)",
-                data=csv,
-                file_name="farm_data.csv",
-                mime="text/csv",
-            )
-            st.dataframe(
-                filtered_df,
-                use_container_width=True,
-                height=400,
-                hide_index=True
-            )
-            st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه")
-        else:
-            st.warning("هیچ داده‌ای یافت نشد.")
-
-# Map Page
-elif selected == "نقشه مزارع":
-    st.markdown("## نقشه مزارع با شاخص‌های ماهواره‌ای")
-    
-    col1, col2 = st.columns([1, 3])
-    
-    with col1:
-        st.markdown('<div class="glass-card">', unsafe_allow_html=True)
-        st.markdown("### تنظیمات نقشه")
-        
-        selected_farm = st.selectbox(
-            "انتخاب مزرعه",
-            options=coordinates_df['مزرعه'].tolist(),
-            index=0,
-            format_func=lambda x: f"مزرعه {x}"
-        )
-        
-        selected_date = st.date_input(
-            "انتخاب تاریخ",
-            value=datetime.now(),
-            format="YYYY-MM-DD"
-        )
-        
-        selected_layer = st.selectbox(
-            "انتخاب شاخص",
-            options=["NDVI", "NDMI", "EVI", "NDWI", "SoilMoisture"],
-            format_func=lambda x: {
-                "NDVI": "شاخص پوشش گیاهی (NDVI)",
-                "NDMI": "شاخص رطوبت (NDMI)",
-                "EVI": "شاخص پیشرفته گیاهی (EVI)",
-                "NDWI": "شاخص آب (NDWI)",
-                "SoilMoisture": "رطوبت خاک (Soil Moisture)"
-            }[x]
-        )
-        
-        generate_map = st.button(
-            "تولید نقشه",
-            type="primary",
-            use_container_width=True
-        )
-        
-        st.markdown('<hr style="margin: 20px 0;">', unsafe_allow_html=True)
-        
-        st.markdown("### راهنمای شاخص‌ها")
-        
-        with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"):
-            st.markdown("""
-            **شاخ�� تفاضل نرمال‌شده پوشش گیاهی (NDVI)** معیاری برای سنجش سلامت و تراکم پوشش گیاهی است.
-            - **مقادیر بالا (0.6 تا 1.0)**: پوشش گیاهی متراکم و سالم
-            - **مقادیر متوسط (0.2 تا 0.6)**: پوشش گیاهی متوسط
-            - **مقادیر پایین (-1.0 تا 0.2)**: پوشش گیاهی کم یا خاک لخت
-            فرمول: NDVI = (NIR - RED) / (NIR + RED)
-            """)
-        
-        with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"):
-            st.markdown("""
-            **شاخص تفاضل نرمال‌شده رطوبت (NDMI)** برای ارزیابی محتوای رطوبت گیاهان استفاده می‌شود.
-            - **مقادیر بالا (0.4 تا 1.0)**: محتوای رطوبت بالا
-            - **مقادیر متوسط (0.0 تا 0.4)**: محتوای رطوبت متوسط
-            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای رطوبت کم
-            فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR)
-            """)
-        
-        with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"):
-            st.markdown("""
-            **شاخص پیشرفته پوشش گیاهی (EVI)** نسخه بهبودیافته NDVI است که حساسیت کمتری به اثرات خاک و اتمسفر دارد.
-            - **مقادیر بالا (0.4 تا 1.0)**: پوشش گیاهی متراکم و سالم
-            - **مقادیر متوسط (0.2 تا 0.4)**: پوشش گیاهی متوسط
-            - **مقادیر پایین (0.0 تا 0.2)**: پوشش گیاهی کم
-            فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1))
-            """)
-        
-        with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"):
-            st.markdown("""
-            **شاخص تفاضل نرمال‌شده آب (NDWI)** برای شناسایی پهنه‌های آبی و ارزیابی محتوای آب در گیاهان استفاده می‌شود.
-            - **مقادیر بالا (0.3 تا 1.0)**: پهنه‌های آبی
-            - **مقادیر متوسط (0.0 تا 0.3)**: محتوای آب متوسط
-            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای آب کم یا خاک خشک
-            فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR)
-            """)
-        
-        with st.expander("رطوبت خاک (Soil Moisture)", expanded=selected_layer == "SoilMoisture"):
-            st.markdown("""
-            **رطوبت خاک (Soil Moisture)** با استفاده از داده‌های راداری Sentinel-1 سطح رطوبت خاک را به صورت داینامیک بررسی می‌کند.
-            - **مقادیر بالا**: رطوبت خاک بالا
-            - **مقادیر پایین**: رطوبت خاک کم
-            این شاخص به مدیریت بهتر منابع آب کمک می‌کند.
-            """)
-        
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    with col2:
-        map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"])
-        
-        with map_tab:
-            st.markdown('<div class="map-container">', unsafe_allow_html=True)
-            
-            if generate_map or 'last_map' not in st.session_state:
-                with st.spinner('در حال تولید نقشه...'):
-                    m = create_ee_map(
-                        selected_farm,
-                        selected_date.strftime('%Y-%m-%d'),
-                        selected_layer
-                    )
-                    if m:
-                        st.session_state.last_map = m
-                        folium_static(m, width=800, height=600)
-                        st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.")
-                    else:
-                        st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.")
-            elif 'last_map' in st.session_state:
-                folium_static(st.session_state.last_map, width=800, height=600)
-            
-            st.markdown('</div>', unsafe_allow_html=True)
-            st.info("""
-            **نکته:** این نقشه بر اساس تصاویر Sentinel-2 و Sentinel-1 تولید شده است. 
-            برای دقت بیشتر، تاریخی با ابرناکی کم انتخاب کنید.
