diff --git "a/app.py" "b/app.py" --- "a/app.py" +++ "b/app.py" @@ -1,582 +1,2182 @@ -import streamlit as st +import streamlit import pandas as pd -import ee -import geemap -import geemap.foliumap as geemap -import datetime import numpy as np +import folium# +from streamlit_folium import folium_static +import ee import os +import json +import time +from datetime import datetime, timedelta import plotly.express as px import plotly.graph_objects as go +from PIL import Image +import base64 +from io import BytesIO +import matplotlib.pyplot as plt +import seaborn as sns +import altair as alt from streamlit_option_menu import option_menu -import json -from datetime import datetime, timedelta -import time +from streamlit_lottie import st_lottie +import requests +import hydralit_components as hc +from streamlit_extras.colored_header import colored_header +from streamlit_extras.metric_cards import style_metric_cards +from streamlit_extras.chart_container import chart_container +from streamlit_extras.add_vertical_space import add_vertical_space +from streamlit_card import card +import pydeck as pdk +import math -# تنظیم صفحه و عنوان برنامه +# Page configuration with custom theme st.set_page_config( - page_title="سیستم مانیتورینگ مزارع نیشکر", - page_icon="🌱", + page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا", + page_icon="🌿", layout="wide", initial_sidebar_state="expanded" ) -# استایل و تنظیمات فارسی +# Custom CSS with modern design and animations st.markdown(""" """, unsafe_allow_html=True) -# تنظیم Earth Engine +# Initialize Earth Engine @st.cache_resource -def initialize_ee(): - # مسیر فایل JSON برای احراز هویت - service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com' - - # بررسی وجود فایل اعتبارنامه - credentials_path = 'ee-esmaeilkiani13877-cfdea6eaf411.json' - - if os.path.exists(credentials_path): - credentials = ee.ServiceAccountCredentials(service_account, credentials_path) +def initialize_earth_engine(): + try: + service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com' + credentials_dict = { + "type": "service_account", + "project_id": "ee-esmaeilkiani13877", + "private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f", + "private_key": "-----BEGIN PRIVATE KEY-----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\nLa4DJE9BagGdVNTDtynBhKhZ\n-----END PRIVATE KEY-----\n", + "client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com", + "client_id": "113062529451626176784", + "auth_uri": "https://accounts.google.com/o/oauth2/auth", + "token_uri": "https://oauth2.googleapis.com/token", + "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs", + "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com", + "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) - else: - # اگر فایل وجود نداشت، ایجاد آن از طریق متغیر محیطی یا ورودی کاربر - try: - # تلاش برای دریافت از متغیر محیطی - ee_token = os.environ.get('EE_TOKEN') - if ee_token: - with open(credentials_path, 'w') as f: - f.write(ee_token) - credentials = ee.ServiceAccountCredentials(service_account, credentials_path) - ee.Initialize(credentials) - else: - # اگر در متغیرهای محیطی نبود، از کاربر بخواه - st.warning("فایل اعتبارنامه Google Earth Engine یافت نشد.") - ee_key = st.text_area("لطفاً محتوای فایل JSON اعتبارنامه را وارد کنید:") - if ee_key: - try: - with open(credentials_path, 'w') as f: - f.write(ee_key) - credentials = ee.ServiceAccountCredentials(service_account, credentials_path) - ee.Initialize(credentials) - except Exception as e: - st.error(f"خطا در احراز هویت: {e}") - else: - st.info("برای استفاده از این برنامه، فایل اعتبارنامه GEE ضروری است.") - ee.Initialize() - except Exception as e: - st.error(f"خطا در تنظیم Earth Engine: {e}") - ee.Initialize() - - return True - -# شروع تنظیم Earth Engine -ee_initialized = initialize_ee() + + os.remove(credentials_file) + + return True + except Exception as e: + st.error(f"خطا در اتصال به Earth Engine: {e}") + return False -# خواندن فایل CSV مزارع +# Load data @st.cache_data def load_farm_data(): try: - return pd.read_csv('پایگاه داده (1).csv') - except FileNotFoundError: - try: - return pd.read_csv('farm_coordinates.csv') - except FileNotFoundError: - st.error("فایل داده‌های مزارع یافت نشد. لطفاً فایل CSV را در مسیر پروژه قرار دهید.") - # ایجاد دیتافریم نمونه - return pd.DataFrame({ - 'مزرعه': ['مزرعه 1', 'مزرعه 2', 'مزرعه 3'], - 'سن': [12, 8, 15], - 'تنوع': ['CP73-21', 'CP69-1062', 'CP57-614'], - 'طول جغرافیایی': [48.724416, 48.734416, 48.714416], - 'عرض جغرافیایی': [31.534442, 31.544442, 31.524442] - }) + df = pd.read_csv("پایگاه داده (1).csv") + return df + except Exception as e: + st.error(f"خطا در بارگذاری داده‌های مزارع: {e}") + return pd.DataFrame() -# بارگیری داده‌های مزارع -farms_df = load_farm_data() +@st.cache_data +def load_coordinates_data(): + try: + df = pd.read_csv("farm_coordinates.csv") + return df + except Exception as e: + st.error(f"خطا در بارگذاری داده‌های مختصات: {e}") + return pd.DataFrame() -# تبدیل نام ستون‌ها به فارسی اگر به انگلیسی باشند -column_mapping = { - 'farm': 'مزرعه', - 'age': 'سن', - 'variety': 'تنوع', - 'longitude': 'طول جغرافیایی', - 'latitude': 'عرض جغرافیایی' -} +# Load animation JSON +@st.cache_data +def load_lottie_url(url: str): + r = requests.get(url) + if r.status_code != 200: + return None + return r.json() -farms_df = farms_df.rename(columns={col: column_mapping.get(col, col) for col in farms_df.columns}) +# Function to get weather data +def get_weather_data(lat, lon, api_key): + url = f"http://api.openweathermap.org/data/2.5/weather?lat={lat}&lon={lon}&appid={api_key}&units=metric" + response = requests.get(url) + if response.status_code == 200: + return response.json() + else: + return None -# تابع برای محاسبه شاخص‌های گیاهی با استفاده از GEE -def calculate_vegetation_indices(lat, lon, start_date, end_date): - # تعریف نقطه مورد نظر - point = ee.Geometry.Point([lon, lat]) - - # فیلتر تصاویر Sentinel-2 - s2 = ee.ImageCollection('COPERNICUS/S2_SR') \ - .filterDate(start_date, end_date) \ - .filterBounds(point) \ - .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) - - if s2.size().getInfo() == 0: - # اگر تصویری یافت نشد، بازه زمانی را افزایش می‌دهیم - s2 = ee.ImageCollection('COPERNICUS/S2_SR') \ - .filterDate(ee.Date(start_date).advance(-30, 'day'), end_date) \ - .filterBounds(point) \ - .