-            """)
-        
-        with stats_tab:
-            if 'last_map' in st.session_state:
-                stats = calculate_farm_stats(selected_farm, selected_layer)
-                
-                col1, col2, col3, col4 = st.columns(4)
-                
-                with col1:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["mean"]}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">میانگین {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col2:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["max"]}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">حداکثر {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col3:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["min"]}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">حداقل {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col4:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["std_dev"]}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">انحراف معیار</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                fig = px.histogram(
-                    x=stats["histogram_data"],
-                    nbins=20,
-                    title=f"توزیع مقادیر {selected_layer} در مزرعه {selected_farm}",
-                    labels={"x": f"مقدار {selected_layer}", "y": "فراوانی"},
-                    color_discrete_sequence=["#1a8754"]
-                )
-                fig.update_layout(
-                    font=dict(family="Vazirmatn"),
-                    template="plotly_white",
-                    bargap=0.1
-                )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                st.markdown("### تحلیل زمانی")
-                dates = pd.date_range(end=selected_date, periods=30, freq='D')
-                values = np.random.normal(stats["mean"], stats["std_dev"] / 2, 30)
-                values = np.clip(values, stats["min"], stats["max"])
-                fig = px.line(
-                    x=dates,
-                    y=values,
-                    title=f"روند تغییرات {selected_layer} در 30 روز گذشته",
-                    labels={"x": "تاریخ", "y": f"مقدار {selected_layer}"},
-                    markers=True
-                )
-                fig.update_layout(
-                    font=dict(family="Vazirmatn"),
-                    template="plotly_white",
-                    hovermode="x unified"
-                )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                st.markdown("### تخمین نیاز آبی")
-                water_requirement = estimate_water_requirement(selected_farm, selected_date.strftime('%Y-%m-%d'))
-                if water_requirement is not None:
-                    st.metric("نیاز آبی (mm/day)", f"{water_requirement:.2f}")
-                    st.info(f"نیاز آبی تخمینی برای مزرعه {selected_farm}: {water_requirement:.2f} میلی‌متر در روز")
-                else:
-                    st.warning("داده‌های هواشناسی در دسترس نیست.")
-                
-                if selected_layer == "SoilMoisture":
-                    st.markdown("### پیشنهادات مدیریت آب")
-                    if stats["mean"] < -20:
-                        st.markdown("- **افزایش آبیاری**: رطوبت خاک بسیار پایین است.")
-                    elif stats["mean"] > -10:
-                        st.markdown("- **کاهش آبیاری**: رطوبت خاک بیش از حد است.")
-                    else:
-                        st.markdown("- **مدیریت بهینه**: رطوبت خاک در محدوده مناسب است.")
-            else:
-                st.warning("لطفاً ابتدا یک نقشه تولید کنید.")
-
-# Data Entry Page
-elif selected == "ورود اطلاعات":
-    st.markdown("## ورود اطلاعات روزانه مزارع")
-    
-    tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])
-    
-    with tab1:
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            selected_week = st.selectbox(
-                "انتخاب هفته",
-                options=[str(i) for i in range(1, 23)],
-                format_func=lambda x: f"هفته {x}"
-            )
-        
-        with col2:
-            selected_day = st.selectbox(
-                "انتخاب روز",
-                options=["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"]
-            )
-        
-        filtered_farms = farm_df[farm_df['روز'] == selected_day]
-        
-        if filtered_farms.empty:
-            st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} در پایگاه داده وجود ندارد.")
-        else:
-            st.markdown("### ورود داده‌های مزارع")
-            
-            data_key = f"data_{selected_week}_{selected_day}"
-            if data_key not in st.session_state:
-                st.session_state[data_key] = pd.DataFrame({
-                    'مزرعه': filtered_farms['مزرعه'],
-                    'ایستگاه 1': [0] * len(filtered_farms),
-                    'ایستگاه 2': [0] * len(filtered_farms),
-                    'ایستگاه 3': [0] * len(filtered_farms),
-                    'ایستگاه 4': [0] * len(filtered_farms),
-                    'ایستگاه 5': [0] * len(filtered_farms),
-                    'چاهک 1': [0] * len(filtered_farms),
-                    'چاهک 2': [0] * len(filtered_farms),
-                    'رطوبت غلاف': [0] * len(filtered_farms),
-                    'نیتروژن': [0] * len(filtered_farms),
-                    'میانگین ارتفاع': [0] * len(filtered_farms)
-                })
-            
-            edited_df = st.data_editor(
-                st.session_state[data_key],
-                use_container_width=True,
-                num_rows="fixed",
-                column_config={
-                    "مزرعه": st.column_config.TextColumn("مزرعه", disabled=True),
-                    "ایستگاه 1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1),
-                    "ایستگاه 2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1),
-                    "ایستگاه 3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1),
-                    "ایستگاه 4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1),
-                    "ایستگاه 5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1),
-                    "چاهک 1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1),
-                    "چاهک 2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1),
-                    "رطوبت غلاف": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
-                    "نیتروژن": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
-                    "میانگین ارتفاع": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
-                },
-                hide_index=True
-            )
-            
-            for i in range(len(edited_df)):
-                stations = [
-                    edited_df.iloc[i]['ایستگاه 1'],
-                    edited_df.iloc[i]['ایستگاه 2'],
-                    edited_df.iloc[i]['ایستگاه 3'],
-                    edited_df.iloc[i]['ایستگاه 4'],
-                    edited_df.iloc[i]['ایستگاه 5']
-                ]
-                valid_stations = [s for s in stations if s > 0]
-                if valid_stations:
-                    edited_df.iloc[i, edited_df.columns.get_loc('میانگین ارتفاع')] = round(sum(valid_stations) / len(valid_stations), 1)
-            
-            st.session_state[data_key] = edited_df
-            
-            if st.button("ذخیره اطلاعات", type="primary", use_container_width=True):