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) - - # گرفتن آخرین تصویر - image = ee.Image(s2.sort('system:time_start', False).first()) - - # محاسبه شاخص‌ها - ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI') - ndwi = image.normalizedDifference(['B3', 'B8']).rename('NDWI') - ndmi = image.normalizedDifference(['B8', 'B11']).rename('NDMI') - - # محاسبه LAI (Leaf Area Index) بر اساس NDVI - lai = ndvi.expression( - '3.618 * exp(2.0 * NDVI)', { - 'NDVI': ndvi - }).rename('LAI') - - # محاسبه CHL (Chlorophyll content) با استفاده از باندهای مرئی و لبه قرمز - chl = image.expression( - '((B7 - B5) / (B7 + B5)) * ((B7 / B5))', { - 'B7': image.select('B7'), - 'B5': image.select('B5') - }).rename('CHL') - - # استخراج مقادیر برای نقطه مورد نظر - values = image.addBands(ndvi).addBands(ndwi).addBands(ndmi).addBands(lai).addBands(chl) \ - .reduceRegion( - reducer=ee.Reducer.mean(), - geometry=point, - scale=10 - ).getInfo() - - # استخراج تاریخ تصویر - try: - image_date = ee.Date(image.get('system:time_start')).format('YYYY-MM-dd').getInfo() - except: - image_date = "تاریخ نامشخص" - - return { - 'ndvi': values.get('NDVI', None), - 'ndwi': values.get('NDWI', None), - 'ndmi': values.get('NDMI', None), - 'lai': values.get('LAI', None), - 'chl': values.get('CHL', None), - 'date': image_date, - 'image': image - } +# Function to estimate water requirement +def estimate_water_requirement(farm_id, date_str): + api_key = "ed47316a45379e2221a75f813229fb46" + farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0] + lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی'] + weather_data = get_weather_data(lat, lon, api_key) + if weather_data: + temperature = weather_data['main']['temp'] + humidity = weather_data['main']['humidity'] + # Simple formula for water requirement (mm/day) + water_requirement = (temperature - 20) * 0.5 + (100 - humidity) * 0.1 + return max(0, water_requirement) + else: + return None -# تابع برای تبدیل NDVI به مرحله رشد نیشکر (لیف استیج 0-6) -def calculate_leaf_stage(ndvi): - if ndvi is None: +# Create Earth Engine map with indices +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": + 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": + 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": + nir = s2.select('B8') + red = s2.select('B4') + blue = s2.select('B2') + index = nir.subtract(red).multiply(2.5).divide(nir.add(red.multiply(6)).subtract(blue.multiply(7.5)).add(1)).rename('EVI') + viz_params = {'min': 0, 'max': 1, 'palette': ['#d73027', '#f46d43', '#fdae61', '#fee08b', '#4caf50']} + legend_title = 'شاخص پیشرفته گیاهی (EVI)' + elif layer_type == "NDWI": + index = s2.normalizedDifference(['B3', 'B8']).rename('NDWI') + viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#00008b', '#00b7eb', '#add8e6', '#fdae61', '#d73027']} + 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) + + folium.Marker( + [lat, lon], + popup=f'مزرعه {farm_id}', + tooltip=f'مزرعه {farm_id}', + icon=folium.Icon(color='green', icon='leaf') + ).add_to(m) + + folium.Circle( + [lat, lon], + radius=1500, + color='green', + fill=True, + fill_color='green', + fill_opacity=0.1 + ).add_to(m) + + folium.LayerControl().add_to(m) + + legend_html = ''' +
+
''' + legend_title + '''
+
+
+ کم +
+
+
+ متوسط +
+
+
+ زیاد +
+