-                new_data = edited_df.copy()
-                new_data['Farm_ID'] = new_data['مزرعه']
-                new_data['Week'] = int(selected_week)
-                new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
-                new_data['Height'] = new_data['میانگین ارتفاع']
-                new_data['Station1'] = new_data['ایستگاه 1']
-                new_data['Station2'] = new_data['ایستگاه 2']
-                new_data['Station3'] = new_data['ایستگاه 3']
-                new_data['Station4'] = new_data['ایستگاه 4']
-                new_data['Station5'] = new_data['ایستگاه 5']
-                new_data['Groundwater1'] = new_data['چاهک 1']
-                new_data['Groundwater2'] = new_data['چاهک 2']
-                new_data['Sheath_Moisture'] = new_data['رطوبت غلاف']
-                new_data['Nitrogen'] = new_data['نیتروژن']
-                
-                new_data = new_data.merge(
-                    farm_df[['مزرعه', 'واریته', 'سن', 'مساحت', 'کانال', 'اداره']],
-                    left_on='Farm_ID',
-                    right_on='مزرعه',
-                    how='left'
-                )
-                
-                new_data = new_data.rename(columns={
-                    'واریته': 'Variety',
-                    'سن': 'Age',
-                    'مساحت': 'Area',
-                    'کانال': 'Channel',
-                    'اداره': 'Administration'
-                })
-                
-                st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
-                st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
-                st.balloons()
-    
-    with tab2:
-        st.markdown("### آپلود فایل اکسل")
-        
-        uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])
-        
-        if uploaded_file is not None:
-            try:
-                if uploaded_file.name.endswith('.csv'):
-                    df = pd.read_csv(uploaded_file)
-                else:
-                    df = pd.read_excel(uploaded_file)
-                st.dataframe(df, use_container_width=True)
-                if st.button("ذخیره فایل", type="primary"):
-                    st.success("فایل با موفقیت ذخیره شد.")
-                    st.balloons()
-            except Exception as e:
-                st.error(f"خطا در خواندن فایل: {e}")
-        
-        st.markdown("### راهنمای فرمت فایل")
-        st.markdown("""
-        فایل اکسل باید شامل ستون‌های زیر باشد:
-        - مزرعه
-        - ایستگاه 1 تا 5
-        - چاهک 1 و 2
-        - رطوبت غلاف
-        - نیتروژن
-        می‌توانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید.
-        """)
-        
-        st.markdown("""
-        <div style="border: 2px dashed #1a8754; border-radius: 10px; padding: 40px; text-align: center; margin: 20px 0;">
-            <svg xmlns="http://www.w3.org/2000/svg" width="48" height="48" viewBox="0 0 24 24" fill="none" stroke="#1a8754" stroke-width="2" stroke-linecap="round" stroke-linejoin="round">
-                <path d="M21 15v4a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2v-4"></path>
-                <polyline points="17 8 12 3 7 8"></polyline>
-                <line x1="12" y1="3" x2="12" y2="15"></line>
-            </svg>
-            <p style="margin-top: 10px; color: #1a8754;">فایل خود را اینجا رها کنید یا روی دکمه بالا کلیک کنید</p>
-        </div>
-        """, unsafe_allow_html=True)
-
-# Data Analysis Page
-elif selected == "تحلیل داده‌ها":
-    st.markdown("## تحلیل هوشمند داده‌ها")
-    
-    col1, col2 = st.columns([1, 2])
-    
-    with col1:
-        st_lottie(lottie_analysis, height=200, key="analysis_animation")
-    
-    with col2:
-        st.markdown("""
-        <div class="glass-card">
-            <h3 class="gradient-text">تحلیل پیشرفته داده‌های مزارع</h3>
-            <p>در این بخش می‌توانید تحلیل‌های پیشرفته روی داده‌های مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.</p>
-        </div>
-        """, unsafe_allow_html=True)
-    
-    tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل رطوبت", "پیش‌بینی"])
-    
-    with tab1:
-        st.markdown("### تحلیل رشد مزارع")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            selected_variety = st.selectbox(
-                "انتخاب واریته",
-                ["all"] + list(farm_df['واریته'].unique()),
-                format_func=lambda x: "همه واریته‌ها" if x == "all" else x,
-                key="growth_variety"
-            )
-        
-        with col2:
-            selected_age = st.selectbox(
-                "انتخاب سن",
-                ["all"] + list(farm_df['سن'].unique()),
-                format_func=lambda x: "همه سنین" if x == "all" else x,
-                key="growth_age"
-            )
-        
-        growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
-        
-        if growth_data['individual']:
-            chart_data = []
-            for farm_data in growth_data['individual']:
-                for i, week in enumerate(farm_data['weeks']):
-                    chart_data.append({
-                        'Farm': farm_data['farm_id'],
-                        'Week': week,
-                        'Height': farm_data['heights'][i],
-                        'Variety': farm_data['variety'],
-                        'Age': farm_data['age']
-                    })
-            
-            chart_df = pd.DataFrame(chart_data)
-            
-            chart = alt.Chart(chart_df).mark_line(point=True).encode(
-                x=alt.X('Week:Q', title='هفته'),
-                y=alt.Y('Height:Q', title='ارتفاع (سانتی‌متر)'),
-                color=alt.Color('Farm:N', title='مزرعه'),
-                tooltip=['Farm', 'Week', 'Height', 'Variety', 'Age']
-            ).properties(
-                width='container',
-                height=400,
-                title='روند رشد مزارع بر اساس هفته'
-            ).interactive()
-            
-            st.altair_chart(chart, use_container_width=True)
-            
-            st.markdown("### تحلیل نرخ رشد")
-            
-            growth_rates = []
-            for farm_data in growth_data['individual']:
-                heights = farm_data['heights']
-                for i in range(1, len(heights)):
-                    growth_rate = heights[i] - heights[i-1]
-                    growth_rates.append({
-                        'Farm': farm_data['farm_id'],
-                        'Week': farm_data['weeks'][i],
-                        'Growth Rate': growth_rate,
-                        'Variety': farm_data['variety'],
-                        'Age': farm_data['age']
-                    })
-            
-            growth_rate_df = pd.DataFrame(growth_rates)
-            
-            chart = alt.Chart(growth_rate_df).mark_bar().encode(
-                x=alt.X('Week:O', title='هفته'),
-                y=alt.Y('mean(Growth Rate):Q', title='نرخ رشد (سانتی‌متر در هفته)'),
-                color=alt.Color('Farm:N', title='مزرعه'),
-                tooltip=['Farm', 'Week', 'mean(Growth Rate)']
-            ).properties(
-                width='container',
-                height=400,
-                title='نرخ رشد هفتگی مزارع'
-            ).interactive()
-            
-            st.altair_chart(chart, use_container_width=True)
-        else:
-            st.warning("داده‌ای برای نمایش وجود ندارد.")
-    
-    with tab2:
-        st.markdown("### مقایسه واریته‌ها")
-        
-        variety_age_groups = farm_df.groupby(['واریته', 'سن']).size().reset_index(name='تعداد')
-        
-        fig = px.density_heatmap(
-            variety_age_groups,
-            x='واریته',
-            y='سن',
-            z='تعداد',
-            title='توزیع مزارع بر اساس واریته و سن',
-            color_continuous_scale='Viridis'
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            xaxis_title="واریته",
-            yaxis_title="سن"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        varieties = farm_df['واریته'].unique()
-        variety_heights = {variety: np.random.normal(150, 20, 100) for variety in varieties}
-        
-        fig = go.Figure()
-        for variety in varieties:
-            fig.add_trace(go.Box(
-                y=variety_heights[variety],
-                name=variety,
-                boxpoints='outliers',
-                marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)'
-            ))
-        fig.update_layout(
-            title='مقایسه ارتفاع بر اساس واریته',
-            yaxis_title='ارتفاع (سانتی‌متر)',
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            boxmode='group'
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### مقایسه آماری واریته‌ها")
-        variety_stats = {}
-        for variety in varieties:
-            heights = variety_heights[variety]
-            variety_stats[variety] = {
-                'میانگین': np.mean(heights),
-                'میانه': np.median(heights),
-                'انحراف معیار': np.std(heights),
-                'حداقل': np.min(heights),
-                'حداکثر': np.max(heights)
-            }
-        variety_stats_df = pd.DataFrame(variety_stats).T
-        st.dataframe(variety_stats_df, use_container_width=True)
-    
-    with tab3:
-        st.markdown("### تحلیل رطوبت مزارع")
-        
-        farms = farm_df['مزرعه'].unique()[:10]
-        dates = pd.date_range(end=datetime.now(), periods=30, freq='D')
-        
-        moisture_data = []
-        for farm in farms:
-            base_moisture = np.random.uniform(50, 80)
-            for date in dates:
-                moisture = base_moisture + np.random.normal(0, 5)
-                moisture = max(0, min(100, moisture))
-                moisture_data.append({
-                    'Farm': farm,
-                    'Date': date,
-                    'Moisture': moisture
-                })
-        
-        moisture_df = pd.DataFrame(moisture_data)
-        
-        fig = px.line(
-            moisture_df,
-            x='Date',
-            y='Moisture',
-            color='Farm',
-            title='روند رطوبت مزارع در 30 روز گذشته',
-            labels={'Date': 'تاریخ', 'Moisture': 'رطوبت (%)', 'Farm': 'مزرعه'}
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            hovermode="x unified"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### همبستگی رطوبت و ارتفاع")
-        
-        correlation_data = []
-        for farm in farms:
-            for _ in range(20):
-                moisture = np.random.uniform(40, 90)
-                height = 100 + moisture * 1.5 + np.random.normal(0, 20)
-                correlation_data.append({
-                    'Farm': farm,
-                    'Moisture': moisture,
-                    'Height': height
-                })
-        
-        correlation_df = pd.DataFrame(correlation_data)
-        
-        fig = px.scatter(
-            correlation_df,
-            x='Moisture',
-            y='Height',
-            color='Farm',
-            title='همبستگی بین رطوبت و ارتفاع',
-            labels={'Moisture': 'رطوبت (%)', 'Height': 'ارتفاع (سانتی‌متر)', 'Farm': 'مزرعه'},
-            trendline='ols'
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        correlation = correlation_df['Moisture'].corr(correlation_df['Height'])
-        st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}")
-    
-    with tab4:
-        st.markdown("### پیش‌بینی رشد مزارع")
-        
-        selected_farm_for_prediction = st.selectbox(
-            "انتخاب مزرعه",
-            options=farm_df['مزرعه'].tolist(),
-            format_func=lambda x: f"مزرعه {x}"
-        )
-        
-        weeks = list(range(1, 16))
-        heights = [50 + i * 10 + np.random.normal(0, 5) for i in range(len(weeks))]
-        
-        historical_df = pd.DataFrame({
-            'Week': weeks,
-            'Height': heights
-        })
-        
-        future_weeks = list(range(16, 23))
-        
-        from sklearn.linear_model import LinearRegression
-        
-        model = LinearRegression()
-        model.fit(np.array(weeks).reshape(-1, 1), heights)
-        
-        future_heights = model.predict(np.array(future_weeks).reshape(-1, 1))
-        
-        lower_bound = future_heights - 15
-        upper_bound = future_heights + 15
-        
-        future_df = pd.DataFrame({
-            'Week': future_weeks,
-            'Height': future_heights,
-            'Lower': lower_bound,
-            'Upper': upper_bound
-        })
-        
-        fig = go.Figure()
-        
-        fig.add_trace(go.Scatter(
-            x=historical_df['Week'],
-            y=historical_df['Height'],
-            mode='lines+markers',
-            name='داده‌های تاریخی',
-            line=dict(color='#1a8754', width=3),
-            marker=dict(size=8, color='#1a8754')
-        ))
-        
-        fig.add_trace(go.Scatter(
-            x=future_df['Week'],
-            y=future_df['Height'],
-            mode='lines+markers',
-            name='پیش‌بینی',
-            line=dict(color='#ff9800', width=3, dash='dash'),
-            marker=dict(size=8, color='#ff9800')
-        ))
-        
-        fig.add_trace(go.Scatter(
-            x=future_df['Week'].tolist() + future_df['Week'].tolist()[::-1],
-            y=future_df['Upper'].tolist() + future_df['Lower'].tolist()[::-1],
-            fill='toself',
-            fillcolor='rgba(255, 152, 0, 0.2)',
-            line=dict(color='rgba(255, 152, 0, 0)'),