+ ''' + 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 - - # بر اساس مقادیر استاندارد نیشکر NDVI به مراحل رشد - if ndvi < 0.2: - return 0 # بدون پوشش یا کاشت جدید - elif ndvi < 0.3: - return 1 # مرحله اولیه جوانه زنی - elif ndvi < 0.4: - return 2 # مرحله جوانه زنی پیشرفته - elif ndvi < 0.5: - return 3 # مرحله رشد اولیه - elif ndvi < 0.6: - return 4 # مرحله رشد میانی - elif ndvi < 0.7: - return 5 # مرحله رشد پیشرفته - else: - return 6 # مرحله بلوغ کامل -# تابع برای نمایش نقشه با شاخص NDVI -def display_ndvi_map(center_lat, center_lon): - # ایجاد یک نقشه با مرکزیت مشخص - m = geemap.Map() - m.setCenter(center_lon, center_lat, 13) - - # تعریف محدوده زمانی (یک هفته اخیر) - end_date = datetime.now() - start_date = end_date - timedelta(days=30) # افزایش به 30 روز برای اطمینان از وجود تصویر - - # فیلتر کلکشن Sentinel-2 - s2 = ee.ImageCollection('COPERNICUS/S2_SR') \ - .filterDate(start_date.strftime('%Y-%m-%d'), end_date.strftime('%Y-%m-%d')) \ - .filterBounds(ee.Geometry.Point([center_lon, center_lat])) \ - .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) \ - .sort('system:time_start', False) - - # بررسی وجود تصویر - if s2.size().getInfo() > 0: - # گرفتن آخرین تصویر - image = ee.Image(s2.first()) - - # محاسبه NDVI - ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI') - - # تعریف پالت رنگی NDVI - ndvi_vis = { - 'min': 0.0, - 'max': 0.8, - 'palette': [ - '#d73027', # قرمز (تنش شدید) - '#f46d43', # نارنجی (تنش متوسط) - '#fdae61', # نارنجی روشن (تنش کم) - '#fee08b', # زرد (رشد ضعیف) - '#d9ef8b', # سبز-زرد (رشد متوسط) - '#a6d96a', # سبز کم رنگ (رشد خوب) - '#66bd63', # سبز (رشد عالی) - '#1a9850' # سبز تیره (بهترین حالت رشد) - ] - } +# 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) - # اضافه کردن لایه NDVI به نقشه - m.addLayer(ndvi, ndvi_vis, 'شاخص NDVI') - - # اضافه کردن کنترل لایه - m.add_layer_control() - - # اضافه کردن راهنمای نقشه - legend_dict = { - '≥ 0.7 (مرحله بلوغ کامل)': '#1a9850', - '0.6-0.7 (رشد پیشرفته)': '#66bd63', - '0.5-0.6 (رشد میانی)': '#a6d96a', - '0.4-0.5 (رشد اولیه)': '#d9ef8b', - '0.3-0.4 (جوانه زنی پیشرفته)': '#fee08b', - '0.2-0.3 (جوانه زنی اولیه)': '#fdae61', - '< 0.2 (کاشت جدید/تنش)': '#d73027' + 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))) - m.add_legend(title="راهنمای شاخص NDVI", legend_dict=legend_dict) + avg_growth_data = { + 'farm_id': 'میانگین', + 'variety': 'همه', + 'age': 'همه', + 'weeks': weeks, + 'heights': avg_heights + } - # تاریخ تصویر - image_date = ee.Date(image.get('system:time_start')).format('YYYY-MM-dd').getInfo() - st.info(f"تاریخ تصویر استفاده شده: {image_date}") + return { + 'individual': farm_growth_data, + 'average': avg_growth_data + } else: - st.warning("هیچ تصویری با شرایط مورد نظر (ابر کمتر از 10%) در 30 روز اخیر یافت نشد.") + 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 m + 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') -# تابع برای تعیین روز هفته فارسی -def get_persian_weekday(date): - persian_days = { - 0: "دوشنبه", - 1: "سه‌شنبه", - 2: "چهارشنبه", - 3: "پنج‌شنبه", - 4: "جمعه", - 5: "شنبه", - 6: "یکشنبه" - } - weekday = date.weekday() - return persian_days[weekday] +# 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' + ]) -# عنوان اصلی برنامه -st.title("سیستم مانیتورینگ مزارع نیشکر 🌱") +# Main header +st.markdown('
', unsafe_allow_html=True) +st.markdown('