-            hoverinfo='skip',
-            showlegend=False
-        ))
-        
-        fig.update_layout(
-            title=f'پیش‌بینی رشد مزرعه {selected_farm_for_prediction}',
-            xaxis_title='هفته',
-            yaxis_title='ارتفاع (سانتی‌متر)',
-            font=dict(family='Vazirmatn', size=14),
-            hovermode='x unified',
-            template='plotly_white',
-            height=500,
-            legend=dict(
-                orientation="h",
-                yanchor="bottom",
-                y=1.02,
-                xanchor="right",
-                x=1
-            )
-        )
-        
-        fig.add_vline(x=15.5, line_width=1, line_dash="dash", line_color="gray")
-        
-        st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### جزئیات پیش‌بینی")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            st.metric(
-                label="ارتفاع فعلی",
-                value=f"{heights[-1]:.1f} cm",
-                delta=f"{heights[-1] - heights[-2]:.1f} cm"
-            )
-        
-        with col2:
-            st.metric(
-                label="ارتفاع پیش‌بینی شده (هفته 22)",
-                value=f"{future_heights[-1]:.1f} cm",
-                delta=f"{future_heights[-1] - heights[-1]:.1f} cm"
-            )
-        
-        prediction_table = pd.DataFrame({
-            'هفته': future_weeks,
-            'ارتفاع پیش‌بینی شده': [f"{h:.1f}" for h in future_heights],
-            'حد پایین': [f"{l:.1f}" for l in lower_bound],
-            'حد بالا': [f"{u:.1f}" for u in upper_bound]
-        })
-        
-        st.dataframe(prediction_table, use_container_width=True, hide_index=True)
-        
-        st.markdown("### عوامل مؤثر بر رشد")
-        
-        factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
-        factor_values = [85, 70, 60, 90, 75]
-        
-        fig = go.Figure()
-        
-        fig.add_trace(go.Scatterpolar(
-            r=factor_values,
-            theta=factors,
-            fill='toself',
-            name='عوامل مؤثر',
-            line_color='#1a8754'
-        ))
-        
-        fig.update_layout(
-            polar=dict(
-                radialaxis=dict(
-                    visible=True,
-                    range=[0, 100]
-                )
-            ),
-            showlegend=False,
-            font=dict(family='Vazirmatn'),
-            height=400
-        )
-        
-        st.plotly_chart(fig, use_container_width=True)
-
-# Reporting Page
-elif selected == "گزارش‌گیری":
-    st.markdown("## گزارش‌گیری پیشرفته")
-    
-    col1, col2 = st.columns([1, 2])
-    
-    with col1:
-        st_lottie(lottie_report, height=200, key="report_animation")
-    
-    with col2:
-        st.markdown("""
-        <div class="glass-card">
-            <h3 class="gradient-text">گزارش‌گیری پیشرفته</h3>
-            <p>در این بخش می‌توانید گزارش‌های مختلف از وضعیت مزارع تهیه کنید و آن‌ها را به صورت PDF یا Excel دانلود کنید.</p>
-        </div>
-        """, unsafe_allow_html=True)
-    
-    col1, col2 = st.columns(2)
-    
-    with col1:
-        start_date = st.date_input(
-            "تاریخ شروع",
-            value=datetime.now() - timedelta(days=30),
-            format="YYYY-MM-DD"
-        )
-    
-    with col2:
-        end_date = st.date_input(
-            "تاریخ پایان",
-            value=datetime.now(),
-            format="YYYY-MM-DD"
-        )
-    
-    report_type = st.selectbox(
-        "نوع گزارش",
-        options=["گزارش کلی", "گزارش رشد", "گزارش رطوبت", "گزارش مقایسه‌ای واریته‌ها"]
-    )
-    
-    if st.button("تولید گزارش", type="primary", use_container_width=True):
-        with st.spinner('در حال تولید گزارش...'):
-            time.sleep(2)
-            
-            if report_type == "گزارش کلی":
-                st.markdown("### گزارش کلی وضعیت مزارع")
-                
-                col1, col2, col3, col4 = st.columns(4)
-                
-                with col1:
-                    st.metric("تعداد کل مزارع", len(farm_df))
-                
-                with col2:
-                    st.metric("میانگین ارتفاع", f"{np.random.uniform(150, 200):.1f} cm")
-                
-                with col3:
-                    st.metric("میانگین رطوبت", f"{np.random.uniform(60, 80):.1f}%")
-                
-                with col4:
-                    st.metric("میانگین نیتروژن", f"{np.random.uniform(40, 60):.1f}%")
-                
-                farm_counts = farm_df['اداره'].value_counts()
-                fig = px.pie(
-                    values=farm_counts.values,
-                    names=farm_counts.index,
-                    title='توزیع مزارع بر اساس اداره',
-                    color_discrete_sequence=px.colors.sequential.Greens_r
-                )
-                fig.update_traces(textposition='inside', textinfo='percent+label')
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                weeks = list(range(1, 23))
-                heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
-                fig = px.line(
-                    x=weeks,
-                    y=heights,
-                    title='روند رشد کلی مزارع',
-                    labels={'x': 'هفته', 'y': 'ارتفاع (سانتی‌متر)'}
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                top_farms = pd.DataFrame({
-                    'مزرعه': ['مزرعه ' + str(i) for i in range(1, 6)],
-                    'ارتفاع': [round(np.random.uniform(180, 220), 1) for _ in range(5)],
-                    'رطوبت': [round(np.random.uniform(60, 80), 1) for _ in range(5)],
-                    'نیتروژن': [round(np.random.uniform(40, 60), 1) for _ in range(5)]
-                })
-                st.markdown("### 5 مزرعه برتر")
-                st.dataframe(top_farms, use_container_width=True, hide_index=True)
-            
-            elif report_type == "گزارش رشد":
-                st.markdown("### گزارش رشد مزارع")
-                
-                col1, col2, col3 = st.columns(3)
-                
-                with col1:
-                    st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm")
-                
-                with col2:
-                    st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm")
-                
-                with col3:
-                    st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm")
-                
-                weeks = list(range(1, 23))
-                farms = ['مزرعه 1', 'مزرعه 2', 'مزرعه 3', 'مزرعه 4', 'مزرعه 5']
-                fig = go.Figure()
-                for farm in farms:
-                    heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
-                    fig.add_trace(go.Scatter(
-                        x=weeks,
-                        y=heights,
-                        mode='lines+markers',
-                        name=farm
-                    ))
-                fig.update_layout(
-                    title='روند رشد مزارع',
-                    xaxis_title='هفته',
-                    yaxis_title='ارتفاع (سانتی‌متر)',
-                    font=dict(family="Vazirmatn"),
-                    legend_title='مزرعه',
-                    hovermode="x unified"
-                )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                growth_rates = np.random.normal(12, 3, 1000)
-                fig = px.histogram(
-                    x=growth_rates,
-                    nbins=30,
-                    title='توزیع نرخ رشد هفتگی',
-                    labels={'x': 'نرخ رشد (سانتی‌متر در هفته)', 'y': 'فراوانی'},
-                    color_discrete_sequence=['#1a8754']
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                st.markdown("### عوامل مؤثر بر رشد")
-                factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
-                correlations = [0.8, 0.7, 0.5, 0.9, 0.6]
-                fig = px.bar(
-                    x=factors,
-                    y=correlations,
-                    title='همبستگی عوامل مختلف با نرخ رشد',
-                    labels={'x': 'عامل', 'y': 'ضریب همبستگی'},
-                    color=correlations,
-                    color_continuous_scale='Viridis'
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-            
-            elif report_type == "گزارش رطوبت":
-                st.markdown("### گزارش رطوبت مزارع")
-                
-                col1, col2, col3 = st.columns(3)
-                
-                with col1:
-                    st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%")
-                
-                with col2:
-                    st.metric("حداکثر رطوبت", f"{np.random.uniform(80, 90):.1f}%")
-                
-                with col3:
-                    st.metric("حداقل رطوبت", f"{np.random.uniform(40, 50):.1f}%")
-                
-                dates = pd.date_range(start=start_date, end=end_date)
-                moisture_levels = [np.random.uniform(50, 80) for _ in range(len(dates))]
-                fig = px.line(
-                    x=dates,
-                    y=moisture_levels,
-                    title='روند رطوبت مزارع',
-                    labels={'x': 'تاریخ', 'y': 'رطوبت (%)'}
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                fig = px.histogram(
-                    x=moisture_levels,
-                    nbins=30,
-                    title='توزیع رطوبت مزارع',
-                    labels={'x': 'رطوبت (%)', 'y': 'فراوانی'},
-                    color_discrete_sequence=['#1a8754']
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                growth_levels = [h + np.random.normal(0, 10) for h in moisture_levels]
-                fig = px.scatter(
-                    x=moisture_levels,
-                    y=growth_levels,
-                    title='رابطه بین رطوبت و رشد',
-                    labels={'x': 'رطوبت (%)', 'y': 'رشد (سانتی‌متر)'},
-                    trendline='ols'
-                )
-                fig.update_layout(font=dict(family="Vazirmatn"))
-                st.plotly_chart(fig, use_container_width=True)
-                
-                st.markdown("### توصیه‌های مدیریت رطوبت")
-                recommendations = [
-                    "افزایش دفعات آبیاری در مزارع با رطوبت پایین",
-                    "بهبود سیستم زهکشی در مزارع با رطوبت بالا",
-                    "استفاده از مالچ برای حفظ رطوبت خاک",
-                    "تنظیم زمان آبیاری بر اساس شرایط آب و هوایی",
-                    "پایش مداوم رطوبت خاک با استفاده از سنسورها"
-                ]
-                for rec in recommendations:
-                    st.markdown(f"- {rec}")
-            
-            elif report_type == "گزارش مقایسه‌ای واریته‌ها":
-                st.markdown("### گزارش مقایسه‌ای واریته‌های نیشکر")
-                
-                varieties = ['CP57-614', 'CP69-1062', 'CP73-21', 'SP70-1143', 'IRC99-02']
-                heights = [np.random.uniform(180, 220) for _ in varieties]
-                sugar_contents = [np.random.uniform(12, 16) for _ in varieties]
-                growth_rates = [np.random.uniform(10, 15) for _ in varieties]
-                
-                fig = go.Figure(data=[
-                    go.Bar(name='ارتفاع (cm)', x=varieties, y=heights),
-                    go.Bar(name='محتوای قند (%)', x=varieties, y=sugar_contents),
-                    go.Bar(name='رشد (cm/هفته)', x=varieties, y=growth_rates)
-                ])
-                fig.update_layout(
-                    title='مقایسه واریته‌های نیشکر',
-                    xaxis_title='واریته',
-                    yaxis_title='مقدار',
-                    barmode='group',
-                    font=dict(family="Vazirmatn")
-                )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                variety_data = pd.DataFrame({
-                    'واریته': varieties,
-                    'ارتفاع (cm)': [round(h, 1) for h in heights],
-                    'محتوای قند (%)': [round(s, 1) for s in sugar_contents],
-                    'رشد(cm/هفته)': [round(g, 1) for g in growth_rates],
-                    'مقاومت به آفات': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties],