سامانه هوشمند پایش مزارع نیشکر دهخدا

', unsafe_allow_html=True) +st.markdown('

پلتفرم جامع مدیریت، پایش و تحلیل داده‌های مزارع نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی

', unsafe_allow_html=True) +st.markdown('
', unsafe_allow_html=True) -# منوی اصلی -selected_tab = option_menu( +# Create a modern navigation menu +selected = option_menu( menu_title=None, - options=["داشبورد", "نقشه", "گزارش‌ها", "تنظیمات"], - icons=['speedometer', 'map', 'file-earmark-text', 'gear'], + 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"}, + } ) -# نمایش دکمه‌های روزهای هفته به صورت آنیمیشنی -if selected_tab == "داشبورد": - st.header("برنامه هفتگی مانیتورینگ مزارع") - - # ایجاد دکمه‌های روزهای هفته به صورت متحرک - today = datetime.now() - - # تعیین شنبه هفته جاری - days_since_saturday = (today.weekday() - 5) % 7 - saturday = today - timedelta(days=days_since_saturday) - - # ایجاد لیست روزهای هفته از شنبه تا پنج‌شنبه - week_days = [] - for i in range(6): # 6 روز از شنبه تا پنج‌شنبه - day = saturday + timedelta(days=i) - persian_day = get_persian_weekday(day) - day_str = day.strftime("%Y-%m-%d") - week_days.append((persian_day, day_str)) - - # نمایش دکمه‌های روزهای هفته با انیمیشن - cols = st.columns(6) - selected_day = None - - for i, (day_name, day_date) in enumerate(week_days): - with cols[i]: - day_button = st.button( - f"{day_name}\n{day_date}", - key=f"day_{i}" - ) - if day_button: - selected_day = (day_name, day_date) +# Dashboard +if selected == "داشبورد": + col1, col2, col3, col4 = st.columns(4) + + with col1: + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{len(farm_df)}
', unsafe_allow_html=True) + st.markdown('
تعداد مزارع
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) - # اگر روزی انتخاب شده باشد - if selected_day: - st.subheader(f"برنامه مانیتورینگ مزارع برای روز {selected_day[0]}") + with col2: + active_farms = int(len(farm_df) * 0.85) + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{active_farms}
', unsafe_allow_html=True) + st.markdown('
مزارع فعال
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) + + with col3: + avg_height = 175 + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{avg_height} cm
', unsafe_allow_html=True) + st.markdown('
میانگین ارتفاع
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) + + with col4: + avg_moisture = 68 + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{avg_moisture}%
', unsafe_allow_html=True) + st.markdown('
میانگین رطوبت
', unsafe_allow_html=True) + st.markdown('
', 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") - # مثالی از فیلتر کردن مزارع بر اساس روز - # در یک پروژه واقعی، این بخش باید با منطق کسب و کار واقعی تطبیق داده شود + col1, col2 = st.columns(2) - # شبیه‌سازی فیلتر بر اساس روز هفته - weekday_idx = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنج‌شنبه"].index(selected_day[0]) + 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) - # برای شبیه‌سازی، تقسیم مزارع بر اساس باقیمانده تقسیم بر 6 - filtered_farms = farms_df[farms_df.index % 6 == weekday_idx].copy() + 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()}") - if len(filtered_farms) > 0: - # محاسبه شاخص‌های گیاهی برای مزارع فیلتر شده - end_date = datetime.now().strftime('%Y-%m-%d') - start_date = (datetime.now() - timedelta(days=7)).strftime('%Y-%m-%d') + st.markdown('
', 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') - indices_data = [] + 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""" +
+

مزرعه {name}

+

واریته: {variety}

+

سن: {age}

+

مساحت: {area} هکتار

+
+ """ + else: + popup_text = f"
مزرعه {name}
" + + 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) - progress_bar = st.progress(0) - status_text = st.empty() + st.markdown('
', unsafe_allow_html=True) + folium_static(m, width=1000, height=600) + st.markdown('
', 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('
', 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('
', unsafe_allow_html=True) + + st.markdown("### راهنمای شاخص‌ها") + + with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"): + st.markdown(""" + **شاخص 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('
', unsafe_allow_html=True) + + with col2: + map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"]) + + with map_tab: + st.markdown('
', unsafe_allow_html=True) - for idx, farm in filtered_farms.iterrows(): - status_text.text(f"در حال محاسبه شاخص‌های مزرعه {farm['مزرعه']}...") - - try: - indices = calculate_vegetation_indices( - farm['عرض جغرافیایی'], - farm['طول جغرافیایی'], - start_date, - end_date + 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 ) - - leaf_stage = calculate_leaf_stage(indices['ndvi']) - - indices_data.append({ - 'مزرعه': farm['مزرعه'], - 'سن': farm['سن'], - 'تنوع': farm['تنوع'], - 'NDVI': indices['ndvi'], - 'NDWI': indices['ndwi'], - 'NDMI': indices['ndmi'], - 'LAI': indices['lai'], - 'CHL': indices['chl'], - 'مرحله رشد': leaf_stage, - 'تاریخ تصویر': indices['date'] + 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('
', 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('
', unsafe_allow_html=True) + st.markdown(f'
{stats["mean"]}
', unsafe_allow_html=True) + st.markdown(f'
میانگین {selected_layer}
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) + + with col2: + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{stats["max"]}
', unsafe_allow_html=True) + st.markdown(f'
حداکثر {selected_layer}
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) + + with col3: + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{stats["min"]}
', unsafe_allow_html=True) + st.markdown(f'
حداقل {selected_layer}
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) + + with col4: + st.markdown('
', unsafe_allow_html=True) + st.markdown(f'
{stats["std_dev"]}
', unsafe_allow_html=True) + st.markdown(f'
انحراف معیار
', unsafe_allow_html=True) + st.markdown('
', 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(""" +
+ + + + + +