-                    'نیاز آبی': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties]
-                })
-                st.dataframe(variety_data, use_container_width=True, hide_index=True)
-                
-                categories = ['ارتفاع', 'محتوای قند', 'رشد', 'مقاومت به آفات', 'بهره‌وری آب']
-                fig = go.Figure()
-                for variety in varieties:
-                    values = [
-                        heights[varieties.index(variety)] / max(heights) * 100,
-                        sugar_contents[varieties.index(variety)] / max(sugar_contents) * 100,
-                        growth_rates[varieties.index(variety)] / max(growth_rates) * 100,
-                        np.random.uniform(60, 100),
-                        np.random.uniform(60, 100)
-                    ]
-                    fig.add_trace(go.Scatterpolar(
-                        r=values,
-                        theta=categories,
-                        fill='toself',
-                        name=variety
-                    ))
-                fig.update_layout(
-                    polar=dict(
-                        radialaxis=dict(
-                            visible=True,
-                            range=[0, 100]
-                        )
-                    ),
-                    title='مقایسه واریته‌ها',
-                    font=dict(family="Vazirmatn"),
-                    showlegend=True
-                )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                st.markdown("### توصیه‌های کشت واریته‌ها")
-                recommendations = [
-                    f"واریته {np.random.choice(varieties)} برای مناطق با آب و هوای گرم و مرطوب مناسب‌تر است.",
-                    f"برای افزایش عملکرد تولید شکر، کشت واریته {np.random.choice(varieties)} توصیه می‌شود.",
-                    f"در مناطق با محدودیت آب، استفاده از واریته {np.random.choice(varieties)} به دلیل نیاز آبی کمتر مناسب است.",
-                    f"برای مقاومت بهتر در برا��ر آفات، واریته {np.random.choice(varieties)} پیشنهاد می‌شود.",
-                    "تنوع در کشت واریته‌ها می‌تواند به کاهش ریسک‌های مرتبط با آفات و بیماری‌ها کمک کند."
-                ]
-                for rec in recommendations:
-                    st.markdown(f"- {rec}")
-            
-            col1, col2 = st.columns(2)
-            with col1:
-                st.download_button(
-                    label="دانلود گزارش (PDF)",
-                    data=b"This is a mock PDF report",
-                    file_name="farm_report.pdf",
-                    mime="application/pdf",
-                )
-            with col2:
-                st.download_button(
-                    label="دانلود داده‌ها (Excel)",
-                    data=b"This is a mock Excel file",
-                    file_name="farm_data.xlsx",
-                    mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
-                )
-
-# Settings Page
-elif selected == "تنظیمات":
-    st.markdown("## تنظیمات سیستم")
-    
-    tab1, tab2, tab3, tab4 = st.tabs(["تنظیمات کاربری", "تنظیمات سیستم", "مدیریت داده‌ها", "پشتیبان‌گیری"])
-    
-    with tab1:
-        st.markdown("### تنظیمات کاربری")
-        
-        st.markdown("#### پروفایل کاربری")
-        col1, col2 = st.columns(2)
-        with col1:
-            user_name = st.text_input("نام کاربری", value="کاربر نمونه")
-        with col2:
-            user_email = st.text_input("ایمیل", value="[email protected]")
-        
-        user_role = st.selectbox(
-            "نقش کاربری",
-            options=["مدیریت مطالعات", "پرسنل", "اپراتور"],
-            index=1
-        )
-        
-        st.markdown("#### تغییر رمز عبور")
-        col1, col2 = st.columns(2)
-        with col1:
-            current_password = st.text_input("رمز عبور فعلی", type="password")
-        with col2:
-            new_password = st.text_input("رمز عبور جدید", type="password")
-        
-        confirm_password = st.text_input("تکرار رمز عبور جدید", type="password")
-        
-        if st.button("تغییر رمز عبور", type="primary"):
-            st.success("رمز عبور با موفقیت تغییر کرد.")
-        
-        st.markdown("#### تنظیمات اعلان‌ها")
-        email_notifications = st.checkbox("دریافت اعلان‌ها از طریق ایمیل", value=True)
-        sms_notifications = st.checkbox("دریافت اعلان‌ها از طریق پیامک", value=False)
-        notification_frequency = st.radio(
-            "تناوب دریافت اعلان‌ها",
-            options=["روزانه", "هفتگی", "ماهانه"],
-            index=1
-        )
-    
-    with tab2:
-        st.markdown("### تنظیمات سیستم")
-        
-        system_language = st.selectbox(
-            "زبان سیستم",
-            options=["فارسی", "English", "العربية"],
-            index=0
-        )
-        
-        date_format = st.selectbox(
-            "فرمت تاریخ",
-            options=["YYYY/MM/DD", "DD/MM/YYYY", "MM/DD/YYYY"],
-            index=0
-        )
-        
-        st.markdown("#### تنظیمات ظاهری")
-        theme = st.radio(
-            "تم",
-            options=["روشن", "تیره", "سیستم"],
-            index=2
-        )
-        primary_color = st.color_picker("رنگ اصلی", value="#1a8754")
-        
-        st.markdown("#### تنظیمات نقشه")
-        default_map_view = st.selectbox(
-            "نمای پیش‌فرض نقشه",
-            options=["نقشه", "ماهواره", "ترکیبی"],
-            index=0
-        )
-        default_map_layer = st.selectbox(
-            "لایه پیش‌فرض نقشه",
-            options=["NDVI", "NDMI", "EVI", "NDWI", "SoilMoisture"],
-            index=0
-        )
-        
-        st.markdown("#### تنظیمات مدل هوش مصنوعی")
-        ai_model = st.selectbox(
-            "مدل هوش مصنوعی",
-            options=["GPT-3", "GPT-4", "BERT"],
-            index=1
-        )
-        model_update_frequency = st.selectbox(
-            "تناوب به‌روزرسانی مدل",
-            options=["روزانه", "هفتگی", "ماهانه"],
-            index=1
-        )
-        
-        if st.button("ذخیره تنظیمات", type="primary"):
-            st.success("تنظیمات با موفقیت ذخیره شدند.")
-    
-    with tab3:
-        st.markdown("### مدیریت داده‌ها")
-        
-        st.markdown("#### ورود داده")
-        uploaded_file = st.file_uploader("آپلود فایل داده", type=["csv", "xlsx"])
-        if uploaded_file is not None:
-            st.success(f"فایل {uploaded_file.name} با موفقیت آپلود شد.")
-            if st.button("وارد کردن داده‌ها"):
-                st.info("در حال پردازش و وارد کردن داده‌ها...")
-                time.sleep(2)
-                st.success("داده‌ها با موفقیت وارد شدند.")
-        
-        st.markdown("#### خروجی داده")
-        export_format = st.selectbox(
-            "فرمت خروجی",
-            options=["CSV", "Excel", "JSON"],
-            index=1
-        )
-        if st.button("دریافت خروجی"):
-            st.info("در حال آماده‌سازی فایل خروجی...")
-            time.sleep(2)
-            st.success("فایل خروجی آماده دانلود است.")
-            st.download_button(
-                label="دانلود فایل خروجی",
-                data=b"This is a mock export file",
-                file_name=f"farm_data_export.{export_format.lower()}",
-                mime="application/octet-stream",
-            )
-        
-        st.markdown("#### پاکسازی داده‌ها")
-        cleanup_options = st.multiselect(
-            "گزینه‌های پاکسازی",
-            options=["حذف داده‌های تکراری", "حذف داده‌های ناقص", "نرمال‌سازی داده‌ها"],
-            default=["حذف داده‌های تکراری"]
-        )
-        if st.button("اجرای پاکسازی"):
-            st.info("در حال اجرای عملیات پاکسازی...")
-            time.sleep(2)
-            st.success("عملیات پاکسازی با موفقیت انجام شد.")
-        
-        st.markdown("#### تنظیمات نمایش داده")
-        chart_theme = st.selectbox(
-            "تم نمودارها",
-            options=["پیش‌فرض", "روشن", "تیره", "رنگی"],
-            index=0
-        )
-        show_data_labels = st.checkbox("نمایش برچسب‌های داده", value=True)
-        if st.button("اعمال تنظیمات نمایش"):
-            st.success("تنظیمات نمایش داده با موفقیت اعمال شدند.")
-    
-    with tab4:
-        st.markdown("### پشتیبان‌گیری و بازیابی")
-        
-        st.markdown("#### ایجاد نسخه پشتیبان")
-        backup_type = st.radio(
-            "نوع پشتیبان‌گیری",
-            options=["پشتیبان کامل", "پشتیبان افزایشی"],
-            index=0
-        )
-        include_images = st.checkbox("شامل تصاویر", value=True)
-        include_user_data = st.checkbox("شامل داده‌های کاربران", value=True)
-        if st.button("ایجاد نسخه پشتیبان", type="primary"):
-            st.info("در حال ایجاد نسخه پشتیبان...")
-            progress_bar = st.progress(0)
-            for i in range(100):
-                time.sleep(0.05)
-                progress_bar.progress(i + 1)
-            st.success("نسخه پشتیبان با موفقیت ایجاد شد.")
-        
-        st.markdown("#### بازیابی از نسخه پشتیبان")
-        backup_file = st.file_uploader("آپلود فایل پشتیبان", type=["zip", "bak"])
-        if backup_file is not None:
-            st.warning("هشدار: بازیابی از نسخه پشتیبان ممکن است داده‌های فعلی را بازنویسی کند.")
-            if st.button("شروع بازیابی"):
-                st.info("در حال بازیابی از نسخه پشتیبان...")
-                progress_bar = st.progress(0)
-                for i in range(100):
-                    time.sleep(0.05)
-                    progress_bar.progress(i + 1)
-                st.success("بازیابی از نسخه پشتیبان با موفقیت انجام شد.")
-        
-        st.markdown("#### تنظیمات پشتیبان‌گیری خودکار")
-        auto_backup = st.checkbox("فعال‌سازی پشتیبان‌گیری خودکار", value=True)
-        if auto_backup:
-            backup_frequency = st.selectbox(
-                "تناوب پشتیبان‌گیری",
-                options=["روزانه", "هفتگی", "ماهانه"],
-                index=1
-            )
-            backup_time = st.time_input("زمان پشتیبان‌گیری", value=datetime.now().replace(hour=1, minute=0, second=0, microsecond=0))
-            retain_backups = st.number_input("تعداد نسخه‌های پشتیبان برای نگهداری", min_value=1, value=7)
-        
-        if st.button("ذخیره تنظیمات پشتیبان‌گیری"):
-            st.success("تنظیمات پشتیبان‌گیری با موفقیت ذخیره شدند.")
-
-# Add a footer
-st.markdown("""
-<footer style="position: fixed; left: 0; bottom: 0; width: 100%; background-color: #1a8754; color: white; text-align: center; padding: 10px 0;">
-    <p>©  سامانه هوشمند پایش مزارع نیشکر کشت و صنعت دهخدا | طراحی شده توسط تیم مطالعات کاربردی توسعه</p>
-</footer>
-""", unsafe_allow_html=True)
+        st.error(f"خط