فایل خود را اینجا رها کنید یا روی دکمه بالا کلیک کنید

+
+ """, 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(""" +
+

تحلیل پیشرفته داده‌های مزارع

+

در این بخش می‌توانید تحلیل‌های پیشرفته روی داده‌های مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.

+
+ """, 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'] }) - except Exception as e: - st.error(f"خطا در محاسبه شاخص‌ها برای مزرعه {farm['مزرعه']}: {e}") + + 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(""" +
+

گزارش‌گیری پیشرفته

+

در این بخش می‌توانید گزارش‌های مختلف از وضعیت مزارع تهیه کنید و آن‌ها را به صورت PDF یا Excel دانلود کنید.

+
+ """, 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) - # به‌روزرسانی نوار پیشرفت - progress_bar.progress((idx + 1) / len(filtered_farms)) + 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) - # تبدیل نتایج به DataFra me - if indices_data: - indices_df = pd.DataFrame(indices_data) - - # ایجاد ستون وضعیت برای رنگ‌بندی - def get_status(ndvi): - if ndvi is None: - return "نامشخص" - elif ndvi < 0.3: - return "تنش شدید" - elif ndvi < 0.4: - return "تنش متوسط" - elif ndvi < 0.5: - return "رشد ضعیف" - elif ndvi < 0.65: - return "رشد خوب" - else: - return "رشد عالی" + elif report_type == "گزارش رشد": + st.markdown("### گزارش رشد مزارع") + + col1, col2, col3 = st.columns(3) - indices_df['وضعیت'] = indices_df['NDVI'].apply(get_status) + with col1: + st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm") - # مرتب‌سازی بر اساس NDVI نزولی - indices_df = indices_df.sort_values(by='NDVI', ascending=False) + with col2: + st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm") - # نمایش جدول با رنگ‌بندی - st.subheader("اطلاعات شاخص‌های مزارع") + with col3: + st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm") - # تعیین رنگ سطرها بر اساس وضعیت - def highlight_row(row): - status = row['وضعیت'] - if status == "رشد عالی": - return ['background-color: #d4edda'] * len(row) - elif status == "رشد خوب": - return ['background-color: #a6d96a'] * len(row) - elif status == "رشد ضعیف": - return ['background-color: #fff3cd'] * len(row) - elif status in ["تنش متوسط", "تنش شدید"]: - return ['background-color: #f8d7da'] * len(row) - return [''] * len(row) + 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) - st.dataframe(indices_df.style.apply(highlight_row, axis=1)) + 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) - # نمودارها - st.subheader("تحلیل شاخص‌های مزارع") + 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 = st.columns(2) + col1, col2, col3 = st.columns(3) with col1: - # نمودار NDVI برای مزارع - fig_ndvi = px.bar( - indices_df, - x='مزرعه', - y='NDVI', - color='NDVI', - color_continuous_scale=['red', 'yellow', 'green'], - labels={'NDVI': 'شاخص NDVI', 'مزرعه': 'نام مزرعه'}, - title="مقایسه شاخص NDVI مزارع" - ) - st.plotly_chart(fig_ndvi, use_container_width=True) + st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%") with col2: - # نمودار مرحله رشد - fig_stage = px.bar( - indices_df, - x='مزرعه', - y='مرحله رشد', - color='مرحله رشد', - color_continuous_scale=['red', 'yellow', 'green'], - labels={'مرحله رشد': 'مرحله رشد (0-6)', 'مزرعه': 'نام مزرعه'}, - title="مرحله رشد مزارع" - ) - st.plotly_chart(fig_stage, use_container_width=True) - - # شناسایی مزارع با بیشترین و کمترین رشد - if len(indices_df) > 0: - best_farm = indices_df.iloc[0] - worst_farm = indices_df.iloc[-1] - - col1, col2 = st.columns(2) - - with col1: - st.markdown(f""" -
-

مزرعه با بیشترین رشد

-

مزرعه: {best_farm['مزرعه']}

-

شاخص NDVI: {best_farm['NDVI']:.3f}

-

مرحله رشد: {best_farm['مرحله رشد']}

-

تنوع: {best_farm['تنوع']}

-
- """, unsafe_allow_html=True) - - with col2: - st.markdown(f""" -
-

مزرعه با کمترین رشد

-

مزرعه: {worst_farm['مزرعه']}

-

شاخص NDVI: {worst_farm['NDVI']:.3f}

-

مرحله رشد: {worst_farm['مرحله رشد']}

-

تنوع: {worst_farm['تنوع']}

-
- """, unsafe_allow_html=True) - - # شناسایی مزارع دارای تنش - stress_farms = indices_df[indices_df['NDVI'] < 0.4] - - if len(stress_farms) > 0: - st.subheader("مزارع دارای تنش") - st.markdown(""" -
-

مزارع زیر دارای تنش هستند و نیاز به بررسی دارند:

-
- """, unsafe_allow_html=True) - - st.dataframe(stress_farms[['مزرعه', 'NDVI', 'NDWI', 'مرحله رشد', 'وضعیت']]) - else: - st.warning("داده‌ای برای نمایش یافت نشد.") - else: - st.warning(f"هیچ مزرعه‌ای برای روز {selected_day[0]} برنامه‌ریزی نشده است.") + 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 برابر 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", + ) -# نمایش نقشه -elif selected_tab == "نقشه": - st.header("نقشه مانیتورینگ مزارع نیشکر") +# Settings Page +elif selected == "تنظیمات": + st.markdown("## تنظیمات سیستم") - # مختصات مرکزی - CENTER_LAT = 31.534442 - CENTER_LON = 48.724416 + tab1, tab2, tab3, tab4 = st.tabs(["تنظیمات کاربری", "تنظیمات سیستم", "مدیریت داده‌ها", "پشتیبان‌گیری"]) - # توضیحات شاخص NDVI - with st.expander("راهنمای شاخص NDVI"): - st.markdown(""" - ### راهنمای تفسیر شاخص NDVI - - شاخص NDVI (Normalized Difference Vegetation Index) نشان‌دهنده سلامت گیاه و میزان فتوسنتز است: - - - **0.7 تا 1.0**: پوشش گیاهی بسیار متراکم و سالم (سبز تیره) - مناطق با تراکم بالای گیاهان سالم و فعالیت فتوسنتزی قوی. - - **0.6 تا 0.7**: پوشش گیاهی متراکم و سالم (سبز) - پوشش گیاهی خوب با سلامت بالا، معمولاً در جنگل‌ها یا مزارع پررونق. - - **0.5 تا 0.6**: پوشش گیاهی متوسط (سبز روشن) - مناطقی با پوشش گیاهی قابل قبول اما نه در حداکثر سلامت یا تراکم. - - **0.4 تا 0.5**: پوشش گیاهی کم تراکم (سبز-زرد) - گیاهان با تراکم کم، ممکن است نشان‌دهنده شروع تنش یا شرایط متوسط باشد. - - **0.3 تا 0.4**: پوشش گیاهی بسیار کم تراکم یا مناطق خشک (زرد) - مناطقی که پوشش گیاهی کمی دارند و ممکن است در معرض خشکی باشند. - - **0.2 تا 0.3**: خاک خشک یا مناطق بدون پوشش گیاهی (قرمز) - مناطقی که عمدتاً خاک خشک یا سنگلاخی هستند و پوشش گیاهی ناچیز است. - - **کمتر از 0.2**: آب یا سطوح غیر گیاهی (آبی) - سطوح آبی مانند رودخانه‌ها، دریاچه‌ها یا مناطقی بدون گیاه (مثل آسفالت یا سنگ). -""") \ No newline at end of file + 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="user@example.com") + + 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(""" + +""", unsafe_allow_html=True) \ No newline at end of file